Rationalité limitée et rationalité écologique
Imaginer un décideur parfaitement rationnel est relativement simple : il connaît toutes les options disponibles, toutes leurs conséquences possibles, les probabilités pertinentes, ses propres préférences et dispose d’une capacité de calcul suffisante pour déterminer le meilleur choix. Cette représentation peut être utile pour construire un modèle. Elle décrit beaucoup moins bien les conditions ordinaires dans lesquelles des êtres humains doivent réellement décider.
Dans la plupart des situations, nous ignorons une partie des options, nous ne connaissons qu’imparfaitement leurs conséquences et nous ne disposons ni d’un temps infini ni d’une capacité de calcul illimitée. Même rechercher davantage d’informations possède un coût. Une décision réaliste doit donc répondre à deux problèmes à la fois : que choisir ?, mais aussi combien faut-il encore chercher, calculer ou attendre avant de choisir ?
La notion de rationalité limitée, associée notamment aux travaux d’Herbert Simon, prend ces contraintes au sérieux. La rationalité écologique prolonge cette réflexion en ajoutant une autre idée : la qualité d’une stratégie dépend aussi de la structure de l’environnement dans lequel elle est utilisée.
La rationalité ne consiste alors plus nécessairement à appliquer partout la procédure la plus complexe. Elle consiste aussi à employer une stratégie suffisamment adaptée au problème effectivement rencontré.
La rationalité parfaite comme point de comparaison
Une grande partie de la théorie classique du choix raisonne à partir d’un agent capable de sélectionner l’option qui maximise un objectif donné. Pour effectuer cette optimisation, il faut cependant disposer d’informations et de capacités qui peuvent être très exigeantes : identifier les choix pertinents, anticiper leurs conséquences, déterminer leurs probabilités, comparer leurs valeurs et effectuer les calculs nécessaires.
Herbert Simon a contesté très tôt le réalisme psychologique de cette représentation lorsqu’elle est utilisée pour décrire la décision humaine. Dans son article de 1955, il cherche explicitement à construire un modèle dans lequel les capacités de connaissance et de calcul du décideur sont limitées.
L’idée n’est pas que les humains seraient simplement de mauvais calculateurs tentant maladroitement d’imiter une rationalité parfaite. Elle est plus profonde : les limites du décideur font partie du problème de décision lui-même.
Supposons qu’il existe cent possibilités. Les comparer toutes peut améliorer le choix final, mais cette comparaison exige du temps. Si la décision doit être prise immédiatement, une stratégie qui examine seulement cinq possibilités peut être meilleure dans la situation réelle qu’une méthode théoriquement supérieure mais impossible à terminer à temps.
Le temps de calcul n’est donc pas extérieur à la décision. Il peut faire partie de son coût.
La rationalité limitée
La rationalité limitée (*bounded rationality*) désigne une famille d’approches qui prennent au sérieux les contraintes réelles pesant sur la décision : information incomplète, capacité de calcul finie, attention limitée, temps disponible et incertitude sur les conséquences.
Dans ce cadre, rechercher systématiquement l’optimum peut être impossible ou inutilement coûteux. Une stratégie peut plutôt fixer un niveau d’aspiration et arrêter la recherche lorsqu’une solution suffisamment satisfaisante est rencontrée. Cette idée conduira notamment au concept de *satisficing*, que nous examinerons dans une fiche ultérieure.
Prenons le choix d’un logement. Une procédure d’optimisation exhaustive demanderait théoriquement d’identifier toutes les possibilités présentes et futures, de comparer leur prix, leur emplacement, leur état, leur surface, les transports, le voisinage, l’évolution probable du marché et quantité d’autres variables. Dans la pratique, le décideur définit généralement quelques exigences importantes, examine un sous-ensemble des possibilités puis finit par arrêter sa recherche.
Cette stratégie peut évidemment conduire à manquer une meilleure offre. Mais poursuivre indéfiniment la recherche aurait également un coût : temps consacré aux visites, fatigue, risque de perdre une offre acceptable, retard du déménagement ou maintien temporaire dans un logement coûteux.
Une décision ne peut donc pas être évaluée uniquement par rapport à une solution idéale connue après coup.
Risque, incertitude et ignorance
Toutes les situations de décision ne présentent pas le même degré d’incertitude.
Dans certains problèmes, les événements possibles et leurs probabilités peuvent être raisonnablement connus. Une loterie simple constitue le cas typique : les issues sont définies et leurs probabilités peuvent être calculées.
Dans beaucoup de décisions réelles, cette situation est beaucoup moins confortable. Les événements eux-mêmes peuvent être imparfaitement connus et les probabilités difficiles à estimer. Quel sera l’état d’un secteur économique dans dix ans ? Une technologie encore récente deviendra-t-elle dominante ? Une personne réagira-t-elle de la même manière dans une situation inédite ? Nous disposons parfois de données pertinentes, mais pas d’une distribution de probabilités stable et parfaitement connue.
Cette distinction est importante parce que les avantages respectifs des différentes stratégies changent avec la nature du problème. Une procédure statistique très sophistiquée peut être extrêmement efficace lorsque ses hypothèses sont bien satisfaites. La même sophistication peut devenir fragile lorsque le modèle doit estimer un grand nombre de paramètres à partir de peu d’observations ou lorsque l’environnement évolue.
La rationalité limitée ne signifie donc pas : « les calculs sont inutiles ». Elle conduit plutôt à demander : quels calculs sont justifiés par l’information dont nous disposons réellement ?
De la rationalité limitée à la rationalité écologique
Les travaux sur la rationalité écologique, notamment associés à Gerd Gigerenzer, Peter Todd et leurs collaborateurs, ajoutent une dimension centrale : une stratégie ne doit pas seulement être étudiée isolément ; il faut examiner la relation entre cette stratégie et la structure de l’environnement.
Une heuristique peut exploiter une régularité particulière : un indice fortement prédictif, une hiérarchie stable d’informations, une corrélation entre reconnaissance et grandeur recherchée, ou encore un environnement dans lequel continuer à chercher devient rapidement coûteux.
Todd et Gigerenzer définissent ainsi leur programme par l’étude de la manière dont des mécanismes cognitifs relativement simples peuvent obtenir de bonnes performances en exploitant certaines structures d’information présentes dans l’environnement.
La question change alors de forme. Au lieu de demander seulement :
« Cette stratégie respecte-t-elle parfaitement une norme logique ou statistique ? »
il faut également demander :
« Quelle information cette stratégie exploite-t-elle, et cette information est-elle effectivement prédictive dans cet environnement ? »
Cela ne remplace pas les normes de logique ou de probabilité. Cela ajoute un problème : déterminer quelles normes, quels modèles ou quelles stratégies sont pertinents compte tenu de la tâche réelle.
Une clé n’est pas bonne ou mauvaise indépendamment de la serrure
Une comparaison simple aide à comprendre la rationalité écologique. Une clé n’est pas « bonne » en elle-même : elle est bonne pour une serrure donnée.
Il en va de même pour une heuristique.
Considérons une règle qui privilégie fortement l’expérience récente. Dans un environnement stable, un échantillon plus vaste de données anciennes peut fournir une estimation plus fiable. Mais dans un environnement qui vient de changer brutalement, les observations les plus récentes peuvent devenir plus informatives que l’histoire lointaine.
Inversement, privilégier les événements récents dans un environnement stable peut conduire à surinterpréter de simples fluctuations aléatoires.
La stratégie cognitive est la même. Ce qui change, c’est la relation entre l’information utilisée et la structure du monde.
Cette idée peut être appliquée à de nombreuses dimensions : stabilité temporelle, qualité des indices disponibles, corrélation entre ces indices, coût de leur acquisition, quantité de données, bruit, possibilité d’obtenir un retour sur ses décisions ou vitesse à laquelle l’environnement évolue.
Une analyse écologique demande donc toujours : dans quel monde cette règle fonctionne-t-elle ?
Pourquoi moins d’information peut parfois produire de meilleures prédictions
L’affirmation la plus surprenante du programme des heuristiques rapides et économes est qu’ignorer volontairement une partie de l’information peut, dans certaines conditions, améliorer les prédictions.
Il ne faut pas transformer cette observation en slogan. Davantage d’information pertinente et correctement utilisée n’est pas intrinsèquement nuisible. Le problème apparaît lorsqu’un modèle complexe doit apprendre comment utiliser cette information à partir de données limitées ou bruitées.
Un modèle très flexible peut très bien expliquer les observations sur lesquelles il a été construit tout en apprenant des particularités accidentelles de cet échantillon. Il souffre alors de surajustement : il décrit remarquablement le passé mais généralise mal à de nouvelles données.
Une stratégie plus simple impose davantage de contraintes. Elle peut commettre certaines erreurs systématiques, mais être moins sensible aux fluctuations particulières d’un petit échantillon. Ce compromis est proche de ce que la statistique et l’apprentissage automatique décrivent comme le compromis biais-variance.
Les travaux synthétisés par Gigerenzer et Gaissmaier rapportent ainsi des situations dans lesquelles des stratégies utilisant moins d’informations obtiennent de meilleures performances prédictives, notamment lorsque la prédictibilité est faible et les échantillons réduits.
Cela ne démontre absolument pas qu’une heuristique bat généralement un modèle complexe. Cela montre que la complexité optimale dépend de la quantité et de la structure des données disponibles.
Exemple — prédire ou expliquer ?
Imaginons deux modèles destinés à prévoir si un patient appartient à un groupe présentant un risque particulier.
Le premier utilise trois variables fortement informatives et une règle simple.
Le second utilise quarante variables et ajuste finement leur poids à partir de quelques dizaines de dossiers.
Sur les dossiers qui ont servi à construire les modèles, le second pourra probablement reproduire davantage de particularités. Mais certaines de ces relations peuvent n’être que du bruit propre à l’échantillon. Testé sur de nouveaux patients, le modèle plus simple peut alors se montrer aussi performant, voire meilleur.
Augmentons maintenant considérablement le nombre de dossiers fiables et supposons que plusieurs des quarante variables contiennent réellement de l’information indépendante. Un modèle bien régularisé et correctement validé peut alors exploiter cette richesse et dépasser largement la règle simple.
Il serait donc absurde de tirer de l’exemple la maxime : « trois variables valent mieux que quarante ».
La conclusion correcte est : la complexité doit être adaptée à l’information disponible et évaluée sur sa capacité à généraliser.
L’environnement peut rendre une heuristique efficace
Plusieurs propriétés environnementales peuvent modifier la performance d’une stratégie.
Un environnement comportant quelques indices fortement prédictifs favorise parfois les règles qui les identifient rapidement. Lorsque les indices apportent au contraire chacun une petite quantité d’information complémentaire, en ignorer beaucoup peut devenir coûteux.
Une petite quantité de données augmente le risque d’estimer très mal de nombreux paramètres. Avec beaucoup de données de qualité, des méthodes plus riches deviennent plus faciles à calibrer.
Un environnement bruité peut favoriser certaines formes de simplification parce qu’elles empêchent de traiter chaque fluctuation comme une information significative.
Une pression temporelle importante modifie également la comparaison : une procédure excellente qui exige une heure n’est pas nécessairement adaptée à une décision devant être prise en trente secondes.
Enfin, la stabilité de l’environnement est fondamentale. Une règle apprise dans un contexte peut perdre sa pertinence si les relations entre les indices et les résultats changent.
La rationalité écologique ne consiste donc pas à dresser une liste universelle de « bonnes heuristiques ». Elle cherche à cartographier des relations : quelle stratégie pour quelle structure de problème ?
Cas pratique — le tri en situation d’urgence
Considérons une situation de tri médical dans laquelle plusieurs personnes doivent être évaluées rapidement. Une procédure exhaustive qui mobiliserait immédiatement tous les examens disponibles pourrait être plus précise si le temps et les ressources étaient illimités.
Mais ils ne le sont pas nécessairement.
Une règle de tri peut commencer par quelques signes capables d’identifier rapidement un niveau de risque exigeant une prise en charge prioritaire. L’objectif de cette procédure n’est pas d’établir immédiatement un diagnostic définitif. Il est de prendre une première décision adaptée à une contrainte de temps.
La simplicité peut donc être une propriété fonctionnelle de l’outil.
Mais elle n’est justifiée que si les critères choisis discriminent réellement les situations importantes. Une règle rapide mal calibrée, construite sur des données inadéquates ou appliquée à une population différente peut devenir dangereuse.
Dire qu’une procédure est « rapide et simple » ne permet donc ni de la valider ni de la réfuter. Il faut mesurer ses performances : sensibilité, spécificité, erreurs, conséquences de ces erreurs, comparaison avec les alternatives et validité dans la population concernée.
La rationalité écologique reste une question empirique.
La rationalité écologique n’est pas un permis de faire confiance à son intuition
Une confusion fréquente consiste à passer de :
« certaines heuristiques fonctionnent bien dans certains environnements »
à :
« notre intuition a probablement évolué pour être adaptée au monde réel, donc il faut lui faire confiance ».
La conclusion ne suit pas.
Pour parler de rationalité écologique, il faut identifier une relation démontrable entre une stratégie et certaines propriétés de l’environnement. Une justification évolutionnaire générale ne suffit pas à établir qu’un jugement particulier est correct aujourd’hui.
Certaines adaptations peuvent en outre être mal ajustées à des environnements modernes. Certaines intuitions sont produites par l’apprentissage culturel ou individuel plutôt que par une adaptation ancienne. D’autres impressions n’exploitent tout simplement aucune régularité fiable.
Des critiques du programme de rationalité écologique ont justement souligné le risque de confondre le fait qu’un mécanisme ait pu posséder une fonction adaptative avec la justification épistémique d’une croyance produite aujourd’hui.
Ainsi, « cette intuition pourrait avoir une explication adaptative » et « cette intuition constitue une bonne raison de croire cette proposition » sont deux affirmations différentes.
Descriptif et normatif : deux questions à ne pas confondre
Lorsqu’on étudie une heuristique, au moins deux questions doivent être distinguées.
La première est descriptive : les individus utilisent-ils réellement cette stratégie ?
La seconde est normative ou prescriptive : cette stratégie est-elle une bonne manière de résoudre ce problème ?
Une personne peut employer régulièrement une heuristique qui fonctionne mal. Inversement, une règle simple peut obtenir d’excellentes performances sans être spontanément utilisée par la plupart des individus.
Gigerenzer et Gaissmaier insistent eux-mêmes sur cette distinction : identifier les heuristiques effectivement employées et déterminer dans quelles conditions une heuristique devrait être préférée à une stratégie plus complexe constituent deux programmes empiriques distincts.
C’est une distinction particulièrement importante pour l’esprit critique. Décrire un comportement humain n’en fait pas automatiquement une norme. Et montrer qu’une règle respecte une théorie normative ne prouve pas nécessairement qu’elle soit applicable facilement par un décideur disposant de ressources très limitées.
Il n’existe pas de stratégie universellement rationnelle
La notion de rationalité écologique conduit finalement à se méfier de deux excès symétriques.
Le premier consiste à croire que plus d’information, plus de calcul et plus de complexité produisent nécessairement de meilleures décisions. Ce n’est pas toujours vrai lorsque les données sont limitées, bruitées, coûteuses ou lorsque le temps manque.
Le second consiste à croire que la simplicité possède par elle-même une supériorité cognitive. Ce n’est pas davantage vrai. Une heuristique peut ignorer précisément l’information qui aurait permis d’éviter une erreur majeure.
Il n’existe donc pas une bataille générale entre « intuition » et « calcul », entre « heuristiques » et « statistiques », ou entre « simplicité » et « complexité ».
Il existe des problèmes différents, comportant des structures différentes.
Une stratégie rationnelle doit être jugée relativement à un objectif, aux informations disponibles, aux coûts de recherche et de calcul, aux conséquences possibles des erreurs et aux propriétés de l’environnement.
Comment évaluer une stratégie ?
Avant d’adopter ou de défendre une heuristique, quelques questions permettent de préciser le problème.
Quelle est exactement la décision à prendre ? Quels indices la règle utilise-t-elle et lesquels ignore-t-elle ? Ces indices sont-ils réellement associés au résultat recherché ? Cette relation est-elle suffisamment stable ? Combien d’observations avons-nous ? L’environnement est-il fortement bruité ? Combien coûte une information supplémentaire ? Quel est le coût d’une erreur ? La décision est-elle réversible ? Existe-t-il une méthode concurrente et, surtout, laquelle prédit effectivement le mieux sur de nouvelles données ?
Cette dernière question est essentielle. La rationalité écologique ne doit pas être seulement racontée après coup. Dans la mesure du possible, ses propositions doivent donner lieu à des comparaisons empiriques entre stratégies dans des environnements définis.
Une histoire plausible expliquant pourquoi une heuristique « devrait marcher » ne remplace pas un test.
À retenir
La rationalité limitée part d’un constat simple : les décideurs ne possèdent ni une information complète, ni un temps infini, ni une capacité de calcul illimitée. Le coût de la recherche et du raisonnement fait donc partie du problème de décision.
La rationalité écologique ajoute qu’une stratégie ne peut être évaluée indépendamment de son environnement. Une heuristique peut fonctionner parce qu’elle exploite une régularité réelle : un indice fortement prédictif, une structure hiérarchique de l’information, un coût élevé de recherche ou un environnement dans lequel une simplification évite le surajustement.
Cette approche explique pourquoi une stratégie simple peut parfois rivaliser avec une méthode plus complexe ou même mieux généraliser, notamment lorsque les données sont rares ou bruitées. Elle ne permet pas de conclure que moins d’information est toujours mieux.
Une heuristique n’est donc ni rationnelle ni irrationnelle par nature. Il faut préciser l’objectif, l’environnement, les informations accessibles, les coûts et le critère utilisé pour mesurer sa réussite.
Enfin, rationalité écologique et justification épistémique ne doivent pas être confondues. Une intuition pouvant avoir une fonction adaptative n’est pas, pour cette seule raison, une croyance justifiée. Pour l’esprit critique, la question décisive reste empirique : cette stratégie fonctionne-t-elle effectivement ici, pour cette tâche, mieux que les alternatives disponibles ?
Sources principales
Simon, Herbert A. (1955). « A Behavioral Model of Rational Choice », *The Quarterly Journal of Economics*, 69(1), 99-118. DOI : 10.2307/1884852.
Gigerenzer, Gerd, Todd, Peter M. & ABC Research Group. (1999). *Simple Heuristics That Make Us Smart*. Oxford University Press.
Todd, Peter M. & Gigerenzer, Gerd. (2007). « Environments That Make Us Smart: Ecological Rationality », *Current Directions in Psychological Science*, 16(3), 167-171. DOI : 10.1111/j.1467-8721.2007.00497.x.
Gigerenzer, Gerd & Brighton, Henry. (2009). « Homo Heuristicus: Why Biased Minds Make Better Inferences », *Topics in Cognitive Science*, 1(1), 107-143. DOI : 10.1111/j.1756-8765.2008.01006.x.
Gigerenzer, Gerd & Gaissmaier, Wolfgang. (2011). « Heuristic Decision Making », *Annual Review of Psychology*, 62, 451-482. DOI : 10.1146/annurev-psych-120709-145346.
Todd, Peter M., Gigerenzer, Gerd & ABC Research Group. (2012). *Ecological Rationality: Intelligence in the World*. Oxford University Press.
Boudry, Maarten, Vlerick, Michael & McKay, Ryan. (2015). « Can Evolution Get Us Off the Hook? Evaluating the Ecological Defence of Human Rationality », *Consciousness and Cognition*, 33, 524-535. DOI : 10.1016/j.concog.2014.08.025.