Risque, incertitude, ambiguïté et ignorance

Nous ne savons pas toujours de la même manière

Dire simplement « nous sommes incertains » peut recouvrir des situations très différentes. Nous pouvons connaître assez précisément les événements possibles et disposer de probabilités raisonnablement fiables. Nous pouvons au contraire connaître les scénarios mais ignorer leurs probabilités. Nous pouvons ne disposer que d’une fourchette très large. Nous pouvons soupçonner que notre modèle oublie des mécanismes importants. Et il existe enfin des événements auxquels personne n’avait sérieusement pensé avant qu’ils se produisent. Ces situations ne doivent pas être traitées de la même manière. Une décision rationnelle exige donc non seulement de demander : « Que savons-nous ? » mais aussi : « Quelle est la nature de ce que nous ne savons pas ? »

Cette distinction déterminera les outils utilisables. Lorsque les probabilités sont suffisamment connues, un calcul de risque peut être pertinent. Lorsque les estimations sont très fragiles, il devient plus important de tester plusieurs scénarios, de rechercher la robustesse ou de conserver des possibilités de révision. Lorsque notre ignorance elle-même est difficile à circonscrire, une précision numérique excessive peut devenir trompeuse.

Une terminologie utile, mais pas universelle

Il faut commencer par une précaution importante : les mots risque, incertitude, ambiguïté et ignorance ne possèdent pas exactement la même définition dans toutes les disciplines. En économie, en théorie de la décision, en sciences du risque, en médecine ou en ingénierie, les usages peuvent varier. Le terme « incertitude » est notamment souvent utilisé comme terme général englobant toutes les formes de connaissance imparfaite.

Une distinction historique importante vient de l’économiste Frank Knight, qui opposait en 1921 le risque, pour lequel des probabilités peuvent être attribuées aux événements, à une incertitude plus profonde pour laquelle cette quantification n’est pas disponible. Les théories contemporaines ont depuis raffiné et parfois modifié cette distinction. Dans cette catégorie, nous utiliserons donc les termes de la manière suivante :

SituationCe que nous savons approximativementExemple simplifié
RisqueLes résultats possibles et leurs probabilités sont suffisamment estimablesProbabilité d’un accident dans une population bien étudiée
AmbiguïtéLes résultats sont identifiables mais leurs probabilités sont mal connues, imprécises ou contestablesRisque d’une technologie nouvelle disposant de peu de données
Incertitude profondeNous ne pouvons pas établir avec confiance une distribution de probabilités unique et certains scénarios ou mécanismes restent discutablesEffets à trente ans d’une innovation majeure
IgnoranceNous ne savons pas certaines choses, parfois sans savoir précisément lesquellesEffet causal auquel aucun modèle utilisé n’avait pensé

Ces catégories forment davantage un continuum pratique qu’une classification parfaitement étanche.

Le risque : lorsque les probabilités sont suffisamment connaissables

Dans un sens courant, le risque désigne simplement la possibilité qu’un événement indésirable se produise. Dans la théorie de la décision, il est souvent employé dans un sens plus précis : nous sommes en situation de risque lorsque les issues pertinentes sont suffisamment identifiées et qu’il est possible de leur attribuer des probabilités raisonnablement défendables.

Prenons un assureur disposant de données portant sur des centaines de milliers de véhicules. Il ne peut évidemment pas prédire quel automobiliste aura un accident l’année prochaine. Mais il peut estimer statistiquement la fréquence des accidents pour certaines catégories de conducteurs. L’événement individuel reste incertain, mais l’incertitude est suffisamment structurée pour permettre une estimation quantitative.

Il en va de même pour de nombreux phénomènes médicaux. Un médecin ne sait pas si un patient particulier développera un effet indésirable rare après un traitement. Des essais cliniques et des données de pharmacovigilance peuvent néanmoins permettre d’en estimer approximativement la fréquence. Probabiliste ne signifie donc pas arbitraire. Ne pas connaître le résultat futur avec certitude est compatible avec une connaissance relativement solide des probabilités. Cette idée sera fondamentale dans les fiches suivantes : une probabilité de 10 % ne signifie pas « nous ne savons rien », et une probabilité de 90 % ne signifie pas « nous savons ce qui va arriver ».

Une probabilité elle-même peut être incertaine. Les choses deviennent plus difficiles lorsque nous ne sommes pas seulement incertains du résultat, mais aussi de la probabilité correcte à utiliser. Supposons qu’une étude estime à 2 % le risque d’un événement indésirable. Ce chiffre peut lui-même dépendre d’un échantillon limité, d’hypothèses statistiques, de la population étudiée ou de la manière dont l’événement a été défini. Le véritable état de nos connaissances n’est donc pas nécessairement : « Le risque est de 2 %. » Il peut être davantage : « Les données disponibles suggèrent un risque proche de 2 %, mais cette estimation reste suffisamment imprécise pour que des valeurs comprises, par exemple, entre 1 et 4 % demeurent plausibles. » Cette distinction est essentielle. Une estimation numérique ne doit pas faire disparaître l’incertitude portant sur l’estimation elle-même. Plus l’information est faible, plus il faut se méfier d’un chiffre présenté avec une précision artificielle.

Dire « 17,3 % » ne signifie pas que notre connaissance soit réellement précise au dixième de point près.

L’ambiguïté : quand les probabilités elles-mêmes sont mal déterminées

En théorie de la décision, le mot ambiguïté est souvent utilisé lorsque nous connaissons les types de résultats possibles, mais que nous ne disposons pas d’une probabilité suffisamment bien établie pour chacun d’eux. Cette distinction apparaît particulièrement clairement dans les expériences de Daniel Ellsberg.

Dans une version classique du problème, une personne doit choisir entre parier sur une urne dont la proportion de boules de différentes couleurs est connue et une autre dont cette proportion est inconnue. Beaucoup de personnes préfèrent parier lorsque les probabilités sont connues, même lorsque rien ne permet de montrer que l’autre pari possède une espérance inférieure. Ce phénomène est généralement appelé aversion à l’ambiguïté. Cette préférence ne doit pas être confondue avec l’aversion au risque. Dans une loterie parfaitement connue donnant une chance sur deux de gagner 100 euros, le risque peut nous déplaire alors même que nous connaissons exactement la probabilité. Dans une situation ambiguë, le problème supplémentaire est que nous ne savons pas avec confiance quelle probabilité attribuer au résultat. La distinction peut être résumée ainsi : Risque : « Je sais approximativement quelles sont les chances. »

Ambiguïté : « Je sais ce qui pourrait arriver, mais je ne sais pas suffisamment bien quelles sont les chances. » La littérature issue du paradoxe d’Ellsberg a précisément développé des modèles visant à représenter les décisions lorsque les probabilités elles-mêmes sont ambiguës.

Toutes les ambiguïtés ne justifient pas la même prudence. Le fait qu’une probabilité soit mal connue ne signifie pas automatiquement qu’il faut choisir l’option la plus prudente. L’ambiguïté peut venir d’un manque temporaire de données que quelques semaines d’observation suffiront à réduire. Elle peut provenir d’une situation réellement nouvelle pour laquelle aucune fréquence fiable n’existe. Elle peut résulter d’un désaccord entre modèles raisonnables ou simplement d’une estimation qui n’a jamais été sérieusement recherchée. Avant d’invoquer « l’incertitude », il faut donc demander : Pourquoi sommes-nous incertains ? La réponse détermine parfois ce qu’il convient de faire. Si quelques tests supplémentaires peuvent résoudre presque complètement l’incertitude à faible coût, rechercher davantage d’information peut être rationnel. Si aucune information décisive ne sera disponible avant plusieurs années mais qu’une décision doit être prise demain, attendre n’est pas nécessairement une solution.

Si plusieurs modèles scientifiques crédibles donnent des résultats différents, il peut être préférable d’étudier les conséquences de la décision sous chacun de ces modèles plutôt que de produire artificiellement une moyenne unique.

L’incertitude profonde : quand un chiffre unique devient trompeur

Certaines décisions sont tellement nouvelles, complexes ou éloignées dans le temps qu’il devient difficile de défendre une probabilité unique. C’est ce que l’on peut appeler incertitude profonde. Imaginons qu’un gouvernement doive choisir une infrastructure destinée à fonctionner pendant soixante ans. Sa performance dépendra de l’évolution démographique, du climat, du prix de l’énergie, des technologies, des comportements et de décisions politiques futures.

Nous pouvons construire des modèles et des scénarios. Nous pouvons même attribuer certaines probabilités. Mais il serait imprudent de traiter ces probabilités comme si elles avaient la même solidité qu’une fréquence mesurée sur plusieurs millions d’observations comparables. La différence ne tient donc pas seulement à la quantité d’incertitude. Elle concerne la confiance que nous pouvons accorder au modèle probabiliste lui-même. Dans une situation de risque bien caractérisé, la question peut être : « Quelle option possède la meilleure valeur attendue ? » Sous incertitude profonde, il devient souvent plus utile de demander également : « Quelle option reste acceptable dans plusieurs futurs plausibles ? » Nous reviendrons sur cette idée avec la robustesse, l’analyse de scénarios et les décisions adaptatives.

L’ignorance : ce que notre modèle ne contient pas

Il existe une difficulté encore plus profonde : nous pouvons être confrontés non seulement à des événements dont nous ignorons la probabilité, mais à des facteurs auxquels nous n’avons tout simplement pas pensé. C’est l’ignorance. Un modèle peut être extrêmement sophistiqué et néanmoins exclure un mécanisme important. Une entreprise peut anticiper différentes évolutions du prix de ses matières premières tout en oubliant complètement qu’une modification réglementaire pourrait interdire son produit. Un système de sécurité peut être conçu pour résister aux défaillances envisagées par ses concepteurs tout en restant vulnérable à une interaction inattendue entre plusieurs composants. Il faut ici distinguer deux situations. Nous pouvons être conscients de notre ignorance : « Nous savons qu’il manque des données sur ce phénomène. » Mais il existe également des éléments que nous ne savons même pas devoir chercher.

Aucune méthode ne permet de dresser une liste exhaustive de ces « inconnues inconnues ». Leur existence impose néanmoins une forme d’humilité : un modèle du monde n’est jamais le monde lui-même. L’objectif raisonnable n’est donc pas d’éliminer toute ignorance avant d’agir. Ce serait impossible. Il est d’éviter de construire des décisions tellement fragiles qu’une hypothèse oubliée suffirait à les rendre catastrophiques.

Incertitude aléatoire et incertitude épistémique

Une autre distinction est utile, particulièrement dans les sciences et l’ingénierie : celle entre incertitude aléatoire et incertitude épistémique. L’incertitude aléatoire vient de la variabilité ou du hasard du phénomène. Même si nous connaissions parfaitement la fréquence des accidents sur une route, nous ne pourrions pas prédire exactement lequel des prochains véhicules sera impliqué dans un accident. L’incertitude épistémique provient au contraire de notre manque de connaissance. Nous ignorons peut-être la résistance exacte d’un matériau, la fréquence véritable d’un événement rare ou la manière dont un mécanisme biologique fonctionne. La distinction n’est pas toujours parfaitement nette, mais elle possède une conséquence pratique importante : davantage d’information peut réduire certaines incertitudes, mais pas toutes. Une étude supplémentaire peut préciser l’efficacité moyenne d’un médicament. Elle ne permettra jamais de prévoir avec certitude la réponse de chaque futur patient.

Cette différence nous aidera plus tard à décider quand il vaut la peine de chercher davantage d’information.

Ce que nous savons dépend aussi de la qualité des données

Une probabilité ne doit pas être évaluée uniquement à partir du nombre qui la représente. Supposons que deux risques soient tous deux estimés à 5 %. Le premier chiffre provient de plusieurs essais de grande qualité portant sur des dizaines de milliers de personnes et donnant des résultats convergents. Le second provient d’une petite étude observationnelle dont l’intervalle d’incertitude est très large. Écrire 5 % dans les deux cas peut masquer une différence épistémique majeure. Une décision devrait donc idéalement tenir compte à la fois :

  • de l’estimation du risque ;
  • de l’incertitude autour de cette estimation ;
  • de la qualité des informations qui la soutiennent.

C’est l’une des raisons pour lesquelles cette catégorie ne peut pas être réduite à l’application mécanique de probabilités.

Incertitude ne signifie pas cinquante-cinquante. Une erreur intuitive fréquente consiste à transformer notre ignorance en probabilité égale. « Nous ne savons pas si cela va arriver » devient alors : « Il y a une chance sur deux. » Mais l’absence de connaissance ne crée pas automatiquement une probabilité de 50 %. Si nous ignorons s’il existe une vie microbienne sous la surface d’une exoplanète, cela ne signifie pas que sa probabilité soit exactement de 50 %. Si nous ne savons pas si une technologie encore expérimentale sera économiquement viable dans vingt ans, « oui » et « non » ne deviennent pas équiprobables simplement parce qu’il existe deux réponses possibles. Deux possibilités logiques ne constituent pas deux possibilités également probables.

Dans certaines situations, nous pouvons raisonnablement utiliser une distribution provisoire pour calculer ou comparer des scénarios. Mais il faut alors présenter clairement cette distribution comme une hypothèse de modélisation, et non comme une connaissance que nous ne possédons pas.

Ne pas confondre absence de preuve et preuve d’absence. Une autre difficulté apparaît lorsque nous ne disposons pas d’éléments montrant qu’un danger existe. Cette absence de preuve peut avoir des significations très différentes. Si des dizaines d’études suffisamment puissantes ont recherché un effet important et ne l’ont pas trouvé, elles constituent une information pertinente contre l’hypothèse selon laquelle cet effet serait fréquent et massif. Si personne n’a sérieusement étudié la question, ne rien avoir trouvé signifie beaucoup moins. Dire : « Nous n’avons aucune preuve d’un risque » peut donc recouvrir deux situations presque opposées : « Nous avons bien cherché et les données rendent ce risque peu plausible » ou : « Nous avons très peu d’informations. » L’analyse de la décision exige de les distinguer.

Le danger de la fausse précision. Face à l’incertitude, nous éprouvons souvent le besoin de disposer d’un chiffre unique. Un rapport peut ainsi annoncer qu’un événement possède une probabilité de 3,7 % alors que plusieurs hypothèses importantes sont mal connues. Un chiffre précis facilite les calculs. Mais il peut aussi masquer le problème réel. Une représentation plus honnête pourrait parfois être : « Selon les hypothèses plausibles étudiées, l’estimation varie entre environ 2 et 8 %. » Ou même : « Nous ne disposons pas actuellement d’informations suffisantes pour défendre une fourchette étroite. » Reconnaître une incertitude ne signifie pas renoncer à raisonner. Au contraire, cela permet d’utiliser les outils adaptés : intervalles, scénarios, analyses de sensibilité, seuils, décisions réversibles ou stratégies robustes. La quantification utile exprime ce que nous savons. La précision artificielle dissimule ce que nous ignorons.

Cas pratique — Une épidémie émergente

Imaginons l’apparition d’une nouvelle infection respiratoire dans plusieurs régions. Au début, quelques dizaines de cas seulement ont été correctement documentés. Les autorités doivent décider s’il faut renforcer immédiatement certaines mesures hospitalières. Plusieurs questions sont incertaines : transmissibilité, proportion de formes graves, durée de contagiosité, efficacité des mesures de prévention et risque de diffusion à grande échelle. Il serait trompeur de dire simplement : « Nous n’avons pas les preuves suffisantes, donc nous ne pouvons rien décider. » Mais il serait tout aussi trompeur d’attribuer immédiatement une probabilité précise à chaque scénario. La situation contient plusieurs niveaux de non-savoir. Certaines données existent déjà. Certaines probabilités peuvent recevoir des fourchettes provisoires. D’autres paramètres sont extrêmement mal connus. Des scénarios importants peuvent encore manquer.

La décision doit donc tenir compte non seulement du scénario estimé comme le plus probable, mais aussi de la possibilité que les premières estimations soient fausses, de la gravité des conséquences d’une erreur, du coût des mesures envisagées et de leur réversibilité. Les mesures elles-mêmes peuvent être graduées : renforcer une surveillance, préparer du matériel, modifier provisoirement certains protocoles ou déclencher des mesures plus lourdes uniquement si certains indicateurs dépassent un seuil. Cet exemple montre pourquoi l’incertitude n’est pas une raison de suspendre toute action. Elle peut au contraire modifier la forme de l’action appropriée.

Toutes les incertitudes n’ont pas besoin d’être résolues. Une décision ne nécessite pas toujours de connaître précisément chaque paramètre. Supposons que deux estimations différentes d’un risque conduisent malgré tout au même choix. Si une intervention reste préférable que le risque soit de 10 %, 20 % ou 30 %, connaître sa valeur exacte n’est peut-être pas essentiel pour décider aujourd’hui. À l’inverse, si l’option préférable change complètement lorsque le risque passe de 4 à 5 %, cette estimation devient décisionnellement importante. Cela conduit à une question très utile : « Quelle incertitude pourrait réellement changer notre décision ? » Toutes les informations ne possèdent pas la même valeur. Une grande partie de l’art de décider sous incertitude consiste à concentrer l’attention sur les inconnues qui peuvent modifier le choix, plutôt que de poursuivre indistinctement une connaissance parfaite. Nous retrouverons cette idée lorsque nous étudierons la valeur de l’information.

Une carte simple de notre ignorance

Avant une décision importante, il peut être utile de dresser une carte très simple :

QuestionExemple
Que savons-nous assez solidement ?Le coût actuel d’une infrastructure
Que pouvons-nous estimer avec une incertitude raisonnable ?Sa demande probable dans cinq ans
Quelles estimations sont très fragiles ?Le prix de l’énergie dans trente ans
Quels scénarios plausibles restent difficiles à quantifier ?Une rupture technologique majeure
Qu’ignorons-nous manifestement ?Certaines réactions comportementales
Quelles inconnues pourraient changer le choix ?La durée de vie réelle de l’équipement
Quelles inconnues peuvent probablement être tolérées ?Une faible variation d’un coût secondaire

Cette carte ne fait disparaître aucune incertitude. Elle évite quelque chose de plus dangereux : agir comme si toutes nos estimations possédaient le même degré de fiabilité.

L’incertitude n’impose ni l’action ni l’inaction. Il serait tentant de tirer de cette fiche une règle générale : « Plus nous sommes incertains, plus nous devons être prudents. » Cette formule est trop vague pour guider une décision. Parfois, l’incertitude justifie d’attendre davantage d’informations. Parfois, attendre est lui-même dangereux. Parfois, nous pouvons agir provisoirement avec une mesure facilement réversible. Parfois, une conséquence potentielle est tellement grave et irréversible qu’une incertitude importante justifie une protection particulière. Et parfois, invoquer l’incertitude sert simplement à différer indéfiniment une décision pourtant suffisamment éclairée. L’incertitude n’est donc pas une conclusion. C’est une caractéristique du problème. Pour savoir ce qu’elle implique, il faut encore examiner la probabilité des conséquences, leur gravité, la possibilité de revenir en arrière, le coût de l’attente et la valeur d’informations supplémentaires. C’est précisément ce que nous allons faire.

À retenir

Toutes les situations dans lesquelles nous « ne savons pas » ne sont pas équivalentes. Dans une situation de risque, les résultats possibles et leurs probabilités sont suffisamment estimables pour permettre une analyse probabiliste relativement solide. En situation d’ambiguïté, les probabilités elles-mêmes sont mal connues ou imprécises. Sous incertitude profonde, nous ne pouvons pas nous fier à une distribution probabiliste unique et devons davantage raisonner en scénarios, robustesse et adaptation. L’ignorance rappelle enfin que certains éléments importants peuvent même être absents de notre représentation du problème. Ces distinctions ne forment pas une taxonomie universelle et parfaitement étanche. Elles servent surtout à adapter notre méthode au degré réel de connaissance disponible. La règle essentielle est alors : ne pas transformer ce que nous ignorons en certitude artificielle, mais ne pas confondre non plus incertitude et impossibilité de raisonner.

La prochaine étape consiste à relier l’incertitude aux conséquences. Une décision ne dépend pas seulement de la probabilité qu’un événement se produise : elle dépend aussi de ce qui arriverait s’il se produisait. Nous pouvons maintenant aborder probabilité, gravité, valeur espérée et utilité.

Sources et approfondissements

Frank H. Knight, *Risk, Uncertainty and Profit*, Houghton Mifflin, 1921. Ouvrage classique à l’origine de la distinction entre situations probabilisables et incertitude non réductible à des probabilités connues. La terminologie contemporaine est cependant plus diverse que la seule distinction knightienne. Daniel Ellsberg, « Risk, Ambiguity, and the Savage Axioms », *Quarterly Journal of Economics*, 1961. Article fondateur montrant que les individus distinguent souvent les paris dont les probabilités sont connues de ceux dont elles sont ambiguës. Stanford Encyclopedia of Philosophy, « Descriptive Decision Theory », 2017. Présentation du paradoxe d’Ellsberg et de l’aversion à l’ambiguïté comme préférence relative pour des événements dont les probabilités sont connues plutôt qu’ambiguës. Bethany J. Weber et Wah Pheow Tan, « Ambiguity aversion in a delay analogue of the Ellsberg Paradox », *Judgment and Decision Making*, vol. 7, no 4, 2012, p. 383-389. L’étude illustre que les réactions à l’ambiguïté ne se limitent pas nécessairement aux paris monétaires probabilistes.

Itzhak Gilboa et Massimo Marinacci, « Ambiguity and the Bayesian Paradigm », dans Daron Acemoglu, Manuel Arellano et Eddie Dekel (dir.), *Advances in Economics and Econometrics*, Cambridge University Press, 2013, p. 179-242. Le chapitre présente les modèles destinés aux décisions pour lesquelles une distribution probabiliste unique paraît insuffisante.

4 sur 20Retour à la catégorie