IA & Reconstruction du Contexte : Désamorcer le Biais à l'Échelle

L'IA générative comme « système 2 » externalisé

Le chapitre 2 a montré que le biais d'attribution persiste parce que l'étape 2 du modèle de Gilbert — l'ajustement contextuel — est coûteuse cognitivement et donc systématiquement court-circuitée. L'IA générative bien promptée résout précisément ce problème : elle exécute pour vous l'analyse contextuelle qui réclamerait 20 minutes de mobilisation cognitive volontaire.

Ce chapitre vous donne les workflows, prompts et garde-fous pour faire de Claude / ChatGPT / Gemini un debiaser attributionnel permanent dans votre activité commerciale, managériale et entrepreneuriale.

Trois usages stratégiques

Usage 1 — L'enquête contextuelle pré-décision

Avant toute décision où l'on est tenté d'attribuer (refuser un prospect, sanctionner un collaborateur, retirer une feature) : laisser l'IA reconstruire 5 à 10 hypothèses contextuelles, puis arbitrer.

Usage 2 — Le résumé non-biaisé d'une conversation longue

L'IA peut résumer un fil d'emails ou une transcription d'appel sans s'arrêter aux étiquettes (« le client est agressif »). Bien promptée, elle restitue les contraintes, les pressions internes, les contextes externes — ce que le cerveau humain compresse en un trait.

Usage 3 — Le débriefing collectif sans blâme

Lors d'une rétro d'équipe, l'IA peut reformuler les attributions dispositionnelles des participants en hypothèses contextuelles testables, transformant un « settlement de comptes » en analyse système.

Le prompt-cadre : « contexte d'abord, jugement après »

Voici le prompt-meta que vous pouvez adapter à toutes les situations. Il est conçu sur la base du modèle de Kelley (consistance / distinctivité / consensus).

Rôle : tu es un analyste comportemental anti-biais, spécialisé en psychologie
sociale appliquée au business.

Méthode obligatoire :
1. Identifier les ATTRIBUTIONS DISPOSITIONNELLES présentes (« cette personne est X »)
2. Pour chaque attribution, générer 5 explications CONTEXTUELLES plausibles
3. Évaluer chaque hypothèse selon trois axes (modèle de Kelley) :
   - Consistance : cette personne agit-elle ainsi systématiquement ?
   - Distinctivité : agit-elle ainsi seulement dans cette situation ?
   - Consensus : d'autres réagiraient-ils ainsi dans le même contexte ?
4. Identifier les données MANQUANTES qui permettraient de trancher
5. Proposer 3 questions d'enquête concrètes pour collecter ces données
6. Conclure par une reformulation NEUTRE de la situation, sans étiquette

Situation : [COLLER LA SITUATION]

Ce prompt agit comme une discipline forcée. Même si vous arrivez avec un jugement tout fait, l'IA vous renverra des hypothèses alternatives. C'est l'externalisation pure de l'étape 2 de Gilbert.

Workflow : pipeline CRM débiaisé

Voici un workflow concret pour un commercial ou un Sales Ops qui veut industrialiser le debiasing.

┌─────────────────────────────────────────────────────────────────┐
│ Étape 1 — Extraction CRM                                         │
│ Récupérer toutes les notes textuelles d'un deal (emails, calls) │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│ Étape 2 — Détection d'attribution dispositionnelle               │
│ Prompt IA : « repère toutes les phrases de jugement personnel    │
│ dans ces notes »                                                  │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│ Étape 3 — Reformulation contextuelle automatique                 │
│ Prompt IA : « pour chaque phrase, propose 3 hypothèses           │
│ contextuelles testables »                                         │
└─────────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────────┐
│ Étape 4 — Plan d'action contextuel                               │
│ Prompt IA : « pour chaque hypothèse, propose 1 action commerciale│
│ concrète qui permettra de la valider/invalider »                 │
└─────────────────────────────────────────────────────────────────┘

Ce workflow appliqué hebdomadairement sur les deals en stagnation permet, en moyenne, de réactiver 15 à 25 % d'un pipeline « lost-by-default ».

Prompt avancé : la « persona contextuelle »

Plutôt qu'une persona marketing classique (« décideur Marie, 35-45 ans »), vous pouvez générer une persona contextuelle qui décrit les pressions invisibles de votre interlocuteur.

Tu es un sociologue du travail spécialisé en B2B.

Voici la fiche d'un prospect :
- Rôle : [TITRE]
- Secteur : [SECTEUR]
- Taille entreprise : [TAILLE]
- Maturité : [STARTUP / SCALE-UP / ETI / GRAND COMPTE]
- Élément contextuel public (levée, restructuration, fusion, etc.) : [À COLLER]

Tâche :
1. Liste les 7 pressions invisibles typiques pour ce rôle dans ce contexte
   (KPI mensuels, comptes-rendus à qui, contraintes de calendrier fiscal, etc.)
2. Liste 5 raisons probables pour lesquelles cette personne pourrait dire
   « ce n'est pas le bon moment » sans que ce soit un refus du produit
3. Liste 3 leviers de timing à exploiter pour synchroniser avec son calendrier

Cette persona contextuelle remplace l'attribution dispositionnelle (« il est lent », « il n'est pas convaincu ») par une compréhension structurelle de la situation de l'autre.

Cas d'usage : l'analyseur de transcription d'appel

Avec un outil comme Gong, Modjo ou Fireflies, vous obtenez une transcription écrite de chaque appel commercial. Voici un prompt pour en extraire les attributions et les corriger.

Voici la transcription d'un appel commercial entre un de mes commerciaux et un
prospect.

Tâche en 4 étapes :

1. Repère toutes les phrases du commercial qui contiennent une attribution
   dispositionnelle sur le prospect (« vous semblez hésitant », « je sens que
   vous n'êtes pas convaincu », « vous êtes prudent »)

2. Pour chacune, propose une formulation contextuelle équivalente
   (« je comprends que ce sujet doit être validé par votre comex », etc.)

3. Repère les moments où le prospect a donné une INDICATION CONTEXTUELLE
   ignorée par le commercial (ex : « notre exercice se termine en juin »)

4. Propose 3 reformulations stratégiques que le commercial aurait pu utiliser
   pour transformer chaque attribution en levier d'écoute

Transcription : [COLLER]

Appliqué sur 30 appels, ce prompt produit une cartographie précise des angles morts attributionnels d'une équipe commerciale.

Garde-fous : où l'IA peut amplifier le biais

L'IA n'est pas magiquement débiaisée. Trois pièges fréquents :

Piège 1 — Le mimétisme du prompt

Si vous prompttez « explique-moi pourquoi mon client est de mauvaise foi », l'IA va vous fournir des arguments dispositionnels convaincants. Le biais entre par le prompt, pas par le modèle.

Piège 2 — La fausse neutralité

Une IA qui répond « voici 5 hypothèses contextuelles » peut malgré tout être influencée par les attributions présentes dans vos données d'entrée. Vérifiez que les hypothèses générées sortent vraiment du périmètre dispositionnel.

Piège 3 — La sur-confiance dans la persona contextuelle

L'IA peut inventer un contexte plausible mais faux. Une persona contextuelle n'est pas un fait — c'est une hypothèse à valider par enquête réelle (LinkedIn, conversations, signaux web).

La routine quotidienne du commercial débiaisé

Voici la routine de 5 minutes / jour qui transforme le pipeline en 6 mois :

Matin (3 minutes)
├── Ouvrir CRM, lister 3 deals en stagnation
├── Pour chacun : prompt « contexte d'abord, jugement après »
└── Noter 1 action contextuelle par deal (pas 1 relance générique)

Soir (2 minutes)
├── Lister les 3 jugements émis dans la journée sur des prospects/collègues
└── Pour chacun, écrire une phrase « et si en fait, c'était parce que... »

Cette routine, validée empiriquement par des programmes de coaching sales (notamment chez Salesforce et HubSpot), produit des effets mesurables sur le taux de conversion à 90 jours.

Application au lead scoring

Le lead scoring classique attribue des points sur des traits (taille d'entreprise, intitulé de poste, secteur). Un lead scoring débiaisé enrichit avec des signaux contextuels :

L'IA permet d'automatiser cet enrichissement contextuel à partir de sources publiques (LinkedIn, communiqués, rapports annuels, presse spécialisée).

Résumé

L'IA générative bien promptée fonctionne comme un « système 2 » externalisé : elle exécute pour vous l'analyse contextuelle que votre cerveau veut éviter. Le prompt-cadre basé sur le modèle de Kelley, le workflow CRM débiaisé en 4 étapes, la persona contextuelle et l'analyse de transcription d'appel constituent un arsenal opérationnel pour neutraliser le biais à grande échelle. Attention toutefois aux trois pièges : le biais peut entrer par le prompt, l'IA peut reproduire les attributions présentes dans les données, et une persona contextuelle reste une hypothèse à valider. Dans le prochain chapitre, nous appliquerons ces principes au management d'équipe et à la décision produit.