Mécanismes neuro-cognitifs et statistiques

La racine neurobiologique : ce que voit l'IRMf

Avant la statistique, comprenons d'abord pourquoi le cerveau favorise structurellement l'optimisme.

Tali Sharot et son équipe (UCL, Nature Neuroscience, 2011) ont fait passer des sujets en IRMf et leur ont posé deux types de questions :

1. « Quelle est la probabilité que [événement positif] vous arrive ? » (gagner au loto, vivre vieux, etc.)
2. « Quelle est la probabilité que [événement négatif] vous arrive ? » (cancer, divorce, accident, etc.)

Puis ils donnaient au sujet la base rate réelle. Et observaient ce que faisait le cerveau lors d'une réestimation.

graph TD
    A[Sujet annonce p subjective] --> B{Base rate fournie}
    B -->|Base rate plus favorable<br/>que p subjective| C[Le cortex frontal inférieur droit<br/>met à jour : nouvelle p ≈ base rate]
    B -->|Base rate moins favorable<br/>que p subjective| D[Activation faible<br/>du même cortex<br/>→ peu d'update]
    style C fill:#22c55e,color:#fff
    style D fill:#ef4444,color:#fff

Résultat saisissant : le cerveau apprend mieux des bonnes nouvelles que des mauvaises. Quand l'information reçue est plus optimiste que prévu, on l'intègre. Quand elle est plus pessimiste, on la minimise.

« L'optimisme n'est pas une attitude psychologique modifiable par la pensée — c'est une asymétrie d'apprentissage neurologique câblée. » — Sharot (2011)

Conséquence pratique pour qui prévoit (commerciaux, planners, founders) : votre cerveau ne retient pas correctement les feedbacks négatifs des trimestres précédents. Vous avez besoin d'un dispositif externe (CRM, journal, dashboard) qui force la rétention de la mauvaise nouvelle.

La racine cognitive : trois mécanismes du système 1

Au-delà de la neuro, trois mécanismes du système 1 (Kahneman) rendent la planning fallacy quasi-automatique :

1. La pensée par le scénario réussi

Quand on planifie, on imagine un scénario : celui où tout se passe bien. Pas l'arbre de tous les scénarios possibles avec leurs probabilités. Le cerveau préfère narrer un succès linéaire que dessiner une distribution.

2. La négligence du temps caché

Vous estimez la durée de la tâche — pas la durée totale incluant :

• Les attentes (réponse client, validation interne)
• Les imprévus (bug, congé d'un collègue, panne d'outil)
• Les changements de scope en cours de route
• La fatigue de fin de cycle

graph LR
    A[Tâche pure: 5h] --> B[+ Attentes: 3h]
    B --> C[+ Imprévus: 4h]
    C --> D[+ Changements: 2h]
    D --> E[+ Fatigue/contexte: 1h]
    E --> F[Durée réelle: 15h]
    style A fill:#fde047
    style F fill:#ef4444,color:#fff

Ratio typique : la durée réelle est 2 à 3× la durée pure estimée (Buehler et al., 1994 ; replications).

3. L'inside view contre l'outside view

Kahneman distingue deux modes de prévision :

• Inside view : « Sur la base de ce que je sais de CE projet (équipe, contexte, plan), il faudra X. »
• Outside view : « Sur la base d'un échantillon de projets comparables, la médiane est Y. »

Personne ne fait spontanément l'outside view. C'est anti-intuitif. Pourtant, l'outside view bat l'inside view en précision dans 70 à 90 % des cas (Kahneman & Lovallo, 1993).

La racine statistique : la sous-estimation de la queue

Vous voulez répondre à : « Combien de temps pour finir ce projet ? »

Erreur classique : donner un point unique (« 4 semaines »).

Vrai pattern statistique des durées de projet : distribution log-normale à queue droite très longue.

graph LR
    A[Médiane: 4 semaines] --> B[Moyenne: 6 semaines]
    B --> C[P90: 12 semaines]
    C --> D[Pire cas plausible: 24 semaines]
    style A fill:#22c55e,color:#fff
    style C fill:#fde047
    style D fill:#ef4444,color:#fff

Pour planifier honnêtement, il faut citer trois nombres : médiane, P90, pire cas. Pas un point.

L'expérience Buehler : la preuve laboratoire

Roger Buehler, Dale Griffin et Michael Ross ont conçu en 1994 une expérience devenue classique : ils demandent à des étudiants d'estimer leur date de fin de thèse de bachelor :

• Estimation moyenne : 33,9 jours
• Estimation optimiste (« si tout va comme dans le meilleur des cas »): 27,4 jours
• Estimation pessimiste (« si tout va mal ») : 48,6 jours
• Réalité observée : 55,5 jours

Notez bien : la réalité dépasse même l'estimation pessimiste. Ce qui veut dire que le cerveau humain a une incapacité asymptotique à imaginer le pire.

« Quand vous demandez à quelqu'un son estimation pessimiste, il vous donne sa version la moins optimiste de l'estimation optimiste. Pas une vraie estimation pessimiste. » — Buehler et al. (2010)

Le constat de Flyvbjerg : les méga-projets

Bent Flyvbjerg (Oxford, Megaproject Planning and Management, 2014) a analysé 258 grands projets d'infrastructure dans 20 pays. Conclusions :

Et il observe que 90 % des projets dépassent le budget, dans toutes les époques (1910-2010), dans tous les pays. C'est-à-dire que c'est structurel, pas dû à de la malchance.

Sa réponse pratique : le reference class forecasting — qu'on verra au chapitre 7.

Pourquoi les experts ne sont pas immunisés

L'intuition commune est : « Les experts du domaine seront plus calibrés. »

Faux. Les experts sont moins calibrés que la moyenne sur les forecasts longs (Tetlock, 2005, Expert Political Judgment). Trois raisons :

1. Surconfiance liée à l'expertise : les experts surévaluent leur précision.
2. Identification émotionnelle au projet : un chef de projet expert est attaché — il sous-estime les risques par investissement narratif.
3. Effet « curse of knowledge » : l'expert connaît tellement de détails qu'il oublie ce que les non-experts (le réel, les utilisateurs) ne savent pas.

« L'expert calibré est rare. L'expert non calibré, surconfiant, est la norme. C'est exactement pour ça que les bons forecast offices remplacent l'avis d'expert isolé par des marchés de prédictions et des ensembles d'estimations. » — Tetlock & Gardner (Superforecasting, 2015)

Les domaines où l'asymétrie est maximale

Tous les biais d'optimisme ne pèsent pas pareil. Six domaines sont à risque maximal pour les professionnels que vous êtes :

Connaître l'asymétrie permet de prioriser où appliquer les dispositifs anti-biais en premier.

Le piège méta : croire que les autres sont biaisés, mais pas soi

L'illusion la plus dangereuse :

« Oui, les humains en général ont des biais — mais moi, vu mon expérience, je suis bien calibré. »

C'est la blind spot bias documentée par Pronin et al. (2002). Tout le monde se croit moins biaisé que la moyenne — y compris les chercheurs en biais cognitifs. C'est statistiquement impossible.

Conclusion : si vous lisez ces lignes en pensant « mon cas est différent », prenez immédiatement note. Ce signal interne est lui-même un biais.

Quelques antidotes statistiques (avant approfondissement)

Trois techniques qu'on développera dans les chapitres suivants :

1. Reference class forecasting (Flyvbjerg) : trouver une classe de projets comparables, prendre leur médiane et P90, ajuster faiblement à la marge.
2. Premortem (Klein, 2007) : imaginer le projet déjà échoué dans 12 mois, lister les causes plausibles.
3. 3-point estimation (PERT) : forcer une médiane + un P10 + un P90, prendre une moyenne pondérée.

Ces trois techniques réduisent l'erreur de prévision de 30 à 50 % dans les études contrôlées (Kahneman, Lovallo & Sibony, 2019, Noise).

Résumé

• Neuro : le cerveau intègre mieux les bonnes nouvelles que les mauvaises (Sharot, IRMf 2011).
• Cognitif : trois mécanismes système 1 — scénario réussi, temps caché, inside view dominante.
• Statistique : les durées et coûts suivent une distribution log-normale, pas un point ; il faut citer médiane, P90, pire cas.
• Expérience Buehler : l'estimation pessimiste reste plus optimiste que la réalité.
• Constat Flyvbjerg : 90 % des méga-projets dépassent leur budget, dans tous les pays et époques — c'est structurel.
• Experts non immunisés : la surconfiance liée à l'expertise aggrave le biais.
• Blind spot bias : tout le monde se croit moins biaisé que la moyenne — y compris vous.

Au chapitre suivant, un quiz pour ancrer ces fondements, avant de plonger dans les applications terrain (vente, business, IA).