IA Générative : LLM, Prompts et Postmortems Augmentés

L'IA est à la fois un risque et une arme contre le hindsight bias

Les grands modèles de langage (LLM) — Claude, GPT, Gemini — sont statistiquement biaisés en faveur du hindsight. Pourquoi ? Parce qu'ils sont entraînés sur des corpus de récits post hoc : autobiographies, retours d'expérience, postmortems publiés, articles de presse. Toute leur littérature interne est rétrospective.

Conséquence directe : si vous demandez à un LLM « pourquoi cette startup a-t-elle échoué ? », il produira une explication causale fluide et apparemment évidente — même si, ex ante, l'issue était imprévisible.

C'est à la fois :

  • Un risque quand on s'en sert pour analyser des décisions passées sans précaution.
  • Un levier formidable pour la vente, le copywriting et le storytelling (cf. chapitre 4).

Ce chapitre vous donne les prompts et workflows pour les deux usages.

Partie 1 — Exploiter le hindsight des LLM pour la vente

Prompt 1 : Génération de témoignage « rétro-évidence »

Tu es copywriter spécialisé dans les témoignages clients à fort taux de conversion.

À partir des éléments suivants :
- Profil client : {profil}
- Produit acheté : {produit}
- Bénéfice principal observé : {bénéfice}
- Doute initial du client : {doute}

Rédige un témoignage de 120 mots structuré en 3 temps :
1. Doute initial reconnu (« Je trouvais que… »)
2. Bascule (« Et puis j'ai vu que… »)
3. Évidence rétrospective (« Aujourd'hui, c'est clair que… »)

Le ton doit être sincère, pas marketingisé. Évite tout superlatif vide.
Le 3e temps doit donner au lecteur (futur prospect) le sentiment de vivre la même évidence.

Prompt 2 : Séquence « of course » email J+1, J+3, J+7

Tu es expert en marketing automation post-achat orienté hindsight bias.

Contexte :
- Produit : {produit}
- Profil acheteur : {ICP}
- Signal psychologique à activer : sentiment d'avoir « toujours su » que c'était la bonne décision

Rédige une séquence de 3 emails :
- J+1 : étiquetage du choix comme exigeant et discerné
- J+3 : reconstruction des 3 signaux que l'acheteur aurait dû lire
- J+7 : verrouillage social par alignement avec les profils qui réussissent

Contraintes :
- Pas de superlatifs vides
- Une CTA douce par email (pas une promotion)
- Maximum 180 mots par email

Prompt 3 : Réécriture d'objection en signal rétrospectif

Le prospect a exprimé cette objection : "{objection}"

Réécris cette objection en deux temps :
1. Reformulation valorisante (ce que l'objection révèle de positif chez le prospect)
2. Recadrage hindsight (en quoi cette même précaution sera, plus tard, vue comme un signe d'intelligence décisionnelle)

Maximum 60 mots au total.

Partie 2 — Détecter et neutraliser le hindsight des LLM en analyse business

Le piège : le « postmortem hallucinatoire »

Demandez à n'importe quel LLM : « Pourquoi WeWork a-t-il échoué à son IPO en 2019 ? »

Vous obtiendrez une explication propre, structurée, causale — qui paraît évidente. Le problème : si vous aviez posé la question en juillet 2019 (avant le S-1), aucune source publique ne convergeait sur cette analyse.

Le LLM produit une vraisemblance rétrospective qui imite la connaissance mais qui n'est, en réalité, qu'une recombinaison de récits post hoc lus sur Internet.

Prompt de débiaisement : forcer le LLM à se projeter ex ante

Tu vas analyser une décision business passée.

Avant de me donner ton analyse, suis ce protocole en 4 étapes — écris chaque étape explicitement :

1. ÉTAT DES CONNAISSANCES PUBLIQUES À LA DATE T-1 (avant l'événement)
   Liste 5 sources qui circulaient à l'époque et ce qu'elles disaient.

2. ESTIMATION EX ANTE
   Si tu n'avais accès qu'aux informations de T-1, quelle probabilité aurais-tu donnée à l'issue actuellement connue ? Justifie en 100 mots.

3. SCÉNARIO INVERSE
   Décris en 80 mots comment, avec les mêmes informations T-1, l'issue inverse aurait pu se produire de façon parfaitement plausible.

4. ANALYSE EX POST ET BIAIS POTENTIELS
   Maintenant seulement, donne ton analyse rétrospective — en marquant en gras les éléments qui n'étaient PAS prévisibles à T-1.

Sujet : {événement}

Pourquoi ça marche

En forçant le LLM à :

  • expliciter sa probabilité ex ante (étape 2),
  • générer le scénario inverse (étape 3, équivalent du consider the opposite),
  • distinguer ex ante vs ex post (étape 4),

on neutralise la fluidité narrative trompeuse. Le modèle reste un assistant — pas un oracle.

Partie 3 — IA pour le journal décisionnel horodaté

Le meilleur antidote au hindsight bias est la documentation traçable des décisions. L'IA peut automatiser ce journal.

Workflow proposé

  1. Avant chaque décision majeure (deal > X €, hire clé, pivot produit), tenir un audio bref (2 min) : contexte, options, probabilité estimée, raisons.
  2. Transcription automatique (Whisper, Otter, etc.).
  3. Le LLM structure en Decision Memo horodaté.
  4. À T+3 mois et T+12 mois, comparaison automatique : estimation initiale vs issue réelle.
  5. Rapport de calibration personnel généré.

Prompt de structuration

Tu es analyste senior. À partir de la transcription audio suivante d'une prise de décision business, génère un Decision Memo structuré :

# Decision Memo
- Date : {date}
- Décideur : {nom}
- Décision considérée : (résumé en 1 phrase)
- Options évaluées : (liste)
- Option retenue :
- Probabilité de succès estimée (sur 100) :
- 3 raisons explicites du choix :
- 2 scénarios d'échec envisagés :
- Critères de réévaluation à T+3 mois :

Transcription : "{transcription}"

Ne reformule pas la confiance du décideur — restitue exactement ce qu'il a dit. Pas d'embellissement.

Prompt de calibration à T+3 mois

Tu compares une décision passée à son issue actuelle.

Decision Memo initial : "{memo_initial}"
Issue observée à T+3 mois : "{issue}"

Génère un rapport en 3 sections :
1. ÉCART DE CALIBRATION : différence entre la probabilité estimée et la réalité observée.
2. SIGNAUX MANQUÉS À T0 : éléments visibles à T0 que le décideur n'a pas mentionnés.
3. SIGNAUX FANTÔMES POST-HOC : éléments qui paraissent évidents *maintenant* mais qui ne l'étaient pas à T0.

Sois factuel. Pas d'auto-flagellation. Pas de complaisance. Le rapport doit améliorer la calibration future, pas réécrire le passé.

Partie 4 — Détecter le hindsight dans la production des collaborateurs

L'IA peut analyser un texte produit par un collaborateur (postmortem, rapport, slack) et signaler les marqueurs lexicaux du hindsight bias.

Prompt d'audit lexical

Tu es psycholinguiste spécialisé dans la détection des biais cognitifs.

Analyse le texte suivant et identifie les marqueurs lexicaux du biais de rétrospection :

Catégories à repérer :
- Marqueurs d'évidence rétroactive : "évidemment", "il était clair que", "on aurait dû voir"
- Marqueurs de mémoire reconstruite : "je l'avais dit", "j'avais senti", "tout le monde savait"
- Marqueurs causaux abusifs : "c'est parce que", "la raison fondamentale", "ça expliquait"

Pour chaque occurrence :
1. Cite la phrase exacte
2. Classe la catégorie
3. Propose une reformulation neutre

Texte : "{texte}"

Cette technique sert en QBR interne pour éviter les postmortems creux et favoriser une culture du decision quality plutôt que de l'outcome quality.

Partie 5 — Limites et garde-fous

Limite 1 : risques de manipulation à grande échelle

Un LLM peut produire en quelques secondes 200 témoignages rétrospectifs convaincants — vrais ou faux. La frontière éthique se déplace donc vers la traçabilité.

Bonnes pratiques :

  • N'utiliser ces prompts qu'avec des données réelles de clients consentants.
  • Faire valider chaque témoignage par le client concerné avant publication.
  • Marquer comme « assisté par IA » si vous utilisez la formulation telle quelle.

Limite 2 : self-fulfilling prophecies

Si vous renvoyez systématiquement à votre équipe un récit rétrospectif favorable, vous conditionnez sa mémoire collective. Cela peut figer l'apprentissage organisationnel.

Contre-mesure : organiser au moins une fois par trimestre un « audit du récit officiel » où l'on autorise — voire on encourage — la version contradictoire.

Cas pratique : audit IA d'un postmortem startup

Un postmortem publié contient 1 200 mots. L'audit IA détecte :

  • 17 marqueurs d'évidence rétroactive (« évidemment », « il était clair », « on aurait dû »).
  • 8 marqueurs de mémoire reconstruite.
  • 5 chaînes causales non documentées à l'époque.

Le rapport propose une réécriture qui réduit ces marqueurs de 70 % et restaure les zones d'incertitude réelle. Résultat : le postmortem devient utilisable pour décider à l'avenir, et non plus une simple justification narrative.

Résumé

Les LLM sont statistiquement biaisés en faveur du hindsight, parce que leur corpus d'entraînement est massivement post-hoc. Cette propriété est un atout pour la vente (génération de témoignages rétro-évidents, séquences « of course », réécriture d'objections) et un piège en analyse business (postmortems hallucinatoires). Le débiaisement se fait par prompt structuré : forcer le LLM à expliciter une estimation ex ante et un scénario inverse. L'IA peut aussi servir de copilote pour journaler les décisions et auditer le hindsight des collaborateurs. La ligne éthique tient en deux mots : traçabilité et consentement. Dans le prochain chapitre, nous appliquons toutes ces techniques à la gestion d'entreprise et à l'entrepreneuriat.