Les Mécanismes Psychologiques : Prototype, Conjonction et Taux de Base

Du prototype au jugement : l'anatomie du raccourci

Pour saisir pourquoi la représentativité est aussi puissante — et aussi traîtresse — il faut descendre dans la mécanique cognitive précise qui la produit. Cette mécanique repose sur quatre piliers psychologiques qui s'enchaînent en quelques centaines de millisecondes.

graph LR
    A[Stimulus] --> B[Activation du prototype]
    B --> C[Mesure de ressemblance]
    C --> D[Substitution heuristique]
    D --> E[Jugement de probabilité]
    E --> F[Ignorance des taux de base]

Pilier 1 — La théorie du prototype (Eleanor Rosch, 1973)

Avant Kahneman et Tversky, la psychologue Eleanor Rosch a démontré que les catégories humaines ne sont pas définies par des règles binaires (« a 4 pattes ET aboie → chien ») mais par un prototype central. Un golden retriever est un meilleur prototype de « chien » qu'un chihuahua, qui lui-même est meilleur qu'un loup. Les humains classent plus vite les exemplaires proches du prototype.

Conséquence en vente : votre cerveau a un « prototype du client qui signe », élaboré inconsciemment à partir de vos 30 derniers deals gagnés. Tout nouveau prospect est jugé par sa distance à ce prototype. Un prospect atypique mais en réalité très qualifié sera sous-estimé par votre intuition. Un prospect très ressemblant au prototype mais en réalité de mauvaise qualité sera surestimé.

Le piège : la dérive du prototype

Le prototype mémoire n'est pas statique. Il dérive avec l'expérience récente (effet de récence). Une série de 3 deals gagnés dans le secteur public et votre cerveau reformate silencieusement le prototype vers « secteur public ». Vos prospects privés qualifiés sont alors filtrés défavorablement, sans que vous en ayez conscience.

Une étude de Salesforce (2019) a montré que les vendeurs surestiment de 28 % la probabilité de signature des prospects partageant les caractéristiques explicites des 5 derniers deals gagnés.

Pilier 2 — L'erreur de conjonction (Tversky & Kahneman, 1983)

Reprenons Linda. La force de l'erreur de conjonction tient à un mécanisme précis : plus une description est riche et cohérente, plus elle paraît probable, alors que mathématiquement c'est l'inverse.

Plus on ajoute de détails à une histoire, plus elle devient crédible à nos yeux — et moins elle est probable statistiquement.

C'est ce qu'on appelle la substitution d'attribut : le cerveau remplace la question « est-ce probable ? » (difficile) par « est-ce que ça colle ? » (facile).

En vente : le scénario commercial qui sonne juste

Un commercial décrit à son sales manager :

« Le prospect a un projet de migration cloud, il a confirmé un budget de 50 k, le DSI a donné son go, le procurement a déjà validé le contrat type, on a une recommandation interne d'un ancien client, et on est en POC actif. »

Plus la description est riche, plus le manager est convaincu que ce deal va signer. Mais chaque condition ajoutée divise la probabilité réelle :

P(tout signer) = P(budget) × P(GO DSI | budget) × P(procurement OK) × ... 
              < P(budget) seul

Le scénario qui sonne le plus probable est mathématiquement le moins probable. C'est le piège du deal-narratif-trop-beau.

Pilier 3 — La négligence des taux de base (base-rate neglect)

C'est la manifestation la plus coûteuse de la représentativité. Tversky et Kahneman (1973) l'ont illustrée avec le problème du taxi :

Dans une ville, 85 % des taxis sont verts et 15 % bleus. Un témoin identifie un taxi impliqué dans un accident comme bleu. Sa fiabilité d'identification est de 80 %.

Quelle est la probabilité que le taxi soit réellement bleu ?

L'intuition dit 80 %. La réponse correcte est 41 %. Bayes intègre que les bleus sont rares au départ — donc même avec une identification fiable à 80 %, on aura beaucoup plus de faux positifs (taxis verts identifiés comme bleus) que de vrais positifs.

La formule à connaître

P(Bleu | Identifié Bleu) = P(Identifié Bleu | Bleu) × P(Bleu)
                        / [P(Id Bleu | Bleu) × P(Bleu) + P(Id Bleu | Vert) × P(Vert)]
                        = 0.80 × 0.15 / (0.80 × 0.15 + 0.20 × 0.85)
                        = 0.12 / 0.29 = 0.41

Application en sales ops

Si votre taux de conversion historique (taux de base) sur un segment donné est de 4 %, et que votre scoring IA identifie un lead « chaud » avec une fiabilité de 80 %, la probabilité réelle de signature reste autour de 14 %, pas de 80 %.

Combien de pipelines sont gonflés parce que l'équipe commerciale multiplie le score chaud par 100 au lieu d'appliquer Bayes ?

Pilier 4 — L'insensibilité à la taille d'échantillon

Tversky et Kahneman (1971) ont étudié la « loi des petits nombres » : les humains croient que les petits échantillons sont aussi représentatifs que les grands. C'est faux statistiquement, mais cognitivement irrésistible.

L'exemple du landing page

Vous lancez deux variantes A/B d'une landing page :

• Variante A : 80 visiteurs → 8 conversions → 10 %
• Variante B : 40 visiteurs → 6 conversions → 15 %

Votre cerveau crie « B gagne ! ». La réalité statistique : avec ces tailles d'échantillon, la différence n'est pas significative (intervalle de confiance qui se chevauche). Lancer la version B en généralisée serait un pari aveugle.

Conséquence : la « kill room » des startups

Combien de features sont gardées (ou tuées) sur des micro-études utilisateurs (n=5) qui ne disent statistiquement rien ? La représentativité fait croire qu'un échantillon de 5 est suffisamment représentatif pour décider — alors que pour détecter une différence de 5 points de pourcentage avec puissance 0.8 et p<0.05, il en faut souvent 500 à 1 500.

Pilier 5 — La méconnaissance de la régression à la moyenne

Galton (1886), redécouverte par Kahneman : les valeurs extrêmes tendent à se rapprocher de la moyenne lors des mesures suivantes — non pas pour une raison « causale », mais simplement parce qu'elles contenaient du bruit.

En coaching commercial

Un commercial fait un mois exceptionnel à +180 % de quota. Son manager le félicite et change rien (intuition correcte : « on continue ce qui marche »). Le mois suivant, il fait +90 %. Le manager pense : « j'aurais dû le coacher, il a relâché ». Erreur : il a juste régressé vers la moyenne.

Inversement : un commercial qui plonge à -40 % est coaché intensivement. Le mois d'après, il fait -5 %. Le manager attribue l'amélioration au coaching. Encore erreur : c'est la régression naturelle qui a fait le travail.

Kahneman raconte dans Thinking, Fast and Slow comment il a découvert ce mécanisme en formant des pilotes de l'armée israélienne : les instructeurs croyaient que la critique fonctionnait mieux que l'éloge — alors que c'était simplement la régression vers la moyenne qu'ils observaient.

Le débiaisage : ce qui marche, ce qui ne marche pas

Ce qui ne marche pas (ou très peu)

• L'éducation statistique simple : savoir que le biais existe ne suffit pas à l'éviter (Kahneman l'a dit lui-même : « j'ai 50 ans d'études sur ces biais et je continue à les commettre »).
• L'expérience accumulée : elle renforce le prototype, donc renforce la représentativité.
• La méta-cognition seule : se dire « je vais être plus rationnel » échoue car le biais opère avant la conscience.

Ce qui marche (modérément)

Les facteurs qui amplifient le biais

Comme tous les biais, la représentativité est modulable. Voici les conditions qui la rendent maximale :

1. Fatigue cognitive : un commercial en fin de journée utilise 3 fois plus la représentativité qu'en début (Danziger, Levav & Avnaim-Pesso, 2011 — parole boards israéliens).
2. Pression temporelle : moins de 30 secondes pour juger → représentativité à 90 %.
3. Charge cognitive forte : multitâche, interruptions → représentativité prend la main.
4. Familiarité du domaine : plus on est expert, plus le prototype est riche, plus la représentativité s'active vite.
5. Émotion positive : sentiment de connivence avec le prospect → ressemblance amplifiée.

Représentativité chez l'expert vs le novice

Novice : peu de prototypes → représentativité faible mais lente → erreurs aléatoires
Expert : nombreux prototypes → représentativité rapide → erreurs systématiques

Paradoxe documenté par Klein (2003) sur les pompiers et les chirurgiens : l'expert se trompe moins sur le diagnostic général, mais plus sur les cas atypiques que le novice. Pourquoi ? Parce que le novice applique encore les règles bayésiennes apprises, là où l'expert s'en remet à la ressemblance.

C'est exactement pour cela qu'un sales senior peut avoir un forecast pire qu'un junior bien outillé.

Les neurosciences de la représentativité

Le cortex préfrontal ventro-médial (vmPFC)

C'est la zone qui évalue la cohérence narrative d'une information. Plus elle s'active, plus l'histoire « sonne juste » — et plus la conjonction nous paraît probable. Le vmPFC ne calcule pas Bayes : il calcule de la plausibilité narrative.

L'hippocampe et la complétion mémoire

Quand votre cerveau perçoit un détail (ex : « ce prospect a fait HEC »), l'hippocampe complète automatiquement avec un prototype mémoire (« ... donc ambitieux, rapide à décider, budget important »). Ce phénomène, appelé pattern completion, est ce qui rend la représentativité quasi-impossible à neutraliser consciemment.

L'amygdale et la confiance émotionnelle

Quand une description « colle » au prototype, l'amygdale envoie un signal de sécurité épistémique — « on tient quelque chose ». Cette dopamine de reconnaissance renforce le biais en le rendant agréable à éprouver. Vous aimez reconnaître. Vous aimez avoir compris vite.

Le piège de la représentativité dans les outils IA

Les modèles de langage modernes (GPT-4, Claude, Llama) ont été entraînés sur du texte humain massif. Ils reproduisent les heuristiques de représentativité humaines à grande échelle :

• Demander à un LLM « écris un profil de Marc, ingénieur tech à Lyon » → il produira un profil stéréotypé maximisant la ressemblance prototypique.
• Demander « est-ce un bon lead ? » → il produira un jugement basé sur la ressemblance, pas sur Bayes — sauf si on le force explicitement à raisonner statistiquement.

Cette propriété sera centrale dans le chapitre 5.

Résumé

L'heuristique de représentativité repose sur cinq mécanismes intriqués : la théorie du prototype (Rosch), la substitution d'attribut qui remplace la probabilité par la ressemblance, la négligence des taux de base (Bayes ignoré), l'insensibilité à la taille d'échantillon (loi des petits nombres) et la méconnaissance de la régression à la moyenne. Ces mécanismes sont enracinés dans des structures neurobiologiques (vmPFC, hippocampe, amygdale) qui les rendent rapides, agréables et invisibles. Ils sont aggravés par la fatigue, la pression temporelle, et — paradoxalement — par l'expertise. Les débiaiser passe par des protocoles explicites (forcing bayésien, vues contre-prototype, pre-mortem, délégation IA bien promptée). Dans le prochain chapitre, un quiz vous permettra de vérifier que ces fondements sont solidement ancrés avant d'aller en application terrain.