Introduction : notre cerveau « buggé » par ses biais cognitifs ne sait pas gérer les probabilités

Nous pensons souvent que notre cerveau est une machine bien huilée. Il peut analyser des données complexes et de prendre des décisions éclairées. Pourtant, lorsque nous nous retrouvons confrontés à des situations qui impliquent des chiffres notre cerveau montre rapidement ses limites. Nos biais cognitifs embarqués rendent les probabilités peu lisibles pour notre cerveau. Que ce soit pour évaluer les chances de gagner à la loterie ou prendre une décision d’investissement, nous sommes sujets à des erreurs récurrentes.

Ces erreurs ne sont pas seulement le fruit d’une mauvaise compréhension des chiffres. Elles sont profondément ancrées dans la manière dont notre cerveau est câblé. Conçu pour survivre dans des environnements simples, il est mal adapté à la complexité des probabilités. C’est ainsi que des biais cognitifs s’immiscent dans nos jugements et nous poussent à faire des erreurs de calcul.

Il est important de comprendre que c’est un phénomène en deux temps auquel nous devons faire face :

1. Notre cerveau ne sait pas “vraiment” compter
2. mais, en plus, il cherche constamment des axes de rationalisation quitte à nous tromper malgré nous. 

Dans cet article, je vous propose d’explorer plusieurs de ces biais. Ils illustrent à quel point notre cerveau « ne sait pas compter ». Comprenez ces mécanismes. Vous serez mieux armés pour identifier les pièges que ces biais tendent dans vos prises de décisions, personnelles ou professionnelles.

Partie 1. Les biais d’analyse des probabilités

1. Le biais d’évaluation des probabilités

Notre cerveau, contrôlé par ses biais cognitifs, ne sait pas bien évaluer les probabilités des événements. C’est encore plus vrai pour ceux qui déclenchent des émotions fortes comme les accidents ou les événements rares. Ce biais est renforcé par les médias et notre perception intuitive des risques.

1.1. Le meilleur exemple : la probabilité d’un accident d’avion

La probabilité d’être impliqué dans un accident mortel en avion est d’environ 1 sur 12 millions de vols. Cependant, de nombreuses personnes surestiment ce risque. Cela s’explique en partie par la couverture médiatique disproportionnée des accidents d’avion. Celle-ci renforce l’impression que ces événements sont plus fréquents qu’ils ne le sont réellement.

Cette distorsion est un exemple classique de biais d’évaluation des probabilités, où l’émotion prend le pas sur la rationalité.

1.2. La loi de Weber-Fechner et la perception des risques

Notre difficulté à estimer correctement les risques est aussi due à la loi de Weber-Fechner. Celle-ci décrit comment la perception humaine des variations d’intensité n’est pas linéaire. Nous ne percevons pas une augmentation de probabilité de manière proportionnelle.

Par exemple, si vous augmentez le risque de 1 sur 10 à 1 sur 5, cela semble énorme pour notre cerveau. Mais si on passe de 1 sur 10 millions à 1 sur 5 millions, bien que la différence soit proportionnellement identique, notre cerveau ne perçoit pas une telle augmentation comme étant aussi significative. Cette loi psychophysique explique pourquoi nous avons tendance à sous-estimer des événements très improbables (comme une panne d’avion) tout en surestimant des risques émotionnellement marquants (comme les accidents d’avion après un crash médiatisé).

1.3. Biais connexes : Effet d’ancrage et probabilité conditionnelle

L’effet d’ancrage influence également nos jugements probabilistes. Si nous sommes exposés à un premier chiffre erroné, cela influence nos futures estimations. Par exemple, si on vous dit d’abord que le risque d’un crash aérien est de 1 sur 1 000 (ce qui est incorrect), votre évaluation future sera biaisée même après avoir reçu les vraies statistiques.

Nous avons aussi des difficultés à comprendre les probabilités conditionnelles. Par exemple, imaginons un test pour une maladie qui touche 1 % de la population, avec une précision de 90 %. Si le test est positif, la plupart des gens pensent qu’ils ont 90 % de chances d’être malades. La probabilité réelle est bien plus faible car il faut combiner la rareté de la maladie avec la fiabilité du test.

2. La négligence de la taille de l’échantillon

Nous avons tendance à tirer des conclusions hâtives à partir de petits échantillons. Il faudrait pourtant tenir compte de l’importance de la taille « nécessaire » pour obtenir des résultats statistiquement fiables. Ce biais se produit lorsque nous extrapolons des résultats d’un petit groupe à une population plus large. Il conduit à des erreurs de jugement significatives.

2.1. Un exemple significatif : Interpréter les résultats de petites études

Prenons un exemple dans le domaine de la santé publique. Imaginons qu’une petite étude de 30 patients montre qu’un nouveau médicament semble avoir un effet positif. Les médias et le public pourraient sauter à la conclusion que le médicament est efficace. En réalité, un échantillon aussi réduit ne permet pas de tirer des conclusions solides. 

La fiabilité des résultats dépend de la taille de l’échantillon. Une petite taille accroît le risque que les résultats soient dus à la chance plutôt qu’à une véritable corrélation.

De manière similaire, les performances d’une équipe de football sur trois matchs ne suffisent pas à prédire leur performance sur une saison complète. Ce biais est particulièrement dangereux lorsqu’il est appliqué dans des contextes professionnels où des décisions importantes sont prises sur la base de peu de données.

2.2. Les principaux biais connexes à la négligence de la taille de l’échantillon :

• Le biais de conjonction est l’idée fausse selon laquelle la combinaison de deux événements est plus probable que l’un des deux événements pris séparément. Un exemple classique est de penser qu’une personne est plus susceptible d’être une « banquière féministe » qu’une « banquière ». Or, statistiquement, la probabilité d’un seul événement est toujours plus élevée que celle de la combinaison des deux.
• L’erreur de la main chaude, souvent observée dans le sport, est la croyance que si une personne réussit plusieurs fois de suite, elle a plus de chances de continuer à réussir. Par exemple, si un joueur de basket marque plusieurs paniers d’affilée, on croit souvent qu’il a plus de chances de réussir son prochain tir, alors que statistiquement, chaque tir est un événement indépendant. Des études ont montré que cette perception est fausse et que les séries sont souvent dues au hasard.
• L’erreur du parieur (ou illusion des séries) est une autre manifestation du biais de négligence de la taille de l’échantillon. Ce biais se produit lorsque nous croyons que des événements indépendants influencent les résultats futurs. Par exemple, après plusieurs pertes successives au casino, un joueur pourrait croire qu’il est « dû pour gagner », alors qu’en réalité, chaque tour de roulette est indépendant et la probabilité de gagner reste la même à chaque tour.

2.3. Impact du biais de négligence de l’échantillon sur la prise de décision

Dans un cadre professionnel, ce biais peut se manifester de plusieurs façons. Par exemple, une entreprise pourrait décider d’investir dans une stratégie basée sur quelques succès anecdotiques, sans prendre en compte un échantillon plus large et représentatif. Cela peut conduire à des décisions fondées sur des données insuffisantes et à des investissements mal orientés.

Il est essentiel de comprendre que les petits échantillons sont intrinsèquement plus sujets aux variations dues au hasard. En d’autres termes, les petites séries peuvent donner l’impression de tendances significatives alors qu’il ne s’agit que de bruit statistique.

Ces biais montrent combien il est difficile pour notre cerveau de traiter des échantillons de petite taille de manière correcte. D’autant plus lorsque des événements aléatoires ou indépendants entrent en jeu. Une meilleure compréhension de ces phénomènes peut nous aider à éviter les erreurs de jugement dans nos décisions.

Partie 2 : L’impact des biais dans la construction de fausses probabilité 

Pousser par un besoin irrépressible d’aller vite et d’économiser de l’énergie, notre cerveau ne sert souvent que ces intérêts. Pour cela il peut nous imposer des conclusions simplistes et trompeuses. 

1. Illustration de biais “probabilistes”

On recense un certain nombre de biais qui visent à donner à notre cerveau un sentiment de sécurité. Il lui propose des raccourcis mentaux qui lui permettent de ne pas “trop” se poser de question. Dans ces cas, le cerveau cherche à établir une probabilité sans prendre en considération l’ensemble. Je me permets d’appeler ces biais cognitifs « probabilistes » par extension de leur conséquence.

1.1. Le biais du survivant

Le biais du survivant est un biais cognitif qui consiste à se concentrer uniquement sur les exemples qui ont « survécu » à un processus quelconque. On néglige les autres cas : disparus ou échoués. Cela entraîne une distorsion dans la compréhension des probabilités de succès. Seules les réussites sont prises en compte, alors que les échecs, souvent plus nombreux, sont ignorés.

Exemple : Les startups et le mythe du succès

Prenons l’exemple des startups technologiques. Il est facile de penser que les entreprises qui réussissent, comme Google ou Facebook, sont des modèles que tout le monde peut suivre. Ce que nous oublions souvent, c’est que pour chaque startup qui atteint un succès phénoménal, des milliers d’autres échouent. Se concentrer uniquement sur les startups qui ont « survécu » fausse notre vision de la réalité. Cela nous conduit à surestimer les chances de succès. Ce biais se manifeste souvent lorsque les histoires de réussite sont sur-représentées dans les médias, tandis que les échecs passent sous silence.

Impact du biais du survivant

Le biais du survivant est particulièrement dangereux dans les décisions d’investissement, en stratégie d’entreprise ou en évaluation de performance. Par exemple, se concentrer uniquement sur les employés « survivants » peut conduire à des erreurs dans la gestion des talents. Si les entreprises sous-estiment les facteurs qui mènent à l’échec ou à la démission de certains employés, elles ne progresseront pas.

1.2. L’effet Baader-Meinhof (ou biais de fréquence)

L’effet Baader-Meinhof, également appelé illusion de fréquence, est un biais cognitif qui se manifeste lorsqu’un nouvel élément (idée, mot, concept) que vous venez de découvrir semble soudain apparaître partout autour de vous. Cette illusion résulte d’un mécanisme de sélection cognitive. Votre cerveau accorde plus d’attention à cet élément simplement parce que vous venez de le rencontrer.

Exemple : L’achat d’une nouvelle voiture

Un exemple classique de cet effet est lorsque vous achetez une nouvelle voiture. Immédiatement après l’achat, vous remarquez soudainement le même modèle de voiture partout sur la route. Bien sûr, ces voitures étaient déjà présentes avant. Mais, maintenant que vous y prêtez attention, elles semblent avoir « surgi » de nulle part. Cet effet repose sur la tendance de notre cerveau à repérer des schémas ou des répétitions, même lorsqu’ils ne sont que des coïncidences.

Impact de l’effet Baader-Meinhof

Cet effet peut influencer la prise de décision dans de nombreux domaines, notamment en marketing, en politique ou dans la vie professionnelle. Par exemple, lorsqu’une entreprise introduit une nouvelle marque ou un nouveau produit, les consommateurs qui en entendent parler pour la première fois peuvent avoir l’impression que ce produit est soudainement omniprésent, influençant ainsi leur perception de son succès ou de sa popularité. En politique, un candidat ou un sujet peut sembler dominer les médias après avoir attiré votre attention une première fois, créant une impression biaisée de son importance.

1.3. Le biais régressif (ou biais de régression vers la moyenne)

Le biais régressif ou biais de régression vers la moyenne est un phénomène statistique qui se produit lorsque des événements extrêmes (très positifs ou très négatifs) sont naturellement suivis par des événements plus proches de la moyenne, même si aucune autre variable n’a changé. Cependant, notre cerveau tend à attribuer ces variations naturelles à des facteurs extérieurs ou à nos propres actions, plutôt qu’à la simple fluctuation statistique.

Exemple : Performances sportives et fluctuations naturelles

Un exemple classique du biais régressif se produit dans le domaine du sport. Imaginons un joueur de football qui a marqué de façon exceptionnelle durant plusieurs matchs d’affilée, dépassant largement sa performance habituelle. Les supporters, les analystes ou même le joueur peuvent attribuer cette série de succès à des changements dans son entraînement ou dans sa stratégie. Toutefois, il est fort probable que ces performances exceptionnelles soient suivies par une série de matchs plus proches de sa moyenne habituelle. Cette régression vers la moyenne est un phénomène naturel dans tout système soumis à des variations aléatoires.

Le biais régressif pousse les observateurs à expliquer cette « chute » de performance par des facteurs comme la fatigue, le stress ou une baisse de motivation, alors qu’il s’agit simplement d’un retour vers la normale.

Impact du biais régressif

Ce biais est particulièrement dangereux dans les évaluations de performance, en gestion de crise ou en investissement. Par exemple, dans le monde des affaires, une entreprise qui connaît un succès exceptionnel peut s’attendre à une baisse de régime dans les périodes suivantes. Toutefois, les dirigeants peuvent attribuer ce ralentissement à des erreurs stratégiques, plutôt qu’à la simple régression vers la moyenne.

De même, dans le domaine médical, un traitement qui semble avoir des résultats spectaculaires pour un patient très malade peut être perçu comme un remède miracle, alors qu’il est simplement suivi d’une amélioration naturelle due à la régression vers la moyenne.

2. Les biais servis par les biais “probabilistes” :

Chacun des phénomènes ci-dessus peut être expliqués pour tout ou pour partie par notre besoin de traiter le plus vite et le mieux possible un maximum d’informations. Nos principaux biais sont les gardiens du temps. 

2.1. Le biais de confirmation

Ce biais pousse les individus à rechercher, interpréter et se souvenir des informations qui confirment leurs croyances préexistantes. Par exemple, une entreprise pourrait interpréter des événements récents comme un signe de réussite imminente simplement parce que cela correspond à ses attentes, en ignorant les signaux d’échec potentiels.

2.2. L’effet de récence 

Notre cerveau accorde plus de poids aux informations récentes, ce qui fait que nous remarquons plus facilement un concept que nous venons de rencontrer. C’est plus simple pour lui. C’est pourquoi, par exemple, un fait appris récemment semble réapparaître souvent, alors qu’il s’agit simplement de notre capacité à mieux nous souvenir des événements récents.

2.3. L’heuristique de disponibilité 

Il se réfère à notre tendance à estimer la probabilité d’un événement en fonction de la facilité avec laquelle des exemples nous viennent à l’esprit. Dans le contexte de l’effet Baader-Meinhof, le fait que nous venions de rencontrer un mot ou un concept rend cet exemple facilement disponible en mémoire, nous donnant l’illusion qu’il est plus commun qu’il ne l’est réellement.

2.4. L’illusion de contrôle 

Ce biais est nécessaire à notre besoin de sécurité. Il se produit lorsque les individus surestiment leur capacité à influencer des événements aléatoires ou des fluctuations naturelles. Par exemple, dans un contexte professionnel, un manager pourrait penser que ses décisions ont directement causé l’amélioration ou la baisse des performances d’une équipe, alors que celles-ci résultent en réalité de variations normales autour de la moyenne.

Conclusion : Reprendre le contrôle de vos décisions

Nous venons de voir comment notre cerveau, bien qu’extraordinaire, n’est pas toujours le meilleur allié lorsqu’il s’agit de comprendre et manipuler les chiffres. Entre la difficulté d’évaluer les probabilités, l’oubli de la taille de l’échantillon, ou encore la tendance à ne voir que les succès, nous tombons dans de nombreux pièges cognitifs qui influencent nos décisions au quotidien.

Mais comprendre ces biais, c’est déjà commencer à les maîtriser. En étant conscient de la manière dont notre cerveau fonctionne, nous pouvons prendre du recul et réagir de façon plus rationnelle dans nos choix personnels et professionnels.

Je vous invite maintenant à appliquer ce que vous venez de découvrir ! La prochaine fois que vous prenez une décision importante – que ce soit au travail, dans vos finances ou même dans votre vie quotidienne – posez-vous ces questions :

• Est-ce que je suis influencé par un biais de probabilité ?
• Ai-je pris en compte suffisamment de données ?
• Suis-je seulement concentré sur les « survivants » ?

Apprenez à maîtriser les mécanismes de votre cerveau pour ne plus subir ses erreurs, et devenez maître de vos décisions dès aujourd’hui !

J’attends vos commentaires avec impatience pour savoir si cet article vous a aidé. 

En savoir plus :

• Daniel Kahneman, Thinking, Fast and Slow (2011)
• Amos Tversky – Daniel Kahneman, Judgment under Uncertainty: Heuristics and Biases, 1974
• The Statistical Research Group Report, 1943
• The Discovery of the Baader-Meinhof Phenomenon, 1994
• Langer, E. J. (1975). The Illusion of Control