Adoption de l’IA : connaître la suite fausse-t-il le jugement à Bâle ?
Pour décider d’adopter une IA, une équipe peut lui soumettre des situations passées dont elle connaît déjà l’issue. La question managériale est précise : comment évaluer la qualité d’une recommandation sans lui attribuer rétrospectivement une évidence qui n’existait pas au moment de décider ?
Ce que la littérature établit
Baruch Fischhoff (1975, Journal of Experimental Psychology: Human Perception and Performance) a montré expérimentalement que connaître l’issue d’un événement modifie l’estimation rétrospective de sa probabilité. Les participants ne prennent pas pleinement en compte cette influence lorsqu’ils évaluent ce qu’ils auraient pu prévoir sans cette information. Pour une équipe qui examine une recommandation d’IA après les faits, le risque est de confondre ce qui paraît évident aujourd’hui avec ce qui était accessible hier.
Le résultat peut aussi modifier l’évaluation de la décision
Jonathan Baron et John C. Hershey (1988, Journal of Personality and Social Psychology) ont montré que le résultat d’une décision influence l’évaluation de sa qualité, même lorsque les informations disponibles au moment du choix sont identiques. Ce biais de résultat se distingue du biais rétrospectif : il ne concerne pas seulement ce qui semblait prévisible, mais la valeur attribuée au choix lui-même. Une recommandation raisonnable peut ainsi être dépréciée après une issue défavorable, tandis qu’une recommandation fragile bénéficie d’un dénouement heureux.
La conclusion trop rapide
On pourrait en conclure qu’il faut exclure les dossiers terminés des tests d’adoption de l’IA. Ces recherches ne l’imposent pas : elles invitent plutôt à séparer l’examen des informations disponibles au moment du choix de celui du résultat obtenu. Une issue favorable reste pertinente, mais ne suffit pas, à elle seule, à établir la qualité d’une recommandation. (nos formations pour cadres et collaborateurs)
Ce que ces études ne permettent pas d’affirmer
Ces expériences portent sur le jugement humain, non sur l’adoption d’une IA générative dans une entreprise bâloise. Elles ne quantifient donc ni l’ampleur du biais dans une équipe de R&D, ni son effet sur la décision d’équiper un service. Une difficulté supplémentaire concerne les outils eux-mêmes : lorsqu’un cas historique est public, masquer son issue aux évaluateurs ne garantit pas que le modèle l’ignore.
Une implication pratique, vérifiable à Bâle
Dans le cadre du programme SHR « Conduire l’adoption de l’IA dans son équipe », une équipe bâloise de pharma ou de sciences de la vie pourrait examiner une recommandation liée à un approvisionnement rhénan pour un projet de R&D internationale, à partir d’un cas fictif réaliste dont le dénouement est fixé à l’avance. Deux groupes examineraient exactement les mêmes informations et la même recommandation, mais un seul connaîtrait le dénouement, avec une grille commune portant sur la justification, les incertitudes et les alternatives considérées. La mesure serait l’écart entre les notes moyennes attribuées par les deux groupes, accompagné de leurs justifications écrites. Un écart ne prouverait pas à lui seul un biais, mais donnerait au responsable un motif vérifiable de revoir l’évaluation avant de conclure à la qualité de l’outil. Pour aller plus loin : découvrez la formation Conduire l'adoption de l'IA dans son équipe à Bâle dans le canton de Bâle-Ville, ou parcourez nos formations pour cadres et collaborateurs en Suisse.
En images : Conduire l'adoption de l'IA dans son équipe à Bâle
- conduire l'adoption de l'ia dans son équipe
- Bâle
- recherche
- formation bâle