Une étude publiée par l'Institut de Recherche Opérationnelle et des Sciences de la Gestion a révélé que la psychologie des prévisions aide à expliquer pourquoi de nombreuses personnes préfèrent avoir raison entièrement plutôt que de se tromper moins. Le résultat remet en question une hypothèse fréquente de nombreux systèmes de prévision, outils d'analyse prédictive et modèles d'intelligence artificielle.
De nombreuses personnes ont du mal à accepter des faits qui contredisent ce qu'elles croient, car en faisant ou en évaluant des prévisions, elles valorisent davantage la possibilité de se tromper exactement que de réduire la taille de l'erreur attendue. Selon l'Institut de Recherche Opérationnelle et des Sciences de la Gestion, cette différence devient particulièrement intense lorsque quelqu'un passe de la certitude complète à une légère erreur.
L'étude a été publiée dans Management Science et a été signée par Berkeley J. Dietvorst, de la Booth School of Business de l'Université de Chicago. Selon l'Institut, la recherche montre que les gens ne jugent pas toujours une prévision avec les mêmes critères que ceux utilisés par les modèles statistiques. « Pour beaucoup de personnes, l'objectif d'une prévision est d'avoir raison, pas seulement de minimiser l'erreur moyenne », a déclaré Dietvorst dans l'information diffusée par l'Institut.
Ce que l'étude a trouvé sur l'erreur et la satisfaction
Dietvorst a analysé 16 études avec différentes tâches de prévision et conceptions expérimentales. Collectivement, les participants ont montré un modèle que les chercheurs décrivent comme une sensibilité décroissante à l'erreur de prévision.
Dans plusieurs expériences, les participants ont vu des distributions de probabilité et ont dû formuler des prévisions. Ils ont souvent choisi des résultats qui augmentaient la possibilité d'une réponse exacte, même si d'autres options réduisaient mieux l'erreur attendue.
La recherche a également examiné les réactions émotionnelles face aux échecs. La satisfaction a fortement chuté lorsqu'une personne est passée d'une certitude totale à une légère erreur.
En revanche, de plus grandes augmentations de l'erreur ont provoqué des baisses beaucoup moindres. Selon l'Institut de Recherche Opérationnelle et des Sciences de la Gestion, ce modèle suggère qu'une fois qu'une prévision est déjà erronée, d'autres échecs importent moins que ne le supposent de nombreux modèles de prévision.
Pourquoi ce biais est important pour l'intelligence artificielle et les prévisions
La découverte va au-delà des prévisions conventionnelles. De nombreux systèmes d'intelligence artificielle, moteurs de recommandation, modèles commerciaux et technologies de support à la décision sont conçus pour minimiser l'erreur moyenne, mais les utilisateurs peuvent les évaluer avec une logique différente.
« Les résultats soulignent l'importance de comprendre les objectifs humains avant de concevoir des systèmes prédictifs », a déclaré Dietvorst, selon l'Institut. « Si les modèles sont optimisés pour des objectifs différents de ce que les gens valorisent, l'adoption et la confiance peuvent être affectées ».
L'étude, publiée dans Management Science en 2025, remet également en question une idée répandue parmi les spécialistes et les organisations. Si les gens récompensent avant tout la précision exacte, un système ajusté pour se tromper moins en moyenne peut ne pas leur sembler satisfaisant.
Ce phénomène peut être observé dans différents domaines où la technologie interagit avec les décisions humaines. Par exemple, dans le secteur financier, les utilisateurs ont souvent des doutes sur les recommandations automatisées si elles ne correspondent pas exactement à leurs attentes, même lorsque les systèmes montrent une faible marge d'erreur globale.
Un phénomène similaire se produit dans des applications de santé numérique, où la perception de la précision influence l'acceptation des diagnostics ou des suggestions médicales générées par des algorithmes.
Ce décrochage entre l'optimisation technique et l'expérience subjective peut générer de la frustration, diminuer la confiance dans les outils et limiter leur adoption massive. Pour les développeurs, comprendre ces différences est crucial lors de la conception d'interfaces et de la communication des avantages et des limites des modèles prédictifs, dans le but d'aligner au mieux les solutions technologiques avec les attentes réelles des utilisateurs.