Le premier biais d’un modèle est qu’il assume que celui qui l’utilise sait ce qu’il fait

La promesse trompeuse des modèles

Dans les entreprises comme dans les institutions publiques, les modèles sont devenus le langage commun de la décision. Modèles macroéconomiques, modèles prédictifs, algorithmes de scoring ou de pricing : tout semble désormais quantifiable, modélisable, calculable. Le modèle rassure. Il donne l’impression d’une maîtrise rationnelle du réel, d’une capacité à anticiper. Mais cette illusion de rigueur est précisément son premier biais : un modèle ne vaut que par la compréhension que l’on en a. Et dans bien des cas, ceux qui l’utilisent ne mesurent ni ses limites, ni les hypothèses implicites sur lesquelles il repose.

En réalité, le modèle n’est jamais neutre. Il traduit une vision du monde, une simplification nécessaire, un compromis entre exhaustivité et lisibilité. Pourtant, dans la pratique, il est souvent traité comme une vérité mécanique, déconnectée du jugement humain. Le résultat est connu : des décisions prises avec la conviction de la rationalité, mais sur la base d’une rationalité mal comprise.

Quand la rigueur devient dogme

Ce qui est frappant, c’est la vitesse à laquelle la confiance dans les modèles s’est imposée. La généralisation de la donnée, l’essor du machine learning, la montée des fonctions d’analytique avancée ont fait des modèles les nouveaux oracles de la décision. Pourtant, leur complexité croissante rend leur fonctionnement de plus en plus opaque, y compris pour ceux qui s’en servent. Le paradoxe est saisissant : plus les modèles gagnent en puissance, moins ceux qui les utilisent en maîtrisent les ressorts.

Cette asymétrie cognitive n’est pas sans conséquences. Dans les directions financières, les responsables s’appuient sur des modèles de prévision pour ajuster leurs investissements, sans toujours questionner la validité des hypothèses de départ : linéarité des tendances, stabilité des élasticités, constance du comportement des agents. Les économistes eux-mêmes le savent : le modèle n’est pas la réalité, il en est une lecture. Mais dans le management, cette nuance s’est effacée au profit d’un usage instrumental, presque automatisé, du modèle.

À y regarder de plus près, cette dérive tient à un double malentendu. D’un côté, le modèle est pris pour un outil de décision, alors qu’il n’est qu’un outil d’aide à la décision. De l’autre, la compétence d’interprétation – ce savoir critique qui consiste à comprendre les hypothèses, les marges d’erreur, les effets d’échelle – a été largement sous-estimée dans la formation des décideurs.

Ce biais de confiance excessive n’est pas nouveau. Les crises financières l’ont illustré à plusieurs reprises. Avant 2008, les modèles de risque intégraient l’hypothèse implicite d’une faible corrélation des défauts de paiement : lorsque cette hypothèse a cessé d’être valide, tout l’édifice s’est effondré. Plus récemment, la pandémie a révélé les limites des modèles épidémiologiques ou logistiques utilisés pour prévoir la propagation du virus ou les besoins hospitaliers. Là encore, ce n’est pas le modèle qui a failli, mais la manière dont il a été compris, lu et appliqué.

Pourtant, malgré ces leçons, la fascination pour le modèle demeure. L’essor de l’intelligence artificielle et des modèles génératifs en est l’illustration la plus récente. Ces outils promettent d’apprendre par eux-mêmes, d’anticiper, d’optimiser. Mais leur opacité renforce le risque initial : l’utilisateur se fie à un résultat sans en maîtriser la construction. Or, dès qu’un modèle devient une boîte noire, la décision cesse d’être rationnelle – elle devient simplement mécanisée.

Le vrai risque, c’est la perte du discernement

Au fond, le premier biais d’un modèle est une question de gouvernance, pas de technique. Ce n’est pas le modèle qui est dangereux, mais la délégation de responsabilité qu’il induit. Quand la décision se réfugie derrière la mathématique, elle abdique sa dimension politique, humaine, contextuelle. Un bon modèle est celui qui éclaire le jugement, non celui qui le remplace.

Les décideurs doivent donc réhabiliter une compétence trop souvent négligée : la lecture critique de la modélisation. Savoir ce que le modèle suppose, ce qu’il ignore, ce qu’il déforme. Redonner de la place à l’interprétation, à la contradiction, à la sensibilité économique. Parce qu’en définitive, un modèle n’a jamais tort ni raison : seul son usage peut l’être.

La leçon est simple, mais profonde : l’intelligence d’un modèle ne réside pas dans ses équations, mais dans l’intelligence de celui qui s’en sert. Et dans un monde saturé de données, cette intelligence critique deviendra sans doute la compétence la plus rare — et la plus précieuse — de toutes.