Chaque jour, nous choisissons : quoi manger, quel projet prioriser, à qui faire confiance, quel risque accepter. Nous avons le sentiment de peser le pour et le contre, de raisonner. Pourtant, un demi-siècle de recherche en psychologie montre que notre cerveau prend des raccourcis systématiques, et que ces raccourcis nous trompent de manière prévisible. C’est le champ des biais cognitifs. Comprendre leur fonctionnement n’est pas qu’un exercice intellectuel : c’est un outil concret pour décider mieux, au travail comme dans la vie personnelle.
Qu’est-ce qu’un biais cognitif ?
Un biais cognitif est une déviation systématique du jugement par rapport à une norme de rationalité (la logique, les probabilités ou l’intérêt bien compris de la personne). Le mot important est systématique : il ne s’agit pas d’erreurs aléatoires, mais d’erreurs qui vont toujours dans le même sens, chez la plupart des individus, dans des conditions reproductibles en laboratoire.
Les biais naissent le plus souvent de l’usage d’heuristiques, c’est-à-dire de règles de décision simplifiées que l’esprit applique automatiquement pour répondre vite à une question difficile. L’heuristique n’est pas un défaut en soi : elle est économique et souvent efficace. Le biais apparaît quand elle est appliquée hors de son domaine de validité. Comme une illusion d’optique, il persiste même lorsqu’on sait qu’il existe.
Le modèle des deux systèmes
Pour expliquer ces raccourcis, la psychologie a popularisé une distinction (proposée sous cette forme par Keith Stanovich et Richard West en 2000, puis rendue célèbre par Daniel Kahneman) entre deux modes de pensée :
- Le Système 1 : rapide, automatique, intuitif, associatif, peu coûteux en énergie. C’est lui qui reconnaît un visage en colère, complète « 2 + 2 = ? » ou conduit sur une route familière.
- Le Système 2 : lent, délibéré, analytique, coûteux en attention. C’est lui qui calcule 17 × 24, compare deux contrats ou vérifie un raisonnement.
Le Système 2 est paresseux : il valide le plus souvent sans contrôle les propositions du Système 1. La plupart des biais surviennent lorsque le Système 1 substitue une question facile à une question difficile (« ce candidat ressemble-t-il à un bon manager ? » au lieu de « quelle est la probabilité qu’il réussisse dans ce poste ? ») et que le Système 2 ne relève pas la substitution. Il faut voir ces deux systèmes comme des métaphores commodes, pas comme deux zones anatomiques du cerveau.
Les auteurs : de la rationalité limitée à l’économie comportementale
Herbert Simon, le précurseur
Avant les biais, il y a la rationalité limitée. En 1955, l’économiste et chercheur en sciences cognitives Herbert Simon (1916-2001) conteste le modèle de l’homo economicus qui optimiserait parfaitement ses choix. Selon lui, nos décisions sont contraintes par l’information disponible, nos capacités de calcul et le temps. Nous ne cherchons donc pas la meilleure option, mais une option « suffisamment bonne » : c’est le satisficing (contraction de satisfy et suffice). Ces travaux lui valent le prix Nobel d’économie en 1978.
Daniel Kahneman et Amos Tversky, le duo fondateur
Daniel Kahneman naît le 5 mars 1934 à Tel-Aviv et passe son enfance en France, notamment à Paris sous l’Occupation, avant de rejoindre la Palestine mandataire en 1946. Psychologue de formation, il enseigne à l’Université hébraïque de Jérusalem, puis en Amérique du Nord, avant de rejoindre Princeton en 1993. Amos Tversky (1937-1996), psychologue mathématicien, devient son partenaire intellectuel à partir de 1969.
Leur collaboration produit deux textes majeurs :
- 1974, « Judgment under Uncertainty: Heuristics and Biases » (revue Science) : ils décrivent trois heuristiques (représentativité, disponibilité, ancrage) et les erreurs qu’elles provoquent. C’est l’acte de naissance du programme « heuristiques et biais ».
- 1979, la théorie des perspectives (Prospect Theory, revue Econometrica) : un modèle descriptif de la décision face au risque, qui montre que nous évaluons les options en gains et pertes par rapport à un point de référence, et que les pertes pèsent plus lourd que les gains équivalents.
En 2002, Kahneman reçoit le prix Nobel d’économie pour avoir intégré la psychologie à la science économique. Tversky, mort six ans plus tôt, ne pouvait pas être récompensé (le Nobel n’est pas attribué à titre posthume). En 2011, Kahneman publie Thinking, Fast and Slow (Système 1 / Système 2 : les deux vitesses de la pensée), best-seller mondial, puis cosigne en 2021 Noise avec Olivier Sibony et Cass Sunstein. Il meurt le 27 mars 2024, à 90 ans.
Richard Thaler et les « nudges »
L’économiste Richard Thaler prolonge ces travaux vers l’action publique et l’économie. Avec le juriste Cass Sunstein, il publie Nudge en 2008 : puisque nos biais sont prévisibles, on peut concevoir l’« architecture du choix » (options par défaut, ordre de présentation, formulation) pour orienter les décisions sans contraindre. Il reçoit le prix Nobel d’économie en 2017.
Les principaux biais, appliqués
On recense parfois plus de 180 biais cognitifs, mais beaucoup se recoupent. Voici ceux qui ont le plus d’impact sur les décisions réelles, avec leur mécanisme et un exemple d’application.
1. L’ancrage
Mécanisme : une première valeur numérique, même arbitraire, influence l’estimation qui suit. Nous ajustons à partir de cette ancre, mais insuffisamment.
L’expérience : dans l’étude de 1974, Tversky et Kahneman font tourner une roue truquée qui s’arrête sur 10 ou sur 65, puis demandent aux participants quel pourcentage des pays de l’ONU sont africains. Estimation médiane : 25 % pour le groupe « 10 », 45 % pour le groupe « 65 ». Un nombre manifestement aléatoire a déplacé le jugement de 20 points.
Application : le premier prix annoncé dans une négociation salariale ou immobilière, le prix « barré » d’une promotion, la première estimation de charge lancée en réunion de planification.
2. L’heuristique de disponibilité
Mécanisme : nous jugeons la fréquence ou la probabilité d’un événement selon la facilité avec laquelle des exemples nous viennent à l’esprit.
Application : après un crash aérien fortement médiatisé, la peur de l’avion augmente alors que le risque objectif n’a pas changé. En entreprise, l’incident du mois dernier occupe toute la réflexion sur les risques, au détriment de menaces moins visibles mais plus probables.
3. La représentativité et l’oubli des taux de base
Mécanisme : nous estimons la probabilité qu’un élément appartienne à une catégorie selon sa ressemblance avec le stéréotype de cette catégorie, en négligeant les statistiques de fond (les « taux de base »).
L’expérience : le célèbre « problème de Linda » (1983). Linda est décrite comme engagée, diplômée en philosophie, préoccupée par la justice sociale. Une majorité de participants jugent plus probable qu’elle soit « employée de banque et militante féministe » que simplement « employée de banque ». C’est logiquement impossible : la conjonction de deux conditions ne peut pas être plus probable qu’une seule d’entre elles. C’est l’erreur de conjonction.
Application : le recrutement sur « profil type », le diagnostic médical qui colle à un tableau classique en oubliant la rareté de la maladie, l’investisseur qui mise sur une start-up parce qu’elle « ressemble » à une success story.
4. L’effet de cadrage
Mécanisme : deux formulations logiquement équivalentes d’un même problème produisent des choix différents.
L’expérience : le « problème de la maladie asiatique » (1981). Face à une épidémie menaçant 600 personnes, 72 % des participants choisissent le programme qui « sauve 200 personnes » à coup sûr. Mais quand la même option est formulée « 400 personnes mourront », 78 % préfèrent l’option risquée. Seul le cadre (gain ou perte) a changé.
Application : un traitement présenté avec « 90 % de survie » est davantage accepté qu’avec « 10 % de mortalité ». Un produit « à 95 % sans matière grasse » se vend mieux qu’un produit « à 5 % de matière grasse ».
5. L’aversion à la perte
Mécanisme : au cœur de la théorie des perspectives, une perte est ressentie environ deux fois plus intensément qu’un gain de même montant (le coefficient estimé par Tversky et Kahneman en 1992 est d’environ 2,25).
Application : refuser un pari à 50/50 où l’on peut gagner 120 € ou perdre 100 €, conserver une action en baisse pour « ne pas acter la perte », renoncer à changer d’emploi parce que ce que l’on quitte pèse plus que ce que l’on gagnerait. L’aversion à la perte alimente aussi le biais du statu quo : nous préférons l’option par défaut, même quand une alternative est objectivement meilleure.
6. Le biais de confirmation
Mécanisme : nous recherchons, interprétons et retenons préférentiellement les informations qui confirment ce que nous croyons déjà. Peter Wason l’a mis en évidence dès 1960 avec une tâche de découverte de règle : les participants testent des exemples compatibles avec leur hypothèse au lieu de chercher ceux qui pourraient la réfuter.
Application : l’enquêteur qui s’enferme sur un suspect, le chef de projet qui ne lit que les indicateurs favorables, le lecteur qui ne consulte que des sources de son bord politique. C’est sans doute le biais le plus dangereux, car il immunise contre la correction.
7. Le piège des coûts irrécupérables
Mécanisme : nous continuons à investir dans un projet parce que nous y avons déjà investi (temps, argent, énergie), alors que seuls les coûts et bénéfices futurs devraient compter. Hal Arkes et Catherine Blumer l’ont documenté en 1985, notamment avec des participants qui préféraient aller au voyage de ski le plus cher, mais le moins agréable, simplement parce qu’ils l’avaient payé plus cher.
Application : le Concorde (on parle d’ailleurs d’« effet Concorde »), le projet informatique qui s’éternise, la relation ou la formation que l’on poursuit « pour ne pas avoir fait tout ça pour rien ».
8. L’excès de confiance et l’erreur de planification
Mécanisme : nous surestimons la précision de nos connaissances et la probabilité de réussite de nos projets. L’erreur de planification (planning fallacy), décrite par Kahneman et Tversky, désigne la tendance à sous-estimer durées et coûts, même quand on sait que les projets similaires ont tous débordé.
Application : les chantiers publics qui explosent leur budget, les estimations de développement logiciel (le fameux ticket « d’une demi-journée » qui en prend trois), les plans de lecture ou d’entraînement trop ambitieux.
Au-delà des biais : le bruit
Dans Noise (2021), Kahneman, Sibony et Sunstein ajoutent une seconde source d’erreur souvent ignorée : le bruit, c’est-à-dire la variabilité indésirable des jugements. Le biais est une erreur moyenne qui pointe dans une direction ; le bruit est la dispersion des jugements autour de cette moyenne.
L’image est celle d’une cible de tir : un tireur biaisé groupe ses impacts à côté du centre ; un tireur bruyant les éparpille. Dans une compagnie d’assurance étudiée par les auteurs, deux souscripteurs évaluant le même dossier différaient en moyenne de 55 %, alors que les dirigeants s’attendaient à un écart d’environ 10 %. Le bruit touche la justice (peines différentes pour des faits similaires), la médecine, le recrutement, la notation scolaire. Il se réduit surtout par la structuration des jugements : grilles d’évaluation, décomposition en critères indépendants, agrégation de plusieurs avis.
Se protéger : les outils de débiaisage
Connaître les biais ne suffit pas à s’en libérer : Kahneman lui-même reconnaissait ne pas y échapper. La stratégie la plus efficace consiste moins à « réparer son cerveau » qu’à installer des procédures qui compensent ses faiblesses.
Le pre-mortem
Proposé par le psychologue Gary Klein : avant de lancer un projet, l’équipe imagine qu’on est un an plus tard et que le projet a échoué de façon spectaculaire. Chacun écrit les raisons possibles de cet échec. L’exercice légitime la critique, contourne la pression du groupe et fait émerger des risques que personne n’osait formuler.
La vue extérieure (prévision par classe de référence)
Plutôt que d’estimer un projet de l’intérieur (ses spécificités, son plan), on part des statistiques de projets comparables : « combien de temps ont réellement pris les dix derniers projets de ce type ? ». C’est l’antidote direct à l’erreur de planification, popularisé par Kahneman et Lovallo puis appliqué aux grands projets d’infrastructure par Bent Flyvbjerg.
Considérer l’opposé
Se demander systématiquement : « quels éléments me prouveraient que j’ai tort ? », ou désigner un avocat du diable dans les réunions. C’est une contre-mesure efficace contre le biais de confirmation et l’excès de confiance.
Les checklists de décision
En 2011, Kahneman, Lovallo et Sibony proposent dans la Harvard Business Review une série de questions à poser avant toute décision importante : l’équipe a-t-elle un intérêt personnel dans la recommandation ? Des alternatives crédibles ont-elles été envisagées ? Le dossier repose-t-il sur une analogie trop séduisante ? L’idée : auditer le processus qui a produit la recommandation, pas seulement son contenu.
L’entraînement ciblé
Longtemps, la recherche a conclu que la formation aux biais était peu efficace. Des études plus récentes nuancent ce constat : une seule séance d’entraînement (jeu vidéo ou vidéo pédagogique avec retours immédiats) a produit des réductions de biais d’ampleur moyenne à forte, durables sur plusieurs semaines et transférables à des problèmes non vus pendant l’entraînement. Une étude de 2019 a même observé un effet en conditions réelles, sur des étudiants d’école de commerce résolvant un cas de gestion plusieurs semaines après la formation.
Agir sur l’environnement
Enfin, on peut modifier le contexte de décision plutôt que la personne : options par défaut bien choisies (logique des nudges), décisions importantes prises au calme plutôt que sous la fatigue ou l’urgence, recueil des avis individuels avant la discussion collective pour éviter la contagion des opinions.
Limites et débats : un champ moins figé qu’il n’y paraît
Les heuristiques sont-elles vraiment des erreurs ?
Le psychologue allemand Gerd Gigerenzer conteste depuis les années 1990 la vision « déficitaire » de l’esprit humain. Pour lui, les heuristiques sont souvent des outils adaptés à des environnements réels, incertains et pauvres en données : c’est la rationalité écologique. Dans certaines situations, une règle simple (« choisir l’option que l’on reconnaît ») surpasse des modèles statistiques complexes. Le débat porte moins sur l’existence des biais que sur leur interprétation : défauts de conception ou compromis intelligents ?
Quand faire confiance à son intuition ?
En 2009, Kahneman et Gary Klein (pourtant défenseur de l’intuition experte) publient un article commun au titre éloquent : « un échec à être en désaccord ». Leur conclusion : l’intuition est fiable lorsque deux conditions sont réunies. L’environnement doit être suffisamment régulier pour être prévisible, et l’expert doit avoir bénéficié d’une longue pratique avec des retours rapides et clairs. Un pompier ou un joueur d’échecs remplissent ces conditions ; un analyste qui prédit les marchés boursiers à cinq ans, beaucoup moins.
La crise de la réplication
Certains effets spectaculaires popularisés dans les années 2000 (notamment l’amorçage social ou l’« épuisement de la volonté ») ont échoué à être reproduits. Kahneman lui-même avait alerté la communauté dès 2012 et reconnu plus tard s’être trop appuyé sur certaines études fragiles dans son livre. Les effets fondamentaux (ancrage, cadrage, aversion à la perte) restent en revanche robustes, même si leur ampleur varie selon les contextes. L’étude très citée sur les juges israéliens plus sévères avant leur pause repas a par exemple été vivement contestée pour des raisons méthodologiques.
Méfiance envers les listes et les chiffres viraux
Les grandes infographies listant 180 biais donnent une impression de catalogue exhaustif, mais beaucoup d’entrées sont redondantes ou faiblement étayées. De même, le chiffre souvent répété des « 35 000 décisions par jour » ne repose sur aucune étude identifiable. Ironie du sujet : ces affirmations circulent précisément grâce à nos biais (disponibilité, confirmation, attrait des chiffres ronds).
Conclusion
Les biais cognitifs ne font pas de nous des êtres irrationnels : ils révèlent les compromis d’un cerveau conçu pour agir vite dans un monde incertain. L’enjeu n’est pas de les éliminer (c’est impossible) mais de reconnaître les situations où ils coûtent cher : décisions rares, à fort enjeu, chargées émotionnellement ou prises sous pression. Dans ces moments-là, la meilleure décision est souvent celle qui a été passée au crible d’une procédure, d’un regard extérieur ou d’une simple question : « et si j’avais tort ? ».
Tableau récapitulatif
| Notion | Définition courte | Exemple appliqué | Contre-mesure |
|---|---|---|---|
| Rationalité limitée (Simon, 1955) | Nos choix sont contraints par l’information, le temps et nos capacités de calcul | Choisir le premier logement « correct » plutôt que le meilleur | Définir ses critères avant de chercher |
| Système 1 / Système 2 | Pensée rapide et intuitive vs pensée lente et analytique | Répondre d’instinct à une question chiffrée | Ralentir sur les décisions à fort enjeu |
| Ancrage | Une première valeur influence les estimations suivantes | Prix barré, première offre en négociation | Fixer sa propre estimation avant d’entendre l’autre |
| Disponibilité | Juger probable ce qui vient facilement à l’esprit | Peur de l’avion après un crash médiatisé | Chercher les statistiques réelles |
| Représentativité | Juger selon la ressemblance au stéréotype, en oubliant les taux de base | Problème de Linda, recrutement sur « profil type » | Partir du taux de base, raisonner en probabilités |
| Cadrage | La formulation d’un problème change le choix | « 90 % de survie » vs « 10 % de mortalité » | Reformuler le problème dans le cadre inverse |
| Aversion à la perte | Une perte pèse environ deux fois plus qu’un gain équivalent | Garder une action en baisse, refuser un changement | Évaluer l’ensemble des options sans point de référence |
| Statu quo | Préférence pour l’option par défaut | Ne jamais changer d’abonnement ou de fournisseur | Se demander : « choisirais-je cela aujourd’hui ? » |
| Biais de confirmation | Privilégier les informations qui confirment nos croyances | Ne lire que les indicateurs favorables d’un projet | Chercher activement ce qui réfuterait l’hypothèse |
| Coûts irrécupérables | Persister à cause de ce qui a déjà été investi | Effet Concorde, projet qui s’éternise | Ne considérer que les coûts et gains futurs |
| Erreur de planification | Sous-estimer durées et coûts de ses projets | Estimations de développement logiciel, chantiers publics | Vue extérieure (classe de référence) |
| Bruit (Noise, 2021) | Variabilité indésirable entre jugements censés être identiques | Deux experts évaluant le même dossier très différemment | Grilles structurées, agrégation de plusieurs avis |
| Rationalité écologique (Gigerenzer) | Les heuristiques sont souvent adaptées à leur environnement | Règles simples battant des modèles complexes en contexte incertain | Identifier quand une règle simple suffit |
| Intuition experte (Kahneman et Klein, 2009) | L’intuition est fiable dans un environnement régulier avec retours rapides | Pompier, joueur d’échecs vs prévisionniste boursier | Vérifier si les deux conditions sont réunies |
| Pre-mortem (Klein) | Imaginer l’échec du projet pour en identifier les causes | Réunion de lancement de projet | À pratiquer avant toute décision collective importante |
Sources et références
Textes fondateurs
- Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99-118.
- Wason, P. C. (1960). On the failure to eliminate hypotheses in a conceptual task. Quarterly Journal of Experimental Psychology, 12(3), 129-140.
- Tversky, A., et Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124-1131.
- Kahneman, D., et Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263-291.
- Tversky, A., et Kahneman, D. (1981). The Framing of Decisions and the Psychology of Choice. Science, 211(4481), 453-458.
- Tversky, A., et Kahneman, D. (1983). Extensional versus intuitive reasoning: The conjunction fallacy in probability judgment. Psychological Review, 90(4), 293-315.
- Arkes, H. R., et Blumer, C. (1985). The psychology of sunk cost. Organizational Behavior and Human Decision Processes, 35(1), 124-140.
- Tversky, A., et Kahneman, D. (1992). Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and Uncertainty, 5, 297-323.
- Stanovich, K. E., et West, R. F. (2000). Individual differences in reasoning: Implications for the rationality debate? Behavioral and Brain Sciences, 23(5), 645-665.
Débiaisage, intuition et débats
- Kahneman, D., et Lovallo, D. (1993). Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking. Management Science, 39(1), 17-31.
- Klein, G. (2007). Performing a Project Premortem. Harvard Business Review.
- Kahneman, D., et Klein, G. (2009). Conditions for intuitive expertise: A failure to disagree. American Psychologist, 64(6), 515-526.
- Gigerenzer, G., et Gaissmaier, W. (2011). Heuristic Decision Making. Annual Review of Psychology, 62, 451-482.
- Kahneman, D., Lovallo, D., et Sibony, O. (2011). Before You Make That Big Decision… Harvard Business Review.
- Danziger, S., Levav, J., et Avnaim-Pesso, L. (2011). Extraneous factors in judicial decisions. PNAS, 108(17), 6889-6892.
- Yong, E. (2012). Nobel laureate challenges psychologists to clean up their act. Nature.
- Morewedge, C. K., et al. (2015). Debiasing Decisions: Improved Decision Making With a Single Training Intervention. Policy Insights from the Behavioral and Brain Sciences, 2(1), 129-140.
- Kahneman, D., Rosenfield, A. M., Gandhi, L., et Blaser, T. (2016). Noise: How to Overcome the High, Hidden Cost of Inconsistent Decision Making. Harvard Business Review.
- Sellier, A.-L., Scopelliti, I., et Morewedge, C. K. (2019). Debiasing Training Improves Decision Making in the Field. Psychological Science, 30(9), 1371-1379.
Ouvrages et biographies
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Trad. fr. Système 1 / Système 2 : les deux vitesses de la pensée, Flammarion, 2012.
- Thaler, R. H., et Sunstein, C. R. (2008). Nudge. Yale University Press.
- Kahneman, D., Sibony, O., et Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Little, Brown Spark. Trad. fr. Noise : pourquoi nous faisons des erreurs de jugement et comment les éviter, Odile Jacob, 2021.
- Prix Nobel : Herbert Simon (1978), Daniel Kahneman (2002), Richard Thaler (2017).
- Princeton University (2024). Daniel Kahneman, 1934-2024. Kahneman-Treisman Center for Behavioral Science and Public Policy.
