Le Biais de Représentativité consiste à estimer la probabilité d’une hypothèse d’après sa ressemblance avec un modèle type, plutôt que d’après sa fréquence réelle. Plus un cas colle au portrait qu’on s’en fait, plus il paraît probable — indépendamment des chiffres.
Le problème de Linda
Kahneman et Tversky décrivaient Linda ainsi : trente et un ans, célibataire, franche, brillante, diplômée de philosophie, engagée étudiante contre les discriminations. Puis ils demandaient ce qui était le plus probable : que Linda soit employée de banque, ou qu’elle soit employée de banque et militante féministe.
Une large majorité choisissait la seconde réponse. C’est pourtant une impossibilité logique : l’ensemble des employées de banque militantes est nécessairement inclus dans celui des employées de banque. Ajouter un détail ne peut jamais augmenter une probabilité. Mais le détail rendait le portrait plus ressemblant, donc plus crédible.
Ressemblance et probabilité ne sont pas la même chose
Notre esprit dispose d’un excellent détecteur de similitude et d’un très mauvais calculateur de fréquence. Confronté à une question de probabilité, il substitue silencieusement une question plus facile : à quel point ce cas ressemble-t-il au stéréotype ? La réponse obtenue est ensuite traitée comme si elle répondait à la question de départ.
Le coût principal de cette substitution porte un nom : l’oubli des taux de base. Un profil peut correspondre parfaitement à l’image du fraudeur, du client à risque ou du projet voué à l’échec ; si ces cas représentent deux pour cent de la population concernée, la ressemblance ne change presque rien à la probabilité réelle. On raisonne sur le portrait en oubliant combien d’individus composent le tableau.
Ce que cela donne au travail
- Le recrutement : un candidat qui coche tous les codes du métier — vocabulaire, parcours, allégeance aux mêmes références — paraît plus compétent qu’un profil atypique aux réalisations pourtant supérieures. On recrute une ressemblance.
- La qualification commerciale : un prospect qui correspond au client idéal théorique mobilise l’équipe, même quand l’historique montre que ce segment signe rarement.
- L’analyse de risque : un scénario catastrophe bien raconté, avec ses enchaînements plausibles, apparaît plus probable qu’une panne banale et sans récit — alors que c’est l’inverse.
- Le diagnostic d’incident : la cause qui ressemble à la dernière cause connue est retenue en premier, ce qui allonge considérablement la résolution quand elle est fausse.
Trois correctifs qui fonctionnent
Commencer par le taux de base. Avant d’examiner un dossier, posez la question générale : sur cent cas comparables, combien se terminent ainsi ? Ce chiffre devient le point de départ, que le dossier vient ensuite ajuster à la hausse ou à la baisse.
Se méfier des descriptions riches. Plus un scénario comporte de détails cohérents, moins il est probable, mathématiquement. Un plan très précis sur douze mois a moins de chances de se réaliser tel quel qu’un plan formulé grossièrement.
Comparer à l’historique plutôt qu’au modèle. La question utile n’est pas « ce projet ressemble-t-il à un projet qui réussit ? » mais « comment se sont terminés les douze projets comparables que nous avons menés ? ».
Une précaution de lecture
Raisonner par ressemblance n’est pas absurde : dans un environnement stable, les catégories que nous formons sont souvent informatives et permettent de décider vite. Le problème apparaît quand la ressemblance devient l’unique critère et fait disparaître les proportions. Le réflexe salutaire tient en une phrase : demander combien, avant de demander à quoi ça ressemble.
Pour aller plus loin : Biais de Représentativité
- Biais Cognitif #9 : L'Illusion de Validité – Trop faire confiance à ses intuitions basiques
- Biais Cognitif #10 : Le Biais de Croyance – Valider une logique si la conclusion nous plaît
- Biais Cognitif #11 : L'Effet Barnum – Se reconnaître dans des vérités générales
- Biais Cognitif #12 : Le Biais d'Autorité – Accorder une foi aveugle aux experts