Un chef de projet qui annonce une date de livraison fait deux choses sans les distinguer. Il estime le temps que prendra le travail. Dans le même mouvement, il pèse ce que coûterait un retard face à une livraison bâclée. Pendant des décennies, rien n'obligeait à séparer ces deux gestes, parce que la même tête les produisait ensemble.
L'économiste Ajay Agrawal et ses coauteurs Joshua Gans et Avi Goldfarb soutiennent dans Prediction Machines que ce temps est révolu. Là où d'autres voient une innovation qui transforme tout, ils voient « une simple baisse de prix », celle de la prédiction. Leur conséquence tient en une phrase du livre, « une prédiction n'est pas une décision ». Ils rappellent qu'avant les progrès récents de l'intelligence des machines, les humains faisaient toujours la prédiction et le jugement ensemble.
Pour un manager, la question se déplace. Savoir si l'IA décidera mieux que l'équipe intéresse moins que de reprendre chaque décision récurrente, élément par élément, pour établir qui en porte chaque morceau. Les citations du livre, paru en anglais, sont traduites pour cet article.
Que change une prédiction devenue bon marché ?
Elle change l'usage bien avant la technique. Quand le prix d'une ressource s'effondre, on en consomme davantage là où on s'en servait déjà, puis on l'emploie sur des problèmes qu'on ne formulait pas en ces termes. Agrawal, Gans et Goldfarb prennent l'exemple de l'arithmétique. Devenue bon marché avec l'ordinateur, elle a fini par résoudre la photographie, jusque-là affaire de chimie.
Leur définition de la prédiction élargit d'emblée le champ. Chez eux, prédire revient à « combler une information manquante » à partir des données dont on dispose. Le futur n'en est qu'un cas. Classer une transaction comme frauduleuse ou une candidature comme prometteuse relève de la même opération.
Ce qui se dévalue et ce qui prend de la valeur
Deux forces suivent la baisse de prix. La prédiction humaine, substitut de celle de la machine, perd de sa valeur. Ses compléments en gagnent, au premier rang desquels la donnée, le jugement et l'action. Leur exemple le plus parlant vient des chauffeurs de taxi londoniens. Pour obtenir leur licence, ils passaient en moyenne trois ans à mémoriser la ville. Aucun n'est devenu moins bon à cause des applications de navigation. Des millions d'autres conducteurs sont devenus bien meilleurs, ce qui a suffi à dévaloriser leur savoir.
Le mouvement rejoint un constat posé sur ce site à partir d'un autre matériau, celui d'une époque où l'attention et le jugement se raréfient à l'ère de l'IA. Le présent article prend l'autre bout, plus mécanique. Il démonte une décision pour voir où la machine entre et où elle s'arrête.
De quoi une décision d'équipe est-elle faite ?
D'une prédiction et de six autres éléments. Dans leur anatomie d'une tâche, Agrawal, Gans et Goldfarb décrivent une chaîne complète. Des données d'entrée permettent une prédiction, rendue possible par des données d'entraînement. Le jugement dit ce qui compte, l'action suit, elle produit un résultat, puis le retour de ce résultat améliore la prédiction suivante.
| Élément | Ce qu'il désigne | La question du canevas |
|---|---|---|
| Action | Ce que l'on fait à partir de la prédiction. | Qu'essayez-vous de faire ? |
| Prédiction | L'information manquante, comblée. Le seul élément que la machine prend en charge. | Que devez-vous savoir pour prendre la décision ? |
| Jugement | La valeur relative des issues, celles des erreurs comprises. | Comment valorisez-vous les différentes issues et les différentes erreurs ? |
| Résultat | La conséquence de l'action, avec son gain ou sa perte. | Quelles sont vos mesures de réussite de la tâche ? |
| Données d'entrée | Les données disponibles au moment de décider. | De quelles données avez-vous besoin pour faire tourner l'algorithme ? |
| Données d'entraînement | Les données qui ont servi à construire la machine. | De quelles données avez-vous besoin pour l'entraîner ? |
| Retour | Ce que le résultat apprend à la prédiction suivante. | Comment utiliser les résultats pour améliorer l'algorithme ? |
Le parapluie, une décision démontée
Les auteurs montrent la mécanique sur une décision minuscule, prendre ou non un parapluie. La prédiction dit qu'il pleuvra une fois sur quatre à cette saison. Le jugement dit ce que vaut chaque issue pour vous, 10 sur 10 pour rester au sec sans parapluie, 8 pour rester au sec en le portant, 0 pour être trempé. Prendre le parapluie rapporte 8 en moyenne, le laisser rapporte 7,5. Vous le prenez.
Il suffit de détester porter un parapluie, en lui donnant 6 au lieu de 8, pour que la décision s'inverse avec la même prédiction. La météo n'a pas bougé. Seul le jugement a changé. Une meilleure prévision ne dit donc rien sur la conduite à tenir tant que personne n'a écrit ce que vaut chaque issue.
Une décision d'équipe a la même structure, avec plus de branches. Un recrutement, un arbitrage de priorités, le choix de relancer ou non un client suivent tous cette chaîne. Aucun ne se réduit à sa prédiction.
Qu'appelle-t-on jugement dans ce cadre ?
Le jugement désigne ici une opération précise, chiffrer ce que valent les issues possibles d'une action, erreurs comprises. Agrawal, Gans et Goldfarb le définissent comme le processus qui détermine la récompense d'une action donnée dans un environnement donné. Ils précisent qu'il revient à établir l'objectif que l'on poursuit réellement.
Le mot n'a donc pas le sens courant de discernement ou de sagesse d'expérience. Dans une équipe, entendre « jugement » comme « il nous faut des gens d'expérience » conduit à un contresens flatteur. Le livre exige davantage. Il demande que quelqu'un écrive ce que coûte chaque erreur.
L'exemple de la fraude à la carte bancaire
Un réseau de cartes bancaires doit décider s'il bloque une transaction suspecte. Supposons qu'elle soit neuf fois plus probablement frauduleuse que légitime. Selon les auteurs, le réseau la refuse, à moins que la satisfaction du client pèse neuf fois plus lourd que la perte liée à la fraude. La probabilité vient de la machine. Le rapport entre les deux coûts, personne ne le calcule à la place du réseau.
Un jugement coûte du temps
Le jugement a un prix que la prédiction n'efface pas. Le cas de la carte bancaire ne compte que quatre issues. Les auteurs notent qu'avec dix actions possibles et vingt situations, il faut juger deux cents issues. On y parvient par la délibération, en prenant le temps de réfléchir et de consulter, ou par l'expérimentation, en acceptant des erreurs. Sur les cas jugés trop rares pour mériter ce travail, on se rabat volontiers sur un réglage par défaut plus sûr.
La conséquence pour une équipe est paradoxale. Plus la prédiction devient bon marché, plus les occasions de juger se multiplient. Des décisions que l'on tranchait par défaut, faute de pouvoir prédire, demandent soudain qu'on dise ce que l'on veut.
Quelles décisions une équipe peut-elle confier entièrement à la machine ?
Celles dont le jugement tient à l'avance dans quelques règles. Quand les combinaisons d'actions et de situations restent peu nombreuses, on peut écrire la valeur de chaque issue avant la prédiction. La machine décide alors seule. Agrawal, Gans et Goldfarb rangent ce travail dans ce qu'ils nomment l'ingénierie de la fonction de récompense.
Leur exemple est un service d'assistance technique. Les questions simples, déjà posées par beaucoup d'autres clients, reçoivent une réponse automatique. Les questions difficiles partent vers un humain, parce qu'il serait trop long de spécifier à l'avance quoi faire dans chaque situation. Dans ce second cas, l'humain juge après la prédiction, comme il le faisait déjà avant l'IA.
La prédiction par exception
Entre l'automatisation complète et la décision humaine, les auteurs décrivent un régime intermédiaire. La machine traite le routinier, là où les données abondent. Elle ne signale à l'humain que l'exception. Celui-ci y consacre alors son effort. Ils rattachent cette prédiction par exception au management par exception, avec le même principe de ne solliciter l'attention du responsable qu'en cas de besoin réel.
Une réserve compte pour tout manager. Une machine peut apprendre à prédire le jugement humain lorsqu'il se répète et s'observe en série. Elle échoue en revanche sur les événements rares. Les auteurs citent les fusions, les innovations et les partenariats, faute de cas passés dont apprendre. Un jugement répétitif finit prédictible. Celui qui porte sur l'inédit reste au manager.
Les enjeux fixent la place de l'humain
Dans le chapitre sur les enjeux ajouté à l'édition de 2022, les auteurs comparent deux usages de l'IA qui se trompent au même taux, 10 %. Pour recommander un produit chez Amazon, l'erreur coûte peu et l'automatisation l'emporte. Pour modérer des contenus chez Facebook, la même erreur coûte cher et l'entreprise emploie des milliers de modérateurs humains pour trancher. Même taux d'erreur, dispositifs opposés.
Or les enjeux eux-mêmes relèvent du jugement. Selon les auteurs, les humains déterminent le coût des erreurs pour chaque décision. Ils en tirent une consigne qui parle directement à un collectif de travail, faire en sorte que le jugement vienne de la bonne personne.
Comment redessiner une décision d'équipe, étape par étape ?
En partant d'une décision réelle plutôt que d'un projet d'IA. Le livre insiste sur ce point, l'unité de conception d'un outil d'IA n'est ni le métier ni la stratégie mais la tâche, elle-même faite de décisions. Les cinq étapes qui suivent transposent son canevas au travail d'une équipe. Elles se mènent en séance, sur une décision que tout le monde connaît.
1. Choisir une décision récurrente
Retenez une décision que l'équipe prend souvent et dont elle discute encore, comme prioriser les demandes entrantes, accepter ou refuser un engagement de délai, relancer un client. Une décision rare servirait mal l'exercice. La machine y manque de données pour prédire et le jugement humain y reste de toute façon indispensable.
2. Séparer ce qu'il faut savoir de ce que l'on valorise
Faites nommer la prédiction au cœur de la décision, en une phrase. Les auteurs préviennent que cette question ouvre souvent une discussion existentielle, « quel est notre véritable objectif, au fond ? ». Leur exemple est celui d'une école de commerce qui veut recruter « les meilleurs » étudiants et découvre qu'il faut dire lesquels, les mieux payés à la sortie, les futurs dirigeants ou les futurs donateurs. Une prédiction exige une précision que les déclarations d'intention n'ont presque jamais.
3. Écrire le jugement avant la prédiction
Pour chaque issue, faites dire à l'équipe ce qu'elle vaut, en commençant par les erreurs. Refuser à tort une demande coûte-t-il plus qu'accepter à tort une demande de trop ? Tant que cette ligne reste vide, une prédiction fiable ne sert à rien. Les biais qui faussent l'estimation des gains et des pertes pèsent ici de tout leur poids. Au moment de chiffrer, la théorie des perspectives aide à mieux décider face au risque.
4. Fixer la place de l'humain selon les enjeux
Classez chaque décision dans l'un des trois régimes décrits plus haut. Un jugement court à écrire et des erreurs peu coûteuses autorisent l'automatisation. Un flux routinier ponctué de cas atypiques appelle la prédiction par exception. Des enjeux élevés ou des cas rares gardent la décision humaine, la machine se contentant d'éclairer.
5. Nommer qui porte le jugement et boucler le retour
Désignez la personne qui tient la ligne « jugement » de chaque décision et celle qui en suivra le résultat. Le partage de l'autorité se travaille bien avec le Delegation Poker et ses sept niveaux pour savoir qui décide quoi. Prévoyez enfin le retour. Sans lui, la prédiction suivante ne s'améliore pas et l'équipe n'apprend rien de ses erreurs.
Le canevas Vérifier, Juger, Assumer prolonge l'étape 5 livrable par livrable, avec un nom par capacité. Quand un agent IA participe au travail, l'accord d'équipe avec l'IA écrit ce qu'il peut faire et ce que l'humain se réserve.
Que devient le rôle du manager quand la prédiction abonde ?
Il se déplace vers le jugement et vers sa répartition dans l'équipe. Selon Agrawal, Gans et Goldfarb, les machines à prédire ne fournissent pas de jugement. « Seuls les humains le font », écrivent-ils, parce qu'eux seuls peuvent exprimer la valeur relative des différentes actions. Le manager qui prédisait et jugeait d'un seul tenant va passer moins de temps sur la première tâche et davantage sur la seconde.
Les auteurs en tirent une conséquence d'organisation. La qualité d'un jugement se prête mal à un contrat, si bien qu'ils attendent un recul de la sous-traitance du travail de jugement et une hausse de l'emploi interne. Le jugement tend à rester dans la maison.
Garder l'expérience qui forme le jugement
Le livre pose aussi une question que peu d'équipes se posent. Si la machine traite tous les cas simples, où les juniors apprendront-ils à juger les cas difficiles ? Les auteurs partent de l'accident du vol Air France 447 et en concluent que « l'expérience est une ressource rare ». Une part doit en être allouée aux humains pour éviter leur déqualification. Le même mécanisme touche l'entreprise, où la dépendance à l'IA au travail érode le savoir-faire de ceux qui ne pratiquent plus.
Déléguer une prédiction ne délègue jamais la responsabilité du choix. Une équipe qui confie la prédiction à une machine garde tout le reste de la chaîne, le jugement, l'action et la leçon du résultat.
D'où je parle
Depuis 2012, j'accompagne des équipes, des managers et des CODIR et je pratique la facilitation, dans une carrière commencée en 1998 dont quatorze ans à manager des équipes. Je travaille le sujet de l'IA en organisation depuis fin 2024.
Où s'arrête ce cadre ?
Il s'arrête là où le livre s'arrête dans le temps. L'édition mise à jour a paru en novembre 2022, le mois même où la vague publique des grands modèles de langage démarrait. Ses exemples appartiennent donc à la génération d'outils précédente. Les auteurs l'avaient anticipé dès leur introduction, en écrivant que leurs exemples dateraient mais que leur cadre tiendrait.
Le cadre s'applique bien aux assistants d'aujourd'hui. Un modèle de langage qui rédige une réponse client prédit la suite la plus plausible. Il ne dit pas ce que vaut, pour votre équipe, une réponse trop prudente face à une réponse trop engageante.
Le jugement du livre se chiffre, ce qui fait sa force pour clarifier une décision. Les auteurs notent eux-mêmes que les objectifs ont rarement une seule dimension. Chacun sait pourquoi il fait une chose, écrivent-ils, avec des pondérations à la fois personnelles et subjectives. Le travail d'équipe prolonge leur grille à cet endroit, en faisant dire à voix haute ces pondérations avant de les confier à qui que ce soit. Une équipe qui doit trancher sous forte pression trouvera un complément utile dans ce que demande l'art de décider en contexte dégradé.
Au niveau du comité de direction, la même lecture sert à reconnaître ce que la transformation IA exige d'un dirigeant, à savoir formuler un jugement explicite. Au niveau d'une chaîne de livrables, elle rappelle que vérifier coûte plus cher que produire à l'ère de l'IA.
Questions fréquentes
Une prédiction comble une information manquante, par exemple la probabilité qu'un client parte. Une décision ajoute un jugement sur la valeur des issues puis une action. Pour les auteurs de Prediction Machines, une prédiction n'est qu'un composant de la décision.
En partie. Un jugement répété et observable en série peut être prédit par une machine qui apprend des décisions passées. Elle échoue sur les événements rares, faute de données, ainsi que sur les préférences que l'équipe n'a jamais exprimées.
Non. Tout dépend des enjeux, c'est-à-dire du coût d'une erreur. Une décision à faible enjeu et au jugement simple s'automatise. Une décision à fort enjeu garde un humain, même avec une machine qui se trompe rarement.
La personne qui a mandat pour dire ce que vaut une erreur, nommée à l'avance. Sans elle, un choix de seuil technique tranche la question à sa place. Le Delegation Poker aide à rendre ce partage explicite.
Oui pour le raisonnement, avec prudence pour les exemples. Le livre a paru en novembre 2022, juste avant la diffusion publique des grands modèles de langage. Un modèle génératif prédit un texte plausible et laisse entier le jugement sur ce que vaut ce texte.
Par une seule décision récurrente, démontée en séance. Faites nommer la prédiction, puis écrire ce que coûte chaque erreur, puis désigner qui tient ce jugement. Si la ligne du jugement reste vide, vous savez par où reprendre. Pour mener cet exercice sur votre contexte, réservons un échange de 30 minutes.
Qui juge vraiment dans les décisions de votre équipe ?
Que vous soyez dirigeant, manager ou DRH, un premier échange permet de repérer les décisions où l'IA prédit déjà et celles où personne n'a encore écrit ce que coûte une erreur.
Réserver un échange découverte (30 min)Allez plus loin
- Prediction Machines L'intelligence artificielle comme une baisse du prix de la prédiction, définie comme la capacité à combler une information manquante plutôt qu'à prévoir l'avenir. Voir le livre →
Liens affiliés
