« C’est la dose qui fait le poison » avertissait Paracelse, l’un des pionniers de la médecine au XVIe siècle. Cette citation, qui fait office de règle simple, permet de comprendre que le sucre n’est pas bon pour votre santé si vous le consommez régulièrement, ou que rester sous une douche bien froide, mais peu de temps, va faire du bien à votre organisme. Car c’est la dose qui fait le mal, pas l’événement en lui même. Cette règle est courte, mais elle dit beaucoup : c’est une heuristique.

Et un courant émerge, fort. Je pense que les règles simples et efficaces appelées heuristiques vont devenir déterminantes dans nos métiers et nos vies. Et si ces heuristiques vont très certainement se répandre dans nos cerveaux, c’est peut-être pour notre bien.

Car le cerveau humain est peut-être mauvais en calcul, mais il évalue souvent bien les situations lorsque l’incertitude prévaut. Pourquoi ? Parce que nous utilisons des heuristiques justement, c’est-à-dire des règles simples, imparfaites mais efficaces, et qui sont rapides et peu gourmandes en calcul. Par exemple, « les 3 règles d’or d’un bon investissement immobilier : l’emplacement, l’emplacement et l’emplacement », est une heuristique rapide et frugale. J’écrirai à propos de leur structure par la suite, mais pour l’heure je vais m’attacher à cette thèse : les heuristiques vont devenir déterminantes dans notre pratique professionnelle. Et ça pourrait être un vrai tournant pour vous et moi.

Je m’explique en vous présentant 4 points clés.

1) Les heuristiques sont efficaces en situation d’incertitude

Saviez-vous qu’il existe une heuristique (basée sur 13 facteurs clés) permettant de « prévoir » le résultat d’une élection américaine ? Vous en doutez ? Voyez les travaux d’Allan Lichtman. Personnellement, je suis tombé de haut… Car les 13 facteurs clés en question ne sont pas basées sur du big data, du deep learning ou de la régression logistique, elles ressemblent plutôt à ce genre de critères : bonne santé de l’économie, absence de scandale majeur, charisme du candidat, etc. Et on répond par oui ou non. Sans rire.

En général, les règles qui sont simples ne suscitent pas forcément l’enthousiasme des partisans de la complexité. Pourtant, une petite étude de la systémique permet de s’apercevoir que les systèmes complexes obéissent très souvent à des règles simples, combinées entre elles (par niveaux hiérarchiques). Pour en savoir plus sur ce dernier point, je vous conseille le livre d’Hervé Zwirn, Les systèmes complexes.

Les règles simples sont donc certainement une clé de l’efficacité d’une prévision, d’une classification ou d’une décision, même (et surtout) dans des systèmes complexes. Elles doivent par contre être robustes (avoir survécu à de nombreux tests) pour ne pas détériorer ces systèmes.

Comme une série d’anecdotes n’est jamais une preuve, je vous invite à lire le prochain point, et le livre qui y est conseillé à la fin : Classification in the wild. Les auteurs citent des études qui appuient cet argument d’efficacité.

2) Les heuristiques sont transparentes

Dans son livre Algorithmes, la bombe à retardement, Cathy O’Neil nous met en garde contre les dérives de certains algorithmes d’évaluation. Car ces algorithmes sont loin d’être transparents : ils sont souvent opaques (black box, pour garder secret le code source) ou pire, incompréhensibles (les variables d’apprentissage avec du deep learning).

Par exemple, vous vous présentez à un très intéressant poste dans une grande entreprise. Vous êtes prêt.e, vous êtes motivé.e et vous êtes compétent.e. Vous avez répondu à tout une batterie de questionnaires, tous des plus étranges… Vous avez même été filmé.e en entretien. Vous rentrez chez vous satisfait.e et confiant.e, puis profitez d’une bonne nuit de sommeil. Et la réponse arrive dès le lendemain : vous êtes refusé.e. Vous êtes dépité.e certes, mais vous remettre en question ne changera rien. Pourquoi ? Car vous ne saurez jamais ce qui « n’allait pas » dans votre profil : c’était en réalité un algorithme de recrutement qui vous a envoyé le verdict. Et cet algorithme sera opaque à votre compréhension. Pour tout le monde dans l’entreprise aussi d’ailleurs.

Oui, mais il est efficace ! C’est ce qu’on entendra le plus souvent. Les voies du machine learning sont impénétrables, mais sa décision est juste. Sauf qu’il y a 3 points qui rendent cet argument caduque :

1. Les algorithmes d’apprentissage automatique utilisent beaucoup de données, qui peuvent comporter des biais. Par exemple, un algorithme de recrutement d’Amazon écartait les candidatures des femmes. Dans un contexte de jugement aux tribunaux, imaginez qu’un algorithme influe sur votre condamnation ou non… Certes, les humains ont également beaucoup de biais, mais au moins avec eux, cela se voit, et il est possible d’y remédier.
2. Il sera au bout d’un moment impossible d’évaluer si oui ou non une décision d’un algorithme est « rationnelle », car les données permettant cette évaluation seront elles-même incompréhensibles. En gros, on se retrouvera avec une tautologie qui affirmera que l’algorithme a raison car c’est un algorithme qui a pris la décision.
3. Enfin, comme nous l’avons vu plus haut, des heuristiques parfaitement claires et transparentes sont d’une efficacité semblable. Donc pourquoi utiliser les systèmes opaques ?

L’efficacité combinée à la transparence est un argument majeur en faveur des heuristiques. C’est le point de vue expliqué dans le livre Classification in the wild, de Katsikopoulos, Simsek, Buckmann et Gigerenzer. Il vient de sortir au moment de l’écriture de cet article, et il semble être une avancée significative vers cette nouvelle orientation.

3) Les heuristiques s’enseignent facilement

On peut facilement transmettre une règle simple. Presque par définition. Mais cela signifie qu’il faut passer du temps à la rendre explicites et trouver un moyen de la transmettre de façon logique (car une heuristique est logique).

Le domaine de l’enseignement et de la formation est vaste et passionnant, j’y reviendrai donc. Ce qui nous intéresse ici, c’est que les heuristiques seront vouées à se répandre lorsqu’on saura les créer et les diffuser de manière rationnelle. Je pense même que ça sera la pierre angulaire des formations professionnelles à venir (comment créer, ajuster, tester et organiser des heuristiques en rapport avec une profession).

4) Les heuristiques sont robustes à l’erreur, quand on est plusieurs

Dans son livre Supercollectif, la nouvelle puissance de nos intelligences, Émile Servan-Schreiber nous présente l’avantage d’avoir de nombreux cerveaux qui travaillent ensemble pour évaluer une situation (ou faire une prévision). Et selon lui, une intelligence collective est optimale lorsqu’elle est face à un système complexe, avec beaucoup de données pertinentes mais floues, analogues ou destructurées. Elle est pertinente également si la situation n’a pas de précédent. Dans ce cas évidemment, l’IA ne s’en sortira pas avec du big data, car il n’y aura pas de data.

Mais il y aura bien de l’information ! Et un cerveau qui utilise quelques heuristiques rapides et frugales pour évaluer une situation peut se combiner à des centaines, voire des milliers d’autres qui font de même (avec d’autres heuristiques ou d’autres informations). Ainsi, le « bruit » humains a tendance à se réduire et une moyenne claire émerge (ou une médiane). Notons ici que la moyenne nécessite un passage par une évaluation quantitative, mais qui peut se faire simplement, rapidement et sans grandes ressources en calcul. L’exemple connu d’intelligence collective est l’estimation étonnamment précise du poids d’un bœuf par un groupe de non-experts, organisé par Francis Galton en 1906. Ce calcul de moyenne, ou de médiane, sera donc également une heuristique. Une méta-heuristique peut-être ?

Pourquoi les heuristiques vont s’imposer dans nos métiers ?

Parce qu’elles sont efficaces en situations d’incertitude, qu’elles sont transparentes et plus éthiques, qu’elles s’enseignent facilement et qu’elles sont robustes quand on utilise l’intelligence collective.

Mais pas seulement. Les heuristiques compléteront parfaitement les algorithmes, qui seront efficaces sur de nombreuses données déjà bien établies, mais qui nécessiteront une interprétation pour les intégrer dans une décision complexe. Cette interprétation sera certainement une heuristique fiable et transparente. Ajoutez à cela le fait que l’interconnexion des activités (et des risques) devient presque exponentielle, et vous obtenez un monde de plus en plus incertain, dans lequel les IA seront sans données organisées à traiter. Les heuristiques seront plus agiles et permettront de gérer cette complexité.

Enfin, elles nécessiteront beaucoup d’intelligence (et seront donc stimulantes professionnellement). Car bien que ces heuristiques soient simples, les trouver, les tester et les enseigner correctement sera une toute autre affaire. Et c’est là qu’une nouvelle compétence recherchée sera peut-être au même niveau que les 4C : Créativité, Esprit Critique, Communication, Coopération… Et pourquoi pas : Cognition Heuristique, ou Cognistique. Les 5C donc.

J’appellerai la personne qui utilisera profondément cette capacité à connecter les concepts aux heuristiques par un nouveau terme : un conceptheur. On pourra également dire une conceptheure (comme une auteure), afin de garder le suffixe heur du mot heuristique.

Mais cette émergence d’une nouvelle compétence professionnelle aura-t-elle bien lieu ? L’avenir nous le dira. Et finalement, mon heuristique en 4 facteurs clés à l’air de nous indiquer que c’est probable… Qu’en pensez-vous ?