Noise : résumé du livre de Daniel Kahneman, Olivier Sibony et Cass R. Sunstein, idées clés et critique

Noise de Daniel Kahneman, Olivier Sibony et Cass R. Sunstein s’intéresse à une source d’erreur différente du biais. Un biais produit une déviation systématique dans une direction. Le noise désigne la variabilité indésirable entre des jugements qui devraient être similaires. Deux professionnels examinant le même dossier peuvent parvenir à des conclusions très différentes sans qu’une bonne raison justifie cet écart.Le livre examine le noise dans la justice, la médecine, l’assurance, le recrutement, les prévisions et les décisions d’organisation.

Les auteurs veulent montrer que cette variabilité reste souvent invisible parce que chaque jugement est observé séparément. Elle devient évidente lorsque l’on compare plusieurs jugements sur les mêmes cas.Bias versus NoiseLes auteurs utilisent la métaphore d’une cible. Des tirs regroupés loin du centre montrent un biais. Des tirs dispersés autour du centre montrent du noise. Un système peut souffrir des deux simultanément.Cette distinction est importante parce que les solutions diffèrent.

Corriger un biais demande d’identifier une direction d’erreur. Réduire le noise demande de rendre les jugements plus cohérents entre personnes, moments ou cas comparables.Les auteurs distinguent deux manières différentes pour un système de jugement de se tromper. Le biais correspond à une erreur systématique qui pousse les décisions dans une direction moyenne identifiable. Le bruit correspond à la dispersion des décisions autour de cette moyenne. Un système peut avoir peu de biais tout en restant très incohérent si des cas similaires reçoivent des réponses très différentes.Cette distinction compte parce que corriger uniquement la moyenne ne réduit pas nécessairement l’injustice ou l’imprévisibilité vécue au niveau individuel.

Deux juges peuvent être « corrects en moyenne » tout en donnant des décisions radicalement différentes sur des cas comparables. Le livre cherche donc à rendre visible une source d’erreur qui disparaît souvent lorsque l’on regarde uniquement les moyennes globales.System NoiseLe « system noise » est la variabilité observée dans un système de jugement. Les auteurs le décomposent en plusieurs composantes. Level noise vient des différences générales entre juges : certaines personnes sont plus sévères ou plus optimistes. Pattern noise vient des réactions différentes aux caractéristiques particulières d’un cas.Le pattern noise peut lui-même contenir une composante stable et une composante occasionnelle.

Un juge peut être particulièrement sensible à un type de facteur, tandis que son humeur ou son contexte du jour peut modifier son jugement de manière temporaire.Occasion NoiseLe même individu peut juger différemment un cas selon le moment, la fatigue, la météo, l’ordre des dossiers ou des événements sans rapport. Ce noise occasionnel est difficile à remarquer parce que le cas n’est généralement pas présenté deux fois dans des conditions contrôlées.Les auteurs utilisent cette idée pour montrer que l’expérience subjective de confiance ne garantit pas la stabilité. Une décision peut sembler pleinement justifiée même si une version légèrement différente aurait été prise un autre jour.Noise AuditPour mesurer le problème, le livre propose le noise audit. Plusieurs professionnels évaluent les mêmes cas indépendamment. Les écarts observés montrent la quantité de variabilité que le système produit réellement.Les organisations sont souvent surprises par les résultats parce qu’elles supposent que leurs experts sont beaucoup plus cohérents qu’ils ne le sont.

Mesurer le noise transforme une impression abstraite en problème observable.Prediction versus EvaluationLe livre distingue les jugements prédictifs — prévoir ce qui arrivera — des jugements évaluatifs — décider ce qui mérite une note, une sanction ou une recommandation. Les deux peuvent souffrir de noise.Dans les prédictions, les données et modèles statistiques peuvent souvent apporter une comparaison utile. Dans les évaluations, les valeurs et préférences jouent davantage de rôle, mais cela ne signifie pas que toute variation soit souhaitable.Rules, Algorithms and Mechanical PredictionLes auteurs montrent que des règles ou algorithmes simples peuvent parfois être plus cohérents que des juges humains, même lorsqu’ils utilisent moins d’informations. Leur avantage vient en partie de l’absence de noise occasionnel.Ils ne concluent pas que toute décision doit être automatisée. Une règle peut être mal conçue ou intégrer un biais.

Mais comparer la performance humaine à une procédure cohérente révèle le coût de la variabilité non contrôlée.Decision HygieneLe livre propose la « decision hygiene », un ensemble de pratiques destinées à réduire le noise sans connaître à l’avance la direction exacte de l’erreur. L’idée ressemble à l’hygiène médicale : on adopte des procédures préventives parce qu’elles réduisent plusieurs types de contamination. Parmi ces pratiques figurent la structuration du jugement, la séparation des dimensions, l’indépendance initiale des évaluations et l’utilisation de références comparables.Independent JudgmentsLorsque les membres d’un groupe discutent avant d’avoir formé leur propre estimation, les premières opinions peuvent influencer les suivantes. Les auteurs recommandent souvent de recueillir des jugements indépendants avant la discussion.Cette procédure conserve davantage d’information. Si plusieurs personnes convergent indépendamment, la convergence a une signification différente de celle produite par imitation ou pression sociale.Une manière de réduire certaines formes de bruit consiste à obtenir plusieurs jugements indépendants avant toute discussion.

Lorsque les personnes donnent immédiatement leur opinion dans un groupe, les premières réponses peuvent servir d’ancre et créer une cascade sociale. Les évaluations suivantes deviennent alors moins indépendantes, même si plusieurs personnes participent officiellement à la décision.Recueillir les jugements séparément conserve davantage d’information. Les estimations peuvent ensuite être agrégées ou comparées. Le principe ne garantit pas que la moyenne soit toujours correcte, mais il évite de perdre la diversité des observations avant d’avoir eu l’occasion de l’examiner. La discussion vient après la mesure, pas à la place de celle-ci.Structurer les décisions complexesUne décision globale peut être décomposée en dimensions plus précises.

Dans un recrutement, par exemple, différentes compétences peuvent être évaluées séparément avec des critères définis avant de produire une appréciation générale.Cette séparation réduit l’effet de halo, où une impression générale colore toutes les notes. Elle rend également les désaccords plus diagnostiquables : les juges peuvent être d’accord sur certains aspects et pas sur d’autres.Combiner intuition et structureLes auteurs ne recommandent pas de supprimer totalement l’intuition experte. Ils proposent souvent de la placer au bon moment. Les données et critères structurés peuvent être examinés d’abord ; un jugement global intervient ensuite lorsque les éléments ont été considérés séparément. Cette séquence évite que la première impression organise trop tôt la manière dont toutes les informations suivantes sont interprétées.Rendre la cohérence visibleNoise montre finalement qu’une organisation ne peut pas gérer une variabilité qu’elle ne mesure pas.

Les professionnels peuvent tous être compétents et néanmoins produire un système très incohérent.Le livre ne demande pas que toutes les décisions humaines deviennent identiques. Il demande que les différences soient justifiées par le cas plutôt que par le hasard du juge, du jour ou de l’ordre des informations. Noise audits, indépendance, règles et décision structurée sont des moyens de distinguer diversité légitime et variabilité indésirable.Mediating Assessments ProtocolPour les décisions complexes, les auteurs proposent de décomposer le jugement en dimensions intermédiaires évaluées séparément avant de produire une conclusion globale. Cette séquence réduit la tendance à laisser une première impression contaminer toutes les évaluations suivantes. Chaque dimension reçoit son propre moment d'attention avant l'intégration finale.Le protocole ne cherche pas à éliminer le jugement humain, mais à mieux l'organiser.

Les évaluateurs conservent une capacité d'interprétation tout en étant moins libres de reconstruire chaque cas selon une impression générale. La structure rend aussi les désaccords plus diagnostiquables : on peut voir sur quelle dimension précise les jugements divergent.Pour les décisions complexes, les auteurs proposent de séparer les dimensions importantes au lieu de demander immédiatement une impression globale. Chaque dimension reçoit une évaluation indépendante, idéalement avec une échelle commune et des critères définis à l’avance. Ce n’est qu’après ces évaluations que les décideurs construisent leur jugement final.Cette séquence limite l’effet de halo, dans lequel une première impression positive ou négative colore toutes les dimensions suivantes. Elle permet aussi de voir précisément où les évaluateurs divergent.

La structure n’élimine pas le jugement humain ; elle retarde l’intuition globale jusqu’à ce que davantage d’informations distinctes aient été examinées.Scale disciplineUne source importante de noise vient de l'usage différent d'une même échelle. Deux personnes peuvent partager une appréciation qualitative d'un cas tout en attribuant des notes très différentes parce qu'elles interprètent les niveaux de sévérité de manière distincte. Définir des ancres et comparer à des exemples communs améliore la cohérence.Cette discipline s'applique aux recrutements, évaluations, diagnostics ou décisions de risque. Une échelle bien construite ne rend pas la décision parfaitement objective, mais elle réduit la part de variation qui vient simplement d'habitudes individuelles de notation. Le livre traite cette réduction du bruit comme une amélioration mesurable de la qualité du système.