i

Description

La salle des marchés de la Bourse de New York

Source

Carol M. Highsmith · page d’origine

Licence

PD Domaine public

Photo d’origine, non retouchée. L’arrière-plan en est une version stylisée par le site.

L'aversion à la perte

Perdre 100 fait plus mal que gagner 100 ne fait plaisir, et cette asymétrie suffit à bloquer bien des changements pourtant favorables.

En bref

• Quoi : à montant égal, une perte est ressentie plus fortement qu'un gain ; en moyenne, de l'ordre de deux fois plus.
• Pourquoi : on évalue les résultats par rapport à un point de référence (la situation actuelle), et les pertes pèsent plus que les gains au-dessus de ce point.
• Détecter : on liste ce qu'on perd en changeant, jamais ce qu'on perd en ne changeant pas ; les avantages promis doivent être « énormes » pour être pris au sérieux.
• Éviter : chiffrer le coût de l'inaction, reformuler les pertes en gains (et inversement) pour tester la décision, protéger les acquis réellement utiles.

Sur cette page

1. Définition
2. Le mécanisme
3. Où on la rencontre
   1. En conduite de projet
   2. En management
4. Cas célèbres
   1. Les investisseurs qui gardent leurs pertes 1998
   2. Les tasses de Kahneman, Knetsch et Thaler 1990
5. Signaux de détection
6. Réflexes d'évitement
7. Avec l'IA : détecter, remédier, atténuer
   1. Détecter
   2. Remédier
   3. Atténuer
   4. Prompts à intégrer à vos usages
   5. Comment les intégrer
   6. Précautions
8. Limites
9. Sources et vérification
10. Voir aussi
    1. Se combine avec, ou renforce
    2. Biais voisins
    3. Contrepoids et réflexes associés

Définition#

Illustration inspirée de la personne

Illustration fictive

Illustration fictive

L'aversion à la perte (loss aversion) est la tendance à ressentir une perte plus intensément qu'un gain de même taille. Elle est l'un des piliers de la théorie des perspectives (prospect theory) proposée par Daniel Kahneman et Amos Tversky en 1979. Dans cette théorie, on n'évalue pas un résultat dans l'absolu, mais comme un gain ou une perte par rapport à un point de référence, le plus souvent la situation actuelle.

Dans leurs estimations de 1992, Tversky et Kahneman trouvent un coefficient d'aversion à la perte voisin de 2,25 (valeur médiane de leurs participants). Les estimations varient selon les études et les situations ; une synthèse récente de la littérature (Brown et coll., 2024) donne une moyenne proche de 2, avec une forte dispersion.

Elle ne dit pas que les gens ont peur de tout risque : ils évitent plutôt les pertes, et peuvent même devenir preneurs de risque pour éviter une perte certaine (« je tente le tout pour le tout plutôt que d'admettre la perte »).

Le mécanisme#

La théorie des perspectives repose sur trois idées :

• Le point de référence : ce qu'on possède ou ce qu'on attend définit le zéro. Un résultat est un gain ou une perte selon ce zéro, et non selon sa valeur absolue.
• La sensibilité décroissante : passer de 0 à 100 compte plus que passer de 1 000 à 1 100, aussi bien pour les gains que pour les pertes.
• L'asymétrie : la courbe des pertes est plus raide que celle des gains. Perdre 100 « vaut » en moyenne plus que gagner 100.

Quand on change d'outil, de méthode ou d'architecture, les pertes sont concrètes, immédiates et attribuées à celui qui décide (reprise des habitudes, fonctionnalités qui disparaissent, risque d'incident) ; les gains sont futurs, incertains et diffus. La balance penche du côté du statu quo, même si, sur le papier, les gains l'emportent.

Où on la rencontre#

En conduite de projet#

• Migration technique : l'équipe liste ce qu'elle perdra (« la fonctionnalité X n'existera plus à l'identique », « on perd nos scripts ») sans lister ce que coûte de rester sur une plateforme en fin de support.
• Refonte : les utilisateurs refusent la nouvelle interface parce que chaque petite différence est vécue comme une perte, même si l'ensemble est plus simple.
• Changement d'outil : le gain annoncé (« 20 % de temps gagné ») est jugé insuffisant par rapport au risque de perdre l'historique, les habitudes et les raccourcis.
• Retrait d'une fonctionnalité : même rarement utilisée, elle est défendue avec énergie dès qu'on propose de la supprimer (voir l'effet de dotation).
• Négociation avec un client : retirer un élément du périmètre est vécu comme une perte bien plus lourde que de ne pas obtenir un élément nouveau de même valeur.
• Tests et mise en production : on se focalise sur le risque de régression visible (une perte) plutôt que sur le défaut qui restera tant qu'on ne change rien.

En management#

• Réorganisation : chacun compare le nouvel organigramme à sa position actuelle ; les perdants (périmètre, statut, équipe) se manifestent plus fortement que les gagnants. Le chef de projet sous-estime ce rapport de force.
• Rémunération : une prime perdue est ressentie plus durement qu'une prime équivalente gagnée ; supprimer un avantage a un coût de motivation supérieur à sa valeur.
• Délégation et changement de rôle : un manager garde une tâche qu'il maîtrise, de peur de perdre son contrôle sur le résultat.
• Entretien : un objectif présenté comme « éviter de perdre la prime » agit plus que « gagner la même prime », ce qui est un levier mais aussi un risque de pression excessive (voir l'effet de cadrage).

Cas célèbres#

Signaux de détection#

• L'analyse d'un changement ne contient qu'une colonne : ce qu'on perd.
• « Ça marche à peu près, pourquoi changer ? » : le coût de ne pas changer n'est jamais chiffré.
• Les avantages annoncés doivent être « énormes » pour être pris en compte ; les inconvénients, même mineurs, comptent pleinement.
• Une suppression de fonctionnalité provoque des réactions disproportionnées par rapport à son usage réel (statistiques d'usage faibles).
• On garde un composant « parce qu'on ne peut pas le perdre » ou « pour ne pas perdre les acquis ».
• On repousse une décision pour « ne pas prendre de risque », sans regarder le risque de l'inaction (obsolescence, fin de support, départ des compétences).

Réflexes d'évitement#

1. Chiffrer le coût de l'inaction. Pour chaque changement refusé, écrire ce que coûte de rester : support terminé, dette qui grandit, temps perdu chaque semaine, risque de sécurité.
2. Tester le cadrage inverse. Reformuler la décision en gain (« nous gagnons ») puis en perte (« nous perdons ») ; si la conclusion change, le cadrage compte plus que les faits.
3. Se placer au point de départ opposé. « Si nous étions déjà sur la nouvelle solution, accepterions-nous de passer à l'ancienne ? » Ce renversement du point de référence neutralise une partie de l'asymétrie.
4. Distinguer les pertes réelles des pertes ressenties. Pour chaque chose qu'on « perd », se demander : est-elle utilisée ? par qui ? combien de fois par mois ? Garder ce qui sert, assumer le reste.
5. Compenser les pertes visibles. Un plan d'accompagnement (migration des données, équivalent fonctionnel, formation) réduit la perte ressentie, ce qui est plus efficace que de répéter que le gain sera grand.
6. Découper le changement. Des étapes réversibles, avec retour arrière possible, rendent la perte potentielle moins définitive.
7. Regarder l'ensemble des décisions, pas chacune. Sur dix changements raisonnables, en accepter la moitié rapporte plus que de tous les refuser : l'aversion à la perte est plus faible quand on raisonne en portefeuille.

Avec l'IA : détecter, remédier, atténuer#

Prompts à intégrer à vos usages#

1. Analyse symétrique d'un changement. Avant de décider de migrer, de changer d'outil ou de supprimer une fonctionnalité.

Voici la situation : [solution actuelle, changement envisagé, contraintes, calendrier].
Construis un tableau à quatre cases : (1) ce que nous perdons en changeant, (2) ce que nous gagnons en changeant, (3) ce que nous perdons en ne changeant pas, (4) ce que nous gagnons en ne changeant pas.
Pour chaque ligne, indique : l'ordre de grandeur (en jours, euros ou risque), le délai d'apparition et ton niveau de confiance. N'invente aucun chiffre que je ne t'ai pas donné : signale ce qu'il faut mesurer.
Conclus par la décision que tu prendrais si nous partions de la situation actuelle, puis si nous venions de la nouvelle.

2. Vérifier le cadrage inverse. Quand une décision de maintien paraît évidente.

La décision suivante est en discussion : [décision]. Voici l'argumentaire actuel : [texte].
1. Réécris l'argumentaire en cadrant les mêmes faits en <em>gains</em> si le texte parle de pertes, et en <em>pertes</em> s'il parle de gains.
2. Dis si la conclusion tient dans les deux cadrages.
3. Liste les « pertes » citées dans l'argumentaire et, pour chacune, ce qu'il faudrait vérifier (usage réel, fréquence, alternative) pour savoir si elle est avérée.

Comment les intégrer#

• Avant la décision : le prompt 1 produit le tableau à quatre cases ; l'équipe corrige les valeurs avec ses données.
• En réunion : le prompt 2 sert à vérifier que la conclusion ne dépend pas de la façon de présenter.
• Après : on compare la prévision de pertes à ce qui s'est réellement passé, pour étalonner les prochaines décisions.

Précautions#

• Les chiffres produits par l'IA sont des ordres de grandeur sans fondement si vous ne lui avez pas fourni de données : mesurez avant de décider.
• Si vous présentez le changement comme risqué, l'IA développera le risque ; présentez les deux options de façon neutre.
• Elle peut inventer des références ou des « coefficients » : le chiffre de 2,25 vient d'une étude précise et ne s'applique pas tel quel à votre contexte.
• Ne transmettez pas d'informations confidentielles (contrats, effectifs, rémunérations) à un outil non autorisé.

Limites#

• Le coefficient d'environ deux est une moyenne : il varie beaucoup selon les personnes, les montants, les contextes ; pour de petites sommes, certains travaux ne trouvent presque pas d'asymétrie (Gal et Rucker, 2018 ; Yechiam, 2019), alors que d'autres défendent la robustesse du phénomène (Mrkva et coll., 2020 ; Brown et coll., 2024).
• Certains résultats célèbres ont été contestés : l'étude des chauffeurs de taxi new-yorkais (Camerer et coll., 1997), qui verraient dans un revenu quotidien visé une référence, a été remise en cause par d'autres analyses (Farber, 2005).
• Ne pas changer n'est pas toujours une erreur : un changement a des coûts réels de transition, d'apprentissage et de risque, et conserver ce qui fonctionne est souvent raisonnable. Le biais commence quand ces coûts sont sur-pondérés, ou quand le coût de l'inaction n'est pas regardé.
• Aversion à la perte, biais du statu quo et effet de dotation se recouvrent et sont parfois confondus ; l'aversion à la perte est l'un des mécanismes proposés pour les deux autres, mais pas le seul.

Sources et vérification#

• Kahneman & Tversky (1979), « Prospect Theory: An Analysis of Decision under Risk », Econometrica — l'article fondateur.
• Tversky & Kahneman (1992), « Advances in prospect theory: Cumulative representation of uncertainty », Journal of Risk and Uncertainty — coefficient médian de 2,25 et exposant de 0,88.
• Kahneman, Knetsch & Thaler (1990), « Experimental Tests of the Endowment Effect and the Coase Theorem », Journal of Political Economy — l'expérience des tasses.
• Odean (1998), « Are Investors Reluctant to Realize Their Losses? », The Journal of Finance — effet de disposition (14,8 % et 9,8 %).
• Brown, Imai, Vieider & Camerer (2024), « Meta-analysis of Empirical Estimates of Loss Aversion », Journal of Economic Literature
• Gal & Rucker (2018), « The loss of loss aversion: Will it loom larger than its gain? », Journal of Consumer Psychology, 28(3), 497-516.
• Mrkva, Johnson, Gächter & Herrmann (2020), « Moderating loss aversion: Loss aversion has moderators, but reports of its death are greatly exaggerated », Journal of Consumer Psychology, 30(3).
• Camerer, Babcock, Loewenstein & Thaler (1997), « Labor Supply of New York City Cabdrivers: One Day at a Time », The Quarterly Journal of Economics
• Yechiam (2019), « Acceptable losses: The debatable origins of loss aversion », Psychological Research, 83, 1327-1339.
• Farber (2005), « Is tomorrow another day? The labor supply of New York City cabdrivers », Journal of Political Economy, 113(1), 46-82.
• Kahneman (2011), Thinking, Fast and Slow, Farrar, Straus and Giroux — chapitre sur l'aversion à la perte.

Voir aussi#