i

Description

Un bombardier B-17 au-dessus de l'Europe

Source

auteur non indiqué · page d’origine

Licence

PD Domaine public

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

Le biais de survie

Les échecs se taisent, disparaissent des statistiques et des conférences ; ce qu'on observe est déjà le résultat d'un tri.

En bref

• Quoi : on étudie uniquement les cas qui ont « passé la sélection » (entreprises encore là, projets livrés, avions revenus) et on en tire des conclusions sur la population entière.
• Pourquoi : les échecs sont invisibles (pas de livre, pas de conférence, pas de ligne dans la base), et les succès sont bruyants. On ne voit pas ce qui manque.
• Détecter : une « bonne pratique » est tirée d'un échantillon de réussites, sans que personne demande combien l'ont aussi appliquée et ont échoué.
• Éviter : se demander qui manque dans les données, chercher les échecs, comparer avec un groupe témoin, et raisonner sur la population de départ.

Sur cette page

1. Définition
2. Le mécanisme
3. Où on le rencontre
   1. En conduite de projet
   2. En management
4. Cas célèbres
   1. Abraham Wald et les bombardiers de la Seconde Guerre mondiale 1943-1945
   2. « Good to Great » : les onze entreprises d'exception 2001-2008
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 fictive

Le biais de survie (survivorship bias) est une erreur de sélection : on tire des conclusions d'un échantillon constitué des seuls cas qui ont « survécu » à un processus de tri, alors que les cas éliminés, eux, ne sont plus visibles. L'échantillon n'est pas représentatif de la population de départ, et ses propriétés sont en partie le résultat du tri lui-même.

La forme la plus connue est la recherche des « facteurs de succès » : on examine les entreprises qui ont réussi, on relève ce qu'elles ont en commun (un fondateur obstiné, une culture, une pratique) et on en déduit que ces traits causent la réussite. Or les entreprises qui ont échoué avaient souvent les mêmes traits, mais personne ne les interroge.

Le mécanisme#

Deux phénomènes se combinent :

• Un filtre réel : le processus lui-même élimine des cas (faillites, abandons de projets, avions abattus, candidats non retenus, produits retirés). Ce qui reste est déjà trié.
• Un filtre de visibilité : on ne raconte et on ne publie que les réussites. Les échecs sont archivés, oubliés ou cachés ; personne ne rédige « comment nous avons appliqué la bonne méthode et échoué ».

Le cerveau, qui travaille avec ce qu'il a sous les yeux, ne signale pas ce qui est absent. Il traite l'échantillon visible comme s'il était la totalité (voir aussi le biais de disponibilité).

Où on le rencontre#

En conduite de projet#

• Benchmarks et études de cas : « les entreprises qui ont adopté telle méthode ont de bons résultats » ; mais combien l'ont adoptée, ont échoué et ne répondent plus aux enquêtes ?
• Retours d'expérience : on analyse les projets terminés, pas ceux qui ont été arrêtés en cours de route ; les causes d'abandon n'apparaissent pas dans les indicateurs de réussite.
• Bonnes pratiques de conférence : les orateurs sont ceux dont l'approche a fonctionné ; les équipes qui ont fait la même chose sans succès ne sont pas invitées.
• Données de production : un tableau de bord qui ne compte que les tickets fermés, les clients qui n'ont pas résilié ou les utilisateurs qui n'ont pas abandonné l'application donne une image trop favorable.
• Bases de code et modules : « ce module tient depuis dix ans, il est solide » ; les modules fragiles ont peut-être déjà été réécrits ou supprimés.

En management#

• Profil des meilleurs : on examine les cadres en poste pour décrire « ce qu'il faut pour réussir », sans regarder ceux qui ont les mêmes traits et sont partis ou ont été écartés.
• Parcours inspirants : les dirigeants célèbres qui ont arrêté leurs études ou pris un risque énorme sont cités ; les nombreux autres qui ont fait pareil et échoué ne sont pas racontés.
• Enquêtes de satisfaction : elles ne touchent que les personnes encore dans l'équipe ; celles qui sont parties à cause du problème n'y répondent pas.
• Évaluation d'un dispositif de formation ou de mentorat : on mesure ceux qui l'ont suivi jusqu'au bout, pas ceux qui l'ont quitté.

Cas célèbres#

Signaux de détection#

• Tous les exemples cités ont réussi, et personne ne cite d'échec avec la même pratique.
• La population de départ n'est pas connue : « combien ont essayé ? » reste sans réponse.
• Les données ne contiennent que des projets terminés, des clients actifs, des tickets fermés.
• Les causes de succès relevées sont très générales (« de la persévérance », « une bonne équipe », « une vision »).
• Les enquêtes ne touchent que ceux qui sont encore là.

Réflexes d'évitement#

1. Demander « qui manque ? » Avant d'interpréter un échantillon : quels cas ont été éliminés, et par quel mécanisme ?
2. Remonter à la population de départ. Combien de projets, d'entreprises ou de candidats au départ ? Quelle proportion de réussites ? Le taux de succès d'une pratique est le nombre de réussites divisé par le nombre de ceux qui l'ont appliquée, et pas seulement le numérateur.
3. Chercher activement les échecs. Interroger les projets abandonnés, les départs, les clients perdus. Une revue de projets arrêtés vaut souvent plus qu'une revue de projets livrés.
4. Comparer avec un groupe témoin. Une pratique qui réussit chez les survivants doit être comparée à la même pratique chez les éliminés.
5. Méfiance envers les causes génériques. Un trait qui se retrouve aussi chez les perdants n'explique pas la victoire.
6. Tenir un registre des échecs. Garder la trace des décisions, des abandons et de leurs raisons, afin que l'information ne disparaisse pas avec les équipes.
7. Distinguer chance et méthode. Demander quelle part du résultat tient à la chance : si beaucoup d'équipes essaient, quelques-unes réussiront par hasard.

Avec l'IA : détecter, remédier, atténuer#

Prompts à intégrer à vos usages#

1. Qui manque dans les données ?. À utiliser avant d'adopter une conclusion tirée d'exemples de réussite.

Voici une conclusion qu'on veut adopter : [conclusion], tirée de ces exemples : [description des cas étudiés et de la façon dont ils ont été choisis].
Réponds aux questions suivantes sans inventer de données : 1) quel mécanisme de sélection a pu éliminer des cas avant l'étude ? 2) qui est absent de l'échantillon ? 3) comment cette absence pourrait-elle fausser la conclusion, dans un sens et dans l'autre ? 4) quelles données faudrait-il collecter pour réintroduire les absents ?

2. Revue d'un retour d'expérience. Pour préparer un retour d'expérience qui ne se limite pas aux succès.

Je prépare un retour d'expérience sur [domaine : projets, migrations, recrutements…]. Aide-moi à définir le périmètre de population complet : les cas réussis, les cas abandonnés, les cas en échec silencieux, les cas non déclarés. Pour chaque catégorie, propose la source de données possible, la personne à interroger et trois questions à poser. Précise ce que je ne pourrai pas mesurer.

3. Taux de réussite d'une pratique. Quand on vous dit « les équipes qui font X réussissent ».

On m'affirme que les équipes qui pratiquent [pratique X] réussissent. Explique-moi comment établir le taux de réussite réel de cette pratique : quelles populations comparer (avec et sans X), quels autres facteurs pourraient expliquer le succès, quelle taille d'échantillon, et comment éviter de ne regarder que les survivants. N'avance aucun chiffre sur la pratique elle-même.

Comment les intégrer#

• Avant d'adopter une pratique : le prompt 1 est lancé sur l'article ou la présentation qui la recommande.
• Retour d'expérience : le prompt 2 construit le plan de collecte, y compris les cas abandonnés.
• Décision d'architecture ou de méthode : le prompt 3 aide à formuler ce que l'on ne sait pas encore.

Précautions#

• Une IA qui énumère « les facteurs de succès des meilleures entreprises » reproduit le biais : ne lui demandez pas de recettes, demandez-lui de vous aider à chercher les absents.
• Les références et les chiffres qu'elle donne peuvent être inventés : vérifiez la source.
• Ne soumettez pas de données de projets ou de départs nominatives à un outil non autorisé.

Limites#

• Étudier les réussites n'est pas inutile : le biais commence quand on conclut à une cause sans comparer avec les cas éliminés.
• Parfois, les échecs sont réellement introuvables : le biais ne peut alors pas être corrigé mais doit être dit dans les conclusions.
• L'histoire des bombardiers est largement diffusée sous une forme simplifiée ; le texte distingue ce qui est documenté (la méthode de Wald) de l'anecdote.
• Les critiques de Good to Great portent sur la méthode et la causalité ; elles ne signifient pas qu'aucune des pratiques décrites n'a de valeur.

Sources et vérification#

• Mangel, M. & Samaniego, F. J. (1984), « Abraham Wald's Work on Aircraft Survivability », Journal of the American Statistical Association, 79(386), p. 259-267, DOI 10.2307/2288257 — la méthode et ses hypothèses.
• Wikipédia (anglais), « Abraham Wald » — biographie et rappel du travail sur la survie des avions.
• Wikipédia (anglais), « Survivorship bias » — vue d'ensemble et exemples.
• Collins, J. (2001), Good to Great: Why Some Companies Make the Leap… and Others Don't, HarperBusiness.
• Rosenzweig, P. (2007), The Halo Effect… and the Eight Other Business Delusions That Deceive Managers, Free Press.
• Kahneman, D. (2011), Thinking, Fast and Slow, Farrar, Straus and Giroux — discussion de la chance dans les succès d'entreprise.

Voir aussi#