- Description
- Un halo lumineux en anneau autour du soleil dans un ciel bleu.
- Source
- Joshua Tree National Park (NPS / Emily Hassell) · page d’origine
- Licence
- PD Domaine public
L'effet de halo
Une impression favorable sur un point déteint sur tous les autres, et inversement.
En bref
- Quoi : un trait saillant (aisance, diplôme, réputation) influence le jugement sur des traits sans rapport.
- Pourquoi : le cerveau préfère une image cohérente d'une personne ; il comble les blancs.
- Détecter : notes quasi identiques sur tous les critères, justifications vagues (« bon feeling »).
- Éviter : critères définis avant, notés séparément, évaluateurs indépendants, faits datés.
Définition#
Illustration inspirée de la personneL'effet de halo est la tendance à laisser une impression générale, ou une qualité saillante, influencer le jugement porté sur des caractéristiques distinctes. Un candidat à l'aise à l'oral est jugé aussi plus compétent techniquement ; un ingénieur brillant sur un sujet est supposé bon sur tous.
Le phénomène a été décrit par le psychologue Edward Thorndike en 1920 : des officiers chargés de noter leurs subordonnés attribuaient des notes beaucoup trop corrélées entre des qualités (physique, intelligence, leadership, caractère) qui devraient être indépendantes. Le phénomène inverse, un défaut qui assombrit tout, est parfois appelé effet de corne.
Le mécanisme#
- La cohérence avant l'exactitude. Une personne « bonne sur un point et mauvaise sur un autre » est inconfortable à penser. L'esprit lisse : il rend l'ensemble cohérent.
- Ce que l'on voit est tout ce que l'on sait. Kahneman parle de WYSIATI (what you see is all there is) : on juge sur l'information disponible comme si elle était complète, et on extrapole.
- L'inconscience de l'effet. Nisbett et Wilson (1977) ont fait évaluer le même enseignant, présenté soit chaleureux, soit froid : les participants jugeaient aussi son physique et son accent différemment selon la version, et niaient que sa chaleur ait influencé leurs notes.
Mêmes faits, deux évaluations
Chargement du graphique…
Voir les données
| Évaluation avec halo | Faits observables | |
|---|---|---|
| Technique | 5 | 5 |
| Fiabilité | 4.8 | 2.5 |
| Leadership | 5 | 3 |
| Communication | 5 | 4 |
| Autonomie | 4.7 | 3.5 |
Où on le rencontre#
En management#
- Recrutement : l'aisance en entretien, le prestige d'une école ou d'un employeur précédent déteignent sur l'appréciation de la compétence technique.
- Évaluation annuelle : un succès récent et visible fait remonter toutes les notes ; un incident les fait baisser.
- Promotions : la personne que l'on connaît bien, ou qui s'exprime bien en comité, est jugée « prête » pour des responsabilités différentes de celles qu'elle exerce.
En conduite de projet#
- Choix de prestataires et d'outils : la notoriété de l'éditeur, la qualité de la présentation commerciale ou du site vitrine font présumer d'une qualité de produit ou de support que rien n'a démontrée.
- Revue de code et de conception : une proposition est lue autrement selon qu'elle vient d'une personne réputée excellente ou d'un débutant.
Un rapport impeccable en apparence (mise en page, interactions) donne confiance dans ses chiffres sans que leur justesse ait été contrôlée. Séparez la revue de forme de la revue des chiffres et exigez une réconciliation avec la source avant de juger le reste.
Cas célèbres#
Theranos : le prestige tient lieu de preuve 2003-2022#
Biais en jeu : effet de halo (et autorité, conformisme des investisseurs).
Ce qui s'est passé. Fondée en 2003 par Elizabeth Holmes, étudiante qui a quitté l'université de Stanford, Theranos promettait de réaliser des centaines d'analyses sanguines à partir de quelques gouttes de sang. L'entreprise lève des centaines de millions de dollars et atteint une valorisation de neuf milliards. Autour de la fondatrice : un conseil d'administration prestigieux (d'anciens secrétaires d'État américains comme Henry Kissinger et George Shultz, James Mattis, futur secrétaire à la Défense, le sénateur Bill Frist), des partenariats avec de grandes enseignes de pharmacie, et un personnage médiatique construit à l'image de Steve Jobs, jusqu'au col roulé noir. En octobre 2015, le journaliste John Carreyrou, du Wall Street Journal, révèle que la plupart des tests n'étaient pas réalisés avec l'appareil maison, nommé Edison, mais avec des machines classiques, et que cet appareil pouvait fournir des résultats inexacts. L'entreprise s'effondre ; des poursuites suivent, et Elizabeth Holmes est condamnée en janvier 2022 pour fraude envers des investisseurs (elle est acquittée des chefs relatifs aux patients), puis à 11 ans et 3 mois de prison.
Ce que cela illustre
Presque personne n'avait jugé le critère qui comptait : « la technologie marche-t-elle, vérifiée par un tiers compétent ? ». Le prestige d'un conseil d'administration, qui compte peu d'experts du domaine médical, répondait à une autre question. La parade est celle de la fiche : définir les critères avant de rencontrer la personne et noter chacun séparément. Ici, cela revenait à exiger, avant tout investissement, une validation technique indépendante de la réputation des protagonistes. Ce raisonnement vaut pour le choix d'un éditeur, d'un prestataire ou d'un candidat.
Stavisky et les bons de Bayonne : la respectabilité empruntée (France) 1931-1934#
Biais en jeu : effet de halo (admis, non prouvé) ; la corruption et les protections politiques expliquent une grande part de l'affaire.
Ce qui s'est passé. Alexandre Stavisky, né en 1886, est arrêté en 1926 pour escroquerie ; son affaire est ajournée dix-neuf fois et il recouvre la liberté. Sous le nom de Serge Alexandre, il fonde en 1931 avec l'appui du maire adjoint de Bayonne le Crédit municipal de la ville, qui émet une masse de bons placés auprès de compagnies d'assurances, de banques et de petits épargnants. Le 23 décembre 1933, le directeur de l'établissement est arrêté pour avoir fait circuler des bons frauduleux ; l'enquête établit que plus de 200 millions de francs ont été détournés. Stavisky est retrouvé mortellement blessé le 8 janvier 1934 à Chamonix, mort officiellement qualifiée de suicide, que l'opinion conteste. Le président du Conseil Camille Chautemps démissionne, et l'émeute du 6 février 1934 ébranle la République. Selon Jankowski, des interventions politiques ont bien entravé la justice et la presse financière vivait de ce qu'elle taisait.
Où intervient le biais. Ce qui est documenté, c'est la méthode : Stavisky s'entoure de personnalités recrutées pour leur nom et leur rang plutôt que pour leur compétence, et cultive l'apparence de respectabilité. Ce qui est une lecture, c'est de voir dans la confiance accordée aux bons un effet de halo : le prestige des personnes visibles aurait tenu lieu d'examen de la solvabilité des titres. D'autres explications pèsent davantage : paiements à la presse, protections politiques, intérêts des intermédiaires, que l'historien établit pour partie. Le halo n'éclaire que le comportement de ceux qui ont acheté ou recommandé de bonne foi. Niveau de preuve : admis, non prouvé. La stratégie est établie par un historien, pas le raisonnement de chaque souscripteur.
Ce que cela illustre
Avant de placer des fonds ou de valider un partenaire, évaluez la solidité (garanties, comptes, contrôles) séparément du prestige des personnes qui l'entourent : le nom d'un parrain n'est pas une pièce du dossier.
Signaux de détection#
- Les notes d'une personne sur des critères différents sont presque identiques.
- « C'est quelqu'un d'excellent, il saura forcément le faire. »
- Les justifications sont vagues : « bon feeling », « bon profil », « on voit qu'il est solide ».
- Un jugement négatif sur un point, tiré d'une seule observation, s'étend à tout le reste.
- L'avis de chacun sur un même candidat change selon qui s'est exprimé en premier.
Réflexes d'évitement#
- Définir les critères avant. Listez par écrit, avant de voir qui que ce soit, ce qui compte pour le poste ou la décision, et comment on le reconnaît.
- Noter critère par critère. Évaluez chaque critère séparément, pour tous les candidats, avant de passer au critère suivant. Kahneman a appliqué cette méthode pour réformer les entretiens de l'armée israélienne, avec un gain net de validité.
- Évaluer indépendamment avant de discuter. Chaque évaluateur écrit ses notes seul ; on les compare ensuite. Le premier à parler influence moins le groupe.
- S'appuyer sur des faits datés. « Il a livré ce module dans le délai en mars » vaut mieux que « il est fiable ». Notez les exemples au fil de l'année, pas la veille de l'entretien.
- Masquer ce qui peut l'être. Test technique avant l'entretien, relecture de code sans nom d'auteur, comparaison de réponses à un appel d'offres sans les logos.
- Chercher le halo inverse. Demandez-vous : « Qu'est-ce que j'accepte parce que j'apprécie cette personne ? Qu'est-ce que je rejette parce qu'elle me déplaît ? »
- Calibrer entre évaluateurs. Comparez les notations sur des cas communs pour repérer ceux qui lissent systématiquement.
Avec l'IA : détecter, remédier, atténuer#
L'IA peut aider à structurer et à contrôler une évaluation (critères, faits séparés des impressions, cohérence des notes). Mais les modèles reproduisent eux-mêmes des biais de genre et d'origine dans le tri de candidatures (Wilson et Caliskan, 2024), et le règlement européen sur l'IA classe en haut risque les systèmes utilisés pour recruter ou évaluer des salariés. Elle sert ici d'outil de méthode, jamais de juge.
Détecter#
- Repérer, dans un tableau de notes anonymisé, les profils où tous les critères sont proches (halo probable).
- Signaler, dans un compte rendu d'entretien, les adjectifs sans fait (« solide », « brillant »).
- Séparer, dans des notes, les faits observables des impressions.
Remédier#
- Construire une grille de critères à partir de la fiche de poste, avant de voir un candidat.
- Produire une version anonymisée d'une candidature ou d'un code à relire.
- Rédiger des questions comportementales identiques pour tous les candidats.
Atténuer#
- Rédiger le retour d'évaluation à partir des seuls faits datés, critère par critère.
- Faire relire une évaluation par l'IA pour détecter les formulations qui débordent (« toujours », « jamais »).
- Préparer la calibration entre managers sur des cas communs.
Prompts à intégrer à vos usages#
1. Grille de critères avant de voir les candidats.
Voici la fiche de poste : [texte]. Propose une grille d'évaluation de 5 à 7 critères indépendants les uns des autres.
Pour chaque critère : une définition en une phrase, trois comportements observables qui montrent la maîtrise, trois qui montrent son absence, et une question d'entretien posée à l'identique à tous les candidats.
N'inclus aucun critère fondé sur l'apparence, l'aisance sociale générale, l'âge, le genre ou l'origine.2. Séparer les faits des impressions. Sur des notes anonymisées.
Voici mes notes sur une personne évaluée (nom retiré) : [notes]. Classe chaque phrase dans l'une de ces catégories :
- fait observable et daté ;
- impression ou jugement sans fait à l'appui ;
- inférence (déduction à partir d'un autre trait).
Liste les adjectifs ou jugements qui ne reposent sur aucun fait et propose, pour chacun, la question à me poser pour trouver le fait correspondant.
Ne porte aucun jugement sur la personne.3. Contrôle de cohérence des notes. Sur un tableau sans noms.
Voici un tableau de notes anonymisées (une ligne par personne, une colonne par critère) : [tableau].
Utilise du code pour calculer, par évaluateur : l'écart-type des notes d'une même personne et la corrélation entre critères.
Signale les profils dont les notes sont presque identiques sur tous les critères (halo possible) et les évaluateurs dont les notes sont systématiquement homogènes.
Précise que ce sont des signaux à vérifier, pas des conclusions.4. Retour d'évaluation fondé sur les faits.
À partir des faits datés suivants : [faits, critère par critère], rédige un retour d'évaluation structuré par critère.
Une phrase par fait, sans adjectif de personnalité (pas de « brillant », « fiable », « motivé » sans fait associé).
Termine chaque critère par un point d'amélioration formulé comme un comportement à changer, pas comme un trait.Comment les intégrer#
- Recrutement : prompt 1 avant le tri des candidatures ; la grille est figée avant l'ouverture des dossiers.
- Évaluation : prompt 2 pendant la préparation des entretiens annuels ; prompt 3 par les ressources humaines, sur des données anonymisées, avant la calibration.
- Gardez la décision humaine et traçable : l'IA prépare, l'évaluateur décide et justifie.
Précautions#
- Données personnelles : n'envoyez à un outil d'IA ni noms, ni éléments permettant d'identifier une personne ; anonymisez toujours, et vérifiez que l'outil est autorisé par votre organisation.
- Cadre légal : en Europe, utiliser l'IA pour sélectionner des candidats ou évaluer des salariés relève des systèmes à haut risque (règlement sur l'IA) ; ces usages exigent supervision humaine et information des personnes. Renseignez-vous auprès de votre service juridique ou RH avant d'automatiser quoi que ce soit.
- Biais propres à l'IA : ne lui faites pas classer ni noter des personnes. Servez-vous d'elle pour la méthode (critères, cohérence, formulation).
- Elle approuve volontiers ce que vous pensez déjà (complaisance) : demandez-lui explicitement de contester vos notes.
Limites#
- Certaines qualités sont réellement corrélées : un halo apparent peut parfois refléter une vraie corrélation. Le biais, c'est de la supposer sans la vérifier.
- Des critères trop formels peuvent donner une fausse objectivité : ils réduisent le halo, pas les autres biais (ressemblance, autorité, ancrage).
Sources et vérification#
- Thorndike (1920), « A constant error in psychological ratings », Journal of Applied Psychology — la description d'origine.
- Nisbett & Wilson (1977), « The halo effect: Evidence for unconscious alteration of judgments », Journal of Personality and Social Psychology.
- Schmidt & Hunter (1998), « The validity and utility of selection methods in personnel psychology », Psychological Bulletin — l'avantage des entretiens structurés.
- Kahneman (2011), Thinking, Fast and Slow, chapitres sur la cohérence et sur les entretiens d'embauche.
- Wilson & Caliskan (2024), « Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval » — AAAI/ACM Conference on AI, Ethics, and Society.
- Règlement (UE) 2024/1689 sur l'intelligence artificielle — annexe III : systèmes à haut risque (emploi, gestion des travailleurs).
- Sharma et coll. (2023), « Towards Understanding Sycophancy in Language Models » — la complaisance des modèles de langage.
- Axios (2018), « SEC charges Theranos CEO Elizabeth Holmes with "massive fraud" »
- CNBC (2015), enquête du Wall Street Journal sur la fiabilité des tests
- Wikipédia, « Elizabeth Holmes » — procès, condamnation (janvier 2022) et peine (novembre 2022).
- Carreyrou (2018), Bad Blood: Secrets and Lies in a Silicon Valley Startup — l’enquête du journaliste du Wall Street Journal.
- H-France Review, recension de Paul F. Jankowski, Stavisky: A Confidence Man in the Republic of Virtue (Cornell University Press, 2002) — décrit la respectabilité fabriquée de Stavisky, les ajournements du procès et les interventions politiques.
- Hérodote.net, « 9 janvier 1934 : mort de Stavisky » — chronologie de la mort de Stavisky, de la chute du gouvernement et de l'émeute du 6 février 1934.
Voir aussi#
Se combine avec, ou renforce#
Ces biais se nourrissent l’un l’autre.
Biais voisins#
Des variantes ou des cousins : à ne pas confondre.
- L'effet de corne (halo inversé) (notion ou méthode, sans fiche)
- L'erreur fondamentale d'attribution
Contrepoids et réflexes associés#
Ce qui le neutralise.
- L'entretien structuré (notion ou méthode, sans fiche)
- L'évaluation critère par critère (notion ou méthode, sans fiche)
