

- Description
- Couteau suisse multifonction déplié : lame, ciseaux, lime, tire-bouchon et ouvre-boîte
- Source
- Jonas Bergsten · page d’origine
- Licence
- PD Domaine public
Boîte à outils anti-biais
Savoir qu'un biais existe ne protège presque jamais ; changer la procédure, si. Huit listes à imprimer ou à copier.
En bref
- Huit moments du travail, chacun avec cinq à six gestes concrets.
- Chaque geste renvoie au biais qu'il combat et, le cas échéant, à la méthode détaillée.
- Imprimable : cochez les cases en réunion de lancement, de revue ou de décision.
Sur cette page
- Avant d'estimer
- Avant un go / no-go ou une décision de continuer
- Démonstration, preuve de concept, choix d'un fournisseur
- En comité, en revue de conception, en réunion
- Pour recruter ou évaluer une personne
- Pour concevoir, documenter, choisir un composant
- Pour comprendre le besoin du client
- Après un incident ou un échec
- Avec l'IA
Les fiches expliquent chaque biais ; cette page rassemble ce qu'on fait au bon moment. L'idée est de transformer les réflexes d'évitement en habitudes de procédure : on ne compte pas sur la vigilance de chacun, on change la façon de décider. Les trois méthodes les plus polyvalentes ont leur fiche : le pré-mortem, l'estimation par classe de référence et l'avocat du diable.
Avant d'estimer#
- Écrire sa propre estimation avant d'entendre un chiffre, une enveloppe ou une date souhaitée (ancrage).
- Estimer en fourchette (au mieux, probable, au pire), jamais en point unique (erreur de planification).
- Chercher trois à cinq projets comparables et regarder leurs écarts réels (classe de référence).
- Lister ce qui a retardé les derniers projets et le compter dans le plan (optimisme irréaliste).
- Ne pas corriger l'estimation à la baisse parce qu'on connaît la loi de Hofstadter : prévoir un suivi et des points de réestimation (loi de Hofstadter).
Avant un go / no-go ou une décision de continuer#
- Ne comparer que les coûts et bénéfices à venir : ce qui est déjà dépensé ne reviendra pas (coûts irrécupérables).
- Avoir fixé dès le départ des critères d'arrêt et des jalons de validation (escalade d'engagement).
- Conduire un pré-mortem : « le projet a échoué, pourquoi ? ».
- Faire décider quelqu'un qui n'a pas engagé la dépense ni défendu le projet.
- Se demander : « si nous partions de zéro aujourd'hui, ferions-nous ce choix ? » (statu quo, aversion à la perte).
- Chiffrer le coût de l'inaction au même titre que celui du changement (biais d'omission).
Démonstration, preuve de concept, choix d'un fournisseur#
- Faire choisir les cas de test par un tiers, sans les communiquer à l'avance (pensée désidérative, confirmation).
- Exiger une contre-expertise indépendante avant que le dossier ne monte (autorité).
- Distinguer ce qui a été vu de ce qui a été dit ; demander ce qui ferait échouer la solution.
- Se méfier de la nouveauté pour elle-même : quel problème précis résout-elle (biais pro-innovation) ?
- Confronter l'avis d'un expert à une base de comparaison chiffrée (biais de l'expert).
En comité, en revue de conception, en réunion#
- Recueillir des avis écrits avant la discussion (pensée de groupe, effet d'entraînement).
- Le décideur ou le plus ancien parle en dernier.
- Désigner un avocat du diable et lui donner le temps d'argumenter.
- Nommer une personne responsable de chaque action : « quelqu'un s'en occupera » ne suffit pas (effet spectateur).
- Rendre les contributions individuelles identifiables (paresse sociale).
- Vérifier le consensus : demander à chacun sa position, ne pas supposer l'accord (faux consensus).
Pour recruter ou évaluer une personne#
- Écrire les critères avant de voir les candidats ou les résultats (effet de halo).
- Utiliser un entretien structuré : mêmes questions, notes par critère, avant la discussion (primauté, ressemblance).
- Consigner des faits dans la durée pour ne pas ne retenir que les derniers mois (récence).
- Noter chaque personne par rapport aux critères, pas à celle qui précède (contraste).
- Chercher d'abord l'explication par le contexte avant le trait de caractère (erreur fondamentale d'attribution).
- Croiser deux indicateurs qui se contrarient (effet Goodhart) ; surveiller ses attentes (effet Pygmalion).
Pour concevoir, documenter, choisir un composant#
- Faire relire la documentation par quelqu'un qui découvre le sujet (malédiction du savoir).
- Comparer les options sur des critères fixés à l'avance, y compris les solutions venues de l'extérieur (« pas inventé ici »).
- Faire relire le code ou l'architecture par quelqu'un qui ne l'a pas écrit (effet IKEA).
- Demander : « quelle est la solution la plus simple qui fonctionne ? » (sur-ingénierie).
- Se demander si l'outil maîtrisé est le bon, pas seulement le familier (effet marteau, fixation fonctionnelle).
Pour comprendre le besoin du client#
- Partir du problème avant la solution ; poser des questions ouvertes (confirmation du besoin).
- Observer le travail réel plutôt que se fier à la description qu'on en fait.
- Remettre en cause le périmètre déjà spécifié : tient-il à sa valeur ou à l'effort passé (effet de dotation) ?
- Fixer des objectifs communs de bout en bout, pas seulement par équipe (optimisation locale).
- Traiter l'incertitude explicitement plutôt que de choisir ce qu'on connaît (aversion à l'ambiguïté).
Après un incident ou un échec#
- Reconstituer ce qu'on savait à l'époque, pas ce qu'on sait maintenant (biais rétrospectif).
- Chercher les causes sans chercher de coupable ; ne pas s'attribuer les succès et blâmer les circonstances (auto-complaisance).
- Regarder aussi les échecs silencieux, pas seulement les succès visibles (biais de survie).
- Rapporter l'incident à sa fréquence réelle, pas à sa visibilité (biais de disponibilité).
- Tester les sauvegardes et les reprises avant d'en avoir besoin (biais de normalité).
Avec l'IA#
Chaque fiche contient des prompts prêts à l'emploi pour détecter, remédier ou atténuer un biais. Deux règles pour tous : demander explicitement l'avis contraire (l'IA a tendance à approuver ce qu'on pense déjà), et ne jamais lui confier seule la vérification de son propre travail. La page sur la courbe d'apprentissage de l'IA explique pourquoi.