Chiffres, intuition, IA
La psychologie de la décision face au marketing sous pression
Depuis une quinzaine d’années, une chose a profondément changé dans la façon dont les marques prennent leurs décisions.
Quand la situation se complique (croissance en berne, pression sur les marges, objectifs revus à la baisse) la réponse est chiffrée.
On analyse des dashboards.
On regarde les KPIs.
On compare les performances.
On teste, on optimise, on ajuste.
À l’ère du ROI, de la mesure en temps réel et de la performance pilotée par les outils, les chiffres sont devenus le principal refuge décisionnel quand tout va mal.
Ce réflexe est rationnel et il est nécessaire !
Mais est -il efficace ? et quand les chiffres ne disent pas clairement quoi faire, comment décider ?
La psychologie de la décision apporte un éclairage utile sur ce point et nous allons y revenir mais je voulais avant vous démontrer que être “data driven” c’est bien mais pas suffisant.
Un même chiffre, deux décisions opposées
Prenons un exemple volontairement simple, mais très réaliste.
Une marque de cosmétiques existe depuis deux ans.
Elle vend en direct via son site e-commerce.
Son acquisition repose majoritairement sur Meta Ads.
Après plusieurs mois de campagnes, un indicateur ressort : ROAS* = 4
(*retour sur investissement publicitaire)
Autrement dit, pour 1 euro dépensé, la marque génère 4 euros de chiffre d’affaires.
Lecture n°1 : la lecture “performance”
Première réaction, classique :
Le ROAS est bon.
La campagne est rentable.
On a trouvé le bon message, la bonne audience, le bon levier.
Yala, On augmente les budgets.
Sur le papier, tout est cohérent :
le coût d’acquisition est maîtrisé,
le chiffre d’affaires progresse,
la campagne “fonctionne”.
Décision logique : on appuie
Lecture n°2 : la lecture stratégique
dans cette même boîte, quelqu’un décide d’aller plus loin.
En analysant les données plus finement, on observe que :
70 % des conversions proviennent de clientes déjà existantes,
les nouveaux clients acquis ont un panier moyen plus faible,
Autrement dit :
la campagne recrute peu,
elle capte surtout une demande déjà existante,
Le ROAS est bon. oui, en première lecture mais il est bon parce qu’on parle aux mêmes personnes qui nous connaissent déjà.
Un chiffre, deux lectures ?
Les chiffres ne décident jamais
Ce cas ne montre pas que le ROAS est un mauvais indicateur. Il montre quelque chose de plus fondamental : un chiffre ne décide rien à lui seul.
Un chiffre est toujours :
choisi parmi d’autres,
calculé selon une méthode donnée,
observé sur un périmètre précis,
interprété dans un contexte particulier.
Dire que “les chiffres parlent” est une facilité de langage. En réalité, ils sont toujours parlés par quelqu’un.
Et reconnaissons-le : nous avons tous, un jour ou l’autre, valorisé ou minimisé un chiffre pour raconter l’histoire qui nous arrangeait
Mais si on ne peut pas se fier purement aux chiffres, on fait comment ?
Ce que dit la psychologie de la décision
La psychologie cognitive éclaire très bien ce phénomène.
Contrairement à l’idée largement répandue selon laquelle une bonne décision serait le résultat d’un calcul rationnel exhaustif, les travaux du psychologue Gary Klein montrent que, dans les situations complexes, incertaines et sous contrainte, les décideurs expérimentés ne comparent pas des options chiffrées.
Dans son modèle de Recognition-Primed Decision, Klein explique que les experts :
reconnaissent des schémas,
mobilisent leur expérience passée,
identifient rapidement une option plausible,
puis la testent mentalement avant d’agir.
Ce que l’on appelle souvent “intuition” n’est donc ni irrationnel ni magique.
C’est une intuition experte, construite par l’accumulation d’expériences et la reconnaissance de patterns.
Rationalité limitée et décision “suffisamment bonne”
Cette approche rejoint les travaux d’Herbert Simon, prix Nobel d’économie, sur la rationalité limitée.
Simon a montré que les organisations ne prennent jamais des décisions parfaitement optimales.
Elles prennent des décisions satisfaisantes : suffisamment bonnes compte tenu :
des informations disponibles,
du temps,
des contraintes organisationnelles et humaines.
Autrement dit, chercher à faire dire aux chiffres la meilleure décision possible est une illusion. Les données éclairent la décision. Elles ne s’y substituent pas.
Et l’IA dans tout ça ?
la question que je me suis posée (et que j’ai posé à différents LLM) est :
une IA peut-elle faire ce que décrit Gary Klein reconnaître des schémas, mobiliser une expérience passée, proposer une option plausible et la “tester mentalement” avant d’agir ?
La réponse est en deux temps : oui, en partie… non, pas au même sens.
1) Reconnaître des schémas : oui
C’est même la compétence principale des modèles actuels.
Ils apprennent sur de très grands volumes de données.
Ils repèrent des régularités.
Ils généralisent : “dans des cas ressemblants, il se passe souvent X”.
Sur ce point, l’IA peut faire mieux que nous :
plus vite,
sur plus de données,
avec moins de fatigue cognitive.
Mais attention au mot “schéma”. Chez Klein, le schéma n’est pas seulement une régularité statistique. C’est une forme de situation : un contexte typé, avec des enjeux, des contraintes, des acteurs, des signaux faibles.
Ce qui nous amène à la différence essentielle : l’IA reconnait des patterns statistiques et non des patterns situationnels !
Par ailleurs, les modèles d’IA reposent sur une vectorisation sémantique du langage : ils traitent le sens par proximité statistique, pas par nuance située.
Cette approche est très efficace pour reconnaître des régularités, mais elle tend à lisser les différences qualitatives, précisément celles qui, en stratégie, font basculer une décision !
En d’autres mots :
L’IA raisonne par similarité moyenne.
Or, une décision stratégique se joue souvent dans ce qui échappe à la moyenne.
2) Mobiliser une “expérience passée” : oui, mais déshumanisée
Un humain mobilise une expérience vécue :
avec un contexte précis,
une mémoire des conséquences,
une charge émotionnelle,
un coût de l’erreur.
Un expert se souviendra très bien de ce qui s’est passé quand ça a mal tourné. Cette mémoire-là n’est pas neutre : elle structure son jugement.
L’IA, elle, mobilise l’équivalent d’une expérience passée sous forme :
de probabilités apprises,
de régularités,
de corrélations.
Elle peut dire : “dans les données, X est souvent associé à Y”.
Mais elle ne peut pas dire : “j’ai déjà vécu ce type de situation, voici l’erreur qui a failli nous coûter cher”.
l’IA n’a pas de vécu et n’assume aucune conséquence.
3) Proposer une option plausible : oui
Sur ce point, l’IA est très utile.
À partir d’une situation décrite (données + contexte), elle peut :
produire plusieurs options,
générer des hypothèses,
expliciter des compromis,
rappeler des stratégies observées ailleurs.
C’est un gain énorme : elle élargit l’espace des possibles et réduit le coût de la réflexion.
En revanche, elle ne sait pas intrinsèquement ce qui compte.
Elle ne sait pas hiérarchiser :
la cohérence de marque vs la performance court terme,
le risque réputationnel vs le gain immédiat,
la robustesse long terme vs l’optimisation tactique.
Parce que cette hiérarchie relève de la stratégie et non de la statistique.
4) “Tester mentalement” avant d’agir : oui, mais ce n’est pas la même chose
Quand Klein parle de test mental, il ne décrit pas une simulation froide.
Il décrit une projection causale et située :
“si je fais ça, voilà ce qui va se produire”
en tenant compte de contraintes réelles (temps, ressources, politique interne)
et de conséquences assumées (perte, coût humain, réputation, etc.)
L’IA peut simuler des scénarios : “si on augmente les budgets, le ROAS pourrait évoluer ainsi”.
Mais cette simulation est :
dépendante des hypothèses,
dépendante de la qualité des données,
aveugle aux dimensions non mesurées,
et surtout, non responsable.
Elle peut produire un “plan plausible”. Elle ne peut en aucun cas porter la responsabilité de l’action.
Conclusion : l’IA peut aider à décider, mais elle ne remplace pas l’intuition experte
Donc, oui :
l’IA peut reconnaître des patterns,
produire des options,
simuler des scénarios,
challenger une décision.
Mais non :
elle ne possède pas l’intuition experte au sens de Klein,
elle ne hiérarchise pas ce qui compte,
elle n’assume pas le coût de l’erreur,
elle ne décide pas.
La bonne façon de poser le sujet est donc la suivante :
L’IA ne remplace pas la décision.
Elle peut réduire les angles morts d’un décideur.
À condition que quelqu’un garde la responsabilité de trancher et d’en assumer les conséquences.
En conclusion, se raccrocher aux chiffres est sain et même nécessaire.
Mais une marque qui confond pilotage et direction finit par déléguer ses décisions à des indicateurs sans intuition.
La vraie question n’est donc pas de savoir s’il faut écouter les chiffres ou l’intuition ou s’aider de l’IA ou non. Car la réponse est une vérité évidente … un peu de tout mon capitaine !
La vraie question est :
Quels outils IA aident vraiment à décider ? A quoi servent-ils exactement, quels sont leurs limites et comment les intégrer sans perdre notre jugement humain ?
(À suivre.)
Emilie