Vous savez très probablement qu’une corrélation entre deux phénomènes ne signifie pas que l’un est la cause de l’autre. Un exemple connu est la forte corrélation entre la consommation de chocolat et le nombre de prix Nobel par pays. Pas besoin d’une longue explication pour comprendre que vous n’augmenterez pas vos chances d’être nobélisable en mangeant plus de chocolat…

Et pourtant, l’erreur est extrêmement fréquente. Vous lancez une campagne publicitaire et vos ventes montent ? Vous en conclurez probablement que la publicité a dopé vos ventes. Or un autre facteur peut très bien être intervenu sans que vous en soyez conscient.

À l’heure où les usages de l’intelligence artificielle explosent et où des décisions de plus en plus nombreuses lui sont déléguées, cet article alerte sur la nécessité d’être doublement vigilant sur ce risque. Idéalement, lors de toute étude ou de toute expérimentation, on devrait pouvoir contrôler les résultats grâce à un groupe de contrôle aléatoire, soumis au même environnement mais où seule la variable que vous voulez tester diffère. Si c’est impossible, commencez au moins par étudier les autres causes possibles du changement que vous observez.

S’appuyer sur les données pour décider ? Oui, mais avec vigilance…

----------
Source : Where Data-Driven Decision-Making Can Go Wrong, Michael Luca, Amy C. Edmondson, Harvard Business Review, septembre-octobre 2024.