Formation Manager à l'ère de l'intelligence artificielle à Genève« La machine s'est trompée » : aversion et appréciation algorithmiques

Une prévision automatisée échoue sur un dossier que tout le monde connaît. Certains responsables veulent alors revenir au jugement humain ; d'autres continuent de privilégier l'outil parce qu'il paraît plus objectif. La recherche documente ces deux réactions, sans établir que l'une domine en toute circonstance. Pour le management, la question n'est pas de susciter une confiance maximale, mais d'examiner sur quelles comparaisons repose la décision de suivre ou d'écarter une recommandation.
1. Ce que la littérature établit
Berkeley J. Dietvorst, Joseph P. Simmons et Cade Massey (2015, Journal of Experimental Psychology: General) étudient le choix entre prévisions humaines et algorithmiques. Dans leurs expériences, voir un algorithme se tromper peut réduire son utilisation, même lorsque sa performance observée dépasse celle du prévisionniste humain. Les participants perdent plus rapidement confiance dans l'algorithme après ses erreurs. Le résultat concerne les tâches et comparaisons étudiées, non une incapacité universelle à accepter une machine imparfaite. Dietvorst, Simmons & Massey, 2015 — Algorithm aversion: People erroneously avoid algorithms after seeing them err
2. La distinction négligée : rejet après erreur et appréciation du conseil
Jennifer M. Logg, Julia A. Minson et Don A. Moore (2019, Organizational Behavior and Human Decision Processes) montrent, dans des expériences d'estimation, que les participants peuvent accorder davantage de poids à un conseil présenté comme algorithmique qu'à un conseil présenté comme humain. Cette appréciation ne contredit pas mécaniquement l'aversion : pondérer un conseil identifié par sa source n'est pas la même situation que choisir un prévisionniste après avoir observé ses erreurs. Les deux articles n'isolent pas ensemble toutes les causes de leurs différences. Logg, Minson & Moore, 2019 — Algorithm appreciation: People prefer algorithmic to human judgment

3. Pourquoi le détail ne protège pas
Un dossier rempli d'indicateurs techniques ne garantit pas une confiance bien calibrée. Une erreur marquante peut occulter la comparaison des performances ; à l'inverse, l'étiquette « algorithmique » peut rendre un conseil séduisant sans prouver sa qualité locale. La question utile porte sur des cas comparables, un critère de qualité explicite et les conséquences des erreurs. Cette lecture pratique ne constitue pas une intervention validée par les deux articles.
4. Les limites des données
Les expériences permettent d'interpréter causalement certaines manipulations dans leurs protocoles, mais pas de prédire le comportement de toute organisation. Elles portent sur des tâches délimitées de prévision ou d'estimation, pas sur l'ensemble des usages de l'IA générative. Le poids accordé à un conseil et le choix d'un prévisionniste sont des mesures différentes. Les études ne déterminent pas non plus si une recommandation est juridiquement admissible, équitable ou suffisamment sûre pour un usage sensible. (nos formations pour cadres et collaborateurs)
5. Des conditions défendables pour la pratique
Une démarche défendable compare l'outil et une référence humaine sur les mêmes cas, distingue les types d'erreurs et documente les raisons de passer outre une recommandation. Une erreur grave peut justifier une suspension même si la performance moyenne paraît favorable. L'objectif n'est donc ni l'adoption systématique ni le rejet après tout échec, mais une décision proportionnée à la qualité et au risque. Ce cadre est une proposition de pratique, non un résultat d'efficacité établi par ces études.
6. Une mise à l'épreuve modeste à Genève
Une équipe à Genève pourrait examiner des dossiers historiques anonymisés, sans effet sur des décisions réelles. Avant de connaître les résultats, elle fixe un critère de qualité et consigne séparément une estimation humaine et celle d'un outil autorisé. Elle compare ensuite les erreurs et note si un cas spectaculaire modifie son jugement sur l'ensemble. Cet exercice descriptif ne mesure pas un effet causal et ne valide pas un déploiement. Il peut être discuté dans la formation SHR pour manager à l'ère de l'IA Pour aller plus loin : découvrez la formation Manager à l'ère de l'intelligence artificielle à Genève dans le canton de Genève, ou parcourez nos formations pour cadres et collaborateurs en Suisse. Formation IA dans le canton de Genève.
En images : Manager à l'ère de l'intelligence artificielle à Genève



- manager à l'ère de l'intelligence artificielle
- Genève
- recherche
- formation genève
Nos formations canton par canton
- GenèveManager à l'ère de l'intelligence artificielle
- VaudManager à l'ère de l'intelligence artificielle
- ZurichManager à l'ère de l'intelligence artificielle
- BerneManager à l'ère de l'intelligence artificielle
- Bâle-VilleManager à l'ère de l'intelligence artificielle
- TessinManager à l'ère de l'intelligence artificielle
- FribourgManager à l'ère de l'intelligence artificielle
- NeuchâtelManager à l'ère de l'intelligence artificielle
- LucerneManager à l'ère de l'intelligence artificielle
- Saint-GallManager à l'ère de l'intelligence artificielle
- ValaisManager à l'ère de l'intelligence artificielle
- JuraManager à l'ère de l'intelligence artificielle
- ZougManager à l'ère de l'intelligence artificielle
