Biais de survivance : pourquoi les données que vous voyez vous mènent à la mauvaise conclusion

Le biais de survivanceErreur logique consistant à tirer des conclusions de données incomplètes où les échecs ont été supprimés, menant à des hypothèses incorrectes sur les facteurs de succès. (survivorship bias) est l’erreur logique qui consiste à tirer des conclusions d’un ensemble de données incomplet, où les échecs ont été filtrés. On examine les gagnants, on identifie des motifs dans leur comportement, et on conclut que ces motifs ont provoqué la victoire. Le problème, c’est que les perdants, ceux qu’on n’a jamais examinés, auraient peut-être fait exactement les mêmes choses. Abraham Wald a découvert cela en essayant de maintenir vivants les équipages des bombardiers pendant la Seconde Guerre mondiale. Le principe qu’il a mis au jour s’applique à presque tous les domaines où les humains prennent des décisions basées sur des preuves.

Le problème des bombardiers : comment le biais de survivance a reçu son nom

Pendant la Seconde Guerre mondiale, l’armée américaine a soumis un problème à un statisticien nommé Abraham Wald. Les bombardiers alliés qui revenaient de missions au-dessus de l’Europe étaient criblés de balles. L’armée voulait savoir où ajouter du blindage. La réponse évidente était de renforcer les zones qui montraient le plus de dégâts : le fuselage, les ailes, la position du mitrailleur arrière.

Wald a dit le contraire. Les avions qu’on examinait étaient ceux qui avaient survécu. Les trous de balles indiquaient où un bombardier pouvait être endommagé et revenir quand même à la base. Les zones sans dégâts – les moteurs, le cockpit, les systèmes de carburant – c’est là que les bombardiers perdus avaient été touchés. Ces avions n’étaient pas disponibles pour inspection parce qu’ils gisaient au fond de la Manche.

L’armée regardait les survivants et prenait le motif de survie pour une carte de vulnérabilité. L’intuition de Wald était que les données manquantes, les avions qui n’étaient jamais revenus, contenaient la véritable réponse. L’armée a ajouté du blindage aux zones non endommagées. Les pertes de bombardiers ont diminué.

C’est le biais de survivance sous sa forme la plus pure : les données que vous pouvez voir vous conduisent à exactement la mauvaise conclusion parce que les données que vous ne pouvez pas voir sont ce qui compte.

Le biais de survivance dans le conseil en affaires et l’entrepreneuriat

Ouvrez un best-seller de conseil en gestion et vous trouverez une étude des entreprises réussies. L’auteur identifie les traits partagés par les gagnants : un leadership audacieux, une volonté de prendre des risques, une culture distinctive, l’adoption précoce d’une technologie. La leçon implicite est claire. Faites ce que ces entreprises ont fait et vous réussirez.

La méthodologie a une faille suffisamment grande pour y faire passer un bombardier endommagé. Pour que le motif signifie quelque chose, il faudrait aussi étudier les entreprises qui avaient les mêmes traits et qui ont échoué. Si 1 000 entreprises ont pris des risques audacieux et que 10 ont réussi tandis que 990 ont fait faillite, « la prise de risques audacieuse » n’est pas un facteur de succès. C’est un pari où les survivants obtiennent des contrats d’édition et les morts sont oubliés.

Jim Collins dans « Good to Great » a étudié 11 entreprises ayant connu une augmentation soutenue de la performance boursière et a identifié des caractéristiques communes. Une décennie après la publication du livre, plusieurs des entreprises « grandes » avaient déclaré faillite ou avaient été acquises. Circuit City a fait faillite. Fannie Mae a dû recevoir un renflouement gouvernemental pendant la crise financière de 2008. Les traits que Collins a identifiés décrivaient un moment, pas la durabilité. Les entreprises qui ont échoué n’ont pas eu de chapitre expliquant ce qui a mal tourné.

Le biais de survivance rend les conseils de succès plus fiables qu’ils ne le sont réellement. L’entrepreneur qui a abandonné l’université et construit une entreprise d’un milliard de dollars obtient un profil dans Forbes. Les milliers de personnes qui ont abandonné et qui se sont retrouvées endettées n’obtiennent pas de profils. Le motif est réel ; la conclusion qu’on en tire ne l’est pas.

Le biais de survivance en médecine et en recherche

Les essais cliniques peuvent souffrir du biais de survivance quand les patients qui abandonnent une étude sont exclus de l’analyse finale. Si les patients partent parce que le traitement les aggrave, les retirer des données rend le traitement plus efficace qu’il ne l’est vraiment. Cela s’appelle le biais d’attrition, et c’est une forme spécifique du biais de survivance que les chercheurs médicaux sont entraînés à surveiller.

Le biais de publicationTendance des études aux résultats positifs ou statistiquement significatifs à être publiées bien plus souvent que celles aux résultats nuls ou négatifs, faussant ainsi la littérature scientifique visible. en est une autre variante. Les études avec des résultats positifs sont bien plus susceptibles d’être publiées que les études avec des résultats nuls ou négatifs. La littérature publiée, l’ensemble de données disponible pour les médecins prenant des décisions thérapeutiques, surreprésente systématiquement ce qui a fonctionné et sous-représente ce qui ne l’a pas fait. Une analyse de 2017 dans la revue Biochemia Medica a estimé que les études avec des résultats positifs étaient à peu près deux fois plus susceptibles d’être publiées que les études avec des résultats négatifs.

La conséquence est que le désaccord entre experts en médecine est en partie provoqué par un ensemble de données partagé qui est déjà déformé par le biais de survivance avant que quiconque ne commence à l’analyser. Deux chercheurs regardant la même littérature publiée regardent tous deux à travers un filtre qui a déjà supprimé une grande partie des preuves qui pourraient changer leurs conclusions.

Le biais de survivance dans l’histoire

L’histoire est écrite par les survivants, et pas seulement au sens politique. Les artefacts physiques qui survivent au passage du temps ne sont pas un échantillon aléatoire de ce qui existait. Les bâtiments romains antiques encore debout aujourd’hui étaient, par définition, ceux qui ont été construits assez bien pour durer deux millénaires. Conclure que « les Romains construisaient pour durer » à partir d’exemples survivants ignore le nombre inconnu de structures romaines qui se sont effondrées en quelques décennies sans laisser de traces.

La même chose s’applique à la musique, la littérature et l’art. Les gens qui disent que la musique était meilleure dans les années 1970 comparent les chansons les plus mémorables de cette décennie, sélectionnées par cinquante ans de filtrage culturel, à la production entière et non filtrée du moment présent. Les chansons oubliables de 1975 sont oubliées. Les chansons oubliables de 2025 sont toujours dans votre file d’attente de streaming.

Cela crée une illusion persistante que la qualité décline avec le temps. Chaque génération compare son expérience complète du présent, y compris tout ce qui est médiocre, à un passé qui a déjà été édité pour ne garder que les points forts. La conclusion que les normes baissent est souvent un artefact de mesure, pas une tendance réelle.

Comment le biais de survivance interagit avec d’autres erreurs cognitives

Le biais de survivance fonctionne rarement seul. Il se combine avec le biais de confirmationTendance à rechercher, interpréter et mémoriser les informations d'une manière qui confirme vos croyances existantes, en ignorant les preuves contradictoires., la tendance à chercher des informations qui soutiennent ce que vous croyez déjà. Si vous croyez que le travail acharné mène au succès et que vous n’étudiez que les personnes réussies, vous trouverez du travail acharné partout et votre croyance sera confirmée. Les travailleurs acharnés qui ont échoué sont invisibles.

Il interagit aussi avec le raisonnement motivé à contrario, la tendance à rejeter les conclusions qui menacent votre vision du monde. Reconnaître le biais de survivance signifie accepter qu’une grande partie de ce qui passe pour des conseils de succès basés sur les preuves est en réalité de la reconnaissance de motifs sur un ensemble de données incomplet. C’est une conclusion inconfortable pour quiconque a construit une carrière sur un tel conseil, et le malaise est précisément ce que le raisonnement motivé à contrario est conçu pour supprimer.

La combinaison crée une boucle de rétroaction : le biais de survivance fournit les preuves trompeuses, le biais de confirmation garantit que vous les trouvez convaincantes, et le raisonnement motivé à contrario vous empêche de remettre en question tout le dispositif. S’échapper de cette boucle exige de chercher délibérément les échecs, les données qui ont été filtrées, les entreprises qui se sont effondrées, les traitements qui n’ont pas fonctionné, les bâtiments qui se sont effondrés.

Reconnaître le biais de survivance en pratique

Le test est simple. Quand on vous présente un motif dérivé de l’examen des cas réussis, demandez : que s’est-il passé pour les échecs ? Si la réponse est « nous ne les avons pas examinés », le motif est peu fiable. Si la réponse est « il n’y avait pas d’échecs », l’affirmation est presque certainement fausse.

Le biais de survivance est particulièrement dangereux dans les domaines où l’échec est invisible : les entreprises qui ferment silencieusement, les patients qui abandonnent une étude, les manuscrits jamais publiés, les espèces qui se sont éteintes sans être documentées, les idées qui ont été essayées et abandonnées sans que quiconque n’écrive à leur sujet.

L’antidote n’est pas le cynisme. Certains motifs expliquent réellement le succès, et étudier les gagnants peut générer des hypothèses utiles. L’antidote est la rigueur méthodologique : tester le motif contre la population complète, y compris les échecs, avant de conclure qu’il est causal. Wald n’a pas ignoré les bombardiers survivants. Il les a utilisés pour déduire ce qui doit s’être passé pour ceux qui manquaient. C’est le modèle à suivre.

Sources

• Abraham Wald, « A Method of Estimating Plane Vulnerability Based on Damage of Survivors », Statistical Research Group, Columbia University, 1943. Le mémorandum original en temps de guerre présentant l’analyse du biais de survivance des données d’endommagement des bombardiers.
• Mlinariu0107, A., Horvat, M., and u0160upak Smolu010diu0107, V., « Dealing with the positive publication bias: Why you should really publish your negative results », Biochemia Medica, 2017. Analyse du biais de publication et de ses effets sur la littérature médicale.
• Good to Great by Jim Collins (HarperBusiness, 2001). L’étude commerciale référencée ; la performance après publication de ses entreprises présentées est documentée dans plusieurs analyses ultérieures.
• Smaldino, P. E., and McElreath, R., « The natural selection of bad science », Royal Society Open Science, 2016. Analyse de la façon dont les incitations à la publication déforment systématiquement la littérature scientifique par la survivance des résultats positifs.