6 pièges de pensée que presque toute PME a connus.

De quoi il s'agit

Après plus de deux décennies à conseiller des équipes logicielles, des directions marketing et des comités de direction, je vois le même phénomène chaque jour : ce qui fait échouer les projets de digital business, c'est rarement la technologie, et souvent même pas le budget. C'est notre manière de penser. Plus précisément : la façon dont nous nous trompons systématiquement, sans nous en rendre compte. C'est exactement pour cela que chez nous, tout travail de vision et de stratégie commence par un regard honnête sur ses propres schémas de pensée.

Cette observation a surtout été popularisée par le livre de Rolf Dobelli « L'art de penser clairement » — un ouvrage qui décortique 52 biais cognitifs typiques sur deux pages chacun, de manière divertissante. Pour le monde de la transformation numérique dans les PME suisses, on peut en extraire 13 biais cognitifs que je rencontre particulièrement souvent dans la pratique du conseil — et qui peuvent coûter beaucoup d'argent, de temps et de réputation.

« Il est plus difficile de désagréger un préjugé qu'un atome. » — Albert Einstein

Cette série comporte deux parties. La partie 1 — celle que tu lis en ce moment — présente les six classiques que nous connaissons au quotidien et qui nous retombent régulièrement dessus dans les projets logiciels et les stratégies digitales. La partie 2 approfondit sept pièges plus avancés autour des systèmes d'incitation, du biais de résultat, de la rareté, de l'ancrage — et désormais aussi un biais cognitif qui n'est devenu une réalité de masse qu'avec l'arrivée de l'IA générative entre 2023 et 2026.

Pour chaque biais, tu obtiens la même structure pratique :

1. De quoi il s'agit — quel est concrètement le biais ?
2. Pourquoi cela nous arrive-t-il ? — la racine psychologique
3. Exemples tirés de l'économie et de la pratique PME — des cas concrets et modernes
4. Comment l'éviter ? — des contre-stratégies qui fonctionnent en conseil

1. Biais de surconfiance — quand on surestime démesurément ses propres capacités

De quoi il s'agit

Un schéma typique : une direction a derrière elle quelques années réussies, l'application sur le smartphone paraît « au fond faisable », et soudain la phrase « On pourrait faire pareil — et même mieux » ressemble à une stratégie raisonnable. La surconfiance ne nous frappe pas seulement en tant que mandants, mais aussi en tant que cheffes et chefs de projet, développeuses et développeurs, ou designers — surtout dans l'estimation des charges et des délais.

Pourquoi cela nous arrive-t-il ?

Notre cerveau a tendance à masquer la complexité dès qu'un produit paraît simple en surface. À cela s'ajoute le fameux effet Dunning-Kruger : c'est précisément dans les domaines où nous avons peu de véritable expertise que nous nous sentons le plus sûrs. Et dans les estimations de charge, la sensibilité aux incitations vient s'y mêler (voir partie 2) : qui estime au plus juste a, intuitivement, plus de chances de remporter le mandat — même si la réalité se révèle amère par la suite.

Exemples tirés de l'économie et de la pratique PME

• Le pitch « on fera mieux qu'Instagram » : chez AHEAD OF TIME, nous recevons régulièrement la demande « Nous avons cette idée de plateforme sociale, mais mieux que Facebook — combien ça coûterait ? » Ce que la plupart oublient : Facebook a développé au fil des ans des dizaines de millions de lignes de code, et un réseau social vit d'effets de réseau, pas de fonctionnalités. Sans une base d'utilisateurs suffisante, aucune valeur n'émerge.
• Hype IA 2024–2025 : plusieurs entreprises suisses de taille moyenne ont décidé, après quelques démos de ChatGPT, d'entraîner leur propre modèle de fondation pour « devenir indépendantes ». Résultat : des investissements de plusieurs millions qui se diluent entre « produit de jolis brouillons d'e-mails » et « remplace notre processus de vente ».
• Sa propre estimation de charge : nous connaissons toutes et tous le phénomène — nous calculons sur des scénarios optimaux, nous oublions les réserves pour l'imprévu, et nous sommes ensuite surpris qu'un projet prenne 40 % de plus. Ce n'est pas de la négligence, mais une tendance psychologique à ne voir que l'optimum.

Comment l'éviter ?

• Partir du pire scénario plutôt que du meilleur. Statistiquement, les scénarios pessimistes sont souvent les plus justes
• Solliciter la diversité — les personnes estiment différemment. Demande à quelqu'un qui n'est pas dans le tunnel de ton projet d'examiner tes hypothèses, idéalement sans lui montrer d'abord ta propre conclusion
• Expliciter les hypothèses et les tester contre des objectifs mesurables. Les attentes implicites sont à l'origine de beaucoup de conflits
• Prévoir une réserve fixe. Pour les projets logiciels, un tampon de 20 à 30 % pour l'imprévu n'est pas de l'incompétence — c'est du savoir d'expérience
• Socrate le savait déjà : « Je sais que je ne sais rien. » Une dose d'humilité bat même la meilleure méthode

2. Biais des coûts irrécupérables — quand le passé prend le futur en otage

De quoi il s'agit

Tu es coincé dans un projet qui ne veut tout simplement pas fonctionner. Les chiffres ne sont pas là, l'équipe est épuisée, le marché ne réagit pas. Et pourtant tu continues — « parce qu'on a déjà tellement investi ». Tu accordes aux dépenses passées un poids dans tes décisions sur l'avenir qui ne leur revient pas rationnellement.

Pourquoi cela nous arrive-t-il ?

Sortir, c'est avouer s'être trompé avant. C'est cognitivement coûteux et émotionnellement douloureux. Les humains veulent aussi paraître cohérents — à l'extérieur comme à l'intérieur. Abandonner un projet en cours de route ressemble à une rupture de cette cohérence, même si c'est la bonne décision. Mieux vaut une fin avec horreur qu'une horreur sans fin — l'adage capture assez précisément l'essence de ce biais. Que la coupure courageuse en vaille la peine, notre cas art24 le montre, où le passage à une plateforme moderne a mis fin à des années de frictions.

Exemples tirés de l'économie et de la pratique PME

• BlackBerry 10 — le cas d'école : BlackBerry a injecté des centaines de millions dans son propre système d'exploitation BlackBerry 10 sans vouloir lâcher prise, alors qu'Apple iOS et Google Android dominaient depuis longtemps le marché. Une migration plus précoce vers Android aurait probablement épargné à BlackBerry l'insolvabilité. Mais chaque pas en arrière aurait été la confirmation que des années d'investissement avaient été une erreur.
• La plateforme e-commerce qui agace depuis des années : un classique du quotidien des PME. Une boutique en ligne qui pose problème depuis trois ans — problèmes de performance, maintenance cauchemardesque, intégrations manquantes. Une migration vers Shopify ou une plateforme headless moderne coûterait quelques mois de douleur et peut-être 60 000 CHF. Mais elle éviterait cinq années de frictions et de chiffre d'affaires perdu. On reste pourtant — à cause de l'investissement déjà englouti.
• Concorde Fallacy : le Concorde anglo-français a été construit pendant des années alors qu'il était clair qu'il ne serait pas rentable. Le terme « sunk cost fallacy » est souvent utilisé comme synonyme de « Concorde fallacy » dans la littérature — les deux décrivent le même schéma.

Comment l'éviter ?

• Définir des objectifs clairs et mesurables au démarrage — et y rattacher les décisions, pas au montant d'investissement perçu
• Tirer la sonnette d'alarme tôt plutôt que tard. Plus on attend, plus la sortie est coûteuse
• Solliciter des voix neutres. Qui n'est pas émotionnellement investi dans le projet voit plus clair
• Calculer honnêtement les coûts d'opportunité : que pourrait apporter ce budget s'il était investi dans un autre projet ?

3. Biais de confirmation — quand ne compte plus que ce qui appuie sa propre opinion

De quoi il s'agit

Tu as une thèse sur ta cible, ton produit ou les comportements du marché. Et soudain le monde entier semble la confirmer — des études apparaissent, des anecdotes collent, des tendances confirment. En même temps, tu ignores les indices qui parlent contre ta thèse ou tu les classes comme cas particuliers. C'est le biais de confirmation à l'état pur. Une approche customer-first cohérente est un bon antidote ici, car elle t'oblige à penser depuis la clientèle plutôt que depuis ta propre hypothèse.

Pourquoi cela nous arrive-t-il ?

Une conviction existante fait partie de notre image de nous-mêmes. La remettre en question, c'est se remettre soi-même en question. C'est cognitivement épuisant et émotionnellement désagréable. Le cerveau choisit automatiquement la voie commode : ce qui colle est perçu et pondéré ; ce qui ne colle pas est minimisé ou ignoré. Cela devient particulièrement coûteux dans l'optimisation de la conversion, où des données lues de manière sélective peuvent rapidement orienter des budgets de campagne entiers dans la mauvaise direction.

Exemples tirés de l'économie et de la pratique PME

• Le discours public : fascinant à observer — quel que soit le sujet, chaque position trouve sans peine sur le web de quoi se sentir confirmée. Qui est sceptique vis-à-vis d'une technologie trouve immédiatement les voix critiques ; qui est pour, les voix euphoriques. Nous consommons préférentiellement ce qui nous donne raison.
• Le piège des tests logiciels : un cas subtil en ingénierie : les développeuses et développeurs ont tendance à tester que leur code fonctionne — donc des tests positifs. Les tests négatifs, censés révéler des faiblesses, sont moins prisés, parce qu'ils sont perçus comme une « réfutation » de leur propre travail. C'est précisément pour cela que les bonnes équipes d'ingénierie travaillent avec des équipes QA largement indépendantes.
• Distorsion sur la performance d'une application : des responsables marketing ou produit qui ne collectent que les données prouvant le succès de leur stratégie, et qui ne cherchent pas les signaux d'échec ou les classent comme valeurs aberrantes. Les disconfirming evidence — les données qui parlent contre l'hypothèse propre — sont systématiquement filtrées.

Comment l'éviter ?

Albert Einstein avait une recette merveilleusement pragmatique : il investissait délibérément de l'énergie à trouver des preuves contre ses propres thèses — avant que quelqu'un d'autre ne le fasse. Transposé au quotidien d'une PME, cela signifie :

• Fixer les hypothèses avant les données. Avant même un test, définir : « Quelles données me convaincraient du contraire ? »
• Institutionnaliser le rôle d'avocat du diable. Dans les réunions stratégiques, charger à tour de rôle une personne de démonter toutes les hypothèses
• Croiser les sources de données : GA4 contre CRM contre vraies conversations clients. Qui n'utilise qu'une source se confirme la plupart du temps lui-même
• Revues indépendantes pour les décisions importantes — du code review à l'audit de stratégie par des conseillers externes

4. Biais d'autorité — questionner les autorités d'un œil critique, surtout à l'ère de l'IA

De quoi il s'agit

La célèbre expérience de Stanley Milgram de 1961 a montré de manière saisissante à quel point les gens font confiance au jugement d'une instance perçue comme autorité — même contre leur propre conscience. Dans le contexte du digital business, le tableau s'élargit : nous faisons confiance aux leaders d'opinion tech, aux influenceurs du secteur, aux entreprises établies — et désormais aussi aux outils d'IA qui sonnent tout simplement comme compétents.

Ce biais a deux variantes modernes :

1. La classique : confiance aveugle dans les autorités humaines (poids lourds du secteur, conseillers, manuels)
2. La nouvelle : confiance aveugle dans les réponses générées par l'IA, parce qu'elles sonnent assurées, structurées et plausibles

Pourquoi cela nous arrive-t-il ?

La déférence à l'autorité est ancrée évolutivement — les groupes à hiérarchie claire ont mieux survécu. Notre cerveau aime donc prendre des raccourcis mentaux : si une source « a l'air importante », nous nous épargnons notre propre analyse. Avec les outils d'IA, quelque chose de nouveau s'ajoute : le langage lui-même semble faisant autorité. Formulations précises, arguments structurés, références (parfois inventées) — tout cela active les mêmes heuristiques de confiance qu'un bon expert humain. En plus : si nous avons investi des heures dans un prompt ChatGPT, nous voulons que la réponse soit juste. La dissonance cognitive renforce encore notre confiance.

Exemples tirés de l'économie et de la pratique PME

Exemples d'autorités classiques :

• La prophétie de Zuckerberg sur les chatbots en 2016 : à la conférence Facebook F8, Mark Zuckerberg a annoncé que des chatbots intelligents remplaceraient en grande partie les applications natives en quelques années. Résultat : des centaines d'entreprises — aussi en Suisse — ont sauté dans le train, créé des agences de chatbots, mis de côté leurs roadmaps natives. En 2026, on constate : le marché des apps a continué de croître joyeusement, et les chatbots vraiment répandus se comptent sur les doigts. Une seule autorité tech a suffi à fourvoyer toute une branche.
• Hype blockchain et crypto 2017–2022 : un autre classique. Des entreprises suisses de taille moyenne ont bâti des stratégies blockchain autour des déclarations de leaders d'opinion crypto, sans passer ces déclarations au crible critique. Beaucoup de ces stratégies n'ont jamais débouché sur un modèle d'affaires viable.

Exemples modernes d'autorité IA (NOUVEAU 2024–2026) :

• Mata v. Avianca (New York, 2023) : un avocat américain a fait rechercher par ChatGPT des précédents pour un mémoire — et a repris les citations sans vérification devant le tribunal. Problème : l'IA avait inventé les affaires. Sanctions, réputation ruinée, cas d'école international. La faiblesse centrale n'était pas l'hallucination de ChatGPT (nous y revenons en partie 2, biais 13). La faiblesse centrale était de le croire sans vérification — biais d'autorité classique avec un nouvel émetteur.
• Sam Altman, Dario Amodei & co. comme balises : les déclarations des patrons de labos IA (« AGI dans 5 ans », « 50 % du travail intellectuel remplaçable d'ici 2030 ») influencent massivement les décisions de direction dans les PME suisses. Ils ont peut-être raison. Peut-être pas. Jouer de manière critique les deux possibilités est le devoir — pas amplifier l'écho de la voix la plus forte.
• Statistiques ChatGPT dans les présentations stratégiques : « Selon ChatGPT, 73 % des PME suisses utilisent déjà l'IA. » Source : nulle part vérifiable. Et pourtant le chiffre atterrit dans des slides de direction, des conférences, voire des communiqués de presse. Le problème n'est pas l'hallucination de l'IA — le problème est de suivre l'IA sans vérification.
• Développeuses et développeurs juniors faisant pleinement confiance à Copilot/Cursor : un membre junior de l'équipe reprend les suggestions de code de l'IA sans contrôle, sans vraiment comprendre pourquoi telle solution a été choisie. La base de code accumule des bugs subtils que seule une forte culture de revue senior peut intercepter.

Comment l'éviter ?

Pour les autorités classiques :

• Examiner ses propres hypothèses. Cette décision est-elle issue d'une analyse personnelle ou de la confiance en une autorité ? Quelle autorité, et d'où je tiens ma croyance en sa crédibilité ?
• Chercher activement des voix dissidentes. Pour chaque sujet de hype, il existe des sceptiques sérieux — ils sont juste moins bruyants que les enthousiastes
• Diversité dans les organes de décision. Un groupe homogène amplifie le biais d'autorité. Les équipes hétérogènes questionnent bien plus facilement

Spécifiquement pour les outils d'IA (c'est nouveau) :

• Traiter le résultat de l'IA comme un premier jet, pas comme un produit fini. Ce que tu ne peux pas vérifier toi-même ne va pas sans contrôle vers l'extérieur (clientèle, contrats, communiqués de presse)
• Recouper avec des sources primaires chaque statistique, chaque citation, chaque énoncé juridique ou technique
• Pattern de prompt critique : après la première réponse de l'IA, relancer concrètement : « Où pourrais-tu te tromper ? Quelles hypothèses as-tu faites que je devrais vérifier ? Liste tes incertitudes. » Étonnamment souvent, des auto-corrections utiles en sortent
• Établir une règle d'équipe : aucun output IA non compris et vérifié par un humain ne sort vers l'extérieur. La compréhension avant la vitesse
• Cross-check multi-modèles sur les énoncés critiques : la même question à Claude + ChatGPT + Gemini. En cas de divergences significatives, un examen plus poussé en vaut la peine

5. Biais du survivant — quand on ne raconte que l'histoire des gagnants

De quoi il s'agit

Tu lis la prochaine success story d'une startup, d'un produit, d'une application — et tu te dis : « Ça devrait être faisable, regarde comme ils s'en sont sortis. » Ce que tu ne vois pas : les centaines ou milliers de projets qui ont échoué retentissants avec la même idée, le même setup, la même stratégie. Les réussis profitent de la visibilité, les échoués disparaissent silencieusement à l'arrière-plan.

Pourquoi cela nous arrive-t-il ?

Le succès est visible, l'échec est doucement enterré. Médias, LinkedIn, talks de conférence — tout privilégie les histoires des gagnants. Notre perception est optimisée pour le visible, pas pour ce qui disparaît invisiblement. Il en résulte une distorsion systématique : nous surestimons nos propres chances de réussite parce que nous ne voyons que les réussites des autres. Qui planifie au contraire la croissance de manière structurée — par exemple le long d'une matrice de stratégie de croissance — s'oblige aussi à évaluer honnêtement les terrains risqués.

Exemples tirés de l'économie et de la pratique PME

• Rovio et Angry Birds — la vraie histoire : le studio de jeux finlandais Rovio peut donner l'impression d'un succès du jour au lendemain. Ce ne l'était pas. En 2009, Rovio était au bord de la faillite et n'employait plus que 12 personnes. 51 jeux avaient été développés auparavant — aucun n'avait été un succès. Angry Birds était le jeu numéro 52. Les 51 échecs sont aujourd'hui pratiquement inconnus, parce que c'est grâce à Angry Birds que Rovio est devenu la marque dont on se souvient. S'ils avaient abandonné après le jeu 30 ou 40, nous ne saurions pas aujourd'hui que Rovio a jamais existé.
• Le cimetière tech : Nokia, BlackBerry, Microsoft Windows Phone, MySpace, Xing, Google+, Google Stadia, TV 3D, Quibi, Theranos, FTX. Chacune de ces marques a un jour été célébrée comme « the next big thing ». Aujourd'hui, ce sont des cas d'école — quand on s'en souvient encore. Qui s'oriente sur des marques à succès devrait obligatoirement étudier aussi cette liste.
• Hype des startups IA 2023–2026 : quelques succès visibles (OpenAI, Anthropic, Mistral, Lovable) masquent des centaines de startups IA échouées qui ont à peine dépassé la phase de seed. Une PME qui planifie sa « propre stratégie IA » en ne s'orientant que sur les stars survivantes calibre systématiquement ses attentes trop haut.

Comment l'éviter ?

• Étudier aussi le cimetière. Avant tout projet d'envergure, trouver trois échecs comparables sur le même marché et les analyser honnêtement — qu'est-ce qui n'a pas fonctionné là-bas ?
• Calculer sa propre probabilité de succès de manière conservatrice. Si les « succès comparables » sont plus l'exception que la règle, cela doit apparaître dans la planification
• Expliciter les hypothèses qui doivent tenir pour réussir — et vérifier régulièrement qu'elles tiennent toujours
• Jouer le scénario du pire. S'il faut estimer de manière optimiste, mieux vaut doubler la sécurité qu'espérer une seule fois
• Exercice de pre-mortem : jouer en équipe — « Le projet a échoué dans 12 mois. Quelle en a été la cause la plus probable ? » Cela amène des réponses étonnamment réalistes

6. Illusion du corps de nageur — confondre cause et effet

De quoi il s'agit

Tu regardes des nageuses à succès et tu vois cette posture athlétique impressionnante. Conclusion évidente : « Si je nage assez, je vais ressembler à ça aussi. » Ce qui est facile à passer sous silence : cette morphologie était probablement déjà la condition préalable pour que cette personne devienne nageuse professionnelle — pas le résultat de l'entraînement. La cause et l'effet sont inversés.

Pourquoi cela nous arrive-t-il ?

Notre cerveau adore les chaînes causales simples — A mène à B. Les liens plus complexes ou inversés sont cognitivement plus coûteux. À cela s'ajoute : les livres, talks et offres de conseil qui vendent des recettes de succès simples sont bien plus populaires que les analyses honnêtes qui admettent que le succès est multi-causal, souvent dépendant de la chance, et rarement reproductible.

Exemples tirés de l'économie et de la pratique PME

• « En 7 étapes vers le succès » : il existe d'innombrables livres et formations qui prétendent avoir trouvé la recette du succès — « Le principe Google », « Comment pense Apple », « Les 10 habitudes des fondatrices à succès ». Ce que les livres mentionnent rarement : des centaines d'entreprises ont appliqué les mêmes principes et ont quand même échoué. Parce que ce ne sont pas les principes qui ont fait la différence, mais des dizaines d'autres facteurs.
• Waterfall contre Agile — l'éternelle guerre des méthodes : certains produits grandement réussis sont nés en mode strictement waterfall. D'autres tout aussi réussis avec un setup pleinement agile. Qui prétend qu' une méthode est la clé pratique l'illusion du corps de nageur. En réalité, la qualité de l'équipe, le timing du marché et la clarté du problème client contribuent bien plus que le choix de la méthode de projet.
• Histoires de fondatrices et fondateurs de startups 2023–2026 : « Comment nous avons fondé Stripe / Notion / Lovable » — presque chacune de ces histoires est traversée par le biais du survivant et un lissage rétrospectif des étapes d'échec. Les recommandations de lecture sont en ordre — mais pas comme livre de recettes 1:1.

Comment l'éviter ?

• Avant de copier, demander : qu'était la cause, qu'était l'effet ? Les réussis avaient-ils des prérequis que je n'ai pas ? Lesquels ?
• Être critique face aux recettes simples, surtout quand elles sont vendues comme « la » clé du succès. La réalité complexe demande une analyse différenciée
• Le succès, c'est souvent travail acharné plus chance plus timing. Qui a intériorisé cela calcule plus réalistement et est moins vulnérable aux attentes démesurées

Conclusion intermédiaire — partie 1

Ces six biais sont les pièges qui apparaissent le plus souvent dans la pratique du conseil aux PME. Surconfiance, attachement aux coûts irrécupérables, perception sélective, déférence à l'autorité (classique et nouveau côté IA), attrait des histoires des gagnants et confusion entre cause et effet — ils ont tous coûté ces dernières années de l'argent concret à des projets concrets.

La bonne nouvelle : qui les connaît les reconnaît plus tôt. Qui les reconnaît tôt peut contre-piloter.

Ce que ces six ont en commun : ce sont des biais généraux décrits depuis des décennies. Dans biais cognitifs et IA, nous descendons plus profondément dans des pièges plus spécifiques — systèmes d'incitation, biais de résultat, illusion de contrôle, dissonance cognitive, effet d'ancrage, illusion de rareté. Et un biais qui n'est devenu réalité de masse qu'avec l'IA générative entre 2023 et 2026 : les hallucinations des systèmes d'IA et la manière dont les PME les gèrent.

Comment l'appliquer en équipe

Fais un court check de 60 minutes avec ton équipe :

1. Parcourir les six et demander honnêtement : « Lesquels de ces deux nous frappent le plus en ce moment ? »
2. Pour chaque biais priorisé, convenir d'une contre-stratégie concrète pour les quatre prochaines semaines — avec une personne responsable et une date de check-in

Petit et concret bat grand et vague. Qui veut adresser les six en même temps échoue dès le point un. Si tu veux un regard extérieur neutre sur tes processus de décision, nos mandats advisory aident exactement à ce niveau.

L'IA comme outil de réflexion — avec une réserve claire

Les outils d'IA peuvent aider à repérer ses propres biais — à condition que l'équipe sache les utiliser de manière critique. À quoi ressemble une transmission de savoir structurée pour cela, notre mandat de coaching HSO le montre. Applications pratiques en 2026 :

• Pre-mortem avec Claude ou ChatGPT : « Voici mon projet. Imagine qu'il a échoué dans 12 mois. Liste les 10 causes les plus probables, classées par probabilité. » Fait souvent apparaître des points auxquels tu n'aurais pas pensé toi-même
• Recherche de disconfirming evidence : « Voici ma thèse sur [marché / produit]. Quels contre-arguments existent ? Quelles données réfuteraient ma thèse ? »
• Audit de biais : « Quels biais cognitifs pourraient déformer mon point de vue sur [sujet] ? » — l'IA connaît bien le vocabulaire des biais cognitifs et peut pointer avec une précision étonnante

Important : l'IA a ses propres biais. Voir partie 2, biais 4 ci-dessus (biais d'autorité avec l'IA) et biais 13 (hallucinations). L'outil est utile, mais pas neutre.

Q&R — les questions les plus fréquentes

Quel biais touche le plus souvent les PME ? Dans ma pratique de conseil : le biais des coûts irrécupérables couplé au biais de confirmation. Les PME restent trop longtemps avec des outils, des fournisseurs ou des stratégies qui ne conviennent plus — et trouvent en même temps toujours des raisons pour lesquelles les données « collent encore en fait ».

Comment reconnaître que je suis actuellement coincé dans un piège mental ? Sois attentif aux décisions qui se sentent émotionnellement justes mais sont difficiles à justifier rationnellement. Des formulations comme « On a toujours fait comme ça » ou « Maintenant qu'on est arrivés si loin… » sont statistiquement des signaux d'alerte précoces fiables.

Pourquoi une nouvelle édition sur les biais cognitifs maintenant ? Trois raisons : premièrement, les anciens biais se sont renforcés dans le contexte numérique, pas affaiblis. Deuxièmement, les outils d'IA apportent leurs propres nouvelles variantes qui n'existaient pas il y a trois ans. Troisièmement, en conseil en 2026, je vois nettement plus de PME suisses concrètement touchées par ces schémas.

Existe-t-il des outils contre les biais ? Oui — des templates de décision structurés (pre-mortem, matrice de décision, avocat du diable), des tableaux de bord KPI clairs (pas de vanity metrics), du conseil externe comme regard extérieur régulier, et de plus en plus en 2026 aussi des outils d'IA comme partenaires d'échange (avec réserve).

Ce que tu devrais lire ensuite

• Biais cognitifs autour de l'IA, de la stratégie et du marketing — partie 2 sur 13 → les pièges plus avancés, y compris le tout nouveau biais d'hallucination de l'IA
• See-Think-Do-Care : stratégie marketing pour PME → un customer journey structuré comme antidote à la vision en tunnel des canaux

Sources et lectures complémentaires

• Dobelli, R. (2011). Die Kunst des klaren Denkens. Hanser. — Grundlage für die in diesem Beitrag besprochenen sechs klassischen Cognitive Biases.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. — Vertiefung zu System-1- vs. System-2-Denken.
• Milgram, S. (1963). Behavioral Study of Obedience. Journal of Abnormal and Social Psychology, 67(4), 371–378. — Klassisches Experiment zum Authority Bias.
• Tversky, A. & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. — Fundamentale Arbeit zu Cognitive Biases.

Cette liste rassemble les sources principales pour les concepts abordés dans ce billet. Elle n'est pas exhaustive mais sert de point de départ pour approfondir.