Aller au contenu
Kapari
Comment ça marche
Pour qui
Dirigeants de PME et d'ETI DRH Agences Consultants
Exemples Preuve Sécurité Tarifs Démo English version Se connecter Essayer 30 jours gratuitement
Le banc démonté

Les théories de la décision qui font tourner Kapari

Cinquante ans de recherche disent la même chose : on décide mal, de façon prévisible, et cela se corrige. Voici les sept travaux qui comptent, ce que chacun change pour vous, et ce que Kapari en fait.

iChaque source est citée. Quand Kapari n'applique qu'une partie d'une théorie, c'est écrit.
De quoi on parle

On décide mal, de façon prévisible. Ça se corrige.

Depuis les années 1970, la recherche converge : le jugement humain penche toujours du même côté (on parle de biais) et varie d'un expert à l'autre sur le même dossier (on parle de bruit). La parade n'est pas d'exiger des dirigeants parfaits, c'est d'outiller la façon de décider, en faisant sortir le désaccord avant l'annonce.

C'est ce que fait Kapari : vous décrivez une décision, des voix simulées, construites à partir de données publiques, y réagissent, et vous voyez les objections avant de vous lancer. Sur 100 décisions réelles du passé, il a retrouvé 77 % des objections documentées à l'époque. Voir les résultats.

1 · Kahneman, Lovallo et Sibony, 2019

Vous serez jugé sur votre façon de décider.

Une bonne décision peut mal finir, une mauvaise peut réussir : le hasard brouille la note. La seule règle tenable est de juger la façon dont la décision a été prise : qui a dit le contraire, quelles incertitudes ont été explorées. Ces questions se posent rarement en réunion, parce que contredire coûte cher.

Dans Kapari : à la fin de chaque test, Kapari compte les désaccords de fond et les angles morts, ce qu'aucune voix n'a défendu. Ce sont des comptes faits par le logiciel.

Le détail : Une bonne décision peut mal finir. On juge quoi ?

2 · Kahneman, Sibony et Sunstein, 2021

Une conclusion qui ne dépend pas de l'humeur du jour.

Deux experts sérieux, le même dossier, deux conclusions : c'est le « bruit » du jugement. La parade est connue depuis Meehl (1954) et Dawes (1979) : une règle simple, appliquée avec constance, tient tête à l'expert au cas par cas, parce qu'elle ne se fatigue pas et ne change pas d'humeur.

Dans Kapari : la conclusion sort de règles publiées ; l'IA ne fait qu'écrire ce que disent les voix.

Le détail : La conclusion est calculée, pas écrite par une IA.

3 · Gary Klein, 2007

Quand tout le monde dit oui, cherchez ce qui peut casser.

Le pré-mortem tient en une phrase : « le projet a échoué, racontez pourquoi ». En supposant l'échec acquis, l'équipe ose dire ce que la politesse retenait. Klein l'a publié dans la Harvard Business Review en 2007.

Dans Kapari : quand l'adhésion est trop large, Kapari lance de lui-même ce pré-mortem.

Le détail : Quand tout le monde dit oui, Kapari donne l'alerte.

4 · Kahneman et Klein, 2009

Votre intuition est précieuse, sauf sur les décisions rares.

L'intuition marche là où l'on s'exerce souvent, avec un retour rapide. Elle déraille sur les décisions qu'un dirigeant ne prend qu'une fois dans sa carrière.

Dans Kapari : la règle vaut pour l'outil lui-même. Kapari vous dit quand ne pas lui faire confiance : sujet hors de ses bases documentées, contexte manquant, décision qui n'en est pas une.

Le détail : Notre outil vous dit quand ne pas lui faire confiance.

5 · Kahneman et Lovallo, 1993, puis Flyvbjerg

Votre cas semble unique. D'autres l'ont déjà tenté.

Au lieu de dérouler son propre plan, on compare sa décision aux décisions semblables déjà tentées, et à ce qu'elles sont devenues. Flyvbjerg en a fait la méthode de référence pour les grands projets.

Dans Kapari : un repère chiffré et sourcé replace votre décision parmi ses semblables ; quand aucun repère fiable n'existe, rien n'est affiché.

Le détail : Votre cas est moins unique que vous ne le croyez.

6 · Philip Tetlock, 2005 et 2015

Mieux vaut beaucoup d'angles qu'un seul expert.

Vingt ans de mesures sur les jugements d'experts : ceux qui savent une grande chose se trompent plus que ceux qui en savent beaucoup de petites. Ce qui protège du faux pas, c'est la diversité des points de vue.

Dans Kapari : les voix sont choisies pour couvrir tous les camps : plusieurs dizaines de voix contrastées, selon la décision, plutôt que trois experts d'accord entre eux.

Le détail : Pourquoi des dizaines de voix valent mieux que trois experts.

7 · Argyle et coll., 2023

Des voix simulées crédibles, avec des limites connues.

L'article fondateur montre qu'une IA, nourrie de profils réels, peut reproduire les réponses typiques de groupes humains. Les travaux suivants en mesurent les limites : réponses instables, opinions lissées, écarts selon les groupes.

Dans Kapari : les voix servent à repérer les camps et les objections, jamais à donner un pourcentage d'opinion.

Le détail : Les audiences synthétiques par IA sont-elles fiables ? Et la carte du marché : audiences synthétiques, le guide.

Pour les curieux : les travaux cités
Kahneman, D., Lovallo, D., & Sibony, O. (2019). A Structured Approach to Strategic Decisions. MIT Sloan Management Review, 60(3), 67-73.
Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment.
Meehl, P. E. (1954). Clinical versus Statistical Prediction. University of Minnesota Press.
Dawes, R. M. (1979). The robust beauty of improper linear models in decision making. American Psychologist, 34(7), 571-582.
Grove, W. M., Zald, D. H., Lebow, B. S., Snitz, B. E., & Nelson, C. (2000). Clinical versus mechanical prediction: a meta-analysis. Psychological Assessment, 12(1), 19-30.
Klein, G. (2007). Performing a Project Premortem. Harvard Business Review, 85(9), 18-19.
Kahneman, D., & Klein, G. (2009). Conditions for Intuitive Expertise: A Failure to Disagree. American Psychologist, 64(6), 515-526.
Kahneman, D., & Lovallo, D. (1993). Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking. Management Science, 39(1), 17-31.
Flyvbjerg, B. (2006). From Nobel Prize to Project Management: Getting Risks Right. Project Management Journal, 37(3), 5-15.
Tetlock, P. E. (2005). Expert Political Judgment: How Good Is It? How Can We Know? Princeton University Press.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction.
Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.

Testez votre prochaine annonce.

Essayez la démo sur une décision d'entreprise, sans créer de compte : 60 secondes suffisent pour voir si ça vous parle.