Cinquante ans de recherche disent la même chose : on décide mal, de façon prévisible. Voici les sept travaux qui comptent, expliqués en langage courant, et pour chacun la fonction précise de Kapari qui l'applique.
La science de la décision est l'étude de la façon dont les personnes et les organisations choisissent, et des erreurs régulières qu'elles commettent en choisissant. Depuis les années 1970, ses résultats convergent : le jugement humain est biaisé (il penche systématiquement du même côté) et bruité (deux experts sérieux, le même dossier, deux conclusions différentes). La parade n'est pas d'exiger des décideurs parfaits : c'est d'outiller le processus, en forçant l'expression du désaccord avant l'annonce.
Kapari est un banc d'essai des décisions : on décrit une décision, un panel de voix simulées ancrées dans des données réelles y réagit, et on voit l'éventail des réactions plausibles avant de se lancer. Les théories ci-dessous ne sont pas un décor académique : chacune correspond à une fonction précise du produit, avec sa source.
Et la différence avec un avis d'expert ou une réponse d'assistant IA tient en un mot : la copie est publiée. Sur 86 décisions réelles rejouées à l'aveugle (43 françaises, 43 américaines), le moteur a retrouvé 77 % des objections réellement documentées à l'époque sur l'examen français et 81 % sur l'examen américain, pire note comprise, dossier téléchargeable sur la page de l'examen.
Une bonne décision peut mal finir, et une mauvaise peut réussir : le hasard brouille la note. Les auteurs en tirent la seule règle tenable : juger la façon dont la décision a été prise. Qui a dit le contraire ? Quelles incertitudes ont été explorées ? Ces questions ne se posent presque jamais en réunion, parce que le désaccord coûte cher socialement.
Ce que Kapari en code : à la fin de chaque passage, le moteur compte les désaccords de fond apparus et les angles morts, ce qu'aucune voix n'a défendu. Des comptages sur les données du panel, pas des phrases écrites par une IA.
Le détail : Une bonne décision peut mal finir. On juge quoi ?
« Noise » documente un fait dérangeant : deux juges sérieux, le même dossier, deux conclusions. 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, précisément parce qu'elle ne fatigue pas et ne change pas d'humeur.
Ce que Kapari en code : le verdict est calculé par des règles publiées, l'IA ne sert qu'à donner leur texture aux voix. Même dossier, même verdict, rejouable devant témoin.
Le détail : Le verdict est calculé, pas généré par une IA.
La méthode tient en une phrase : « le projet a échoué, racontez pourquoi ». En basculant l'équipe dans un échec supposé acquis, on libère les réserves que la politesse retenait. Klein l'a publiée dans la Harvard Business Review en 2007.
Ce que Kapari en code : le pré-mortem se déclenche automatiquement quand l'adhésion du panel est trop large. C'est quand tout le monde dit oui qu'il faut chercher ce qui peut casser.
Le détail : Quand tout le monde dit oui, le moteur donne l'alerte.
Deux adversaires scientifiques ont fini par publier ensemble : l'intuition marche dans les environnements réguliers, où l'on s'exerce avec un retour rapide. Elle déraille sur les décisions rares, celles qu'un dirigeant prend une fois dans sa carrière.
Ce que Kapari en code : la règle s'applique à l'outil lui-même. Kapari dit quand ne pas lui faire confiance : sujet hors de ses cadres documentés, contexte manquant, décision qui n'en est pas une.
Le détail : Notre outil vous dit quand ne pas lui faire confiance.
La « vue de l'extérieur » : au lieu de dérouler son propre plan, on compare sa décision à la classe des décisions semblables déjà tentées, et on regarde ce qu'elles sont devenues. Flyvbjerg en a fait la méthode de référence pour prévoir les grands projets.
Ce que Kapari en code : un repère chiffré sourcé qui replace la décision dans sa classe de référence, et la règle qui va avec : quand aucun repère fiable n'existe, rien n'est affiché.
Le détail : Votre cas est moins unique que vous ne le croyez.
Vingt ans de mesure sur les jugements d'experts : ceux qui savent une grande chose (les hérissons) se trompent plus que ceux qui en savent beaucoup de petites (les renards). Ce qui protège du faux pas n'est pas l'expertise d'un seul, c'est la diversité des angles.
Ce que Kapari en code : le panel est composé pour couvrir les camps, pas pour être gros. Une trentaine de voix contrastées, chacune ancrée dans un profil documenté, plutôt que trois experts d'accord entre eux.
Le détail : Pourquoi trente voix valent mieux que trois experts.
L'article fondateur du domaine montre qu'un modèle de langage, conditionné sur des profils réels, peut émuler des distributions de réponses proches de celles de sous-groupes humains. La littérature qui suit en mesure les limites : instabilité, lissage des opinions, écarts selon les sous-populations.
Ce que Kapari en code : des voix plausibles pour explorer la structure d'une décision, jamais un pourcentage d'opinion. Ni un sondage, ni une prédiction : un éventail de réactions, avec les limites publiées.
Le détail : Les audiences synthétiques par IA sont-elles fiables ? Et pour la vue d'ensemble du marché né de ce papier : audiences synthétiques, la carte du marché.
Chaque page détaillée de la série cite sa source à l'écran et précise ce que Kapari applique du travail d'origine, et ce qu'il n'applique pas.
Kapari compose un panel de voix simulées et en explore les réactions pour vous aider à préparer une annonce. Ce n'est ni un sondage, ni une mesure de l'opinion, ni une prédiction : aucune personne réelle n'est interrogée, et rien ne peut garantir la réaction de vos équipes. Vos salariés et vos clients gardent le dernier mot ; Kapari sert à arriver mieux préparé au moment où vous le leur donnez.
Essayez la démo sur une décision d'entreprise, sans créer de compte : 60 secondes suffisent pour voir si ça vous parle.
Kapari mesure son audience avec Google Analytics, pour savoir combien de personnes lisent ces pages. Rien n'est déposé sur votre appareil tant que vous n'avez pas accepté.