





C’est l’un des plus célèbres contes de la psychologie organisationnelle.
Dans les années 1920, des chercheurs observent les comportements de milliers d’ouvrières à l’usine Hawthorne Works, en banlieue de Chicago. En changeant la lumière, les pauses, ou l’encadrement, ils constatent : à chaque fois, la productivité grimpe. Et ce, peu importe si les conditions s’améliorent… ou se détériorent.
On en déduit une théorie séduisante : ce n’est pas le changement qui compte, mais l’attention portée. Le simple fait d’être observé suffirait à améliorer les performances. C’est le début de ce que l’on appellera, des années plus tard, « l’effet Hawthorne ». Ce qui le rend célèbre : sa capacité à réconcilier management et humanité, à transformer la psychologie en outil de performance, à prouver (enfin) que l’humain compte.
Mais il y a un problème. Plusieurs, même…
Dès les années 1930, un homme s’empare des résultats d’Hawthorne : Elton Mayo, professeur à Harvard, pionnier des sciences du travail. Il réinterprète les données, oriente les conclusions, et met en scène un récit puissant : les relations humaines sont plus déterminantes que les conditions matérielles. Son ouvrage de 1945, Social Problems of an Industrial Civilization, pose les bases de ce qu’on appellera la psychologie industrielle. Il écrit notamment :
L’effet Hawthorne devient une vérité institutionnelle.
Le problème, c’est que les données ne montrent pas ça. Elles sont désorganisées, les protocoles changent en cours d’étude, les biais sont omniprésents et l’analyse statistique est bancale.
Mais personne ne s’en soucie. Parce que Mayo, lui, a compris l’essentiel : ce que ces expériences révèlent, ce n’est pas un effet mesurable. C’est une transformation invisible.
En 2022, l’épidémiologiste Hilda Bastian publie un article corrosif dans Scientific American, intitulé The Hawthorne Effect: An Old Scientist's Tale. Elle démonte l’édifice point par point. Son constat est clair : L’effet Hawthorne n’est pas une preuve, c’est un mythe. Elle le qualifie de « conte de scientifiques », transmis d’université en université, rarement sourcé, souvent erroné. Elle explique que l’idée d’un « effet de l’attention » a été recyclée dans des dizaines d’études sans jamais être démontrée de manière rigoureuse.
Et pourtant, on continue à y croire. Pourquoi
Parce que l’intuition de Mayo reste juste. Parce qu’au-delà des chiffres mal rangés, il y a une vérité humaine que la science a du mal à capturer :
Quand on écoute les gens, ils changent. Et nous aussi.
Ce que les recherches à Hawthorne ont déclenché, c’est une révolution silencieuse. Pour la première fois, des ouvrières se voyaient accorder du temps, de l’attention, de la parole. Elles n’étaient plus des opératrices, mais des interlocutrices.
C’est là que réside l’effet Hawthorne réel : dans la transformation des rapports sociaux, plus que dans l’évolution de la productivité. Les chercheuses et chercheurs modernes, dont la psychologue sociale Barbara M. Means ou encore l’économiste Stephen G. Jones, insistent : ce qui importe n’est pas l’observation, mais la relation. Et dans le contexte d’Hawthorne, cette relation était asymétrique, mais nouvelle. Les travailleuses étaient écoutées et, parfois, entendues.
Capsule métho-anthropo : de « oui/non » à « raconte-moi »
À l’origine, les entrevues menées à l’usine Hawthorne (1928–1930) par Elton Mayo et Fritz Roethlisberger étaient simples. Trop simples. Une batterie de questions fermées, réponses brèves, souvent un « oui », parfois un « non ». Rapide, efficace, stérile. Très vite, les chercheurs réalisent que cette mécanique ne révèle rien. Les travailleurs ne parlent pas, ils répondent. Et quand on répond, on se protège. Alors, ils changent de posture. Abandonnent les scripts. Ouvrent les questions. Et ferment leur bouche. Résultat : les réponses deviennent des récits. Les récits deviennent des révélations. Le protocole d'entrevue se transforme en une méthode fondée sur l’écoute libre, sans direction ni interruption:
— The Interview Process – The Human Relations Movement, Harvard Business School, Baker Library, Historical Collections
Nous vivons dans un monde saturé d’outils de mesure, de KPIs, de dashboards. Le moindre comportement peut être tracé, stocké, analysé. On parle de performance, de QVT, d’expérience employé. Mais on écoute encore très mal.
Écouter n’est pas entendre. Ce n’est pas sonder. Ce n’est pas cocher une case. C’est créer une situation de réciprocité émotionnelle. Et dans un contexte où tout s’automatise, l’écoute devient subversive. Elle suppose du temps, de l’attention, du doute. Elle rend visible ce que les outils quantitatifs invisibilisent : les résistances, les ambiguïtés, les aspirations non formulées.
On croyait que l’effet Hawthorne démontrait l’importance de l’observation. En réalité, il démontre l’irréductibilité du lien humain.
Essayons autre chose.
Et si l’effet Hawthorne ne révélait pas la psychologie des ouvriers… mais celle des observateurs
Si ce que l’on appelle "effet" n’était qu’un déplacement du regard : en prenant le temps d’observer, on se transforme. On devient plus attentif, plus nuancé, plus ouvert. Et cette transformation nous rend meilleurs gestionnaires, meilleurs collègues, meilleurs humains.
Ce n’est donc pas l’ouvrière observée qui produit plus. C’est l’observateur devenu plus humain qui produit mieux. C’est ça, peut-être, le vrai legs d’Hawthorne.
L’effet Hawthorne est mal nommé : il ne prouve pas que la surveillance améliore la performance, mais que l’attention transforme les relations. Ce n’est pas l’observation qui agit, c’est la reconnaissance. L’écoute, même imparfaite, suffit à modifier les comportements. Pourtant, le management moderne confond encore voir et entendre, mesurer et comprendre. L’étude d’Hawthorne ne démontre rien scientifiquement, mais elle révèle l’essentiel : les gens changent quand ils se sentent vus. Pas observés — reconnus. Alors, écoutons mieux. Observons avec attention, pas avec soupçon. Et acceptons que l’incertitude fasse partie des outils du travail bien fait.
La quête de la productivité ne date pas d’hier. Au tournant du 20e siècle, des monuments de la recherche en management tels que Fred Taylor et Henri Fayol se penchaient déjà sur la question. Henri Ford a lui-même inventé la recette de la productivité manufacturière, qui a profondément marqué le monde industriel du 20e siècle. Mais une série d’études en particulier, menées par l’équipe d’Elton Mayo, révèle que l’écoute est l’élément clé de la productivité.
Bâtie en 1905, Hawthorne Works, une immense usine située en Illinois, a souvent servi de laboratoire aux scientifiques voulant étudier les comportements des travailleurs. Et avec raison : à son apogée, près de 45 000 employés y travaillaient, ce qui représentait un échantillon très intéressant pour les chercheurs.
Au cours de trois études conduites entre 1924 et 1927, l’équipe de Mayo a tenté d’observer les facteurs qui influençaient la productivité, de la disposition des espaces de travail aux incitatifs monétaires. Mais l’exemple qui a marqué l’imaginaire est celui de l’éclairage. Les chercheurs ont voulu évaluer l’impact de l’augmentation de l’éclairage sur la productivité, et ont constaté que plus ils augmentaient l’éclairage, plus la productivité augmentait! La satisfaction d’avoir découvert un filon intéressant fut cependant de courte durée : lorsqu’ils ont réduit l’éclairage à un niveau normal, ils ont observé la même augmentation de productivité.
Plusieurs études ont depuis révélé que l’effet du changement des conditions de travail, et plus spécifiquement de l’éclairage, ne peut être démontré scientifiquement en raison du trop grand nombre de variables à contrôler. Toutefois, un facteur précis semble avoir eu un effet réel sur la productivité des employés.
Plusieurs chercheurs ayant revisité les études de l’équipe de Mayo ont noté un fait intéressant. Alors que les équipes étudiées travaillaient auparavant sous le contrôle serré de leurs gestionnaires, les chercheurs ont pris le relais pour la durée du projet de recherche. Ces derniers avaient donc comme mandat de dialoguer et d’écouter les besoins des employés. Selon Mayo, « le plus grand changement s’est produit lorsque les responsables de l’étude ont cherché à obtenir la coopération des travailleurs en comprenant leurs besoins humains ».
L’un des plus grands défis que traversent les entreprises est de parvenir à maintenir un haut niveau de productivité avec une demande plus qu’incertaine, des effectifs réduits et les difficultés liées au télétravail. Il n’existe pas de solution miracle, et nous devrons tous développer la capacité de s’adapter à cette nouvelle réalité.
Cependant, une chose est certaine. Les entreprises ne doivent pas tomber dans la « trappe de la disponibilité infinie » : puisque les employés sont théoriquement toujours disponibles, leur agenda se remplit à une vitesse vertigineuse. Impossible de dire que l’on doit être ailleurs, ou que l’on a un autre rendez-vous, simplement parce que nous sommes tous confinés. Il n’y a pas d’échappatoires. Si on laisse cette pression s’accumuler, nous fonçons tous vers le surmenage.
Un employé productif n’est pas un employé qui a un agenda rempli. Un employé productif est un employé qui produit. Point. Et comme le démontrent les expériences réalisées à Hawthorne il y a près de 100 ans, la productivité survient généralement lorsqu’on écoute plus et que l’on demande moins.
L'ethnographie a ses racines dans la discipline anthropologique, où elle a longtemps été utilisée pour comprendre les cultures humaines. Son utilisation dans le marketing du 21e siècle est moins marquée, les marques étant parfois désireuses d'obtenir des résultats rapides et ne voyant pas le retour sur l’investissement (ROI). L’ethnographie implique beaucoup de détails et certains spécialistes du marketing pourraient être découragés.
Mais, nous sommes là pour vous guider !
Dans cette série, nous vous proposons des méthodes d’ethnographie simples et puissantes qui produisent un retour sur l’investissement important dans les organisations.
Les professionnels tels que les avocats, les journalistes et les médecins apprennent à poser des questions dans le cadre de leur formation. Le Harvard Business Review nous apprend que peu d’acteurs en marketing considèrent le questionnement comme une compétence qui peut être perfectionnée. C’est une occasion manquée…
Pourquoi ne pas poser plus de questions
Pensez plus loin !
Comme votre client fait partie d’un contexte beaucoup plus grand que lui, la première étape est de poser des questions, pas juste au client lui-même, mais à vos concurrents et à vos collègues.
Méthodes pour être un expert dans le questionnement :
Au départ, soyez conscient de 2 choses :
Où faire l’entrevue : allez à un endroit où votre interlocuteur est à l’aise et où il vous sera possible d’observer des éléments externes à l’entrevue.
Vous vous dites que vous déplacer est coûteux en temps et en argent Bonne nouvelle, les outils de vidéoconférence sont nombreux et simples d’utilisation, et des études démontrent que des entrevues en ligne sont positives, car elles diminueraient le stress de l’interlocuteur (Eg. Kumar 2020; Fine Abramson 2020; Rahm-Skâgeby 2011).
Mon conseil : ayez constamment un visuel sur votre interlocuteur, vous pourrez lire son langage corporel et vous observerez des choses au-delà des propos de celui-ci.
Un guide d’entrevues, oui ! mais...
En acceptant une entrevue, une personne a des choses à vous dire alors, laissez-la vous guider par ses propos ; vous serez surpris des choses dites que vous n’auriez jamais pensé à discuter avec elle. Bref, ne tombez pas dans le piège de trop suivre votre guide comme un enquêteur.
Vous ne parlez pas à la même personne au début et à la fin de l’entrevue. Vous devez donc rendre votre interlocuteur à l’aise. Pour créer une évolution « naturelle » de la confiance mutuelle entre vous et l’interlocuteur, suivez une logique de questions.
Débutez en posant des questions larges et simples - comme des questions d’expérience, d’opinion, de sentiment. Et finissez par des questions plus précises et qui requièrent de la réflexion - comme des questions de connaissance.
Posez des questions ouvertes et non fermées : personne n'aime se sentir mis sur la sellette- et certains types de questions peuvent forcer les répondants à répondre par oui ou par non, sans espace pour la nuance. Les questions ouvertes peuvent contrecarrer cet effet et peuvent donc être particulièrement utiles pour découvrir des informations ou apprendre quelque chose de nouveau.
Posez des questions naïves.
Remettez tout en question.
C’est ce qu’Albert Einstein a déclaré. Posez des questions que vous pensez déjà connaître. En fait, testez vos connaissances !
Les silences sont importants et soyez un bon auditeur. Déjà, en 1936, Dale Carnegie dans son classique How to Win Friends and Influence People, argumentait que les silences seraient bien vus, car ils démontreraient une bonne qualité d'écoute.
Avez-vous déjà entendu le mot « objectivité » Le fait de ne jamais juger et de rester 100% indépendant de vos pensées
Et bien, laissez-moi vous confier un secret d’ethnographe : cela n’existe pas. Nous pouvons avoir des degrés d’objectivité différents, mais l’objectivité complète n’est pas possible. Alors, soyez conscient de vos propres jugements avant, durant et après l’entrevue.
On entend souvent les experts nous parler de «la corrélation entre ceci et cela ». Souvent, cette simple phrase me déclenche un sourire. Tyler Vigen un étudiant à la prestigieuse Harvard Law School a une passion plus douteuse encore : collectionner les corrélations foireuses, compilées dans un site web hilarant (mais vrai), Spurious Correlations❶. On y apprend qu'il existe une corrélation quasi parfaite entre les dépenses en science, aérospatiale et technologie aux É-U et... les suicides par pendaison, strangulation ou suffocation. Comme il existe une corrélation entre le nombre de gens noyés en tombant dans leur piscine et... le nombre de films où Nicolas Cage a joué. Aussi, le nombre de personnes décédées en s'étouffant dans leurs draps de lit (600 par année aux États-Unis...) est lié à la consommation de fromage par personne. Comme le taux de divorce dans le Maine est totalement corrélé à la consommation de margarine par personne, et l'âge de Miss America est lié au nombre de meurtres par vapeur ou objets brûlants. C'est mesuré, prouvé, démontré, officiel.
Tout cela serait hilarant si on n'entendait pas aussi souvent d'autres corrélations aussi fallacieuses à longueur de journée, à longueur de déclaration politique, à longueur de nouvelles. C'est simplement que la corrélation N'EST PAS la causalité. Deux phénomènes peuvent être corrélés sans qu'il n'y ait de rapport entre les deux. Profitons-en pour éclairer le vocabulaire des liens entre les événements. Après la corrélation et la causalité, nous explorerons le vocabulaire du hasard, ou coïncidences, coups du sort et sérendipité. Tout ce vocabulaire peuple les déclarations, mais aussi les recommandations stratégiques ou les plans d'action, et il méritait un peu de ménage... Voyons, voir!
La corrélation est une mesure statistique qui détermine la relation entre deux variables (ou plus). Elle indique comment ces variables évoluent ensemble. Une corrélation positive signifie que les variables augmentent ou diminuent simultanément. Et c'est tout. On ne fait qu'observer que les deux variables se suivent... ou pas.
La corrélation est donc une mesure statistique qui détermine la relation entre deux variables, tandis que la causalité est un lien qui affirme qu'une variable agit sur une autre et il est fréquent qu'on observe une confusion entre ces termes. Par exemple, l'effet cigogne illustre bien le problème : il existe une corrélation entre le volume de nids de cigogne et le volume de naissances humaines, mais cela ne signifie pas que les cigognes apportent les bébés. En réalité, les deux phénomènes partagent une cause commune : les cigognes nichent en milieu rural, où les naissances sont plus importantes.
La causalité est la relation qui s'établit entre une cause et son effet, le lien qui les unit. En science, en philosophie et dans le langage courant, la causalité désigne la relation de cause à effet. La cause est ce qui produit quelque chose, ce qui en est à l'origine, tandis que l'effet est ce qui en est la conséquence. Si on compare le nombre d'armes à feu aux É-U et le nombre de victimes de meurtre par arme à feu... il y a une corrélation ET une causalité. Mais ce n'est pas toujours le cas, comme nous l'avons vu plus haut.
Techniquement, la coïncidence est une rencontre fortuite de circonstances ou d'événements qui se produisent en même temps sans lien de causalité apparent. Il existe plusieurs exemples de coïncidences célèbres❷.
Parfois, ces coïncidences nous paraîssent surprenantes, intrigantes. Tellement qu'on y voit l'oeuvre d'un esprit supérieur, d'une main mystérieuse qui serait «aux commandes». C'est ce que j'appelle les coups du sort.
Le coup du sort est un hasard «louche», plus fort que le hasard normal, comme si c'était possible. C'est le clin d'œil du destin poussé à son paroxysme. Par exemple :
Les exemples sont nombreux et toujours très impressionnants. Mais parfois, le sort peut vous jouer un tour... pour le mieux.
C'est le nom que notre époque a donné au hasard quand il fait bien les choses... alors que vous étiez en train de faire autre chose. Encore une fois, les exemples sont nombreux. La sérendipité est définie comme la capacité de faire une découverte inattendue, souvent scientifique, par hasard et par sagacité, alors que l'on cherchait autre chose. C'est aussi le nom que l'on donne à l'état d'esprit du chercheur capable de se rendre compte qu'il fait une découverte dans des circonstances inattendues. Il existe des centaines de cas connus. La pénicilline, le four à micro-ondes, le velcro, l'insuline, le teflon, le post-it, le Viagra, l'aspartame, la radiographie, le GPS, la radioactivité, le LSD... toutes ces découvertes et inventions n'ont été que des accidents, alors que leurs inventeurs cherchaient autre chose... on pourrait dire «par hasard alors qu'ils cherchaient autre chose». On est loin de l'accident, car ces découvertes et inventions nécessitent également une observation attentive et une pensée critique pour comprendre leur importance.
Chez nous, c’est un combat quotidien. Quand on crée des profils (ce qu’on appelle profils, pas personas, voir l’article « Le piège des personas »), on est constamment exposés à la tentation de la corrélation. On le sait, c’est sournois. Et dangereux.
On pourrait croire que les jeunes sont désintéressés par un sujet. Ou que les retraités ont forcément plus de temps pour s’impliquer. Ou encore que les femmes sont plus empathiques et donc plus proches des enjeux RH. Ces idées-là sont confortables. Elles permettent de faire des jolis tableaux. Mais elles sont FAUSSES.
La réalité du terrain nous a appris que les comportements ne suivent pas les lignes des tableurs Excel. Des retraités déconnectés du monde municipal, on en a vu. Des jeunes passionnés par leur ville, aussi. L'âge, le genre, le niveau d'études, les revenus… tout ça peut influencer, mais ne détermine pas.
Et c’est là que notre méthode prends tout sont sens:
Parce que les données, seules, mentent souvent par omission. Elles ont besoin de contexte. D'interprétation. D’intelligence humaine.
Et parfois, il n’y a pas de cause. Juste une coïncidence. Et c’est très bien ainsi.
L'expérience de pensée est une puissante étape précédant la validation par les faits.
Elle permet de sonder l'inconnu, de tester des hypothèses de façon intuitive, avant même de se tourner vers des instruments ou des protocoles d'expérimentation. Explorons ensemble comment des penseurs comme Albert Einstein, Gaston Bachelard, ou Johannes Kepler ont déployé des expériences de pensée pour remodeler notre compréhension du monde.
Albert Einstein est sans doute l'exemple le plus célèbre d'un scientifique qui a fait de l'expérience de pensée son terrain de prédilection. Avant même de parler d'équations et de preuves empiriques, Einstein s'est plongé dans l'imaginaire en se posant une question simple : "Que verrais-je si je voyageais sur un rayon de lumière ". Cette question est au cœur de sa théorie de la relativité restreinte. En imaginant une telle situation, Einstein a pu visualiser les distorsions du temps et de l'espace, une intuition qu'aucune expérience scientifique de l'époque ne pouvait encore valider.
En 1905, année où il publie son fameux article sur la relativité, il met en lumière l'idée révolutionnaire que le temps et l'espace sont relatifs au mouvement de l'observateur. Pour en arriver là, Einstein ne s'est pas contenté de compiler des données. Il a puisé dans la force de sa réflexion conceptuelle, en utilisant une série d'expériences de pensée comme celle des horloges synchronisées ou du train qui voyage à grande vitesse. Ces scénarios fictifs lui ont permis de tester mentalement des concepts à une échelle impossible à reproduire à l'époque.
L'expérience de pensée a ici une vertu libératrice : elle s'affranchit des limites de l'expérimentation physique pour éclairer des idées qui auraient autrement pu rester hors de portée de la compréhension humaine. Ce n'est qu'après ces intuitions théoriques qu'Einstein et d'autres scientifiques ont cherché les preuves empiriques, lesquelles sont venues confirmer ses prédictions des années plus tard.
Gaston Bachelard, philosophe des sciences, a lui aussi reconnu la valeur prépondérante des expériences de pensée, non pas seulement comme outils scientifiques, mais comme moyens de surmonter les obstacles épistémologiques. Bachelard considérait que le scientifique devait être capable de concevoir des idées qui vont au-delà du visible, de ce qui peut être mesuré immédiatement. Selon lui, la science progresse par ruptures, des moments où l'intuition s'élève au-dessus des faits disponibles.
Pour Bachelard, avant de manipuler la matière, il faut manipuler les idées. Il considère que la science avance par étonnement, par questionnement sur l'impossible, et les expériences de pensée sont l'outil parfait pour élargir notre horizon conceptuel. Un exemple intéressant est celui des théories de la thermodynamique. Avant que les instruments de laboratoire ne soient suffisamment précis pour mesurer la chaleur et l'énergie, il a fallu des esprits comme Sadi Carnot et James Clerk Maxwell, qui utilisaient leur capacité à imaginer des particules de gaz en mouvement pour explorer la notion d'entropie et les principes de la dynamique.
Johannes Kepler est un autre exemple fascinant de l'importance de l'expérience de pensée dans l'avancement scientifique. Avant même de vérifier par l'observation astronomique, Kepler était déterminé à découvrir une harmonie cachée dans le cosmos. Il croyait en une beauté mathématique intrinsèque à l'univers, une croyance qui l'a conduit à formuler des théories audacieuses sur les orbites planétaires.
Avant que Tycho Brahe ne lui fournisse des données précises sur les positions des planètes, Kepler avait déjà imaginé que les orbites devaient suivre des formes parfaites. Sa conviction en une symétrie cosmique l'a poussé à explorer la notion d'orbites elliptiques au lieu des cercles parfaits préconisés par ses prédécesseurs. Cette intuition, nourrie par une mélange de mathématiques et de métaphysique, a été vérifiée grâce aux observations ultérieures de Brahe, validant finalement l'idée que l'hypothèse précède souvent la mesure.
L'expérience de pensée ne se substitue pas aux données, mais elle est un précurseur vital à celles-ci. On pourrait la comparer à un phare qui éclaire la direction dans laquelle les faits doivent être cherchés. Elle offre un cadre conceptuel qui permet de donner un sens aux observations futures. Une idée sans donnée peut sembler éthérée, mais des données sans idée peuvent rester inertes, privées de signification. Cette dynamique est particulièrement pertinente aujourd'hui, à l'ère des Big Data, où la quantité d'informations disponibles est telle qu'elle peut être paralysante sans une question directrice pour l'organiser et l'interpréter.
Dans le monde de l'économie moderne, cette idée est également vraie. L'intuition des entrepreneurs et des dirigeants est souvent un facteur décisif bien avant que l'analyse des données ne vienne soutenir ou justifier une décision. Steve Jobs est un exemple emblématique : il a souvent pris des décisions stratégiques basées sur son instinct et sa compréhension de ce que les consommateurs pourraient vouloir avant même qu'il y ait des données pour les confirmer. De la création de l'iPhone à celle du premier Mac, Jobs s'est appuyé sur son ressenti et son intuition du marché, osant défier les études quantitatives qui suggéraient parfois que ces innovations seraient trop risquées ou inutiles. C'est après coup que les données ont confirmé la justesse de son intuition.
Un autre exemple dans le domaine de la finance est celui de Warren Buffett, qui privilégie une approche basée sur son évaluation personnelle des entreprises plutôt que sur des modèles purement quantitatifs. Buffett parle souvent de "cercle de compétence", cette zone où son intuition est la plus aiguisée et où il a développé une vision qualitative plus profonde que ne le pourraient des algorithmes automatisés. Il prouve qu'un investisseur avisé peut faire des choix pertinents sans se laisser submerger par des quantités énormes de données statistiques.
Ces exemples montrent que, dans une économie dominée par des analyses quantitatives et des algorithmes, l'intuition reste un outil essentiel pour naviguer dans des environnements incertains ou inexplorés. Les données seules ne peuvent dicter les décisions, surtout lorsqu'il s'agit de situations où l'inconnu domine. Dans un contexte de marché en évolution rapide, l'intuition permet de tracer une voie, de formuler une hypothèse qui sera ensuite étayée par des données. De même que les expériences de pensée ouvrent la voie à des découvertes scientifiques, l'intuition d'un leader économique dessine des trajectoires nouvelles que les analyses empiriques viendront par la suite confirmer.
En ce sens, l'expérience de pensée est une forme de préfiguration des résultats, un moyen de formuler des hypothèses audacieuses que les données pourront ensuite vérifier ou réfuter. Les révolutions scientifiques commencent souvent dans l'imagination de quelques individus qui osent penser différemment, même si cela va à l'encontre du savoir de leur époque.
Les chercheurs ont soumis les grands modèles de langage à des dilemmes stratégiques concrets. La réponse, chaque fois, avait la même couleur — celle de la mode managériale. Les chercheurs ont nommé le phénomène « trendslop ». Mais d'autres études viennent nuancer ce verdict. La vérité sur l'IA et la stratégie est plus intéressante — et plus exigeante — qu'un simple pour ou contre.
Les tensions qui définissent la vraie vie des dirigeants
Angelo Romasanta (Esade Business School), Llewellyn D.W. Thomas (University of Sydney) et Natalia Levina (NYU Stern) ont soumis sept grands modèles de langage — ChatGPT, Claude, DeepSeek, GPT-5, Gemini, Grok et Mistral — à sept tensions stratégiques fondamentales. Des tensions binaires, celles que les dirigeants vivent au quotidien et qui exigent de vrais arbitrages.
Différenciation ou leadership par les coûts. Exploration ou exploitation. Court terme ou long terme. Collaboration ou compétition. Innovation radicale ou incrémentale. Centralisation ou décentralisation. Automatisation ou augmentation.
L'hypothèse de départ était limpide : si les modèles analysent réellement le contexte, leurs recommandations devraient varier. Un géant industriel de la construction ne devrait pas recevoir la même prescription qu'une startup technologique ou un hôpital. Les chercheurs ont fait tourner des milliers de simulations avec des prompts génériques et spécifiques, en variant les contextes d'entreprise et les formulations.
Le « trendslop », ou quand l'IA confond popularité et pertinence
Les résultats sont sans appel. Sur six des sept tensions, tous les modèles convergent vers le même pôle — celui qui sonne le mieux dans un rapport annuel. Différenciation plutôt que coûts, 96 % du temps. Augmentation plutôt qu'automatisation, 93 %. Collaboration plutôt que compétition, 78 %. Long terme plutôt que court terme, 62 %. Toujours le choix qui brille davantage dans une présentation PowerPoint.
Les chercheurs ont baptisé ce phénomène le « trendslop » : la propension systématique des modèles de langage à recommander des stratégies alignées sur les mots à la mode plutôt que sur la logique spécifique de l'organisation qui pose la question. Un mot-valise formé de trend (tendance) et de slop (le terme qu'on utilise déjà pour décrire le contenu générique produit par l'IA).
Seule la tension « exploration vs. exploitation » a produit une véritable variation entre les modèles. Sur les six autres axes, les biais sont profondément ancrés et remarquablement uniformes d'un modèle à l'autre.
La formule la plus mordante des auteurs : sur la stratégie, les modèles de langage ressemblent à un jeune diplômé de MBA fraîchement sorti de l'école, qui répète ce qui est populaire plutôt que ce qui est juste pour une situation donnée.
15 000 tentatives pour corriger le biais. Résultat : 2 %.
On pourrait croire que le problème se résout avec de meilleurs prompts. Les chercheurs y ont pensé. En se concentrant sur ChatGPT-5 — le modèle le plus utilisé en pratique — ils ont mené plus de 15 000 essais en manipulant systématiquement les variables de formulation : inversion de l'ordre des options, changement de cadrage, demande d'analyse des pour et des contre, et même ajout d'une récompense promise pour une bonne réponse.
Le résultat est brutal. Sur les tensions de différenciation et d'augmentation — les deux biais les plus forts — le prompting sophistiqué ne réduit le biais que de moins de 2 %. Pour les cinq autres tensions, les manipulations déplacent les réponses d'environ 22 % en moyenne, mais ce chiffre est en grande partie un artefact d'un seul facteur : l'ordre des options. Simplement inverser la séquence dans laquelle les choix sont présentés réduit la probabilité de la réponse biaisée de 19 %. Ce n'est pas un signe que le modèle raisonne mieux — c'est un signe qu'il est sensible à la position d'un mot dans une phrase.
Et le contexte Les chercheurs ont testé plus de 15 000 variantes contextuelles, allant de grandes multinationales à des startups tech, en passant par des banques, des hôpitaux et des organismes à but non lucratif. En moyenne, l'ajout de contexte détaillé ne déplace la part de réponses biaisées que de 11 %. Le modèle peut sembler parfaitement adapté à votre situation tout en vous orientant discrètement vers le même petit groupe de tendances managériales contemporaines.
La sophistication apparente comme forme d'évitement stratégique
Le biais vers les tendances n'est pas le seul problème. Il y en a un autre, plus insidieux, que les chercheurs appellent le « piège hybride ». Lorsqu'on permet à ChatGPT de répondre sans forcer un choix binaire, il recommande fréquemment de faire les deux : poursuivre la différenciation et le leadership par les coûts, l'innovation radicale et l'incrémentale.
En surface, ça sonne sophistiqué et équilibré. En pratique, c'est exactement ce que les théoriciens de la stratégie dénoncent depuis des décennies sous le nom de « stuck in the middle » — cette position où, à force de vouloir tout être, on n'est plus rien. La différenciation et le leadership par les coûts exigent des capacités organisationnelles contradictoires. Suggérer qu'on peut avoir les deux, c'est encourager l'absence de focus qui mène à l'échec.
Les données sont parlantes : quand on lui offre la possibilité d'un hybride, ChatGPT recommande un mélange des deux stratégies dans 41 % des cas pour l'innovation radicale vs. incrémentale, et dans 56 % des cas pour l'exploitation vs. l'exploration. Ce n'est pas de la nuance. C'est de l'évitement déguisé en sophistication.
Un problème plus large, documenté dans plusieurs disciplines
Le trendslop n'est pas un phénomène isolé. D'autres recherches confirment que les biais des modèles de langage s'étendent bien au-delà de la stratégie d'entreprise.
Une étude publiée dans les Proceedings of the National Academy of Sciences (PNAS) en 2025 a démontré que les modèles de langage amplifient les biais cognitifs humains dans les décisions morales. Leurs décisions et conseils sont systématiquement biaisés en faveur de l'inaction — un biais d'omission plus fort que celui observé chez les humains. Les chercheurs ont également découvert un biais inédit : les modèles tendent à répondre « non » quelle que soit la question, inversant ainsi leur conseil selon la formulation. Ces biais proviendraient du fine-tuning pour les applications de chatbot.
Sur le front de la sycophantie — cette tendance de l'IA à dire ce qu'on veut entendre plutôt que ce qui est vrai — les résultats sont tout aussi préoccupants. Plusieurs études de 2025 documentent que les modèles approuvent les opinions de l'utilisateur dans plus de 90 % des cas, même dans des domaines techniques où le modèle devrait avoir des connaissances fiables. Le mécanisme est le même que pour le trendslop : l'entraînement par rétroaction humaine (RLHF) optimise pour l'agrément, pas pour la justesse.
Et l'étude de Harvard et du Boston Consulting Group — souvent citée pour célébrer les gains de productivité de l'IA — contient elle-même une mise en garde cruciale : pour les tâches situées à l'extérieur de la frontière des capacités de l'IA, les consultants utilisant GPT-4 ont produit des résultats 19 % moins justes que ceux qui travaillaient sans IA. Plus inquiétant encore, l'étude a observé une homogénéisation des idées produites par les consultants assistés par l'IA — un écho direct du trendslop.
La prospective stratégique, un terrain où les modèles excellent
Il serait malhonnête de s'arrêter là. D'autres recherches, tout aussi rigoureuses, démontrent que l'IA peut surpasser les humains dans certaines dimensions de la pensée stratégique.
L'étude la plus frappante vient de Felipe Csaszar (University of Michigan) et de ses collègues, publiée en février 2026. Dans un tournoi de prospective entièrement prospectif — c'est-à-dire portant sur des projets dont personne, humain ou machine, ne connaissait l'issue — les chercheurs ont comparé la capacité de prédiction des modèles de langage et de 346 gestionnaires expérimentés sur 30 projets Kickstarter technologiques lancés après la date de coupure d'entraînement de tous les modèles testés. Les résultats sont saisissants : les évaluateurs humains ont obtenu des corrélations entre 0,04 et 0,45 avec les résultats réels, tandis que plusieurs modèles de langage ont dépassé 0,60, le meilleur (Gemini 2.5 Pro) atteignant 0,74 — ordonnant correctement près de quatre paires de projets sur cinq.
L'étude Harvard/BCG de Dell'Acqua et al., publiée dans Organization Science en 2026, montre quant à elle que pour les tâches à l'intérieur de la frontière technologique, les consultants utilisant GPT-4 complétaient 12,2 % de tâches supplémentaires, 25,1 % plus rapidement, avec des résultats de qualité supérieure de plus de 40 %. Les bénéfices étaient particulièrement prononcés pour les tâches requérant créativité et innovation. Et les consultants les moins performants voyaient les gains les plus importants.
D'autres travaux viennent compléter le tableau : Allen et McDonald (2026) montrent que les modèles de langage surpassent les décideurs humains dans des simulations stratégiques avec des structures de gains bien définies. Sen et al. (2026) démontrent que les modèles surpassent les humains dans l'appariement d'analogies structurelles. Et Csaszar lui-même, dans un article éditorial de Strategy Science intitulé « Can AI Do Strategy », défend l'idée que l'IA ne reproduira pas l'intuition humaine mais atteindra des résultats stratégiques par ses propres forces : échelle massive, vitesse computationnelle et capacité d'exploration systématique d'espaces de possibilités complexes.
Ce que les deux camps nous apprennent ensemble
Pris ensemble, ces deux corpus de recherche dessinent une frontière remarquablement nette. L'IA excelle dans ce qui relève de l'analyse, de la synthèse et de la prédiction sur des données standardisées. Elle surpasse même les humains quand le problème est bien cadré, quand l'information est structurée, quand les critères de succès sont mesurables. C'est le territoire de Csaszar : trier des projets d'investissement, évaluer des opportunités selon des paramètres définis, explorer des scénarios à grande vitesse.
Mais elle échoue précisément là où la stratégie se joue réellement : dans le renoncement. Choisir une direction stratégique, c'est dire non à des options séduisantes. C'est défendre un pari que la majorité trouverait contre-intuitif. C'est accepter de sacrifier l'exploration pour l'exploitation — ou l'inverse — en sachant que les deux sont défendables. Le modèle de langage, lui, est incapable de renoncer. Entraîné pour satisfaire, couvrir tous les angles et ne froisser personne, il produit du consensus quand la situation exige de la friction.
Cela contredit la théorie stratégique établie. Le travail fondateur de Michael Porter reconnaît explicitement le leadership par les coûts comme une position viable et souvent supérieure. Walmart, Costco, Aldi, Ryanair ont bâti des empires dessus. Mais les modèles de langage balaient cette option du revers de la main parce que la culture startup, les récits d'innovation et les conseils « trouvez votre proposition de valeur unique » dominent internet bien davantage que les histoires discrètes de succès par l'efficacité logistique. Les modèles ne suivent pas Porter — ils suivent statistiquement les dizaines de milliers de billets Medium et Substack sur la différenciation.
L'outil de différenciation qui produit de l'uniformité
Le danger le plus profond du trendslop n'est pas qu'il donne de mauvais conseils. C'est qu'il donne à tout le monde les mêmes conseils. Et l'étude de Harvard/BCG le confirme par un autre angle : même quand l'IA produit des résultats de meilleure qualité, elle produit aussi des résultats plus homogènes. Les consultants assistés par GPT-4 généraient des idées supérieures en qualité moyenne, mais moins variées que celles de leurs collègues travaillant sans IA.
C'est le paradoxe ultime : l'IA recommande la différenciation 96 % du temps, mais en donnant cette même recommandation à tout le monde, elle produit exactement l'inverse — de l'uniformité. Si chaque entreprise d'un secteur utilise les mêmes outils pour produire les mêmes analyses, on obtient une convergence stratégique qui annule précisément l'avantage concurrentiel que la stratégie est censée créer.
Sans guidance précise, l'IA ne peut pas — pas encore — penser l'avenir de votre organisation. C'est la conclusion convergente de toutes ces recherches, y compris celles qui célèbrent les capacités de l'IA.
Le mot clé, c'est guidance. Csaszar, dont les travaux montrent que l'IA peut surpasser les humains en prospective, insiste lui-même sur le fait que l'IA n'entrera pas dans la stratégie là où le raisonnement requis est le plus profond, mais là où sa performance est la plus mesurable. L'étude Harvard/BCG parle d'une « frontière technologique dentelée » dont même les experts ne devinent pas le tracé. Romasanta, Thomas et Levina démontrent que les biais persistent quel que soit le prompt.
Ce que ces études dessinent ensemble, c'est le portrait d'un outil extraordinairement puissant mais structurellement aveugle à son propre angle mort. L'IA ne sait pas qu'elle est biaisée. Elle ne sait pas qu'elle recommande la même chose à tout le monde. Et elle ne sait pas que la stratégie, la vraie, ne consiste pas à choisir ce qui sonne bien — mais à choisir ce qui fait mal.
Le rôle du stratège humain n'est pas menacé par l'IA. Il est redéfini. L'humain n'est plus celui qui fait l'analyse — l'IA le fait mieux et plus vite. L'humain est celui qui refuse les conclusions confortables. Celui qui dit : « Tout ça est séduisant, mais ce n'est pas nous. » Celui qui fait le tri entre ce qui est populaire et ce qui est juste. Celui qui renonce.
Les organisations qui comprennent cette frontière — l'IA pour élargir le champ des possibles, l'humain pour trancher — ont un avantage sur celles qui confondent fluence verbale et intelligence stratégique. Et cet avantage, aucun modèle de langage ne peut le reproduire.
Le design thinking est une méthode centrée sur l'utilisateur et itérative pour résoudre des problèmes en cinq étapes : empathie, définition, idéation, prototypage et déploiement. Flexible et adaptable, cette approche convient à diverses industries, divers problèmes, plusieurs méthodes et tailles d'équipes. Il a inspiré de nombreuses organisations pour l'invention de nouveaux produits et services, mais aussi de processus, de méthodes ou d'approches. C'est d'ailleurs l'inspiration principale de Perrier Jablonski quand vient le temps de mener une réflexion stratégique. Nous avons abordé les mécanismes dans l'article suivant, et c'est sur son berceau que nous allons nous pencher aujourd'hui.
Non, le design thinking n'est pas né subitement dans l'esprit allumé de Tim Brown, mais c'est à sa firme IDEO, née en 1990, que nous devons sa mise en marché flamboyante. Le design thinking a de nombreux parents. Comprendre la contribution de chacun, c'est mieux comprendre la richesse et la profondeur de la méthodologie elle-même. C'est parti pour un petit voyage dans le temps...
John E. Arnold (1913-1963) est professeur de génie mécanique et professeur d'administration des affaires à Stanford. Alors qu'il étudie la psychologie de la pensée créative et de l'imagination, il fait changer le sens du mot design — en le faisant passer de la forme à la fonction. Dans un même élan, il pose les bases de l'innovation telle qu’on la connaît aujourd’hui. En 1956, il crée des camps d’été pour enseigner la créativité aux ingénieurs. Ces séminaires ont eu une influence indiscutable sur le monde des idées, de l’innovation et des affaires. C’est là que se croisent Abraham Maslow, Richard Buckminster Fuller (grand influenceur de la Silicon Valley) ou encore Alex Faickney Osborn (inventeur du brainstorming).

Bruce Archer (1922-2005) est ingénieur mécanique et professeur en design au Royal College of Art, à Londres. C'est à lui que l'on doit l'enseignement du design à l'université. Dans les années 60, il publie coup sur coup deux ouvrages qui vont révolutionner le design industriel. D’abord Systematic Method for Designers — dans lequel Archer défend l’idée d’une approche systématique et plutôt scientifique du design; ensuite The Structure of the Design Process. Il prépare les bases du design thinking en mettant en valeur une approche basée sur une méthode systématique, réfutant l’idée d’un processus basé sur l’intuition et la seule créativité des concepteurs.
L’économiste et psychologue Herbert Simon (1916-2001) est considéré comme le père spirituel du design thinking dans sa forme actuelle. Il publie The Sciences of the Artificial dans lequel il explore les processus de conception et de prise de décision, et certains concepts d'intelligence artificielle. Le design y est décrit comme un mode de pensée. Ainsi, le design — passé de la forme à la fonction, sous l'influence de John E. Arnold —, devient un processus. Il développe aussi l’idée du « satisficing », décrivant les limites de la rationalité. Il reçoit le prix Turing en 1975 et le prix Nobel en 1978 pour ses travaux.
Le designer industriel Bill Moggridge (1943-2012) conçoit le premier ordinateur portable, le GRiD Compass. Spécialisé dans le design d’interaction, il concentre ses recherches sur les interfaces et les expériences-utilisateur. Cette idée de l'usager "au centre" est fondamentale en design thinking. L'observation fine des comportements des usagers est un pilier de la méthode. L'influence des travaux de Moggridge est certaine, puisqu'il co-fondera plus tard IDEO.

Donald Norman (1935-) est psychologue, professeur émérite en sciences cognitives à l'Université de Californie à San Diego. C'est le premier à utiliser le terme user-centered design, lui-même au centre de la pratique du design thinking.
Peter Rowe (né en 1945) est architecte, urbaniste et chercheur. Il est le premier à utiliser le terme design thinking, dans un ouvrage intitulé... Design Thinking. Il y décrit les méthodes utilisées par les architectes et urbanistes pour concrétiser leurs idées dans la création de bâtiments et d'espaces publics. Le design thinking voit donc officiellement le jour au M.I.T., qui l'enseigne encore aujourd'hui.
IDEO naît de la fusion de quatre entreprises : David Kelley Design, Moggridge Associates, ID Two (également dirigée par Moffridge) et Matrix Product Design (fondée par Mike Nuttal). David Kelley popularise le design thinking et devient un grand promoteur d’une approche structurée de résolution de problèmes.

Tim Brown — alors unique PDG d’IDEO — écrit un article intitulé Design Thinking dans Harvard Business Review, puis il publie un livre en 2009, « Change by Design », où il fait œuvre d’évangélisation pour la méthode. C'est le début de l'aventure médiatique du design thinking.
Depuis, l'Université de Stanford s’est emparée du sujet en proposant une école spécialisée dans le design thinking — et avec la complicité d’IDEO. Ainsi, la d.school (de son vrai nom Hasso Plattner Institute of Design) propose des programmes pédagogiques tant sur son campus qu’en ligne, avec une approche très californienne de la discipline. De son côté, le M.I.T. enseigne la méthode de manière beaucoup plus académique — et avouons-le, un peu austère... (mais c'est aussi ma préférée, hors de tout doute!)

Le parcours du design thinking est en perpétuelle évolution et la ligne d'arrivée n'est pas prête d'être tracée. Si IDEO, le M.I.T. et la d.school de Standford sont les gardiens du temple, la discipline va devoir évoluer encore. Les impacts environnementaux et sociétaux — timidement évoqués dans les cours de design thinking — vont devoir se développer. Les répercutions des nouveaux outils de connaissance et de création — ChatGPT, MidJourney, Stable Diffusion, etc. — vont devoir être prises en compte. Et cette liste va s'allonger d'année en année, d'évolution en révolution.
Et voilà. Il est intéressant de noter le parcours qui a été nécessaire au design thinking pour se rendre jusqu'à nous. D'abord, le mélange de plusieurs disciplines dans les années 50, qui a donné naissance à de nouvelles réflexions, telle que l'étude de la psychologie créative ou la mécanisation de la pensée. Bref, on voulait comprendre comment notre cerveau fonctionnait, et on cherchait des explications logiques, qui dépasseraient le mystique élan créatif. Enfin l'usager au centre et l'observation de ses interactions seront les dernières pierres angulaires de la méthodologie telle qu'on la connait aujourd'hui. Dernière? Hum... pas vraiment. Il a fallu le génie marketing de David Kelley et Tim Brown pour populariser et évangéliser les organisations du monde entier, et les inviter à "penser design".