Quelles différences avec l’intuition ? Que faut-il vraiment en retenir ?Doit-on modéliser ou non les approches par les risques ?
Modéliser structure l’analyse, réduit les biais, améliore la cohérence des décisions et trace l’historique des choix.
Deux banques similaires : l’une modélise rigoureusement, l’autre fait confiance uniquement à l’intuition de ses experts.
La seconde croit en son jugement ; la première combine données objectives et pouvoir discrétionnaire avec justification.
Le modèle permet de détecter des signaux faibles que l’intuition humaine pourrait ignorer ou mal interpréter.
Même partiellement efficace, un modèle bien utilisé améliore la stabilité et réduit la variabilité des décisions prises.
Qu’est-ce qui différencie modélisation et intuition humaine ?
Un modèle est codé, documenté, testable ; l’intuition fonctionne comme une régression floue dans le cerveau.
L’humain construit inconsciemment des modèles internes, mais sans documentation ni possibilité de correction transparente.
L’intelligence artificielle permet l’inspection, la mise à jour ; l’intuition reste opaque, non vérifiable, donc plus risquée.
Modéliser, c’est accepter l’incertitude, tout en encadrant son traitement ; l’intuition échappe souvent à tout contrôle formel.
Les mauvais modèles sont-ils pires que l’absence de modèles ?
Un mauvais modèle mal conçu ou mal documenté peut être corrigé, remplacé ou interprété avec recul critique.
L’absence de modèle prive l’organisation de référence commune et rend les décisions arbitraires et peu reproductibles.
Certaines erreurs viennent du contexte : données rares, événements extrêmes ou rupture des tendances passées.
Même un modèle imparfait peut fournir un point d’appui pour la prise de décision réfléchie et structurée.
Le pire scénario : un modèle truqué, biaisé délibérément, ou utilisé pour justifier des décisions préétablies.
Que doit-on retenir ?
Modéliser est souvent préférable, même imparfaitement, car cela crée un cadre traçable et améliore l’apprentissage collectif.
L’intuition seule n’est pas neutre : elle peut masquer des biais, des erreurs ou des motivations cachées.
L’absence de modèle est un risque en soi, trop rarement pris en compte dans les politiques de conformité.
Les régulateurs devraient considérer ce risque et assouplir les règles freinant l’expérimentation quantitative raisonnable.
CAMUS BOMISSO
photo:dr
POUVOIRS MAGAZINE
