\n\n| Cercle de competence<\/td>\n | Warren Buffett et Charlie Munger<\/td>\n | Est-ce que je comprends vraiment cela, ou la reponse sonne-t-elle simplement ainsi ?<\/td>\n | Tres eleve<\/td>\n | Juger la production de l’IA dans des domaines peu familiers<\/td>\n<\/tr>\n |
\n| Taux de base (pensee probabiliste)<\/td>\n | Kahneman et Tversky ; Philip Tetlock<\/td>\n | Que se passe-t-il habituellement dans les cas comme celui-ci ?<\/td>\n | Tres eleve<\/td>\n | Resister aux predictions de l’IA assurees mais fausses<\/td>\n<\/tr>\n |
\n| Inversion<\/td>\n | Carl Jacobi, popularise par Munger<\/td>\n | Qu’est-ce qui garantirait l’echec de ceci ?<\/td>\n | Tres eleve<\/td>\n | Tester sous contrainte un plan plausible redige par l’IA<\/td>\n<\/tr>\n |
\n| La carte n’est pas le territoire<\/td>\n | Alfred Korzybski<\/td>\n | Est-ce la realite, ou une compression de celle-ci ?<\/td>\n | Tres eleve<\/td>\n | Se rappeler que les sorties de l’IA sont des modeles, pas la verite<\/td>\n<\/tr>\n |
\n| Signal contre bruit<\/td>\n | Claude Shannon ; Nate Silver<\/td>\n | Est-ce de l’information, ou juste du volume ?<\/td>\n | Tres eleve<\/td>\n | Filtrer un contenu infini produit par l’IA<\/td>\n<\/tr>\n |
\n| Pensee de second ordre<\/td>\n | Howard Marks<\/td>\n | Et ensuite, que se passe-t-il ?<\/td>\n | Eleve<\/td>\n | Anticiper les effets en aval de l’automatisation d’une tache<\/td>\n<\/tr>\n |
\n| Premiers principes<\/td>\n | Aristote ; la tradition physique<\/td>\n | Qu’est-ce qui est vraiment vrai si je retire les hypotheses ?<\/td>\n | Eleve<\/td>\n | Penser de maniere originale quand l’IA renvoie sans cesse le consensus<\/td>\n<\/tr>\n |
\n| Marge de securite<\/td>\n | Benjamin Graham<\/td>\n | Et si je me trompe fortement, pas un peu ?<\/td>\n | Eleve<\/td>\n | Integrer du jeu dans des flux de travail dependant de l’IA<\/td>\n<\/tr>\n |
\n| Via negativa<\/td>\n | Nassim Taleb<\/td>\n | Que devrais-je retirer plutot qu’ajouter ?<\/td>\n | Eleve<\/td>\n | Elaguer la proliferation d’outils et les taches a faible valeur<\/td>\n<\/tr>\n |
\n| Cout d’opportunite<\/td>\n | Economie fondamentale<\/td>\n | A quoi je renonce pour faire ceci ?<\/td>\n | Eleve<\/td>\n | Repartir une attention rare entre de nombreux outils d’IA<\/td>\n<\/tr>\n |
\n| Rationalite limitee et satisficing<\/td>\n | Herbert Simon<\/td>\n | Le assez bon est-il vraiment assez ici ?<\/td>\n | Eleve<\/td>\n | Savoir quand cesser de prompter et livrer<\/td>\n<\/tr>\n |
\n| Principe de Pareto (80\/20)<\/td>\n | Vilfredo Pareto ; Joseph Juran<\/td>\n | Quel 20% produit le resultat ?<\/td>\n | Eleve<\/td>\n | Choisir quelles taches automatiser en premier<\/td>\n<\/tr>\n |
\n| Interets composes<\/td>\n | Mathematiques et finance<\/td>\n | Quel petit avantage se repete chaque jour ?<\/td>\n | Eleve<\/td>\n | Batir competence et reputation sur des annees, pas des semaines<\/td>\n<\/tr>\n |
\n| Loi de Gall<\/td>\n | John Gall<\/td>\n | Ce systeme complexe a-t-il grandi a partir d’un systeme simple qui fonctionnait ?<\/td>\n | En hausse<\/td>\n | Concevoir des flux d’IA qui ne s’effondrent pas sous leur propre complexite<\/td>\n<\/tr>\n |
\n| Rasoir de Hanlon<\/td>\n | Adage populaire<\/td>\n | Est-ce de la malveillance, ou une simple erreur ?<\/td>\n | Moyen<\/td>\n | Lire les echecs de l’IA et les reactions humaines avec calme<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Le motif a remarquer est en haut. Les quatre modeles a plus forte valeur en 2026 ne sont pas les astucieux et contre-intuitifs que l’on collectionne pour les diners. Ce sont les ennuyeux gardiens de la confiance : connaitre la limite de sa comprehension, revenir aux taux de base, inverser pour trouver l’echec, et se rappeler que toute sortie est une carte, pas le sol. Ce n’est pas un hasard. Quand l’environnement vous tend des reponses fluides illimitees, la competence rare et decisive est de decider lesquelles croire.<\/p>\n <\/span>Les modeles que l’IA a rendus plus precieux, pas moins<\/span><\/h2>\nTrois modeles ont tellement monte qu’ils meritent un second regard, car le mecanisme est le meme a chaque fois : l’IA a supprime la friction qui vous protegeait autrefois d’une mauvaise reponse.<\/p>\n Les taux de base sont devenus plus precieux parce que l’IA est une machine a assurance.<\/strong> Un modele de langage vous donne, sur presque tout, une prediction specifique et bien formulee, livree sur le meme ton assure, que la realite sous-jacente soit quasi certaine ou un pile ou face. L’ancienne defense contre l’exces de confiance etait que les predictions assurees etaient rares et couteuses. Elles sont desormais infinies et gratuites. La pensee en taux de base a la Kahneman et Tversky, c’est-a-dire demander d’abord ce qui arrive habituellement dans ce genre de situation avant d’ecouter l’histoire vivante et specifique, est le contrepoids. C’est la difference entre “l’IA dit que ce lancement va marcher” et “la plupart des lancements comme celui-ci echouent, alors qu’est-ce qui rend celui-ci specifiquement different”.<\/p>\nLe cercle de competence est devenu plus precieux parce que l’IA efface le signal du ne-pas-savoir.<\/strong> Autrefois, travailler dans un domaine peu familier semblait peu familier. On trebuchait, on remarquait les lacunes, l’inconfort etait de l’information. L’IA supprime ce signal. Elle vous laisse produire un travail d’apparence competente dans un domaine que vous ne comprenez pas, ce qui signifie que vous pouvez desormais marcher avec assurance vers une falaise que vous auriez auparavant vue. La discipline de Buffett et Munger, connaitre la frontiere de ce que l’on comprend vraiment et traiter tout le reste comme dangereux, est desormais une competence de survie plutot qu’une finesse d’investissement.<\/p>\nSignal contre bruit est devenu plus precieux parce que le plancher de bruit a monte.<\/strong> La theorie de l’information de Claude Shannon et la vulgarisation de cette idee par Nate Silver reposent toutes deux sur la separation du signal significatif de la variation aleatoire. En 2026, le volume de contenu produit, en majorite plausible et derive, a fortement releve le plancher de bruit. La competence de demander “cela reduit-il vraiment mon incertitude, ou cela ajoute-t-il seulement des mots” est la difference entre etre informe et etre enseveli.<\/p>\n<\/span>Les biais que l’IA amplifie discretement<\/span><\/h2>\nLes modeles mentaux ne sont pas seulement offensifs. Leur role plus ancien est defensif : attraper les facons previsibles dont un esprit s’egare. Et l’IA a aiguise plusieurs biais classiques au lieu de les adoucir. Le tableau ci-dessous associe chaque biais amplifie au modele qui protege contre lui.<\/p>\n \n\n\n| Biais cognitif<\/th>\n | Pourquoi l’IA l’intensifie<\/th>\n | Le modele qui vous protege<\/th>\n<\/tr>\n<\/thead>\n | \n\n| Biais d’automatisation<\/td>\n | Une sortie fluide et instantanee invite a la deference ; nous faisons plus confiance a la machine que les preuves ne le justifient<\/td>\n | Cercle de competence plus taux de base<\/td>\n<\/tr>\n | \n| Biais de confirmation<\/td>\n | Vous pouvez reprompter jusqu’a ce que l’IA finisse par approuver ce que vous vouliez deja<\/td>\n | Inversion : faites-lui defendre le contraire<\/td>\n<\/tr>\n | \n| Biais de fluidite et d’autorite<\/td>\n | Un texte poli et bien structure se lit comme correct, qu’il le soit ou non<\/td>\n | La carte n’est pas le territoire<\/td>\n<\/tr>\n | \n| Biais de disponibilite<\/td>\n | Les modeles font remonter ce qui est courant dans leurs donnees d’entrainement, pas ce qui est vrai ou rare<\/td>\n | Taux de base et premiers principes<\/td>\n<\/tr>\n | \n| Ancrage<\/td>\n | Le premier brouillon de l’IA cadre chaque modification ulterieure<\/td>\n | Premiers principes : reconstruire une fois depuis la base<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Le biais d’automatisation est en haut parce qu’il est le biais maitre de l’epoque, et il est bien documente dans la recherche sur les facteurs humains bien avant les robots conversationnels : les gens tendent a trop faire confiance aux systemes automatises et a sous-ponderer les informations contradictoires, surtout quand le systeme est rapide et assure. Tout ce que fait l’IA est rapide et assure. La defense n’est pas la paranoia, qui gaspille la valeur reelle de l’outil, mais une pause deliberee aux moments precis pour lesquels les modeles ci-dessus sont concus : quand vous etes hors de votre competence, quand la reponse est suspectement specifique, et quand un brouillon poli ancre discretement votre jugement.<\/p>\n | |