Satisficing ou maximisation : quel style de décision l’emporte vraiment, selon la recherche

TL;DR. Aucun des deux styles ne l’emporte nettement, et la recherche explique pourquoi. Dans les études de Schwartz et de ses collègues publiées en 2002 (1 747 participants répartis sur sept échantillons), les scores à l’échelle de maximisation (Maximization Scale) étaient corrélés à 0,52 avec le regret, à -0,25 avec le bonheur et à 0,34 avec la dépression. Dans l’étude d’Iyengar, Wells et Schwartz de 2006 sur la recherche d’emploi, les étudiants à forte tendance à la maximisation ont décroché des emplois avec des salaires d’embauche supérieurs de 20 % et en étaient moins satisfaits. Puis le débat sur la mesure a commencé. Lorsque Diab, Gillespie et Highhouse (2008) ont mesuré la maximisation uniquement comme un niveau d’exigence élevé, sa corrélation avec la satisfaction de vie était de 0,04 au lieu de -0,24. En classant 36 résultats publiés par composante, l’analyse de CEOtudent constate que les exigences élevées étaient associées à un moins bon résultat dans 2 résultats sur 10, tandis que la difficulté à décider l’était dans 4 sur 5. Le geste du CEO : écrire la règle d’arrêt pour chaque classe de décision avant de regarder les options. Le geste de l’étudiant : garder des exigences élevées là où l’apprentissage se cumule, et laisser le « suffisamment bon » s’occuper du reste.

Cet article se lit avec la pile de décision personnelle, avec le cadre de minimisation des regrets pour les rares choix qui méritent une recherche complète, et avec les critères d’arrêt, qui appliquent la même logique, « décider d’abord de la règle », à l’abandon.

Que signifient réellement le satisficing (se contenter du suffisamment bon) et la maximisation ?

Les mots viennent de Herbert Simon. Dans « A Behavioral Model of Rational Choice » (1955), il a remplacé l’« homme économique » omniscient par un décideur qui classe les résultats en satisfaisants et insatisfaisants et retient la première option qui dépasse un « niveau d’aspiration ». Son exemple est celui d’un vendeur de maison qui considère 15 000 $ comme un prix acceptable, tout ce qui est au-dessus comme satisfaisant et tout ce qui est en dessous comme insatisfaisant. Un an plus tard, dans « Rational Choice and the Structure of the Environment » (1956), il a résumé l’idée en une phrase : les organismes s’adaptent suffisamment bien pour « satisfaire » (satisfice) ; ils n’« optimisent » pas, en général.

Deux détails comptent pour la suite. D’abord, le satisficing n’a jamais été de la paresse. C’est une règle de recherche dotée d’un seuil : s’arrêter à la première option qui atteint la barre, de sorte que le résultat dépend de l’endroit où la barre est placée. Ensuite, Simon s’attendait à ce que la barre bouge. Il a écrit que lorsqu’une personne « trouve facile de découvrir des options satisfaisantes, son niveau d’aspiration s’élève », et que lorsque c’est difficile, ce niveau baisse. Ce seuil qui dérive revient plus bas, dans la section consacrée aux outils d’IA.

Près d’un demi-siècle plus tard, Barry Schwartz et cinq coauteurs ont transformé la distinction de Simon en différence de personnalité. Leur article de 2002 avançait que certaines personnes (les maximiseurs) cherchent habituellement la meilleure option, tandis que d’autres (les satisficeurs) s’arrêtent habituellement au suffisamment bon, et il introduisait une échelle de maximisation en 13 items pour les distinguer. Cette échelle est la raison pour laquelle la question dispose d’une littérature scientifique, et aussi la raison pour laquelle cette littérature se contredit.

Qu’ont montré les études originales sur les maximiseurs ?

L’article de 2002 a administré l’échelle à sept échantillons, quatre d’étudiants et trois d’adultes de la population générale. Sur l’ensemble des échantillons, les scores allaient de 1,15 à 6,62 sur une échelle en 7 points, avec une moyenne de 3,88 et une médiane de 3,85. Le résultat marquant était le profil des corrélations avec les mesures de bien-être.

Tableau 1. Maximisation et bien-être tels qu’imprimés dans les études originales

Source et échantillon	Mesure corrélée avec l’échelle de maximisation	Résultat tel qu’imprimé
Schwartz et al. 2002, tous les échantillons	Regret Scale	r = 0,52
Schwartz et al. 2002, échantillons où la mesure a été évaluée	Subjective Happiness Scale	r = -0,25
Schwartz et al. 2002, échantillons où la mesure a été évaluée	Beck Depression Inventory (forme courte)	r = 0,34
Schwartz et al. 2002, échantillon 3 (n = 100)	Satisfaction With Life Scale	r = -0,27
Schwartz et al. 2002, échantillon 1 (n = 82)	Regret / bonheur / dépression	0,61 / -0,21 / 0,24
Schwartz et al. 2002, échantillon 2 (n = 72)	Regret / bonheur / dépression	0,45 / -0,34 / 0,44
Schwartz et al. 2002, échantillon 4 (n = 401)	Regret / bonheur	0,39 / -0,10
Schwartz et al. 2002, échantillon 5 (n = 752, professionnels de santé)	Regret / bonheur / dépression	0,46 / -0,28 / 0,31
Schwartz et al. 2002, échantillon 6 (n = 220, gare urbaine)	Regret / bonheur	0,50 / -0,17
Schwartz et al. 2002, échantillon 6	Perfectionnisme	r = 0,25
Iyengar, Wells et Schwartz 2006 (résumé)	Salaire d’embauche de l’emploi obtenu	Supérieur de 20 % pour les étudiants à forte tendance à la maximisation
Iyengar, Wells et Schwartz 2006 (résumé)	Satisfaction à l’égard de l’emploi obtenu	Maximiseurs moins satisfaits ; davantage d’affects négatifs tout au long de la recherche

Sources : Schwartz et al. (2002), tableau 2 et texte des résultats ; Iyengar, Wells et Schwartz (2006), résumé. Les corrélations sont recopiées telles qu’imprimées. Le signe pour le bonheur dans l’échantillon 4 suit le tableau 2.

Trois observations tirées du recalcul du tableau (calc.py).

Les six échantillons dont les corrélations sont imprimées représentent 1 627 des 1 747 participants. Dans les six, la corrélation avec le bonheur est négative, de -0,34 à -0,10, et la corrélation avec le regret va de 0,36 à 0,61. Le sens est constant ; l’ampleur ne l’est pas.

Les effets sont modestes en termes de variance. Une corrélation de -0,25 signifie que la maximisation et le bonheur partagent environ 6 % de leur variance. Pour la dépression (0,34), le chiffre est d’environ 12 %, et pour le regret (0,52) d’environ 27 %. Le regret est le lien fort.

L’étude sur la recherche d’emploi a apporté le rebondissement. Les étudiants à forte tendance à la maximisation ont obtenu des offres objectivement meilleures, avec un salaire d’embauche supérieur de 20 %, et ont évalué le résultat plus négativement. Les auteurs attribuent cet écart au recours plus important des maximiseurs à des sources d’information externes et à leur fixation sur les options réalisées et non réalisées. Seul le pourcentage imprimé dans le résumé est utilisé ici, car l’article complet n’était pas accessible.

Si l’histoire s’était arrêtée en 2006, le verdict serait simple : maximiser pour l’argent, pratiquer le satisficing pour la tranquillité d’esprit. Elle ne s’est pas arrêtée là.

Pourquoi les études ultérieures ont-elles divergé ?

Parce que l’échelle en 13 items mesure trois choses à la fois. Nenkov et ses collègues (2008) ont confirmé une structure en trois parties : la recherche d’alternatives (continuer à examiner d’autres options), la difficulté à décider (trouver les choix pénibles) et les exigences élevées (refuser de se contenter du second choix). La fiabilité de l’échelle complète allait de 0,54 à 0,75 avec un alpha moyen de 0,70, et les trois sous-échelles atteignaient en moyenne 0,60, 0,62 et 0,61, en dessous de la convention habituelle de 0,70. Les facettes se comportaient aussi différemment : la difficulté à décider présentait une corrélation négative et significative avec la satisfaction de vie et le bonheur, tandis que la facette des exigences élevées n’en présentait pas, et n’était pas corrélée positivement avec la dépression.

Cette observation a divisé le champ :

• Diab, Gillespie et Highhouse (2008) ont construit la Maximizing Tendency Scale autour des seules exigences élevées et ont soumis les deux échelles à 210 étudiants. L’échelle originale était corrélée à -0,24 avec la satisfaction de vie et à 0,45 avec le regret. La nouvelle échelle était corrélée à 0,04 avec la satisfaction de vie et à 0,27 avec le regret. Ils ont conclu que l’image du maximiseur malheureux tient peut-être à une mauvaise mesure.
• Lai (2010) a mesuré les exigences élevées et la recherche d’alternatives sans la difficulté à décider. La maximisation était alors corrélée positivement avec l’optimisme et le sentiment d’efficacité personnelle, et son association avec le regret était inconstante.
• Turner et ses collègues (2012) ont construit trois échelles distinctes (difficulté à décider, recherche d’alternatives, satisficing) auprès de 828 étudiants de premier cycle. Le satisficing était corrélé avec le bonheur subjectif à r = 0,44, la recherche d’alternatives n’était pas corrélée avec les indices de bien-être, et la difficulté à décider était corrélée à -0,41 avec l’optimisme.
• Roets, Schwartz et Guan (2012) ont comparé des adultes aux États-Unis (N = 307), en Europe de l’Ouest (N = 263) et en Chine (N = 218). Après contrôle des variables démographiques, la maximisation prédisait un bien-être plus faible aux États-Unis (beta = -0,30) et en Europe de l’Ouest (beta = -0,48), mais pas en Chine (beta = -0,11, non significatif).
• Giacopelli et ses collègues (2013) ont porté trois mesures de la maximisation dans le monde du travail, auprès de 237 répondants en emploi. L’échelle originale était corrélée à -0,16 avec la satisfaction au travail et à 0,04 avec le revenu annuel. L’échelle des exigences élevées était corrélée à 0,20 avec la satisfaction au travail et à 0,15 avec le revenu. Parmi les facettes, la difficulté à décider était corrélée à -0,21 avec la satisfaction au travail et les exigences élevées à 0,28. Leur mise en garde : quelle que soit la mesure, la maximisation n’est pas un prédicteur particulièrement fort à côté du caractère consciencieux et des auto-évaluations centrales.
• Oishi et ses collègues (2014, résumé) ont constaté que les maximiseurs américains étaient plus déprimés et moins heureux sur l’échelle de Schwartz, mais en réalité plus heureux que les satisficeurs sur l’échelle de Diab. Chez les répondants japonais, les maximiseurs déclaraient un bien-être plus faible quelle que soit l’échelle utilisée.
• Dalal et ses collègues (2015, résumé) sont revenus au texte de Simon et ont conclu que la Maximizing Tendency Scale est plus valide, sur les plans théorique et psychométrique, que la Maximization Scale.
• Cheek et Schwartz (2016) ont passé en revue 11 mesures publiées et proposé un modèle à deux composantes : un objectif de maximisation (choisir le meilleur) poursuivi au moyen d’une stratégie de maximisation (la recherche d’alternatives). La difficulté à décider et le regret sont, selon eux, des conséquences ou des causes, non des composantes.
• Kim et Miller (2017) ont constaté que la baisse plus marquée, chez les maximiseurs, de l’appréciation d’une option choisie après un retour négatif tenait principalement au facteur de difficulté à décider.
• Misuraca et Fasolo (2018) ont appelé à cesser de développer de nouvelles échelles de maximisation.
• Cheek et Goebel (2020) ont montré dans deux études (N total = 639) que les échelles de difficulté à décider et les échelles d’indécision sont corrélées à 0,85 ou plus. Au vu de ces éléments, cette partie de l’ancienne échelle est de l’indécision sous un autre nom.
• Vargová et ses collègues (2020) ont testé le modèle à deux composantes sur 514 personnes de la population générale en Slovaquie. La stratégie de recherche était corrélée à -0,10 avec le bonheur et à 0,13 avec la dépression. L’objectif (exigences élevées) était corrélé à 0,03 avec le bonheur et à 0,05 avec la dépression.

Un fil va à l’encontre du résultat sur les salaires. Parker, Bruine de Bruin et Fischhoff (2007), qui ont étudié 360 personnes recrutées dans la région de Pittsburgh, rapportent que des scores plus élevés à l’échelle originale allaient de pair avec une moindre compétence décisionnelle (r = -0,19 dans leur étude antérieure) et de moins bons scores à un inventaire de 41 événements de vie négatifs (beta standardisé = -0,25 seul, -0,12 avec d’autres variables incluses). Sur l’échelle originale, les maximiseurs n’obtenaient pas non plus de meilleurs résultats de façon fiable.

Alors, quel style l’emporte sur les résultats, et lequel sur le bien-être ?

Pour répondre, les résultats ci-dessus ont été codés un par un : quelle composante était mesurée, si le résultat était subjectif (regret, bonheur, dépression, satisfaction) ou objectif (salaire, revenu, épreuves de compétence, événements de vie déclarés), et si un score élevé allait de pair avec un résultat moins bon, nul ou meilleur. Les corrélations sans astérisque ont été codées comme nulles en dessous de la valeur critique bilatérale de 0,05 pour la taille de l’échantillon (0,127 pour N = 237).

Tableau 2. Analyse CEOtudent de 36 résultats publiés, par composante et par type de résultat

Ce qui était mesuré	Résultats subjectifs : moins bon / nul / meilleur	Résultats objectifs : moins bon / nul / meilleur	Tous les résultats : part de moins bons
Échelle de maximisation composite (recherche + difficulté + exigences)	11 / 1 / 0	2 / 1 / 1	13 sur 16 (81 %)
Exigences élevées (la maximisation comme objectif)	2 / 3 / 3	0 / 0 / 2	2 sur 10 (20 %)
Recherche d’alternatives (la maximisation comme stratégie)	2 / 2 / 0	0 / 1 / 0	2 sur 5 (40 %)
Difficulté à décider	4 / 0 / 0	0 / 1 / 0	4 sur 5 (80 %)
Toutes les composantes	19 / 6 / 3 (28 résultats)	2 / 3 / 3 (8 résultats)	21 sur 36 (58 %)

Analyse CEOtudent de Schwartz et al. (2002), Iyengar et al. (2006), Parker et al. (2007), Diab et al. (2008), Nenkov et al. (2008), Turner et al. (2012), Roets et al. (2012), Giacopelli et al. (2013), Oishi et al. (2014), Kim et Miller (2017) et Vargová et al. (2020). La liste complète du codage figure dans calc.py. Il s’agit d’un décompte de sens, non d’une méta-analyse : les résultats ne sont pas pondérés par la taille des échantillons, plusieurs proviennent du même échantillon, et la sélection se limite aux études passées en revue ici.

L’échelle composite paraît mauvaise à cause de ce qu’elle contient. Treize des 16 résultats vont dans le mauvais sens. L’unique cellule « meilleur » est le résultat sur le salaire de 20 %.

Les exigences élevées paraissent sans problème. Seuls 2 résultats sur 10 sont moins bons : un lien avec le regret dans les données de Diab (r = 0,27, contre 0,45 pour l’échelle composite) et l’échantillon japonais de l’étude d’Oishi. Cinq sur 10 sont meilleurs, y compris les deux résultats objectifs (revenu).

C’est avec la recherche que le coût commence. Aucun résultat de cet ensemble ne relie davantage de recherche à un bien-être plus élevé. Les effets sont faibles (-0,10 avec le bonheur représente environ 1 % de la variance), mais ils ne pointent jamais vers le haut.

La difficulté à décider est le vrai problème. Quatre résultats sur 5 sont moins bons, et le cinquième (revenu) est nul. Comme cette composante est presque impossible à distinguer de l’indécision, la lecture pratique est que c’est le tourment, et non l’ambition, qui fait mal.

Le verdict

1. Sur le bien-être subjectif, le satisficing l’emporte, mais seulement face au type de maximisation qui consiste en comparaisons sans fin et en tourments. Face aux seules exigences élevées, il ne l’emporte pas. L’échelle de satisficing de Turner était corrélée avec le bonheur à 0,44, mais la mesure distincte du satisficing de Vargová n’était liée à rien, si bien que même ce point est moins établi que ne le laissent entendre les résumés grand public.
2. Sur les résultats objectifs, les preuves sont minces et contrastées. Huit résultats : trois meilleurs, trois nuls, deux moins bons. Les exigences élevées allaient de pair avec un revenu légèrement supérieur et une étude a trouvé une prime salariale de 20 %, tandis que deux résultats relient l’échelle composite à une compétence décisionnelle plus faible et à davantage d’événements de vie négatifs.
3. La question du style n’est pas la bonne unité. La recherche plaide pour la séparation de trois choses que la première échelle avait fusionnées : le niveau d’exigence, la quantité de recherche et la difficulté émotionnelle. Garder le premier élevé. Plafonner la deuxième à l’avance. Traiter la troisième comme le signal que le plafond manque.

Avoir plus d’options change-t-il la réponse ?

La littérature situationnelle pose la même question à propos de l’environnement plutôt que de la personne. Iyengar et Lepper (2000) ont mené la célèbre expérience de terrain opposant un assortiment limité de 6 confitures à un assortiment étendu de 24. Près de 30 % des consommateurs ayant vu l’étalage limité ont ensuite acheté (31 personnes), contre 3 % pour l’étalage étendu (4 personnes), parmi les 249 clients qui se sont arrêtés au stand : un taux d’achat dix fois supérieur. Puis sont venues les réplications.

Tableau 3. La surcharge de choix dans deux méta-analyses, telle qu’imprimée

Méta-analyse	Données	Résultat tel qu’imprimé
Scheibehenne, Greifeneder et Todd (2010)	63 conditions issues de 50 expériences publiées et non publiées, N = 5 036	Taille d’effet moyenne D = 0,02 (IC à 95 % de -0,09 à 0,12) ; « pratiquement nulle », avec une variance considérable entre les études
Chernev, Böckenholt et Goodman (2015)	99 observations issues de 53 études dans 21 articles, N = 7 202	Quatre modérateurs significatifs : complexité de l’ensemble de choix, difficulté de l’exercice de décision, incertitude des préférences, objectif de la décision
Chernev, Böckenholt et Goodman (2015)	Effet moyen de la taille de l’assortiment, selon le type d’étude	b = 0,41 pour les études sans modérateurs ; b = 0,04 (non significatif) pour les études avec modérateurs

Sources : Scheibehenne et al. (2010), résumé et résultats ; Chernev et al. (2015), résumé et texte des résultats. Dans les deux articles, un effet positif indique une surcharge de choix.

Les deux méta-analyses sont plus proches qu’il n’y paraît. La première dit que l’effet moyen d’un plus grand nombre d’options est à peu près nul et qu’il varie beaucoup. La seconde dit que cette variation est systématique : davantage d’options nuisent lorsque les options sont complexes, que l’exercice est difficile, que la personne ne sait pas ce qu’elle veut et que le but est de choisir plutôt que de parcourir. L’incertitude des préférences est le modérateur qu’une personne maîtrise. Écrire ce que signifie « suffisamment bon » supprime la condition dans laquelle un large ensemble d’options cause des dommages.

La littérature sur la maximisation est arrivée à la même conclusion par l’autre côté. Le nombre d’options n’est pas le problème, et les exigences non plus. Une recherche ouverte, sans seuil fixé à l’avance, l’est.

Pourquoi les outils d’IA rendent-ils la règle d’arrêt plus importante ?

Cette section est un raisonnement à partir des sources ci-dessus, non de nouvelles données.

Le satisficeur de Simon s’arrête parce que chercher coûte cher. Les outils d’IA générative suppriment une grande partie de ce coût pour une vaste classe de décisions. Davantage de variantes de titre, davantage d’itinéraires, une réécriture de plus de la lettre de motivation : chacune coûte une requête.

Trois conséquences découlent de la recherche passée en revue ici.

Le frein naturel a disparu. Si c’était le coût qui mettait fin à la recherche, et que le coût tend vers zéro, alors la recherche ne s’arrête que lorsqu’une règle y met fin. Sans règle, n’importe qui peut se comporter comme le maximiseur à forte recherche, la composante qui n’a jamais montré de bénéfice pour le bien-être dans les résultats codés plus haut.

Le niveau d’aspiration dérive vers le haut. Simon écrivait en 1955 que le niveau d’aspiration s’élève lorsque les options satisfaisantes sont faciles à découvrir. Quand une option acceptable apparaît en quelques secondes, chaque option semble améliorable et la barre se déplace chaque fois qu’elle est atteinte. Un seuil écrit avant la première requête ne peut pas dériver.

L’incertitude des préférences est mise à nu, pas résolue. Les modérateurs de Chernev indiquent que les grands ensembles nuisent le plus lorsque la personne ne sait pas ce qu’elle veut. Demander davantage d’options à un modèle est souvent une manière de repousser cette question. Le remède consiste à énoncer d’abord les critères et à demander à l’outil d’évaluer par rapport à eux, non à générer jusqu’à ce que quelque chose paraisse convenir.

Il existe un échec inverse, traité dans l’article sur le biais de la première conclusion : prendre la première réponse de l’IA sans le moindre niveau d’exigence. Ce n’est pas du satisficing au sens de Simon, car aucun seuil n’est appliqué. Les deux erreurs ont le même remède.

Comment fixer la règle d’arrêt pour chaque type de décision ?

Cadre éditorial CEOtudent : la matrice des règles d’arrêt. Il s’agit d’un outil éditorial construit sur le schéma des tableaux 1-3, non d’un résultat de recherche. Les valeurs chiffrées par défaut (trois critères indispensables, une liste restreinte de cinq) sont des points de départ à ajuster.

Classe de décision	Réversibilité	Enjeux	Options	Règle	Seuil à écrire d’abord
A. Choix opérationnels quotidiens (quoi manger, quel modèle, quel créneau de réunion)	Facile à annuler	Faibles	Nombre quelconque	Satisficing strict : prendre la première option qui passe	Un ou deux critères indispensables et un plafond de temps en minutes
B. Essais et outils (un abonnement, un flux de travail, un module de cours)	Réversible à un coût connu	Moyens	Nombreuses	Satisficing, puis réexamen	Trois critères indispensables, un plafond de dépense et une date de réexamen
C. Petit mais définitif (un cadeau, un achat ponctuel)	Difficile à annuler	Faibles	Nombreuses	Satisficing avec un échantillon fixe	Nombre d’options à examiner, fixé avant de regarder
D. Engagements majeurs avec peu d’options réelles (une offre d’emploi parmi deux ou trois, un cofondateur)	Difficile à annuler	Élevés	Peu nombreuses	Maximiser sur les exigences : comparer chaque option à tous les critères	Critères classés et niveau minimal acceptable pour chacun
E. Engagements majeurs avec de nombreuses options (une ville, un diplôme, une orientation de carrière)	Difficile à annuler	Élevés	Nombreuses	Deux étapes : satisficing jusqu’à une liste restreinte, maximisation à l’intérieur	Seuil de présélection, liste restreinte de cinq et date de décision
F. Production de compétence et de métier (la qualité du travail qui construit une réputation)	Cumulative	Élevés dans la durée	Pas un ensemble de choix	Garder l’exigence élevée, plafonner la recherche d’outils et de méthodes	La barre de qualité de la production, plus une limite aux changements d’outils

Comment la matrice se rattache aux preuves :

• Les classes A-C sont celles où le maximiseur composite paie le coût du regret pour rien : l’écart entre la première option acceptable et la meilleure est faible, et c’est la recherche qui constitue la dépense. L’article sur la fatigue décisionnelle et la structure de la journée explique comment supprimer entièrement nombre de ces choix.
• La classe D est celle où se situe le résultat sur les salaires. Avec des enjeux élevés et peu d’options, tout comparer coûte peu et peut rapporter. Le risque est subjectif, donc la comparaison doit se terminer à une date précise et les options non retenues doivent être closes.
• La classe E est le cas que décrivent les modérateurs de la surcharge de choix : options complexes, exercice difficile, préférences incertaines. Énoncer les critères avant de chercher est l’étape qui compte le plus.
• La classe F est le prisme de l’étudiant. Les exigences élevées n’entraînaient que peu ou pas de coût pour le bien-être dans les données et allaient de pair avec des résultats objectifs légèrement meilleurs. Les exigences portent sur le travail ; le plafond de recherche porte sur tout ce qui l’entoure.

Le prisme du CEO est que la règle est fixée à l’avance, par classe, comme une entreprise fixe des plafonds d’approbation par montant. Le protocole du journal de décision est l’endroit où consigner le seuil et vérifier plus tard s’il était trop haut ou trop bas.

Quelle règle convient à la décision qui se présente ? Un test en sept questions

Répondre avant de regarder la moindre option.

1. Cela peut-il être annulé en un mois à un coût qui n’aurait plus d’importance dans un an ? Si oui, c’est la classe A ou B. Satisficing.
2. La différence entre une bonne option et la meilleure sera-t-elle encore visible dans un an ? Si non, satisficing, quelle que soit l’impression que donne le choix.
3. L’ensemble complet des options réalistes est-il assez restreint pour être comparé intégralement en une seule séance ? Si oui et que les enjeux sont élevés, les comparer toutes une fois (classe D).
4. Les critères indispensables peuvent-ils être écrits en une phrase, tout de suite ? Si non, le problème est l’incertitude des préférences. Cesser de chercher et les définir d’abord.
5. Existe-t-il un nombre ou une date auxquels la recherche prend fin ? Si non, en écrire un. Une recherche ouverte est le schéma associé à un bien-être plus faible dans les études ci-dessus.
6. L’exigence porte-t-elle sur la qualité du travail, ou sur le fait d’avoir choisi le meilleur élément entre tous ? Garder la première. Abandonner la seconde pour tout ce qui sort des classes D et E.
7. Après le choix, existe-t-il un plan pour cesser de comparer ? Se désabonner des alertes, fermer les onglets, archiver la liste restreinte. La fixation sur les options non réalisées est le médiateur nommé dans l’étude sur la recherche d’emploi.

Lecture des réponses : un « non » à la question 4 ou 5 signifie qu’il ne faut pas encore commencer à chercher. Un « oui » à la question 1 ou un « non » à la question 2 signifie que la première option qui remplit les critères indispensables est la réponse. Seules les décisions à forts enjeux qui passent les questions 3-5 méritent une comparaison complète.

Ce que cela ne signifie pas

Cela ne signifie pas que les satisficeurs sont des personnes plus heureuses en général. Les corrélations originales avec le bonheur expliquent environ 6 % de la variance, et presque toutes les études citées ici sont transversales. Les personnes sujettes au regret ou d’humeur basse sont peut-être celles qui cherchent davantage. Roets et ses collègues notent que leurs « effets » sont des relations, non une causalité établie expérimentalement.

Cela ne signifie pas que les échelles mesurent la même chose. Onze mesures existaient en 2016. Dans les données de Diab, les deux échelles les plus connues étaient corrélées à 0,48 entre elles, soit environ 23 % de variance partagée. Un titre sur les « maximiseurs » peut décrire des exigences élevées, une recherche sans fin ou de l’indécision, selon l’instrument.

Cela ne signifie pas que le schéma est universel. La maximisation n’était pas liée au bien-être dans l’échantillon chinois de l’étude de Roets, et elle était liée à un bien-être plus faible sur les deux échelles dans l’échantillon japonais d’Oishi.

Cela ne signifie pas que la maximisation paie. La prime salariale de 20 % provient d’une seule étude portant sur des étudiants en fin de cursus. Deux autres résultats relient la même échelle à une compétence décisionnelle plus faible et à davantage d’événements de vie négatifs, et dans l’échantillon de personnes en emploi de Giacopelli, la corrélation de l’échelle composite avec le revenu était de 0,04.

Cela ne signifie pas qu’il faille abaisser ses exigences. Le satisficeur de Simon a un seuil, et ce seuil peut être exigeant. Les preuves vont à l’encontre de la recherche illimitée et du tourment. Elles ne vont pas à l’encontre du désir d’excellents résultats.

Cela ne signifie pas que le tableau 2 est une méta-analyse. C’est un décompte de sens non pondéré, portant sur un ensemble d’études sélectionnées à la main dont les échantillons se recoupent, et il ne doit pas être cité comme une taille d’effet.

Questions fréquentes

Vaut-il mieux être satisficeur ou maximiseur ?
Pour le regret et le bien-être au quotidien, la recherche favorise le satisficing par rapport à la forme de maximisation chargée en recherche et en tourments. Pour les seules exigences élevées, les preuves montrent peu ou pas de coût pour le bien-être. La meilleure question est de savoir quelle règle convient à quelle décision.

Les maximiseurs gagnent-ils vraiment plus ?
Une étude de 2006 a montré que les étudiants à forte tendance à la maximisation décrochaient des emplois avec des salaires d’embauche supérieurs de 20 %. Une étude de 2013 portant sur 237 répondants en emploi a trouvé une corrélation de 0,04 entre l’échelle originale et le revenu, et de 0,15 pour une échelle d’exigences élevées. L’effet existe par endroits et il est faible.

Les maximiseurs sont-ils plus déprimés ?
Sur l’échelle originale en 13 items, la maximisation était corrélée à 0,34 avec les scores de dépression dans les échantillons de 2002. Les échelles qui mesurent les exigences élevées sans la difficulté à décider ne montrent le plus souvent pas ce lien, et une étude slovaque de 2020 a trouvé une corrélation de 0,05 entre l’objectif de maximisation et la dépression.

Qu’est-ce qu’une règle d’arrêt ?
Un seuil ou une limite fixés avant le début de la recherche et qui indiquent quand s’arrêter : une liste de critères indispensables, un nombre d’options à examiner, une échéance ou un budget. C’est le niveau d’aspiration de Simon mis par écrit, afin qu’il ne puisse pas dériver.

La surcharge de choix est-elle réelle ?
Parfois. Une méta-analyse a trouvé un effet moyen proche de zéro (D = 0,02). Une autre, plus récente, a trouvé une surcharge fiable dans quatre conditions : ensembles de choix complexes, exercices difficiles, préférences incertaines et objectif de choisir plutôt que de parcourir.

Comment cela s’applique-t-il à l’usage des outils d’IA ?
Lorsqu’un outil peut produire un nombre illimité d’alternatives à un coût quasi nul, la recherche ne s’arrête plus d’elle-même. Fixer les critères et le nombre de tours avant de lancer la requête, et évaluer les productions par rapport aux critères au lieu de générer jusqu’à ce que l’une d’elles paraisse parfaite.

Sources

1. Simon, H. A. (1955). A Behavioral Model of Rational Choice. Quarterly Journal of Economics, 69(1), 99-118.
2. Simon, H. A. (1956). Rational Choice and the Structure of the Environment. Psychological Review, 63(2), 129-138.
3. Schwartz, B., Ward, A., Monterosso, J., Lyubomirsky, S., White, K., et Lehman, D. R. (2002). Maximizing Versus Satisficing: Happiness Is a Matter of Choice. Journal of Personality and Social Psychology, 83(5), 1178-1197.
4. Iyengar, S. S., Wells, R. E., et Schwartz, B. (2006). Doing Better but Feeling Worse: Looking for the “Best” Job Undermines Satisfaction. Psychological Science, 17(2), 143-150. (résumé)
5. Iyengar, S. S., et Lepper, M. R. (2000). When Choice Is Demotivating: Can One Desire Too Much of a Good Thing? Journal of Personality and Social Psychology, 79(6), 995-1006.
6. Parker, A. M., Bruine de Bruin, W., et Fischhoff, B. (2007). Maximizers versus Satisficers: Decision-Making Styles, Competence, and Outcomes. Judgment and Decision Making, 2(6), 342-350.
7. Diab, D. L., Gillespie, M. A., et Highhouse, S. (2008). Are Maximizers Really Unhappy? The Measurement of Maximizing Tendency. Judgment and Decision Making, 3(5), 364-370.
8. Nenkov, G. Y., Morrin, M., Ward, A., Schwartz, B., et Hulland, J. (2008). A Short Form of the Maximization Scale: Factor Structure, Reliability and Validity Studies. Judgment and Decision Making, 3(5), 371-388.
9. Lai, L. (2010). Maximizing Without Difficulty: A Modified Maximizing Scale and Its Correlates. Judgment and Decision Making, 5(3), 164-175.
10. Scheibehenne, B., Greifeneder, R., et Todd, P. M. (2010). Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload. Journal of Consumer Research, 37(3), 409-425.
11. Turner, B. M., Rim, H. B., Betz, N. E., et Nygren, T. E. (2012). The Maximization Inventory. Judgment and Decision Making, 7(1), 48-60.
12. Roets, A., Schwartz, B., et Guan, Y. (2012). The Tyranny of Choice: A Cross-Cultural Investigation of Maximizing-Satisficing Effects on Well-Being. Judgment and Decision Making, 7(6), 689-704.
13. Giacopelli, N. M., Simpson, K. M., Dalal, R. S., Randolph, K. L., et Holland, S. J. (2013). Maximizing as a Predictor of Job Satisfaction and Performance: A Tale of Three Scales. Judgment and Decision Making, 8(4), 448-469.
14. Oishi, S., Tsutsui, Y., Eggleston, C., et Galinha, I. C. (2014). Are Maximizers Unhappier Than Satisficers? A Comparison Between Japan and the USA. Journal of Research in Personality, 49, 14-20. (résumé)
15. Dalal, D. K., Diab, D. L., Zhu, X., et Hwang, T. (2015). Understanding the Construct of Maximizing Tendency: A Theoretical and Empirical Evaluation. Journal of Behavioral Decision Making, 28(5), 437-450. (résumé)
16. Chernev, A., Böckenholt, U., et Goodman, J. (2015). Choice Overload: A Conceptual Review and Meta-Analysis. Journal of Consumer Psychology, 25(2), 333-358.
17. Cheek, N. N., et Schwartz, B. (2016). On the Meaning and Measurement of Maximization. Judgment and Decision Making, 11(2), 126-146.
18. Kim, K., et Miller, E. G. (2017). Vulnerable Maximizers: The Role of Decision Difficulty. Judgment and Decision Making, 12(5), 516-526.
19. Misuraca, R., et Fasolo, B. (2018). Maximizing Versus Satisficing in the Digital Age: Disjoint Scales and the Case for “Construct Consensus”. Personality and Individual Differences, 121, 152-160.
20. Cheek, N. N., et Goebel, J. (2020). What Does It Mean to Maximize? “Decision Difficulty,” Indecisiveness, and the Jingle-Jangle Fallacies in the Measurement of Maximizing. Judgment and Decision Making, 15(1), 7-24.
21. Vargová, L., Zibrínová, Ľ., et Baník, G. (2020). The Way of Making Choices: Maximizing and Satisficing and Its Relationship to Well-Being, Personality, and Self-Rumination. Judgment and Decision Making, 15(5), 798-806.

Le tableau 2 et la matrice des règles d’arrêt sont des analyses et des cadres éditoriaux CEOtudent : le tableau 2 est un décompte de sens recalculé à partir des articles cités, et la matrice ainsi que le test en sept questions sont des outils éditoriaux, non des résultats de recherche. Les tableaux 1 et 3 reproduisent les chiffres tels qu’imprimés dans les sources. Délibérément non utilisés : les montants de salaire en dollars souvent cités pour l’étude de 2006 sur la recherche d’emploi (seul le résumé était disponible, donc seuls les 20 % imprimés sont utilisés) ; toute affirmation selon laquelle une part précise de la population serait composée de maximiseurs (les sources rapportent une moyenne et une médiane d’échelle, non une répartition de la population) ; et les décomptes populaires du nombre de décisions qu’une personne prend chaque jour.

---

Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.

This post is also available in: