Le dilemme exploration-exploitation : quand essayer du nouveau et quand approfondir

TL;DR. Choisir entre une option connue et éprouvée et une option non testée relève d’un problème d’exploration-exploitation, et la recherche désigne une variable : le temps qu’il vous reste pour utiliser ce que vous apprenez. Dans une tâche de laboratoire, les participants exploraient davantage face à 6 choix à venir que face à 1 seul. Aux États-Unis, les personnes nées en 1957-64 ont occupé 5,6 emplois entre 18 et 24 ans et 2,2 entre 45 et 54 ans, et une étude classique a établi que les changements d’emploi représentent au moins un tiers de la croissance des salaires au cours des dix premières années de carrière. Sur 2 128 artistes, 4 337 réalisateurs de films et 20 040 scientifiques, la séquence « explorer, puis se concentrer » était la seule associée à une probabilité plus élevée de voir commencer une série de succès. L’IA rend les essais moins coûteux : dans un document de travail, les développeurs ayant obtenu l’accès à GitHub Copilot ont augmenté de 21,79 % leur exposition à de nouveaux langages de programmation. Le geste du CEO : fixer un budget d’exploration calibré sur votre horizon et décider à l’avance quel résultat vous ferait vous engager. Le geste de l’étudiant : traiter chaque essai comme une expérience peu coûteuse, avec une seule question, un plafond de coût et une date d’arrêt.

Cet article applique la Pile de décision personnelle à la stratégie personnelle. Il s’inscrit à côté de l’optionalité comme stratégie de carrière, qui porte sur l’art de garder des portes ouvertes, et de l’individu antifragile, qui porte sur l’art de tirer profit des chocs. La question posée ici est plus étroite : quand essayer du nouveau, et quand approfondir.

Qu’est-ce que le dilemme exploration-exploitation, en termes simples ?

C’est le choix entre une récompense que vous connaissez et une option que vous connaissez moins bien, mais qui pourrait être meilleure. Sa version formelle s’appelle le problème du bandit manchot à plusieurs bras, en référence aux machines à sous. Dans une étude publiée dans Nature en 2006, Nathaniel Daw et ses collègues ont demandé à 14 sujets en bonne santé de choisir à plusieurs reprises entre quatre machines à sous dont les gains moyens dérivaient d’un essai à l’autre. L’imagerie cérébrale a montré que le cortex frontopolaire et le sillon intrapariétal étaient plus actifs lors des choix exploratoires, tandis que certaines parties du striatum et du cortex préfrontal ventromédian intervenaient dans les choix d’exploitation fondés sur la valeur.

Dans la recherche en management, l’article de James March publié en 1991 dans Organization Science présentait l’apprentissage organisationnel comme une tension entre « l’exploration de nouvelles possibilités et l’exploitation de certitudes anciennes ». Son résumé avertit que les processus adaptatifs, parce qu’ils affinent l’exploitation plus vite que l’exploration, « sont susceptibles de devenir efficaces à court terme mais autodestructeurs à long terme ». Le même piège guette une carrière individuelle : la compétence qui rapporte aujourd’hui accapare la pratique, et elle évince ainsi la recherche de la compétence qui rapporterait plus tard.

Une synthèse publiée en 2015 dans Decision par Katja Mehlhorn et ses collègues a suivi cet arbitrage à travers la recherche sur l’humain et sur l’animal, et a montré qu’il n’a pas de réponse fixe : il dépend des définitions retenues, de facteurs environnementaux, sociaux et individuels, ainsi que de l’échelle de temps. Le concept a atteint le grand public grâce au livre Algorithms to Live By de Brian Christian et Tom Griffiths, paru en 2016.

En quoi est-ce différent de la règle des 37 % ?

La règle des 37 % relève d’un autre problème, celui de l’arrêt optimal. Dans le problème classique du secrétaire, les candidats se présentent un par un, un candidat rejeté ne peut pas être rappelé, et le seul succès consiste à choisir le meilleur de tous. Les notes de cours de Thomas Ferguson sur l’arrêt optimal montrent que, lorsque les candidats sont nombreux, il est approximativement optimal d’écarter les premiers 36,8 % (une proportion de 1/e), puis de retenir le premier candidat suivant qui surpasse tous ceux vus jusque-là.

L’exploration-exploitation est différente : vous choisissez de manière répétée, vous collectez des récompenses en chemin et vous pouvez généralement revenir à une option antérieure. Répartir chaque trimestre vos heures d’apprentissage entre votre compétence clé et de nouvelles compétences est un problème de bandit, et c’est le sujet de cet article.

Pourquoi votre horizon temporel décide-t-il de l’essentiel de la réponse ?

Parce qu’une information n’a de valeur que s’il reste du temps pour l’utiliser. Robert Wilson et ses collègues (Journal of Experimental Psychology: General, 2014) résument une théorie qui remonte aux travaux de John Gittins sur les problèmes de bandit dans les années 1970 : « l’information a une valeur réelle lorsque les horizons sont longs ». Leur tâche Horizon a mis cette idée à l’épreuve. Chaque partie commençait par quatre essais à choix imposé, après lesquels les participants faisaient soit un seul choix libre (horizon 1), soit une séquence de 6 (horizon 6). Avec l’horizon le plus long, les 30 participants de l’analyse principale ont montré les deux formes d’exploration : un bonus plus important accordé à l’option la moins connue (exploration dirigée) et des choix plus bruités (exploration aléatoire). Une expérience parallèle n’a trouvé aucune différence entre des horizons de 6 et de 11, ce qui est cohérent avec un effet qui s’active dès qu’il existe un futur dans lequel utiliser l’information.

Alison Gopnik (Philosophical Transactions of the Royal Society B, 2020) soutient que la longue enfance humaine est une période de recherche étendue, issue de l’évolution, « avant que ne s’imposent les exigences de l’exploitation orientée vers un but », et note que les solutions au dilemme partagent un trait : « l’apprenant devrait commencer par explorer et converger progressivement vers l’exploitation ».

À l’autre bout de la vie, Rui Mata, Andreas Wilke et Uwe Czienskowski (Frontiers in Neuroscience, 2013) ont comparé des adultes jeunes et âgés dans deux tâches de recherche de nourriture, dont une tâche de pêche avec 150 participants (75 jeunes, 75 âgés). Ils rapportent « une tendance à une exploration réduite avec l’âge » : les adultes âgés restaient plus longtemps dans une zone avant de passer à la suivante. Les auteurs mettent en balance une explication adaptative (moins d’avenir devant soi) et le déclin cognitif, sans trancher sur ce qui pèse le plus.

La leçon pratique : l’horizon se fixe domaine par domaine, pas selon la date de naissance. Une personne de 50 ans qui compte utiliser un nouvel outil d’analyse de données pendant 15 ans a un horizon long dans ce domaine. Une personne de 25 ans qui prévoit de quitter un secteur l’an prochain a un horizon court dans ce secteur.

Que disent les données de carrière sur l’exploration précoce ?

Le Bureau of Labor Statistics suit les mêmes personnes pendant des décennies dans la National Longitudinal Survey of Youth 1979 (NLSY79) : 9 964 hommes et femmes nés en 1957-64, interrogés pour la dernière fois en 2022-23, à l’âge de 57 à 66 ans. Le tableau 1 met en regard ses derniers chiffres et la plus récente publication Employee Tenure.

Tableau 1. La courbe de carrière : changements d’emploi, départs précoces, croissance des revenus et ancienneté selon l’âge (États-Unis)

Tranche d’âge	Emplois occupés dans la tranche (NLSY79)	Emplois par année d’âge (calcul CEOtudent)	Emplois commencés dans la tranche et terminés dans un délai de 1 an	Croissance annuelle moyenne du salaire horaire réel	Ancienneté médiane chez l’employeur actuel, janvier 2026
18-24	5,6	0,80	60,7 %	6,5 %	1,5 an (20-24 ans)
25-34	4,5	0,45	41,7 %	3,3 %	3,0 ans
35-44	2,9	0,29	25,3 %	1,9 %	4,7 ans
45-54	2,2	0,22	21,4 %	0,1 %	7,0 ans
55-58	1,3	0,33	23,8 %	0,7 %	9,6 ans (55-64 ans)

Sources : U.S. Bureau of Labor Statistics, Number of Jobs, Labor Market Experience, Marital Status, and Health for Those Born 1957-1964 (NLSY79 ; publié le 26 août 2025, republié le 21 juillet 2026), points saillants et tableaux 2 et 5 ; U.S. Bureau of Labor Statistics, Employee Tenure in 2026 (24 septembre 2026), tableau 1. Les emplois par année d’âge divisent le nombre d’emplois de chaque tranche par le nombre d’années d’âge qu’elle couvre (7 pour les 18-24 ans, 10 pour les tranches intermédiaires, 4 pour les 55-58 ans). La colonne d’ancienneté est un instantané de 2026 de l’ensemble des salariés américains, et non de la cohorte NLSY79, et ses tranches la plus jeune et la plus âgée diffèrent. Le texte de la publication du BLS donne le chiffre de croissance des revenus de 0,1 % pour la tranche de 45 à 55 ans.

Trois tendances ressortent. Cette cohorte a occupé 12,9 emplois entre 18 et 58 ans, dont plus de 40 % avant 25 ans ; par année d’âge, les 18-24 ans ont commencé environ 3,6 fois plus d’emplois que les 45-54 ans. Les premiers emplois se terminent vite : 60,7 % des emplois commencés entre 18 et 24 ans ont pris fin en moins d’un an, contre 21,4 % entre 45 et 54 ans. Et le salaire horaire réel a progressé de 6,5 % par an entre 18 et 24 ans, contre 0,1 % entre 45 et 54 ans.

Une cohorte plus jeune présente le même profil. La publication NLSY97 de mai 2026 porte sur les personnes nées en 1980-84 : elles ont occupé 9,4 emplois de 18 à 38 ans, dont 5,1 entre 18 et 23 ans, et 61 % des emplois commencés entre 18 et 24 ans ont duré moins d’un an, contre 32 % des emplois commencés entre 25 et 38 ans. Dans les données d’ancienneté de janvier 2026, l’ancienneté médiane des travailleurs de 55 à 64 ans (9,6 ans) était plus de trois fois supérieure à celle des travailleurs de 25 à 34 ans (3,0 ans).

Robert Topel et Michael Ward ont suivi les carrières de jeunes hommes pendant 15 ans au maximum à l’aide des Longitudinal Employee-Employer Data (NBER Working Paper 2649, 1988, publié ensuite dans le Quarterly Journal of Economics). Au cours des 10 premières années sur le marché du travail, « un jeune travailleur type travaillera pour sept employeurs », soit environ les deux tiers de tous les emplois qu’il occupera, et les gains salariaux lors des changements d’emploi « représentent au moins un tiers de la croissance des salaires en début de carrière ». Dans leur décomposition, les transitions d’emploi expliquaient 40 % de la croissance cumulée du logarithme des salaires au cours des dix premières années. Le changement d’emploi précoce semble désordonné, concluent-ils, mais c’est ainsi que les travailleurs parviennent à des appariements stables.

Une mise en garde : les licenciements, les déménagements et les événements familiaux figurent eux aussi dans ces chiffres, et les moyennes ne disent rien d’un changement en particulier.

Est-il payant d’explorer avant de se spécialiser ?

Ofer Malamud a exploité une expérience naturelle dans les universités britanniques. Les étudiants anglais choisissent une seule discipline avant d’entrer à l’université ; les étudiants écossais sont généralement admis dans une faculté large et étudient plusieurs disciplines pendant leurs deux premières années. Si l’université servait surtout à acquérir des compétences propres à une discipline, les Écossais qui se spécialisent tardivement devraient changer davantage de domaine après leur diplôme, puisqu’ils renoncent à moins de formation. Les données ont montré l’inverse. Dans l’estimation privilégiée, les titulaires d’un diplôme écossais étaient environ 6 points de pourcentage moins susceptibles de passer à une profession sans rapport avec leur discipline, pour un taux de changement écossais d’environ 42 % (NBER Working Paper 15522). Explorer plusieurs disciplines a aidé les étudiants à trouver une meilleure adéquation.

Un article complémentaire a chiffré le coût du changement. Les diplômés passés à une profession sans rapport avec leurs études ont subi une perte de salaire la première année d’environ 7 points de pourcentage. Les changements étaient plus fréquents en Angleterre, où les étudiants se spécialisent tôt, mais « une croissance salariale plus forte chez ceux qui changent efface l’écart de salaire au bout de plusieurs années » (NBER Working Paper 15943). Ensemble, ces résultats indiquent qu’explorer avant de s’engager réduit les inadéquations, et que corriger une inadéquation plus tard a un coût réel mais temporaire pour ceux à qui il reste suffisamment d’horizon.

Qu’est-ce qui précède immédiatement une série de succès dans une carrière ?

Lu Liu, Dashun Wang et leurs collègues (Nature Communications, 2021) ont retracé l’œuvre de 2 128 artistes (plus de 800 000 images d’œuvres d’art), 4 337 réalisateurs de films (79 000 films) et 20 040 scientifiques, en utilisant l’apprentissage profond et des méthodes de réseaux pour mesurer la diversité de la production de chaque personne au fil du temps. Dans les trois domaines, les individus tendaient à explorer des styles ou des sujets variés avant une série de succès, puis devenaient nettement plus concentrés une fois celle-ci commencée.

Le résultat clé porte sur la séquence. Une exploration non suivie de concentration était associée à une probabilité de début d’une série de succès inférieure au niveau de référence, tout comme une exploitation non précédée d’exploration. L’exploration suivie de l’exploitation était la seule combinaison associée à une hausse de la probabilité qu’une série de succès commence : 20,5 % au-dessus du niveau de référence pour les artistes, 13,8 % pour les réalisateurs et 19,2 % pour les scientifiques. Les auteurs suggèrent que l’exploration, une stratégie risquée qui élargit l’éventail des résultats possibles, augmente les chances de trouver une idée prometteuse, que l’exploitation permet ensuite de développer.

Les auteurs soulignent que ces données sont corrélationnelles. Elles ne montrent pas que la concentration cause le succès, mais elles dessinent une forme : le geste qui compte est le passage de l’exploration à la concentration.

Comment l’IA change-t-elle le coût de l’exploration ?

L’exploration coûte cher surtout parce que les premières semaines dans un nouveau domaine sont lentes. Les premières données suggèrent que l’IA générative réduit ce coût. Manuel Hoffmann et ses collègues (Harvard Business School Working Paper 25-021, non évalué par les pairs ; deux des cinq auteurs travaillent chez Microsoft et GitHub) ont exploité un seuil d’éligibilité à un programme dans un modèle de régression sur discontinuité pour étudier l’accès gratuit à GitHub Copilot auprès de 50 032 développeurs open source de premier plan. Les développeurs éligibles se sont réorientés vers le code, en hausse de 5,4 points de pourcentage en part de l’activité totale, et se sont détournés de la gestion de projet, en baisse de 10 points de pourcentage. Ils ont aussi davantage exploré : ils ont interagi en moyenne avec 15 nouveaux dépôts supplémentaires par rapport à leurs pairs non éligibles et ont augmenté de 21,79 % leur exposition cumulée à de nouveaux langages de programmation, tandis que les retours vers des dépôts déjà connus diminuaient. Les auteurs y voient « une augmentation des activités d’exploration plutôt que d’exploitation ».

Une deuxième étude suggère pourquoi. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié un assistant d’IA destiné aux agents du service client. La version publiée (Quarterly Journal of Economics, 2025), qui porte sur 5 172 agents, indique que l’accès à l’outil a augmenté de 15 % en moyenne le nombre de problèmes résolus par heure, les travailleurs moins expérimentés et moins qualifiés améliorant à la fois la rapidité et la qualité de leur travail. Dans la version de 2023 du document de travail, les agents traités ayant deux mois d’ancienneté obtenaient d’aussi bons résultats que les agents non traités ayant plus de six mois d’ancienneté. Pour cette courbe, les auteurs disent ne pas pouvoir distinguer l’apprentissage du simple fait de suivre les recommandations de l’outil, mais les données recueillies lors de pannes logicielles, quand l’outil ne fournissait aucune suggestion, montraient encore des gains par rapport au niveau des travailleurs avant l’IA, ce que les auteurs interprètent comme le signe d’un apprentissage durable.

L’implication : l’IA abaisse le coût par essai et celui de la phase de débutant, si bien qu’un même budget achète davantage d’essais. Elle n’allonge pas votre horizon et ne vous dit pas quand vous arrêter, ce qui rend une règle d’arrêt d’autant plus importante.

Que disent les données sur les moments où l’exploration est payante ?

Tableau 2. Analyse CEOtudent de onze études et publications statistiques : quand l’exploration est payante

Contexte (source)	Échantillon	Résultat vérifié	Ce que cela suggère sur le bon moment
Tâche de choix en laboratoire (Wilson et al., 2014)	30 participants dans l’analyse principale	Davantage d’exploration dirigée et aléatoire face à 6 choix à venir que face à 1 ; aucune différence entre 6 et 11	Explorer dès qu’il existe un futur dans lequel utiliser l’information
Enfance (Gopnik, 2020)	Théorie et revue des données	Les solutions tendent à commencer par l’exploration et à converger vers l’exploitation	La recherche large a sa place au début de toute courbe d’apprentissage
Vieillissement (Mata et al., 2013)	150 adultes dans la tâche de pêche	Tendance à une exploration réduite avec l’âge	L’exploration diminue à mesure que l’horizon raccourcit, peut-être aussi en raison du déclin
Début de carrière (Topel et Ward, document de travail de 1988)	Jeunes hommes suivis jusqu’à 15 ans	Sept employeurs au cours des 10 premières années ; les changements d’emploi représentent au moins un tiers de la croissance salariale initiale	Le changement d’emploi précoce est une source majeure de la croissance salariale en début de carrière
Données de cohortes américaines (BLS NLSY79 et NLSY97)	9 964 personnes nées en 1957-64 ; environ 9 000 nées en 1980-84	5,6 emplois entre 18 et 24 ans contre 2,2 entre 45 et 54 ans ; croissance des revenus de 6,5 % contre 0,1 % par an	L’essentiel des changements, et l’essentiel de la croissance des revenus, se produit tôt
Spécialisation universitaire (Malamud, documents de travail de 2009 et 2010)	Diplômés britanniques	Les spécialistes tardifs ont environ 6 points de moins de probabilité de changer de domaine ; l’écart de salaire de première année de ceux qui changent se résorbe après plusieurs années	Explorer avant de s’engager réduit les inadéquations
Carrières créatives (Liu et al., 2021)	26 505 carrières	Seule l’exploration suivie de l’exploitation augmentait la probabilité de début d’une série de succès (de 13,8 % à 20,5 % au-dessus du niveau de référence)	Le passage à la concentration est le geste qui compte
Outils d’IA (Hoffmann et al., document de travail ; Brynjolfsson et al., 2025)	50 032 développeurs ; 5 172 agents	21,79 % d’exposition supplémentaire à de nouveaux langages ; les novices tirent le plus grand profit de l’aide de l’IA	Le coût par essai baisse ; l’horizon, lui, ne s’allonge pas

Sources : citées dans chaque ligne ; références complètes ci-dessous. La colonne sur le bon moment relève de l’interprétation éditoriale de CEOtudent et ne constitue pas un résultat des études.

Trois conditions reviennent : l’exploration vaut le plus lorsque l’horizon est long, lorsqu’un essai révèle une information réelle sur l’adéquation et lorsqu’un passage délibéré à la concentration lui succède. L’outil ci-dessous s’appuie sur elles.

L’outil d’allocation exploration-exploitation de CEOtudent

Il s’agit d’un cadre éditorial CEOtudent, et non d’un instrument validé, sans taux de réussite. Évaluez toute compétence, tout poste, tout projet parallèle ou tout outil envisagé à l’aide de trois questions :

1. Horizon restant. Pendant combien de temps pourriez-vous utiliser ce que cet essai vous apprendrait ? Long signifie plusieurs années d’utilisation après avoir atteint la maîtrise.
2. Réversibilité. En cas d’échec, pouvez-vous revenir en arrière en quelques semaines, à un coût que vous pouvez absorber ?
3. Information par essai. Un seul essai, petit et circonscrit, produirait-il un signal qui modifie votre prochaine décision ?

Tableau 3. Cadre éditorial CEOtudent : outil d’allocation exploration-exploitation

Horizon	Réversible ?	Information par essai	Posture	Exemple
Long	Oui	Élevée	Explorer maintenant par petits essais ; c’est là que se loge principalement votre budget d’exploration	Tester quelques outils d’IA sur de vraies tâches hebdomadaires
Long	Oui	Faible	Repenser l’essai pour obtenir un retour plus rapide avant d’y investir	Transformer un cours sans projet en un cours assorti d’un mini-projet livré
Long	Non	Élevée	Explorer d’abord par un substitut réversible	Une courte mission ou un projet parallèle avant une reconversion
Long	Non	Faible	Attendre ; obtenir l’information ailleurs et garder l’option ouverte	Échanger avec plusieurs praticiens avant un diplôme de plusieurs années
Court	Oui	Élevée	Test rapide uniquement s’il peut être rentabilisé dans l’horizon	Un essai d’une semaine d’un changement de méthode de travail
Court	Oui	Faible	Exploiter ; le traiter comme de la curiosité, pas comme une stratégie	Essayer un outil à la mode que vous n’utiliserez pas au travail
Court	Non	Élevée	Exploiter, sauf si les critères d’arrêt de l’option actuelle se sont déclenchés	Changer d’employeur peu avant un départ prévu
Court	Non	Faible	Exploiter fermement et redoubler d’efforts	Terminer une certification presque achevée

L’horizon détermine si l’exploration en vaut la peine, l’information détermine si un essai mérite d’être mené, et la réversibilité détermine la manière de le mener. Pour choisir quelle compétence recevra votre prochain bloc d’effort ciblé, utilisez la matrice de décision des compétences à quatre facteurs ; cet outil-ci décide de la part d’effort consacrée à essayer plutôt qu’à approfondir.

Quelle taille doit avoir votre budget d’exploration ?

Aucune étude ne fournit de ratio correct pour une carrière individuelle ; cette règle et ses chiffres sont donc des points de départ éditoriaux, et non des valeurs issues de la recherche.

1. Budgétez d’abord le temps, ensuite l’argent. Choisissez un montant que vous pourriez perdre entièrement sans nuire à votre travail principal.
2. Ajustez la part à votre horizon dans le domaine. Fourchettes éditoriales : horizon long (plus de 5 ans d’utilisation prévue), 25-35 % du temps de développement discrétionnaire ; moyen (2-5 ans), 15-25 % ; court (moins de 2 ans), 0-10 %.
3. Divisez le budget en essais, chacun avec une question, un plafond de coût et une date d’arrêt.
4. Faites le point à date fixe. Chaque essai se conclut par un engagement, une unique prolongation ou un arrêt.
5. Promouvez les gagnants. Un essai validé rejoint le travail principal et le budget se remplit de nouveaux essais.

Exemple chiffré (illustratif, pas des données). Une analyste produit dispose de 8 heures par semaine consacrées à son développement et compte travailler dans l’analyse de données pendant de nombreuses années ; elle retient donc le bas de la fourchette de l’horizon long, 25 % : 2 heures par semaine, soit 26 heures sur un trimestre de 13 semaines. Elle mène trois essais d’environ 8,7 heures chacun : un flux de travail avec un agent d’IA pour le reporting hebdomadaire, le portage d’une analyse récurrente des tableurs vers Python, et un court sprint d’entretiens clients. Les 6 autres heures hebdomadaires, soit 78 heures par trimestre, servent à approfondir sa compétence clé. Lors du bilan, le flux de travail avec l’agent lui a fait gagner du temps chaque semaine : elle s’engage. Le portage vers Python n’a donné aucun signal clair parce que sa question était vague : elle le prolonge une fois avec une question plus précise. Le sprint d’entretiens n’a rien montré qui changerait son poste : elle l’arrête.

Le versant étudiant de la règle est un journal des essais : question, plafond de coût, date d’arrêt, résultat et décision.

Le test « s’engager ou arrêter »

Posez ces cinq questions à la date d’arrêt de chaque essai. Elles transforment la logique exploration-exploitation en une décision prise à l’avance, dans l’esprit des critères d’arrêt.

1. L’essai a-t-il répondu à sa question ? Si ce n’est pas le cas, l’essai était-il mal conçu (le prolonger une fois, de façon plus ciblée) ou le signal était-il négatif (arrêter) ?
2. Choisiriez-vous cette option plutôt que votre meilleure option actuelle si vous partiez de zéro aujourd’hui ? La nouveauté ne compte pas ; seule compte la valeur espérée par rapport à votre meilleure option actuelle.
3. Votre horizon restant est-il assez long pour amortir le coût de montée en compétence ? Les personnes ayant changé de voie dans les travaux de Malamud ont comblé leur écart de salaire, mais seulement au bout de plusieurs années.
4. Êtes-vous prêt à resserrer votre champ ? S’engager signifie couper d’autres essais ; les données sur les séries de succès associent les gains au passage à la concentration, pas à l’accumulation d’options.
5. Pouvez-vous vous engager par étapes ? Privilégiez un premier engagement réversible, comme un projet défini ou un poste à temps partiel.

Règle de décision. Engagez-vous si les réponses aux questions 1, 2 et 3 sont toutes positives. Prolongez une fois si la question 1 reste sans réponse claire en raison de la conception de l’essai et si la question 2 reste plausible. Arrêtez si la réponse à la question 2 est négative. Consignez la raison, et jugez la décision sur son raisonnement plutôt que sur son résultat, comme l’explique penser en paris.

Ce que cela ne signifie pas

• Pas « toujours explorer quand on est jeune ». Les données de carrière décrivent des moyennes, et la recherche sur les séries de succès associe les gains à une exploration suivie de concentration, pas à l’exploration seule.
• Pas que l’exploration s’arrête à un certain âge. L’horizon se fixe domaine par domaine.
• Pas que les changements d’emploi entraînent une rémunération plus élevée. Les personnes qui changent d’emploi peuvent être différentes de celles qui restent.
• Information générale uniquement. Cet article décrit des résultats de recherche et un cadre éditorial, et ne constitue pas un conseil personnalisé en matière de carrière ou de finances.

Questions fréquentes

Qu’est-ce que le dilemme exploration-exploitation ?
Le choix entre une option connue au rendement fiable et une option moins connue qui pourrait être meilleure.

Existe-t-il un ratio optimal entre exploration et exploitation ?
Pas pour une carrière individuelle. La recherche indique qu’explorer vaut davantage lorsqu’il reste plus de temps pour utiliser ce que vous apprenez ; la part consacrée à l’exploration devrait donc diminuer à mesure que votre horizon raccourcit. Les fourchettes ci-dessus sont des points de départ éditoriaux.

La règle des 37 % indique-t-elle quand cesser d’explorer ?
Uniquement pour des choix ponctuels où les options rejetées ne peuvent pas être rappelées. La plupart des choix de carrière sont répétés et permettent de revenir à des options antérieures.

Est-il parfois trop tard pour commencer à explorer ?
L’horizon dans le domaine compte davantage que l’âge. Si vous comptez utiliser une nouvelle compétence pendant de nombreuses années, l’argument en faveur d’un essai reste valable.

L’IA signifie-t-elle qu’il faut explorer davantage ?
Chaque essai coûte désormais moins cher, si bien qu’un même budget achète davantage d’essais. L’IA ne vous dit pas quand vous engager ; une règle d’arrêt écrite compte donc davantage.

Comment savoir quand approfondir ?
Lorsqu’un essai a répondu à sa question, qu’il surpasse votre meilleure option actuelle en valeur espérée et qu’il vous reste assez d’horizon pour amortir le coût de montée en compétence.

Sources

1. Daw ND, O’Doherty JP, Dayan P, Seymour B, Dolan RJ. Cortical substrates for exploratory decisions in humans. Nature 441(7095): 876-879, 2006 (manuscrit d’auteur PMC).
2. March JG. Exploration and exploitation in organizational learning. Organization Science 2(1): 71-87, 1991 (résumé uniquement, via RePEc/IDEAS).
3. Mehlhorn K, Newell BR, Todd PM, Lee MD, Morgan K, Braithwaite VA, Hausmann D, Fiedler K, Gonzalez C. Unpacking the exploration-exploitation tradeoff: a synthesis of human and animal literatures. Decision 2(3): 191-215, 2015.
4. Christian B, Griffiths T. Algorithms to Live By: The Computer Science of Human Decisions. Henry Holt and Company, 2016 (notice bibliographique uniquement, Open Library).
5. Ferguson TS. Optimal Stopping and Applications, Chapter 2: Finite Horizon Problems. Notes de cours, Department of Mathematics, University of California, Los Angeles.
6. Wilson RC, Geana A, White JM, Ludvig EA, Cohen JD. Humans use directed and random exploration to solve the explore-exploit dilemma. Journal of Experimental Psychology: General 143(6): 2074-2081, 2014 (manuscrit d’auteur PMC).
7. Gopnik A. Childhood as a solution to explore-exploit tensions. Philosophical Transactions of the Royal Society B 375(1803): 20190502, 2020.
8. Mata R, Wilke A, Czienskowski U. Foraging across the life span: is there a reduction in exploration with aging? Frontiers in Neuroscience 7: 53, 2013.
9. U.S. Bureau of Labor Statistics. Number of Jobs, Labor Market Experience, Marital Status, and Health for Those Born 1957-1964 (NLSY79). Communiqué USDL-25-1322, 26 août 2025, republié le 21 juillet 2026, avec les tableaux 2 et 5.
10. U.S. Bureau of Labor Statistics. Labor Market Experience, Education, Partner Status, and Health for Those Born 1980-1984 (NLSY97). Communiqué USDL-26-0684, 5 mai 2026.
11. U.S. Bureau of Labor Statistics. Employee Tenure in 2026. Communiqué USDL-26-1532, 24 septembre 2026, avec le tableau 1.
12. Topel RH, Ward MP. Job Mobility and the Careers of Young Men. NBER Working Paper 2649, 1988 ; publié dans le Quarterly Journal of Economics 107(2): 439-479, 1992. Chiffres cités d’après le document de travail.
13. Malamud O. Discovering One’s Talent: Learning from Academic Specialization. NBER Working Paper 15522, 2009 ; publié dans ILR Review 64(2): 375-405, 2011. Chiffres cités d’après le document de travail.
14. Malamud O. Breadth vs. Depth: The Timing of Specialization in Higher Education. NBER Working Paper 15943, 2010 ; publié dans Labour 24(4): 359-390, 2010. Chiffres cités d’après le document de travail.
15. Liu L, Dehmamy N, Chown J, Giles CL, Wang D. Understanding the onset of hot streaks across artistic, cultural, and scientific careers. Nature Communications 12: 5392, 2021.
16. Hoffmann M, Boysel S, Nagle F, Peng S, Xu K. Generative AI and the Nature of Work. Harvard Business School Working Paper 25-021, 2024 (document de travail).
17. Brynjolfsson E, Li D, Raymond LR. Generative AI at Work. Quarterly Journal of Economics 140(2): 889-942, 2025 (résumé uniquement, via Crossref) ; et NBER Working Paper 31161, avril 2023, révisé en novembre 2023.

Note sur l’analyse originale : le tableau 1 combine des tableaux du Bureau of Labor Statistics et ajoute un calcul CEOtudent (emplois par année d’âge). Le tableau 2 est une analyse CEOtudent de onze études et publications. Le tableau 3, la règle du budget d’exploration et ses fourchettes, l’exemple chiffré et le test « s’engager ou arrêter » constituent un cadre éditorial CEOtudent sans taux de réussite mesurés. Délibérément non utilisés : la règle des 37 % appliquée aux carrières ou aux partenaires sans ses hypothèses ; les affirmations populaires sur le nombre d’emplois ou de carrières qu’une personne connaît au cours de sa vie qui n’ont pas pu être rattachées à une source primaire ; le chiffre phare de 14 % issu de la version document de travail de Brynjolfsson, Li et Raymond, remplacé par les 15 % de la version publiée ; et tout élément tiré du texte intégral de March (1991), qui n’a pas été consulté.

---

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: