Imaginons qu’on ait collecté, pour une personne clairement identifiée, quelques informations sur Paris, via des objets connectés,
- Jeudi 18:30 : achat pour 45€ dans un bar-tabac
- Vendredi 13:15, 1h au dessus de la Porte Saint Martin
- Samedi 14:00, 1h proche de la Place de la République

En essayant de faire parler les données, on hésite entre une première version
- Jeudi 18:30 : achat pour 45€ de cigarettes
- Vendredi 13:15, 1h à la mosquée, à l’heure de la prière
- Samedi 14:00, 1h dans une manifestation qui partait de la Place de la République en début d’après midi
et une seconde version
- Jeudi 18:30 : achat pour 45€ de timbres fiscaux
- Vendredi 13:15, 1h au club de sport
- Samedi 14:00, 1h chez le coiffeur, place de la République
Autrement dit, avec un même signal brut, on a deux histoires parfaitement cohérentes. Ce n’est pas une pirouette artistique à la Sophie Calle, c’est la situation standard dès qu’on manipule des traces (géolocalisation, heures, dépenses, appels, conduite). Les données ne mentent pas forcément. Mais elles sous-déterminent le récit puisqu’elles autorisent plusieurs mondes possibles. En assurance (et plus largement dans l’économie de la prédiction), on a l’habitude de prendre des corrélations pour en faire des décisions. Pas seulement pour “comprendre”, mais pour tarifer, classer, accepter, refuser. Le point n’est pas de dire que c’est illégitime par principe. Le point est de rappeler ce qu’on fait quand on se contente de corréler, et ce qu’on oublie quand on n’a pas de contexte.
La corrélation et la causalité
Dans la pratique actuarielle, la question n’est pas
“qu’est-ce qui cause quoi ?”
mais plutôt :
“qu’est-ce qui prédit quoi, de façon stable et défendable ?”
C’est tout du moins ce qu’explique le mémo An Actuarial View of Correlation and Causation — From Interpretation to Practice to Implications, écrit par Dorothy Andrews, Steven Armstrong, Dave Heppen, et Julia Romero, pour l’ American Academy of Actuaries. On le sait, je l’ai écrit maintes fois sur ce blog, l’assurance n’a pas attendu le machine learning pour vivre de corrélations. Une prime est un prix (et un signal), construit sur des régularités observées, sur les fréquences, ou sur les gravités. Et l’argument économique souvent avancé est qu’on segmente parce que, sans segmentation, on mélange des populations différentes et on crée de l’anti-sélection. Jusqu’ici, rien de mystérieux. Mais assez rapidement, il faut être un peu plus précis, et une question complexe se pose. Quelles sont les propriétés souhaitables d’une variable tarifaire ? Et en particulier, faut-il que la variable soit causale pour être tarifaire ? Si on réfléchit en terme causale, l’histoire fait du sens, puisqu’elle se raccroche à une histoire de prévention. Avoir un garage fermé peut effectivement éviter certains dommages. Et donc il est légitime de baisser la prime (toutes choses étant égales par ailleurs), quand on a un garage. Mais le mémo, An Actuarial View of Correlation and Causation, explique bien que, dans la pratique, la causalité stricte n’est pas toujours requise : une variable peut être admise si elle est pertinente pour mesurer le risque, à condition de rester dans un cadre professionnel et réglementaire. Ça aide un peu, mais on connaît tous le mantra “corrélation n’est pas causalité” qu’on ne cesse de répéter à nos étudiants. Naomi Altman et Martin Krzywinski, dans leur petite note méthodologique Association, correlation and causation, résument bien la gradation association / corrélation / causalité et les pièges de l’interprétation naïve. Sauf que, dans l’assurance, on ne se contente pas d’interpréter, les outils de modélisation sont la base pour une prise de décision. On transforme la corrélation en prime, donc en incitation, donc en inégalités de traitement, donc en débats publics.
Et le mémo, An Actuarial View of Correlation and Causation propose une idée intéressante : plutôt que d’exiger une causalité (souvent hors de portée), on peut demander une “explication rationnelle”, un récit intelligible, testable dans une certaine mesure, compatible avec les faits et avec la compréhension d’un non-spécialiste. C’est une notion un peu “entre-deux”, une forme de responsabilité. On prédit, on contrôle, on explique raisonnablement. Mais ce serait un peu trop simple, parce que (1) les corrélations peuvent être des proxys sociaux explosifs (ce sont tous nos travaux sur l’équité et la discrimination des algorithmes), et (2) les “histoires raisonnables” sont précisément l’endroit où l’on se trompe (ce sont tous nos travaux sur l’explicabilité des modèles).
Proxys, discrimination, et explications
Dans l’histoire récente des algorithmes, on parle souvent de ‘COMPAS Recidivism Algorithm” qui désavantageait les personnes noires, alors même que “être Afro-Américain” n’était pas une variable explicite, ou “Amazon AI recruiting tool” qui désavantageait les femmes, alors même que “être une femme” n’était pas une variable explicite. Le mémo mobilise ce type d’exemples pour rappeler que retirer une variable sensible ne retire pas forcément l’information : le modèle peut reconstruire des catégories via des corrélats, c’est-à-dire des proxys (je peux renvoyer aussi à Discrimination par proxy, et les tatouages au Japon, que j’ai mis en ligne cet été). En tarification, c’est un problème structurel. Certaines variables “neutres” (un code postal, un type de téléphone, des habitudes horaires, une stabilité d’adresse) peuvent être corrélées à des attributs protégés ou à des déterminants socio-économiques. Ce qui était présenté comme “objective risk segmentation” devient une machine à répercuter des inégalités. Et le mémo en parle explicitement. Même si une variable est prédictive*, son usage peut être controversé, notamment lorsqu’elle entraîne une discrimination indirecte ou lorsqu’elle n’est pas “liée” au comportement que l’on prétend tarifer.
* Une petite parenthèse s’impose pour les non-spécialistes. En assurance (et plus largement, quand on cherche à construire des modèles prédictif), dire qu’une variable est “prédictive” ça veut dire avec des mots, que quand on la connaît, améliore la prévision, on se trompe moins souvent sur la valeur future de la variable d’intérêt (sinistre, coût, fréquence, etc.). En régression “classique”, on a longtemps résumé ça par “le coefficient est significativement différent de zéro” dans le modèle (c’est-à-dire après avoir tenu compte des autres variables). Dans une régression simple, c’est un test de corrélation (la variable tarifaire est-elle statistiquement corrélée avec le risque) et dans une régression multiple, je parlerais de “corrélation résiduelle” (ce que la variable apporte en plus). En apprentissage machine, plus généralement, on raisonne plutôt en termes de gain de performance hors échantillon : une variable est prédictive si, lorsqu’on l’ajoute, le modèle prédit mieux sur des données nouvelles (validation/test), même si son effet est non linéaire, instable localement, ou réparti entre plusieurs variables corrélées. Autrement dit : en régression, on demandait souvent une preuve “dans le modèle” (la fameuse p-value qui permet d’affirmer que significativité), alors qu’en apprentissage machine, on demande surtout une preuve “dans le futur” (on parle de meilleure généralisation), ce qui peut exister même quand la variable est un simple proxy. Et c’est justement là que la question de légitimité/éthique revient.
Si l’idée est séduisante, à ce stade, les praticiens sentiront qu’il reste encore pas mal de flou sur l’endroit où il convient de tracer la frontière, avec d’un côté, un souci actuariel (davantage économique que statistique il me semble, refléter le risque, maintenir l’équilibre du portefeuille) et de l’autre, le souci politique (ne pas faire payer la prime d’un destin social, ni transformer l’assurance en instrument de tri social). Et la notion d’explication rationnelle devient, à la fois, un garde-fou, et une tentation. Un garde-fou, parce qu’elle oblige à dire autre chose que “ça marche”. Une tentation, parce qu’une explication “plausible” peut aussi être une histoire confortable qu’on raconte pour rendre acceptable une corrélation dont on ne veut pas regarder les effets sociaux. Plus qu’une histoire, j’ai plusieurs fois utilisé le mot “fable” (que j’avais emprunté à Ariel Rubinstein), qui insiste sur le côté récit exemplaire (dont on tire une morale), avec le risque d’être une leçon plus qu’une preuve. Ce qu’on appelle “explication”, très souvent, n’est pas une démonstration, c’est une narration. Et une narration, sans contexte, ça peut faire beaucoup de dégâts.
Circonstances et preuves
De manière intéressante, la question “qu’est-ce qui compte comme preuve ?” a agité le droit pendant des siècle. Dans la littérature anglophone, c’est la notion de “naked statistical evidence”. Dans Rethinking Evidence, William Twining commente des cas où l’on dispose d’une forte information statistique (par exemple : “la majorité des gens ont fraudé”) mais où l’on hésite à condamner une personne particulière sur cette seule base. L’exemple du gatecrasher est devenu emblématique : si 501 personnes sur 1000 sont entrées sans payer, peut-on condamner un individu pris au hasard, uniquement parce que c’est “probable” ? C’est l’argument dit “Ten Oever” (Gerardus Cornelis Ten Oever v Stichting Bedrijfspensioenfonds voor het Glazenwassers — en Schoonmaakbedrijf, en 1993, que j’avais déjà longuement discuté dans mon billet Entre statistiques et destin, deux visions de la justice),
Nous en venons donc à la question de savoir si des différences d’ espérance de vie moyenne entre hommes et femmes sont susceptibles de justifier l’ utilisation de facteurs actuariels fondés sur le sexe aux fins du calcul des cotisations des travailleurs et des prestations dont ils bénéficient dans des régimes professionnels de pensions. Il est exact qu’ en tant que groupe, les femmes s’ avèrent vivre plus longtemps que les hommes. Il est toutefois également constant que, pris individuellement, tous les hommes et toutes les femmes ne répondent pas aux caractéristiques moyennes du groupe de leur sexe: beaucoup de femmes vivent moins longtemps que la moyenne de vie d’ un homme et beaucoup d’ hommes vivent plus longtemps que la moyenne de vie d’ une femme. La question essentielle qui se pose porte dès lors sur le point de savoir s’ il y a discrimination au sens de l’ article 119 lorsque des travailleurs masculins et féminins ne sont pas considérés en tant qu’ individus, mais en tant que groupe et qu’ il en découle une inégalité de traitement pour des travailleurs masculins ou féminins pris individuellement. A notre avis, il convient de répondre à cette question par l’ affirmative: bien que – à la différence de la disposition américaine correspondante, le Civil Rights Act de 1964, qui s’ oriente explicitement vers l’ égalité de traitement de l’ individu, abstraction faite du groupe de personnes d’ un même sexe dont il fait partie – l’ article 119 impose l’ application du principe d’ égalité de traitement en termes généraux pour “les travailleurs masculins et les travailleurs féminins”, cette règle tend également à considérer le travailleur en tant qu’ individu en ce qui concerne son droit à une même rémunération pour un même travail et pas seulement en tant que membre de l’ un ou l’ autre des groupes de personnes du même sexe. En effet, comme la Cour l’ a confirmé dans l’ arrêt Murphy, l’ article 119 se fonde sur le principe qui s’ oppose à ce qu’ en raison du sexe, une rémunération inférieure soit payée aux travailleurs d’ un sexe déterminé accomplissant un travail de valeur égale à celle du travail effectué par les travailleurs du sexe opposé. Le seul fait que, en général, les femmes vivent plus longtemps en moyenne que les hommes ne peut dès lors constituer une raison suffisante pour conclure à une différence de traitement dans le domaine des cotisations et des prestations en matière de pensions professionnelles.
Autrement dit, le fait que les femmes vivent généralement plus longtemps que les hommes n’a aucune incidence sur l’espérance de vie d’un individu en particulier, et il n’est pas acceptable qu’un individu soit pénalisé en raison d’hypothèses qui ne sont pas forcément vraies dans son cas particulier. Dans Einzelfallgerechtigkeit versus Generalisierung, Gabriele Britz parle de discrimination par généralisation. C’est exactement l’argument de la pratique actuarielle, comme l’explique Frederick Schauer dans Profiles, Probabilities, and Stereotypes. Cela dit, il me semble que les juristes soulèvent un point intéressant, à savoir qu’une une fréquence peut rendre une hypothèse probable sans la rendre probante pour un cas particulier. On peut aussi se souvenir de l’histoire du bus bleu (ou, pour utiliser des références juridiques, l’affaire Smith v. Rapid Transit). Dans la fable, un piéton est renversé par un bus dont il ne peut identifier la compagnie. On sait seulement que, sur cette ligne (ou dans cette zone), 80% des bus appartiennent à la compagnie “des bus bleus”. Est-ce que cette simple proportion suffit à conclure que ce bus-là était le leur, et donc à les tenir pour responsables ? Laurence Tribe, dans Trial by Mathematics, utilise ce type de scénario pour critiquer l’idée que la décision judiciaire devrait être une application quasi mécanique d’un calcul probabiliste. Si certains utilisent cet artgument pour ouvrir un pseudo débat “anti-maths”, je pense qu’il interroge surtout sur une exigence sociale. La preuve ne doit pas seulement être une probabilité, elle doit aussi être une forme de lien pour le dire vite (un rattachement, une individualisation, un mécanisme, un récit contradictoirement discuté). Peter Tillers, dans sa critique du livre (Trial by Mathematics – Reconsidered) nuance la répulsion envers les probabilités au tribunal.
Le résultat n’est pas un verdict simple et binaire (“interdire les statistique”), mais une question méthodologique : les circonstances seules ne font pas toujours preuve, même si elles sont numériquement impressionnantes. Dans notre contexte, une variable corrélée peut être un bon prédicteur, mais elle ne dit pas automatiquement pourquoi, et elle peut être utilisée pour soutenir une histoire abusive, et injuste.
Le contexte
Après soyons lucide, l’inférence causale, c’est pas simple et ça pose d’autres soucis. La causalité n’est pas toujours accessible (ou identifiable), et même quand elle l’est, elle n’abolit pas les ambiguïtés du monde social. L’Clifford Geertz, dans son texte sur la thick description, prend un exemple célèbre, presque évident, le mouvement de paupière. Ça peut être un tic, un clin d’œil, une parodie… Le signal est exactement le même, ce qui change, c’est l’interprétation, donc le contexte (les codes, les intentions, la scène). C’est malheusement un signal faible, mince pour reprendre le terme de Clifford Geertz. On peut les enregistrer en masse, les corréler, les scorer. Mais l’acte de comprendre ce qu’ils “veulent dire” exige une description plus épaisse (pour poursuivre la métaphore), ou, a minima, des hypothèses de contexte. C’est exactement ce que demande le sociologue Erving Goffman dans Frame Analysis quand il pose sa question directrice “What is it that’s going on here?”, autrement dit, quel est le cadre (frame) dans lequel la scène prend sens ? La carte que je proposais en introduction (mosquée/manif/cigarettes) est un exercice de framing. puisque selon le cadre, la même séquence devient suspecte ou banale. Et il me semble que ça fait surtout ressortir une forme d’asymétrie politique. D’un côté, les institutions qui collectent des données (assureurs, plateformes, administrations) peuvent imposer un cadre d’interprétation (“ceci est un signal de risque”) et de l’autre, l’individu, lui, doit souvent se défendre contre un récit algorithmique avec des moyens inégaux (expliquer son contexte, contester une inférence, demander une justification). Autrement dit, le débat “corrélation/causalité” est alors trop restrictif, le vrai enjeu est “qui a le pouvoir de raconter l’histoire ?” et “quelles histoires deviennent opérationnelles ?”
Métadonnées et télématique
Ce n’est pas une simple question intellectuelle. Au delà même de la pratique actuarielle, on peut garder en tête l’affirmation “We Kill People Based on Metadata” qui avait fait grand bruit il y a dix ans. Au delà du côté sensationnel qui peut plaire à des journaliste, elle dit quelque chose de vrai sur notre époque et sur nos pratiques. Les métadonnées ont un pouvoir d’inférence immense, donc un pouvoir d’action immense. C’est ce que disait Yves Alexandre de Montjoye dans son article Unique in the Crowd (coécrit avec César Hidalgo, Michel Verleysen et Vincent Blondel), quand il montrait qu’avec quelques points spatio-temporels, on peut souvent isoler des trajectoires, donc ré-identifier des personnes. Le contexte (où/quand) n’est pas un détail, c’est une signature. Dans Privacy in Context, Helen Nissenbaum soutient que la “vie privée” n’est pas seulement une affaire de secret, mais d’adéquation des flux d’information à des normes de contexte (finalités, attentes, rôles). Autrement dit, une information peut être acceptable dans un contexte (bonus conduite, prévention), et problématique dans un autre (surveillance, usage secondaire, suspicion). Dans le contexte qui m’intéresse le plus (à titre professionnel), les données télématiques en assurance mesurent des événements de conduite (freinage, accélération, virages), mais aussi des variables profondément contextuelles (horaires, types de routes, zones, stationnement). La note usage-based insurance and telematics d’Anthony Cappelleti pour la Society of Actuaries détaille ces dimensions, ainsi que les préoccupations de confidentialité, de transparence, de propriété des données et d’usages secondaires. Le discours rodé par les praticiens est séduisant : c’est plus “juste” parce que c’est plus proche de l’exposition et du comportement. Mais clairement le problème éthique se déplace plutôt qu’il ne disparaît. Conduire de nuit peut être corrél. avec le risque… mais aussi avec des contraintes de travail. Traverser certains quartiers peut être corrélé avec le risque… mais aussi avec la géographie sociale. Des “freinages brusques” peuvent être un style de conduite… ou un environnement routier. La télématique fabrique, à mon avis, un paradoxe parfait : elle collecte plus de contexte (ou pourrait le faire), mais elle convertit ce contexte en variables qui redeviennent, en partique, des circonstances (interprétables, discutables, parfois accusatrices) et elle pousse à agir sur ces circonstances, via des prix. The Age of Surveillance Capitalism de Shoshana Zuboff fournit un cadre critique interessant, puisqu’elle explique que la prédiction comportementale peut devenir une infrastructure d’extraction et d’influence, au-delà des finalités initiales. Même si on ne suit pas tout son diagnostic, l’alerte qu’elle envoie me semble importante. Plus une donnée “marche”, plus la tentation est grande de la collecter, de la conserver, de la réutiliser. On retrouve la question éthique puisque ce qui a commencé comme un débat technique (“corrélation ou causalité”) devient finallement un débat social (“qu’est-ce qu’on accepte de mesurer, et à quel prix ?”).
Pour revenir à mon exemple introductifs, avec mes trois lignes de métadonnées, elles ne sont pas “fausses”, elles ne sont pas “vraies” non plus, au sens où elles ne suffisent pas à établir une histoire unique. Mais elles sont minces, au sens de Clifford Geertz, et c’est précisément ce qui les rend dangereuses, puisqu’elles se prêtent très facilement à la surinterprétation. La pratique actuarielle va continuer à prédire*. Oui, et c’est indispensable en assurance. Le mémo An Actuarial View of Correlation and Causation le rappelle, la tarification vit d’associations exploitées proprement.
* Seconde note technique importante: il y a une spécificité très importante en assurance qu’on oublie facilement quand on parle de “prédiction”. L’actuaire ne cherche pas à deviner qui aura un accident (ou qui décédera), comme on chercherait un coupable ou un individu “à risque”. Il cherche des probabilités collectives et des espérances de coût qui ont du sens pour fixer un prix ex ante : l’objectif est de répartir un coût aléatoire entre beaucoup, autrement dit de mutualiser. Dans cette logique, “prédire” ne veut pas dire anticiper le choc rarissime (par exemple, un accident gravissime à plusieurs millions) pour envoyer la facture à Sidonie, Jordan, ou Pierre-Emmanuel. Cela n’a aucun sens assurantiel. Au contraire, on veut que ces événements restent “assurables”, donc imprévisibles individuellement mais modélisables en moyenne, afin de financer collectivement, par exemple, l’équivalent de 30 euros répartis sur tous les contrats de responsabilité auto. Et c’est aussi pour ça qu’un modèle “trop bon” au niveau individuel serait paradoxalement la mort de l’assurance : s’il savait presque exactement qui va coûter quoi, on ne mutualiserait plus, on individualiserait. Et on sortirait de l’assurance pour entrer dans une forme de tarification quasi certaine.
La pratique actuarielle va continuer à expliquer, idéalement avec modestie. James Woodward (dans Making Things Happen) rappelle l’idéal interventionniste de la causalité, et Nancy Cartwright (dans How the Laws of Physics Lie) rappelle que les régularités dépendent des conditions et que les “lois” peuvent mentir si on oublie leur domaine de validité. Si on s’autorisait à aller un cran plus loin, la pratique actuarielle va continuer à se justifier, publiquement. C’est l’intérêt de l’“explication rationnelle” : si vous ne pouvez pas prouver causalement, vous devez au moins défendre raisonnablement, et regarder les effets sociaux (proxys, discriminations indirectes, surveillance). Ce sont ces débats qu’on avait commencé à avoir lors des discussions sur le Règlement européen sur l’intelligence artificielle, et qu’il serait bon de poursuivre…
OpenEdition suggests that you cite this post as follows:
Arthur Charpentier (February 3, 2026). Corrélation et causalité, circonstance et contexte. Freakonometrics. Retrieved February 13, 2026 from https://doi.org/10.58079/15mkk