My short article, when urban flood models disagree: hydrological equifinality as actuarial model risk, was recently published in the European Actuarial Journal. In a nutshell, I tried to address the question “how much does a flood that has not happened yet cost?”
For insurers, answering that question involves a surprisingly long chain: rainfall has to become runoff, runoff has to become water in streets and buildings, damage has to be estimated, and finally translated into insured losses. Here, I focus on something hydrologists have known for a long time: several perfectly plausible models can fit the same observations and still tell quite different stories about what might happen next, this is known as equifinality, and I argue that actuaries should think of it as a form of model risk.
The issue is especially important in cities, where drainage systems, sewers, micro-topography, flood defences and highly concentrated property values can make small modelling choices financially significant. Two reasonable flood models may therefore lead to different premiums, underwriting decisions, reinsurance needs, capital requirements, or even different conclusions about whether a prevention measure is worth investing in. So uncertainty is not simply about whether a “100-year flood” might occur; it is also about the modelling chain through which water eventually becomes an insurance claim. My main argument is that insurers should make this disagreement visible, by comparing plausible models and asking whether their decisions remain robust across them. We need to price flood risk, of course, but we should also price, or at least acknowledge, our uncertainty about the models we use to describe it.
Filming Day in Quebec City
We still had one last day of work with Marie-Pier and Olivier—hopefully with something to show for it by the start of the academic year?—before taking a few days off. At least, I think so. I hope so.
Open Review: La Société au prix du risque
Après plus de dix ans à écrire des billets de blog et des textes destinés à un public plus large, j’ai profité de cette année pour reprendre, actualiser et rassembler une partie de ces réflexions. Le résultat est un petit livre non technique, La Société au prix du risque — Assurance, algorithmes et climat à l’âge de la prédiction.
À mesure que les données deviennent plus fines et les modèles plus puissants, les assureurs peuvent mieux distinguer les personnes, les comportements et les territoires. Mais mieux prévoir ne dit pas encore comment répartir les pertes, quelles différences doivent être tarifées, ni ce qui doit rester mutualisé. En partant de l’histoire de l’assurance, des pratiques actuarielles, des algorithmes de décision et des risques climatiques, le livre montre que la précision technique ne fait jamais disparaître les choix politiques. Elle peut soutenir la prévention et renforcer la protection, mais aussi individualiser des vulnérabilités produites collectivement. L’enjeu n’est donc pas de renoncer aux modèles, mais de décider démocratiquement ce qu’ils peuvent faire, quelles conséquences leur attacher et comment éviter que chacun ne soit laissé seul avec son risque.
Le livre est disponible en open review jusqu’en décembre. Tous les commentaires, critiques et suggestions sont les bienvenus. Il suffit de créer un compte sur hypothes.is, puis lors de la lecture, il suffit de sélectionner le passage que vous voulez, commenter, cliquer sur “annotate”
puis une fenêtre va s’ouvrir pour mettre les commentaires.
Open Review: Risk Priced Society
After more than ten years of writing blog posts and essays for a broader audience, I used this past year to revisit, update, and bring some of those ideas together. The result is a short, non-technical book, Risk-Priced Society — Insurance, Algorithms and Climate in the Age of Prediction.
As data become more granular and models more powerful, insurers can distinguish more precisely between people, behaviours, and places. But better prediction does not tell us how losses should be shared, which differences should affect prices, or what should remain pooled. Drawing on the history of insurance, actuarial practice, decision algorithms, and climate risk, the book argues that technical precision never eliminates political choice. It can support prevention and strengthen protection, but it can also individualise vulnerabilities that are collectively produced. The challenge, then, is not to reject models, but to decide democratically what they should be allowed to do, what consequences should follow from them, and how to avoid leaving each person alone with their risk.
The book is open for review until December. Comments, criticisms, and suggestions are all very welcome. You just need an hypothes.is account. Select a part you want to annotate,
and then add all comments you want to make
La technologie nous sauvera-t-elle ?
L’article La technologie nous sauvera-t-elle ? a été publié dans le dernier numéro de Risques.
Time for a (short) break
Source: a surreal and obsessive entertainment conceived and produced in 1992 for the birth of ARTE channel, with the aim of improving the quality of life of insomniacs and enlivening the nights of night owls, by Hélène Guétary, soundtrack Nova/Andrew Orr
Stages à Montréal pour le printemps et l’été 2027 (Mitacs Globalink)
L’été prochain, on propose 3 stages, à Montréal.
- Modeling Prevention in Insurance Economics
- Transfer Learning for Extreme Events
- Computational Optimal Transport
Le site de https://www.mitacs.ca/fr-ca/ va ouvrir dans les jours à venir (oui, il faut s’y prendre très en avance). Pour faire simple
- on a proposé des sujets
- les étudiants postulent sur la plateforme de mitacs à la fin de l’été
- cet automne, mitacs fera une opération de couplage étudiant(e)s – stages : on va recevoir pour chaque sujet une liste de 10 étudiant(e)s intéressés, et on commence des entrevues
- on propose une liste d’étudiant(e)s qui nous intéresse
- mitacs va refaire un couplage, entre les préférences des étudiant(e)s et des responsables des stages
- quand on couplage est fait, on est prévenu, mitacs va aider sur la partie logistique et financière, nous on va gérer le volet scientifique.
C’est simple, par contre, il faut que les étudiant(e)s se manifestent et s’inscrivent sur la plateforme avant le 15 ou 16 septembre. Après, ça sera trop tard.
Kyoto 京都 (part 2)
After some pictures from Kyoto 京都, Fall and Winter, some pictures from Spring and Summer. In two weeks, my sabbatical year at Kyoto University will come to an end. It is difficult to sum up what this year has meant. It gave me the time and space to look at things differently, to revisit projects that needed a fresh perspective, and to let new ideas emerge. But above all, it was a wonderful opportunity to discover Kyoto slowly, through everyday life and through the changing seasons. From autumn colours and winter light to cherry blossoms, summer heat and festival evenings, the city never stopped surprising me…
Optimal Transport for Actuarial Science (lecture notes)
Before leaving Kyoto to go back to Montréal (and enjoy some summer break), I uploaded some lecture notes, on Optimal Transport for Actuarial Science, on HAL (soon on ArXiv ?).
These lecture notes introduce optimal transport as a mathematical language for actuarial science. They treat losses, premiums, scores, reserves, capital scenarios, climate losses and lifetime distributions as probability measures that can be compared, transported, averaged, stressed and interpolated. The first part develops the main tools: couplings, push-forwards, discrete and continuous Kantorovich problems, duality, Wasserstein distances, quantile transport, barycenters, entropic regularization and statistical optimal transport. The second part applies these tools to risk measures, Wasserstein robustness, pricing and capital, portfolio drift, reserving cash-flow distributions, climate-prevention diagnostics, reinsurance, dependence uncertainty, capital allocation, distributional fairness diagnostics and longevity risk. Later chapters and appendices discuss counterfactual transport, dynamic formulations, unbalanced transport, Schrödinger bridges, cost engineering and computational labs in R. The emphasis is on actuarial modelling choices: the state space, the ground cost, the ambiguity radius, the reference distribution and the interpretation of the transport plan. Transport maps and couplings are used as distributional objects, not as causal claims unless additional assumptions are imposed.
(pictures will be coming in the updated version, this Fall).
“50 actuarial thought leaders…”
Yesterday, Jonno White published a “a list of 50 actuarial thought leaders who genuinely deserve to be far better known outside the profession itself“. I have to admit that I am proud, honoured (and a little surprised) to be included in this list, alongside colleagues whose work I deeply admire (such as Moshe Milevsky, David Blake, Andrew Cairns, Johnny Siu-hang Li, Gordon Woo, Ron Richman, Ioannis Kyriakou, Paul Embrechts, Jan Dhaene, Michel Denuit, Hansjörg Albrecher, Runhuan Feng, Steve Haberman, Mary Hardy, Joey Zhou, Andrés Villegas, Jennifer Wang, Les Mayhew…)
Arthur Charpentier is a Professor at UQAM in Montreal and one of the most prolific researchers working at the boundary of actuarial science and data science. He is the editor and primary author of Computational Actuarial Science with R, one of the most widely used modern actuarial methodology texts, and he has published extensively on credibility theory, copula models, non-life insurance pricing, and the application of machine learning to actuarial problems.
His blog and public writing on actuarial methodology have built an audience far beyond the academic actuarial community, reaching data scientists and statisticians who encounter actuarial problems in insurance and risk management without having actuarial training. That crossover audience is precisely where the most interesting methodological conversations are happening as the boundaries between actuarial science, statistics, and machine learning continue to blur.
The price of proof: insurance policies for an AI-enabled world
In The Actuary, the official magazine of the Institute and Faculty of Actuaries, in the UK, a short article.
AI is often discussed as a tool for insurers: a way to improve pricing, underwriting, fraud detection, claims management and customer service. But it is also becoming an object of insurance. Firms use AI systems in customer service, legal drafting, software development, marketing, finance, logistics, medical triage, compliance, credit decisions and operational workflows. These systems can generate losses due to erroneous advice, discriminatory decisions, privacy breaches, intellectual property disputes, cyber incidents, automated pricing errors, contractual liability, professional negligence, reputational harm or failures of autonomous agents.
It is true that AI creates a new risk, but only partly. Many of the problems it raises are familiar to insurers: limited historical data; fast evolving technology; opaque models. The insured may know more than the insurer, and service quality may be difficult to observe. Failures may be discovered only after deployment, and claims may involve complex questions of causation and responsibility. These are not new actuarial problems. Catastrophe insurance, cyber insurance, professional liability, product liability, and technology errors and omissions already involve uncertainty, model risk, asymmetric information and delayed discovery.
What is distinctive is the scale and structure of dependence. AI risk is not just a risk attached to one firm using one tool: many firms may rely on the same model, provider, cloud infrastructure, application programming interface (API), dataset, plugin or agent framework, so a single failure can produce many losses at once. This is the core accumulation problem. The insurer is not only underwriting the insured firm – it is indirectly underwriting part of the technological stack on which that firm depends.
This connects AI risk to cyber risk, but with an additional layer. Cyber insurance already struggles with common vulnerabilities, shared software, cloud concentration and network effects. AI adds common models and common behaviours. A faulty model update, compromised API, contaminated dataset, systematic retrieval failure or recurring hallucination pattern may affect many insureds simultaneously. The loss process is not independent across policyholders because policyholders share parts of the same AI supply chain.
29th International Congress on Insurance: Mathematics and Economics, 서울, June 2026
The 29th International Congress on Insurance: Mathematics and Economics (IME 2026) will be held in Seoul, I will present on Friday our joint work with Bertille Tierny and François Hu, Direct and Indirect Discrimination in Generalized Linear Models (the paper is available on arxiv)
Generalized linear models are central to actuarial modelling of binary risk, claim frequency, utilization, and cost-related outcomes. Yet fairness diagnostics often rely on linear-model intuitions, although GLM predictions are obtained by transporting a latent score through a nonlinear inverse link. We develop a moment-based decomposition framework for diagnosing group disparities in fitted GLM predictions. In an exact linear-Gaussian benchmark, the Wasserstein barycentric criterion for distributional demographic-parity violation reduces to a two-moment criterion and decomposes into direct mean, indirect mean, interaction, and structural components. For GLMs, we distinguish the empirical output-scale criterion U_2(f), a within-group proxy \widetilde U_2(f), and a leading decomposition D_1(f). This leading term preserves the four linear channels and adds two curvature components induced by the inverse link: curvature coupling and curvature amplification. We derive explicit formulas for logistic, Poisson, and Tweedie specifications and illustrate the diagnostic on medical-expenditure survey data. The framework is not a legal test of discrimination, nor a full characterization of distributional parity outside the linear-Gaussian case. It is a tractable actuarial diagnostic for identifying whether fitted prediction disparities arise from explicit sensitive effects, proxy-mediated covariate profiles, covariance-structure differences, or nonlinear link effects.
The slides are now available online.
Talk on fairness (and performance) in insurance
This afternoon, I will give a series of two short lectures on fairness and performance in actuarial modeling. Slides are now available.
International Workshop on Risk and Insurance, 서울, June 2026
In three weeks, the International Workshop on Risk and Insurance will be organized in 서울 (Seoul, Korea), prior to the Insurance: Mathematics & Economics conference. We were asked to send our slides in advance, so I thought I could be nice to share them (slides are available here). I will be the very first speaker of the day, in a session “AI Revolution and Cyber Risks”.
Over the past ten years, we have heard a lot about the AI revolution in actuarial science. Very often, the narrative is by technological optimism: more data, more models, more automation, and therefore better pricing, better decisions, and better insurance. In this talk, I plan to take a step back. Not to deny the importance of AI, of course, but to return to a more fundamental actuarial question: what makes a risk insurable? I will take two perspectives: first, information granularity and mutualization; second, AI itself as an insured exposure. The first part will be about granularity and mutualization. Insurance transforms individual heterogeneity into risk classes, but as information becomes more granular, the boundary between what is pooled and what is individualized shifts. I will move from information asymmetry to information granularity, then to natural catastrophe maps, and finally to actuarial fairness. In the second part, I will turn to AI risk in insurance: not AI as a tool for insurers, but AI as a risk that insurers may have to cover.
Let me start with the first part: granularity and mutualization. Insurance relies on a form of shared ignorance. We do not know who will have an accident, who will fall ill, or which house will be flooded. This uncertainty makes pooling possible. But ignorance is never complete. Actuaries observe variables, build classes, estimate frequencies, and price risks. The history of pricing is therefore a history of compromise between measuring heterogeneity and preserving mutualization. This slide gives a very classical way of seeing the problem. If there is a latent risk factor, which I call theta, total variance can be decomposed into within-risk variance and between-risk variance. The first part is the residual uncertainty that remains pooled. The second part is systematic heterogeneity across individuals or groups. But in practice, insurers do not observe theta. They observe covariates: age, location, car type, claim history, scores, and so on. These variables move part of the uncertainty from the insurer to the policyholder. The last formula is the key one. It separates irreducible risk from epistemic uncertainty, or misclassification. More granular information reduces misclassification, but it also turns pooled uncertainty into priced heterogeneity.
The classical issue in insurance economics is information asymmetry. In Akerlof, or in Rothschild and Stiglitz, the problem is that policyholders may know more about their risk than insurers. If high-risk individuals buy more coverage than low-risk individuals, pooling contracts may become unstable. Empirically, this leads to a simple question: after controlling for observable risk characteristics, do coverage choices still predict losses? The genetic-testing debate makes this very concrete. Individuals may know something about their future risk that insurers cannot observe, or are not allowed to use. Traditionally, the fear was that policyholders knew too much. Today, with big data, we may also ask what happens when insurers know almost too much.
With granularity, the problem changes. It is no longer only about asymmetric information between the insured and the insurer. It is about reducing epistemic uncertainty. Things that were previously hidden become partially observable: behaviour, location, telematics, digital traces, health signals, and social proxies. Statistically, this is attractive: prediction improves. But actuarially and socially, it is more ambiguous. Better prediction also redistributes premiums, makes some risks more visible, and may turn solidarity into sorting. Removing protected variables is not enough. In rich data environments, proxies can reconstruct what we claim to exclude. So the question becomes normative: what should be priced, what should be pooled, and what should be used only for prevention? Note that the same issue arises with past criminal records: even if the information is predictive, should it remain admissible forever? Inclusive insurance requires a temporal dimension of data governance. Some information may be relevant at one point, but should progressively lose its underwriting legitimacy.
Natural catastrophes make this problem very concrete. For a long time, some climate risks were pooled at a broad scale. But risk maps, climate models, and fine geographic data now identify areas that are much more exposed than others. Even when a system is formally solidaristic, access to coverage may depend on the underlying household insurance contract. If insurers withdraw locally, or impose stricter conditions, formal solidarity may remain while effective access to insurance declines. So granularity does not only produce more accurate prices. It can also produce non-insurance, selective underwriting, or local market withdrawal.
This leads naturally to actuarial fairness. We often say that equal risks should pay equal premiums. But what does “equal risks” mean? Equal given all available information? Equal within a tariff class? Equal for a score? Equal within a protected group? Actuarial fairness is always relative to an information set. More granular information gives a more individualized notion of equality. Coarser information preserves more mutualization. This creates a tension between actuarial adequacy, solidarity, and causal legitimacy. A variable may be predictive without being socially acceptable. Conversely, excluding a variable may preserve solidarity, but at the cost of cross-subsidies and possibly selection.
I now move to the second part: AI risk in insurance. The link with the first part is this: so far, I have discussed AI and data as instruments of classification. But AI is also becoming a source of risk. Firms use models to code, advise, filter, recommend, automate, and decide. So the question is no longer only: how do insurers use AI? It is also: how do we insure organizations that use AI?
There is already a large discussion about AI for insurance: pricing, fraud detection, claims management, customer service. I want to reverse the perspective. AI is becoming an insured exposure. AI-related losses may not appear in a new line called “AI insurance.” They will appear through existing lines: cyber, technology E&O, professional liability, product liability, D&O, and regulatory risk. What is new is the combination of opacity, speed, scale, version changes, dependence on external providers, and difficult ex-post attribution. The actuarial question is not simply: what is the historical frequency of AI failures? The question is whether the risk can be bounded, observed, priced, monitored, and evidenced.
The first insurance problem is accumulation. A portfolio may look diversified: different firms, sectors, and countries. But they may all rely on the same models, APIs, cloud providers, datasets, retrieval systems, or agent frameworks. A model bug, a bad update, a prompt-injection vulnerability, a compromised API, or a provider failure can generate correlated losses across many insureds. This weakens the usual law-of-large-numbers intuition. Risks are not independent if they share the same technological infrastructure. Underwriting AI therefore requires mapping the AI supply chain: provider, model version, API, data, RAG system, agents, tools, and update process.
This slide introduces a recent report on AI risk prioritization. I would not take the probabilities literally; it is a study based on expert judgment. But it is useful because it frames AI risks as systemic, cross-sectoral, and unevenly distributed. The key point for insurance is the mismatch between vulnerability and control. The actors most exposed to harm are not necessarily those who control the models. Users, clients, and affected third parties may bear the consequences, while mitigation often depends on developers, providers, regulators, governments, or standards bodies. This raises a classical insurance question: who bears the risk, who controls the risk, and who can produce evidence after a loss?
Large language models (LLMs) are a particularly interesting case. The issue is not only hallucination. It also includes retrieval errors, prompt injection, privacy leakage, biased outputs, insecure code, incorrect tool use, and automation of decisions that should remain supervised. Benchmarks are not enough. They evaluate controlled tasks. Insurance deals with deployed systems, real users, real incentives, changing environments, and downstream losses. LLMs shift the cost of reliability. Producing an answer becomes cheap; verifying it may become expensive. And “human-in-the-loop” is not a magic control. A human can only control the system if they have time, competence, authority, and incentives to challenge the machine.
This brings me to a central point: insurability depends on proof. An insurance policy cannot simply say: “we cover AI risk.” It must define the insured system: the use case, model, version, provider, data source, retrieval layer, tools, agents, and update regime. It must also define evidence obligations: logs, audits, monitoring, incident reporting, version retention, red teaming, escalation procedures, and human review. Insurance can play a disciplinary role here. If nobody pays for proof before the loss, everybody pays for uncertainty after the loss. Conversely, if coverage depends on traceability, insurance creates an economic incentive to document and control AI systems.
I will end with vibe coding. Lawrence Lessig famously said that “code is law”, twenty five years ago: code does not only execute rules; it structures what is possible, impossible, easy, costly, visible, or invisible. But if code is generated by AI from prompts, modified quickly, integrated by agents, and sometimes deployed without serious human review, a new question appears: who can reconstruct the history of the code after a loss? The risk is not only that AI-generated code may be wrong. The risk is that nobody can say exactly what was asked, what was generated, which model version was used, which dependencies were added, which tests were run, and how the code reached production. For insurers, the right question is not: “Do you use AI to code?” Almost everyone will. The real question is: “Through which process can AI-generated code enter a critical system?” And this brings us back to very concrete underwriting tools: prompt logs, model versions, human review, tests, vulnerability scanners, SBOMs, deployment rules, and exclusions for unverified autonomous deployment. The broader conclusion is that AI does not eliminate classical actuarial questions. It makes them more visible: mutualization, accumulation, information asymmetry, evidence, moral hazard, control, and responsibility.
Pluralisme, balance, équilibre, et cirque médiatique
J’ai déjà parlé, ici ou là, de mes souvenirs d’enfance et des cours de français au secondaire. En particulier de mon incompréhension assez profonde devant l’analyse de texte littéraire, où il fallait, me semblait-il, deviner les intentions de l’auteur, repérer des symboles que je ne voyais pas, attribuer à une tournure ou à une image une profondeur que je soupçonnais parfois d’être reconstruite après coup. La dissertation, à côté, me paraissait presque plus simple. Elle avait ses règles, ses figures imposées, son architecture reconnaissable. Je comprenais à peu près le jeu rhétorique du débat, ou du debating, que j’ai retrouvé plus tard en école : on pouvait toujours argumenter, quel que soit le sujet, et même quel que soit le point de vue qu’on nous demandait de défendre. Un peu comme dans le Gorgias de Platon, il y avait là une forme d’exercice de virtuosité : apprendre à soutenir une position, puis son contraire, montrer qu’on sait manier les arguments, retourner une objection, produire une apparence de symétrie.
Dans la dissertation scolaire, on nous a donc appris à opposer une thèse et une antithèse. Encore une fois, l’exercice n’était pas absurde en soi. Il obligeait à ne pas confondre conviction et démonstration, à reconnaître qu’un problème peut être abordé de plusieurs façons, à ne pas s’installer trop vite dans la certitude. Il y avait même quelque chose de salutaire dans cette discipline, on apprenait qu’un argument n’est pas simplement ce que l’on pense, mais ce que l’on peut justifier, on apprenait qu’une position adverse n’est pas nécessairement une absurdité, mais peut contenir une part de vérité ou, au moins, une objection sérieuse. Depuis, j’ai appris à écrire autrement. De manière un peu autodidacte, sans doute, en lisant, en écrivant, en corrigeant, en étant corrigé. Mais l’écriture d’un article scientifique, ou même d’un essai un peu sérieux, ne ressemble pas du tout à ce vieux schéma thèse-antithèse-synthèse. En général, j’ai une thèse, je la pose, je la motive, j’essaie d’expliquer pourquoi elle mérite d’être prise au sérieux. Puis j’en cherche les limites. Je précise les hypothèses sous lesquelles elle tient, les cas où elle devient fragile, les objections qui m’obligent à la reformuler. Il ne s’agit pas de faire comme si deux positions se valaient a priori, mais de comprendre jusqu’où une proposition peut être défendue, à quelles conditions, avec quels degrés d’incertitude, et face à quelles objections.
Il me semble que c’est très différent. La pensée ne progresse pas parce qu’on a mécaniquement placé deux discours face à face. Elle progresse parce qu’on accepte de hiérarchiser, de qualifier, de contextualiser, de distinguer ce qui est établi, ce qui est plausible, ce qui est incertain, ce qui est simplement faux. Or le seul endroit où je retrouve aujourd’hui cette vieille construction scolaire de la thèse et de l’antithèse, c’est dans les débats télévisés ou radiophoniques. Si un invité avance une idée, il faut aussitôt lui opposer quelqu’un. Un scientifique vient expliquer l’état des connaissances, et il faut “équilibrer” avec une voix contraire. Un chercheur présente une enquête, et il faut un polémiste en face. Comme si l’information devait toujours prendre la forme d’un duel, et comme si la vérité naissait spontanément du choc de deux opinions mises en scène. Un climatologue vient parler du réchauffement climatique, on lui oppose un climatosceptique médiatique. Un sociologue vient présenter une enquête, on lui oppose un polémiste. Un épidémiologiste explique un consensus médical, on invite “l’autre point de vue”. Le dispositif semble démocratique, chacun pouvant se faire une opinion. Mais si on y réfléchit deux secondes, tout est déjà joué dans la scénographie. Le simple fait d’installer deux personnes face à face produit une géométrie de l’équivalence. Il y a deux micros, donc deux positions. Deux positions, donc deux légitimités. Deux légitimités, donc une controverse.
Or il me semble qu’il y a une différence essentielle entre une controverse scientifique et une dispute médiatique. Une controverse scientifique suppose des méthodes partagées, des données discutables, des arguments évaluables par des pairs, des incertitudes que l’on peut décrire. Une dispute médiatique peut se contenter d’un désaccord expressif. Le premier monde demande du temps, le second demande du rythme. Le premier cherche les nuances, le second préfère les oppositions. Le premier cherche à savoir, alors que le second cherche à produire un “moment”.
(source: Joe Dator, “Facts Don’t Matter”, publié dans The New Yorker, 5 décembre 2016)
C’est tout le problème de ce qu’on appelle, dans la littérature anglo-saxonne, le false balance, ou faux équilibre. Natascha Rietdijk et Alfred Archer le définissent, dans Post-Truth, False Balance and Virtuous Gatekeeping, comme le fait de présenter deux côtés d’un débat comme plus égaux que ne le justifie l’état des preuves. Ils insistent sur le fait que ce mécanisme ne relève pas nécessairement de la fake news, mais qu’il contribue à dévaluer la vérité en brouillant ce qui compte comme preuve et qui peut être reconnu comme autorité compétente. Dans The Epistemic Dangers of Journalistic Balance, Giulia Terzian parle de son côté d’un danger épistémique, le format équilibré pouvant représenter improprement un conflit de points de vue comme une dispute entre égaux épistémiques, et conduire le public à tirer de mauvaises conclusions sur l’état réel des connaissances.
Le problème n’est pas qu’il existe des voix dissidentes. Il y en a toujours, et j’imagine qu’il doit y en avoir. Le problème commence quand la dissidence est mise en scène comme si elle avait le même poids que l’état accumulé des connaissances. Ce n’est pas parce qu’il existe deux phrases contradictoires qu’il existe deux positions également sérieuses. Ce n’est pas parce qu’un polémiste sait répondre vite qu’il répond bien. Ce n’est pas parce qu’une opinion existe dans l’espace public qu’elle mérite d’être traitée comme une hypothèse scientifique robuste.
Le climat offre probablement l’exemple le plus documenté de ce problème. Maxwell Boykoff et Jules Boykoff avaient postulé, dans Balance as Bias: Global Warming and the US Prestige Press, que l’équilibre peut devenir un biais. Leur analyse montrait que, dans la presse américaine sérieuse (“de prestige”), la volonté de donner “les deux côtés” avait conduit à accorder une place disproportionnée aux positions climatosceptiques, contribuant à faire diverger le discours médiatique du discours scientifique. Sur la couverture du climat de 1988 à 2002, une part importante des articles donnait aux climatosceptiques une attention équivalente à celle des défenseurs du consensus scientifique.
Le cas français n’est pas moins instructif. Olivier Godard, dans Le climato-scepticisme médiatique en France : un sophisme moderne, insiste sur le fait que le climatoscepticisme médiatique français n’est pas une controverse scientifique, ni une contre-expertise, mais un sophisme qui emprunte des arguments du débat scientifique en les déformant au service d’une visée idéologique. La description d’Olivier Godard est presque une théorie générale du plateau télé : à s’en tenir aux apparences, on pourrait croire à une “belle” controverse scientifique entre théories opposées et également dignes d’attention. Mais ces apparences sont trompeuses, car beaucoup de ces figures médiatiques ne participent pas, ou très marginalement, au travail ordinaire des communautés scientifiques concernées.
Il est important de distinguer deux choses que le plateau confond presque structurellement, la contradiction et la critique. La contradiction, c’est facile puisqu’il suffit de trouver quelqu’un qui dit non. La critique, elle, est plus exigeante, puisqu’elle suppose de comprendre ce qui est avancé, de savoir où se situent les incertitudes, d’identifier les hypothèses fragiles, les données manquantes, les méthodes discutables. Un bon contradicteur scientifique n’est pas celui qui vient dire l’inverse, c’est celui qui sait où porter le doute. Il y a une différence entre contester un résultat et installer du brouillard.
J’imagine que les journalistes ne font pas cela uniquement par cynisme. Il y a des contraintes de temps, de format, de production. Gaye Tuchman l’avait très bien montré dans Objectivity as Strategic Ritual. L’objectivité journalistique fonctionne aussi comme un rituel stratégique. Comme c’est un métier exposé aux critiques, aux délais, aux risques juridiques et aux pressions hiérarchiques, certaines procédures permettent de revendiquer une posture objective. Citer plusieurs personnes, mettre des guillemets, juxtaposer des points de vue, tout cela peut devenir une manière de se protéger. Le problème est que ces procédures envoient des signaux d’objectivité, sans la produire. Elles prouvent juste que le journaliste a respecté le rituel, elles ne prouvent pas que le public a été mieux informé.
Jay Rosen formule une critique proche avec sa notion de View from Nowhere. Le journaliste fait semblant de se placer entre deux pôles, refuse d’assumer une position, et appelle cela impartialité. Mais Jay Rosen rappelle que l’autorité journalistique ne vient pas du fait de prétendre n’avoir aucun point de vue, elle vient du travail de journaliste (enquêter, vérifier, maîtriser un sujet, connaître les faits, creuser sous la surface). La neutralité de posture devient une facilité : si deux camps me critiquent, c’est que je dois être au milieu, et si je suis au milieu, c’est que je suis impartial, et si je suis impartial, j’ai fait mon travail.
Invariablement, ça me fait penser à la culture scolaire de la dissertation. Dans sa version sérieuse, la dissertation ne consiste pas à dire “d’un côté, de l’autre”. Elle suppose de poser un problème, de construire les termes du désaccord, d’évaluer les arguments, puis de dépasser l’opposition initiale. Mais dans sa version paresseuse, de mauvais élève, elle devient une machine à produire de la symétrie, avec le plan classique, thèse, antithèse, et une synthèse molle qui permet de ne pas trancher. Le journalisme de plateau semble parfois avoir retenu cette version-là. Il ne cherche pas à savoir si les arguments se valent, il cherche à faire tenir le face-à-face.
Et à ce jeu, le polémiste est clairement le client idéal. Il parle vite, il coupe, il formule des phrases courtes, il a toujours une certitude prête à être réchauffée. Il ne va pas s’embarrasser des questions de protocoles, de marges d’erreur, de problèmes de mesure ou de conditions d’identification. En face, le scientifique, lui, arrive avec des scrupules, il distingue, il nuance, il hésite, il précise que cela dépend de la période, de l’échantillon, de la méthode, du modèle, du niveau de confiance. C’est profondément asymétrique, le polémiste vient jouer au tennis, alors que le scientifique arrive avec sa bibliothèque… Et la plupart des formats récompensent le premier. Un chercheur qui explique patiemment une distribution de probabilités, une incertitude causale ou un consensus scientifique fait rarement “un moment”, pour reprendre la formule de la journaliste Léa Salamé, qui déclarait “mon obsession, ce n’est pas d’aller chercher la vérité, c’est qu’il y ait un moment“. “Un moment”, c’est quand un polémiste lance une formule, quand il accuse, il exagère, il fait monter la tension, et ça produit immédiatement une séquence qui marquera, qui transformera une question en dramaturgie.
Les naïfs, ou les optimistes, objecteront probablement que le public n’est pas dupe. Peut-être. Mais les travaux empiriques sur le faux équilibre ne sont pas rassurants. Megan Imundo et David Rapp montrent, dans des expériences sur le climat décrites dans When Fairness is Flawed, que l’exposition à des arguments contraires au consensus réduit la perception du consensus expert, même lorsque ces arguments sont présentés avec une position consensuelle. Ils montrent aussi qu’un rappel explicite du poids des preuves, un weight-of-evidence statement, peut atténuer cet effet. Autrement dit, il ne suffit pas de “donner les deux côtés” et de faire confiance au public. Si l’on ne contextualise pas les positions, si l’on ne dit pas où se trouve le poids des preuves, on risque de fabriquer de l’incertitude là où elle n’a pas lieu d’être.
J’ai l’impression que la seule sortie possible, c’est de prendre l’impartialité au sérieux. Être impartial, ce n’est pas donner le même temps à toutes les affirmations, c’est rendre justice à leur statut. Une hypothèse marginale peut être mentionnée comme marginale, ce qu’elle est vraiment. Une incertitude peut être discutée comme incertitude. Un consensus peut être présenté comme consensus, sans être transformé en dogme. Une controverse scientifique peut être exposée, mais en expliquant qui y participe, sur quelles bases, avec quelles méthodes, et avec quel degré de reconnaissance par les communautés concernées. Ce serait un journalisme moins théâtral, peut-être, mais plus honnête. Au lieu d’un “pour/contre”, on pourrait avoir une cartographie explicite et claire, annonçant ce qu’on sait assez solidement, ce qui reste incertain, ce qui fait débat entre spécialistes, ce qui relève de la polémique publique, et ce qui est simplement faux. Au risque de me répéter, le pluralisme n’exige pas l’égalité artificielle des arguments. Il exige au contraire que l’on donne au public les moyens de comprendre pourquoi certains arguments pèsent plus que d’autres.
Mais on n’y est pas. On ne peut se rendre sur plateau télé (ou radio) que sur un malentendu. Le scientifique croit venir expliquer là où en est la connaissance scientifique, mais bien souvent, le plateau attend qu’il contribue à produire un “moment”. À ce jeu, le polémiste est chez lui alors que le scientifique a clairement l’air d’un invité de passage. Pourquoi continuer à participer à ce cirque médiatique ?