En fin de semaine dernière, L’Argus de l’Assurance titrait sur une estimation de la “crue centennale de la Seine”
Je voulais revenir dessus avec un (court) billet parce que j’ai toujours du mal à comprendre ce qu’une telle estimation veut (vraiment) dire. Au risque de me répéter (je le disais dans Catastrophes naturelles, catastrophes évitables ou imprévisibles ?) et c’est largement discuté dans Flood Risk Assessment and Management, le risque d’inondation (comme toutes les catastrophes naturelles) doit être compris comme le résultat d’interactions entre l’humain et la nature. Ça semble trivial à force de le répéter, mais son sens profond, c’est que si l’aléa est en partie coproduit (urbanisation, endiguements, réservoirs, règles de gestion), alors l’idée d’une période de retour de 100 ans ne peut pas être vue comme une constante de la nature, puisque c’est forcément un produit de nos choix. Continue reading Crue centennale de la Seine à 42 milliards d’euros ?→
Il y a plusieurs mois, j’avais profité d’un voyage en France pour acheter le petit tract, De la démocratie en pandémie de Barbara Stiegler. J’aimais l’énergie du texte, la colère contre tous ceux qui déclaraient tranquillement qu’en temps de crise, la démocratie serait un luxe. Et j’aimais aussi l’idée que la démocratie ne se réduit pas à un culte des droits individuels, mais qu’elle se joue dans la vie sociale, dans les espaces publics, dans une forme de participation qui recréer de la confiance et du collectif. Et je souviens avoir décroché, sur la fin, parce que je n’y croyais plus. Ce n’était pas un désaccord sur le diagnostic politique, mais sur la mécanique, sur cette enthousiasme face aux assemblées populaires. Parce que, très concrètement, la prise de décision collective, telle qu’on la raconte parfois, ressemble à une scène écrite par, et pour, des gens qui aiment parler. Parler bien, parler longtemps. Ceux qui maîtrisent la rhétorique, et qui y prennent plaisir. Et moi, je n’ai pas ce plaisir. Mais alors pas du tout. Enfin non, c’est bien sûr plus compliqué que ça. Dans un cadre professionnel, quand on me demande de parler sur quelque chose que je maîtrise parfaitement (parce que c’est mon boulot), je peux parler pendant des heures. Mais quand on me demande mon avis sur d’autres sujets, c’est toujours beaucoup plus compliqué. Je doute constamment de la valeur (et de la pertinence) de mon avis, je le trouve rarement assez clair, je le vois souvent sous trop d’angles à la fois. Ça donne une parole hésitante, prudente, souvent décallée. Je suis très très lent. Les Grecs parleraient de l’épochè (ἐποχή), cette manière de suspendre son jugement, d’attendre avant de se positionner, de vérifier ce qu’on croit savoir, et de se demander si notre grain de sel a une quelconque valeur. Le problème, c’est que l’épochè marche assez mal dans une assemblée. Ce blog est peut-être justement un moyen de faire du tri dans mes pensées, et de poser un peu les choses…
Avec Agathe Fernandes Machado, Olivier Côté et François Hu, on a mis en ligne un papier, Federated Measurement of Demographic Disparities from Quantile Sketches. Le point de départ est assez simple. On peut imaginer qu’un modèle de score (mesurant un risque de récidive, une probabilité de réadmission à l’hôpital, un score de crédit…) soit déployé dans plusieurs institutions : hôpitaux, tribunaux, banques, assureurs. Chacun collecte ses données, utilise un modèle, et conserve jalousement ses bases. Parfois par obligation légale (RGPD, secret médical), parfois par contraintes techniques, parfois par réticence organisationnelle. Le problème, c’est qu’un régulateur veut savoir si le score est discriminatoire, sans jamais centraliser les données brutes. En fait, c’est assez réaliste comme situation, beaucoup d’objectifs de justice algorithmique étant définis au niveau de la population, et pas localement. Les régulateurs et les directions conformité demandent : “Est-ce que le système, globalement, traite de la même façon les groupes protégés ?” Pas : “Chaque institution, isolément, a-t-elle l’air correcte ?” On montre dans notre article que des audits locaux peuvent être rassurants tout en étant trompeurs, parce que l’injustice peut naître précisément de ce que l’on ne voit pas en restant silo par silo. Et la bonne nouvelle, c’est qu’on peut estimer l’inéquité globale avec une communication très limitée, en demandant à chaque silo seulement des comptages et quelques quantiles de ses scores.
Dans le papier, on identifie deux sources majeures de décalage entre l’audit local et l’audit global.
Les effets de composition : une “version fairness” du paradoxe de Simpson. Même si chaque silo semble traiter les groupes de manière similaire, la répartition des groupes entre silos peut être très différente. Un groupe peut être sur-représenté dans certains hôpitaux, certains tribunaux, certaines zones géographiques… Et si ces silos n’ont pas le même profil de scores (parce que les populations, les pratiques ou les contextes diffèrent), alors l’agrégation peut créer un écart global qui n’apparaît nulle part localement.
L’hétérogénéité inter-silos : la “stratification cachée” Deux silos peuvent produire des scores d’allure différente (distribution plus “optimiste”, plus “pessimiste”, plus dispersée…), même au sein d’un même groupe sensible. Localement, chacun peut avoir des métriques acceptables. Mais une fois les données mises bout à bout, ces différences deviennent visibles et peuvent amplifier une disparité entre groupes. Dans les domaines sensibles (santé, justice pénale), cette hétérogénéité est courante : pratiques de codage, accès aux soins, critères de triage, politiques locales…
D’un point de vue pratique, on propose un protocole d’audit en un seul aller-retour : chaque silo envoie, pour chaque groupe sensible le nombre d’individus dans ce groupe (un simple comptage), k quantiles du score (par exemple k = 25, 50 ou 100), sur une grille commune. Et c’est tout. Pas de scores individuels, pas de features, pas d’exemples. Ce genre de résumé est déjà produit par de nombreux systèmes de monitoring via des quantile sketches utilisés pour suivre des distributions. À partir de ces quantiles, le serveur peut reconstruire une approximation des distributions globales par groupe, puis calculer la disparité populationnelle. Théoriquement, l’erreur due à la discrétisation décroît comme 1/k : plus on envoie de quantiles, plus la courbe reconstruite est fine. Et on montre sur des données réelles que quelques dizaines suffisent.
En bonus, on propose aussi une méthode permettant de comprendre, si on mesure un écart, pourquoi il apparaît. On obtient en particulier une décomposition de type ANOVA qui sépare : une part due aux effets de mélange / composition (le “Simpson fairness”), une part due à la vraie hétérogénéité inter-silos (différences structurelles de score), et un terme d’interaction qui peut amplifier ou compenser (mais reste contrôlé).
Bref, on montre qu’en environnement fédéré, l’équité populationnelle n’est pas la moyenne de l’équité locale. Elle dépend des mélanges, des flux, des biais d’affectation et des variations inter-silos. Donc la bonne question n’est pas “chaque silo est-il juste ?”, mais “le système fédéré, en tant que mécanisme de production de scores, est-il juste au niveau population ?” La bonne nouvelle, c’est qu’on peut répondre à cette question sans centraliser les données, en ne partageant qu’une poignée de quantiles et des comptes, en une seule communication.
For a few months now, I have been trying to write a post about greenwashing. And of course it takes time, because I tend to get lost in all kinds of details… and this time was no exception. For now, I want to lay the groundwork by describing the ecosystem that allows greenwashing to exist—and to thrive.
My starting point will be LinkedIn, because LinkedIn is a stage on which people display professional respectability. And I admit it: I sometimes linger on LinkedIn, often to stay informed by following a few actors in the insurance world. I wrote a post two months ago, Bridging the Risk Perception Gap?, explaining that for my research topics it is almost indispensable.
Of course, I know it is a theater: an unsettling mirror, a mirror world in the sense Naomi Klein discusses in Doppelganger. You see endless posts with the intellectual depth of motivational posters, but sometimes (and that is what makes the game so frustrating) you also see an interesting chart that looks serious—yet almost never a solid source explaining how it was produced. For instance, I see graphs like this one, which interests me for professional reasons and triggers a thousand questions.
Fig. 1. Fictional chart created for illustration purposes, inspired by a chart seen on LinkedIn. No source provided.
At best, the post will mention a source—a source that points to another document produced by an agency with a strange status, which points to a note, which points to an “observatory”. And in the end, you no longer know what you are supposed to take away, except the feeling that somewhere there exists an expertise that produced some kind of analysis.
I learn that Japanese people drive three times less than Americans. But is that mileage per driver, or per vehicle? Does it account for the fact that Japanese households tend to have one car per household, while Americans tend to have one car per person? In short: it raises a thousand questions, but it rarely points to a thousand paths toward answers. Often it stops there—and you have to do the research yourself to find primary sources.
About a decade ago, André Spicer published a great book, Business Bullshit, which helps make sense of LinkedIn posts: the confident, consensus-driven tone; the way statements are produced with an astonishing indifference to whether they are true, falsifiable, or even well-defined. Spicer emphasizes that bullshit is not simply lying. It is, above all, a loosened relationship to truth—because the objective is not to describe the world, but to produce an organizational effect.
In my post La société du bullshit three years ago, I talked about LLM “bullshit”. But with a bit of distance, it looks like a form of corporate bullshit that we find precisely on platforms like LinkedIn. The aim is to inspire trust, coordination, adherence. Many journalists and scholars have described this. More recently, Cory Doctorow gave a name to something many of us felt without formalizing it: enshittification.
“Enshittification” describes the dynamic by which platforms, after attracting users, gradually reorganize their rules and interfaces to serve partners first, then advertisers, then their own rent extraction—until the experience degrades for everyone. It is a multi-stage story we have all lived through. And LinkedIn is a perfect example. It is not a place where you “read content”; it is a machine that selects what circulates, rewards quick reactions, makes recycling profitable, and penalizes long, sourced arguments. Still, sometimes you find an idea—an argument you can reuse in a paper to get a sense of what “the market wants” (which matters in my field, insurance).
What worries me most is that I now see cases where real life starts to resemble LinkedIn. I find myself in meetings with people whose legitimacy is rather hazy—not so much to present study results they actually produced (as in academia), but to deliver a kind of verbose, empty logorrhea.
On one side, there is bullshit talk in the organizational sense: not necessarily false, but calibrated to produce trust and buy-in without paying the cost of proof. On the other, an enshittified informational environment in which the circulation of documents, labels, slides, and “summaries” makes scientific research harder to see, slower to access, and less attention-profitable—hence easier to marginalize, even when everyone claims to “follow the science”.
For someone who spends almost all their time reading academic papers, it would be almost funny—if it were not bleak and worrying. A serious paper (as it would be written by a serious gentleman, or by a mushroom, as the Little Prince might say) often begins by properly defining the objects of discussion. And that takes time. Then, when there are data, you have to talk about selection bias, justify a causal reading of a correlation, add a thousand precautions. Clearly, it “wastes time” (on details).
The ecosystem I am describing sells the exact opposite. It sells clarity. It sells speed. It sells conclusions ready to be heard by people who want to make decisions quickly. And it creates immense noise pollution. Noise does not prevent science from existing, but it makes it less visible, less audible. And sometimes, more insidiously, it replaces it—not with anti-science, but with decor science. Science cited as a credibility accessory, without the demand for proof surviving the format.
I mentioned it (very briefly) the other day in my post L’écosystème du bruit et la fabrique de l’autorité, but I genuinely loved Naomi Klein’s book Doppelganger. It opens with a striking anecdote: during the 2020–2021 pandemic, she was repeatedly mistaken for Naomi Wolf, to the point of being blamed for statements made by “the other Naomi”. From there, she asks a set of unsettling questions about identity.
In We are not Alone! (At least, Most of us aren’t), co-written with Baptiste Coulmont, we wondered about the probability of having a strict namesake (same first name and last name). In Doppelganger, the confusion is “only” about the first name. I devoured the book. Klein starts from a sociological intuition and turns it into a narrative. The more everyday life is digitized, the more identity becomes an interface: traces, authentication procedures, and the idea that access itself functions as proof. She describes, very concretely, the anxiety of realizing that after a hack, someone who “seems to be you” is flooding your friends with messages. And she insists on the fragility of this construction: one compromised account, or a deepfake, can bring it down in an instant.
J’en avais parlé (très rapidement) l’autre jour, dans mon billet L’écosystème du bruit et la fabrique de l’autorité, j’ai vraiment beaucoup aimé le livre de Naomi KleinDoppelganger, qui commence en expliquant comment, pendant la pandémie de 2020-2021, elle a été confondue à de nombreuses reprises avec Naomi Wolf, au point de se voir reprocher les propos que l’autre Naomi avait tenus. Elle se pose beaucoup de questions passionnantes sur l’identité. Dans We are not Alone! (At least, Most of us aren’t), écrit avec Baptiste Coulmont, on se posait la question de l’existence d’un homonyme (prénom et nom), mais dans Doppelganger, c’est une confusion seulement à cause du prénom. J’ai dévoré le livre, qui part d’une intuition sociologique que Naomi Klein met en récit. Elle constate que plus la vie quotidienne se numérise, plus l’identité devient une interface, reposant sur des traces, des procédures d’authentification, et sur l’idée qu’un accès vaut preuve. Elle décrit très concrètement l’angoisse de découvrir, après un piratage, qu’une personne qui “semble être vous” inonde vos proches de messages, et elle insiste sur la fragilité de cette construction, qu’un compte compromis ou un deepfake peut faire tomber en un instant. Continue reading L’usurpation d’identité comme risque systémique→
Conformal prediction (CP) offers distribution-free uncertainty quantification for machine learning models, yet its interplay with fairness in downstream decision-making remains underexplored. Moving beyond CP as a standalone operation (procedural fairness), we analyze the holistic decision-making pipeline to evaluate substantive fairness-the equity of downstream outcomes. Theoretically, we derive an upper bound that decomposes prediction-set size disparity into interpretable components, clarifying how label-clustered CP helps control method-driven contributions to unfairness. To facilitate scalable empirical analysis, we introduce an LLM-in-the-loop evaluator that approximates human assessment of substantive fairness across diverse modalities. Our experiments reveal that label-clustered CP variants consistently deliver superior substantive fairness. Finally, we empirically show that equalized set sizes, rather than coverage, strongly correlate with improved substantive fairness, enabling practitioners to design more fair CP systems. Our code is available at this https URL.
Quand on parle d’IA “responsable”, souvent, on englobe deux choses. La fiabilité (on comprend ce qu’on fait) et l’équité (on traite tout le monde pareil). Dit comme ça, ça semble simple et clair. Mais forcément, dans la vraie vie, c’est un peu plus subtil. En particulier on peut avoir une procédure statistiquement irréprochable, juste… et produire quand même des décisions inéquitables, une fois mise en place. C’est ce qu’on essayait de comprendre (et de mesurer) dans “Beyond Procedure: Substantive Fairness in Conformal Prediction“, coécrit avec Pengqi Liu, Zijun Yu, Mouloud Belbahri, Masoud Asgharian, et Jesse Cresswell: la conformité d’une procédure ne garantit pas la justice de ses effets.
Passer de la “fairness” de la méthode à la “fairness” des conséquences
Cette distinction rappelle des discussions en cours d’éthique : faut-il dire qu’un système est juste parce que sa règle est la même pour tous (vision procédurale, proche d’une éthique des principes), ou parce qu’il produit des effets équitables (vision conséquentialiste) ? Ici, l’enjeu n’est pas tant de “maximiser” un score global que de vérifier que l’aide fournie ne profite pas surtout à certains groupes. En terme méthodologique, notre article s’inscrit dans la littérature sur la prédiction conforme (conformal prediction, CP). L’intuition est assez simple pour des classifieurs (c’est le cadre qu’on regarde ici). Au lieu de prédire une seule étiquette (“il va pleuvoir”, “c’est un médecin”, “c’est la classe 7”, “ce revenu est dans telle tranche”), on prédit un ensemble de réponses plausibles. Avec un degré de confiance. Par exemple “je suis sûr à 90% que la bonne réponse est dans cette liste.” Cette promesse, on appelle ça la couverture. À un niveau 90%, CP garantit que, en moyenne, la vérité est bien dans l’ensemble retourné. Autrement dit, peu importe le modèle, peu importe la distribution, on a une garantie statistique robuste. Mais dans la vraie vie, personne ne décide à partir d’une garantie abstraite de couverture. On décide à partir de l’ensemble de prédictions fournies. Et cet ensemble peut varier fortement d’une personne à l’autre, ou d’un groupe à l’autre.
Si l’ensemble contient 1 réponse, c’est presque une décision automatique.
S’il en contient 7, c’est une aide beaucoup plus vague : on hésite, on délègue, on choisit “au feeling”, ou on s’en remet à un autre processus.
Autrement dit, une même “garantie à 90%” peut se traduire par des niveaux d’aide très différents. Pour revenir à ce que je disais au début, on fait une distinction centrale dans le papier entre :
la Fairness procédurale : la méthode respecte des critères “internes” (ex. même couverture par groupe).
la Fairness substantive : au final, l’outil améliore (ou dégrade) l’équité des résultats et des bénéfices entre groupes.
Mais “égaliser la couverture” peut aggraver l’iniquité
Dans la littérature, une idée a longtemps semblé naturelle. Si on veut être juste entre groupes (genre, âge, origine…), alors il faut que la garantie statistique soit la même pour tous. En CP, cela conduit à ce qu’on appelle l’Equalized Coverage : calibrer séparément par groupe, pour que chacun obtienne, disons, 90% de couverture. Sur le plan procédural, c’est pas mal, mais sur le plan des conséquences, le papier montre que cela peut être un mauvais objectif. Pourquoi ? Tout simplement parce que calibrer par groupe revient à découper les données de calibration. Dans ce cas, certains groupes ont moins d’exemples, ce qui rend les seuils plus instables. Et pour tenir la couverture, on compense souvent en produisant des ensembles plus grands pour certains groupes. Et si un groupe reçoit systématiquement des ensembles plus larges, il reçoit une aide moins facile à utiliser en pratique.
Le papier propose alors en avant un autre indicateur procédural, plus proche des effets : l’Equalized Set Size (parité de taille des ensembles). Et ce qu’on montre, c’est que dans les expériences, la parité de taille est fortement associée à une meilleure équité des résultats, tandis que la parité de couverture est souvent corrélée à une équité plus mauvaise. Dit autrement, optimiser le bon niveau de couverture peut pousser dans la mauvaise direction du point de vue social.
Mesurer l’équité “substantive” sans mobiliser des centaines de participants
En pratique, évaluer l’équité des conséquences est coûteux, puisqu’il faudrait idéalement des expériences avec des humains, parce que ce sont eux (ou leurs règles décisionnelles) qui transforment l’ensemble de prédiction en décision. On a essayé d’être pragmatique, en remplaçant l’évaluateur humain par un LLM dans un protocole contrôlé (LLM-in-the-loop), de façon à simuler l’usage des ensembles de prédiction comme “aide à la décision”, à grande échelle, sur plusieurs modalités (image, texte, audio, tabulaire). L’idée n’est pas de dire que “les LLM pensent comme nous” en général, mais de construire un protocole où l’on peut donner au modèle une tâche (ex. prédire une profession, une émotion, une tranche de revenu), lui donner (ou non) l’ensemble conforme + une phrase de garantie (“la vraie réponse est dedans avec 90% de confiance”) et mesurer combien l’aide améliore l’exactitude, et surtout si cette amélioration est partagée équitablement entre groupes. Pour quantifier cette équité, on utilise une mesure inspirée des essais contrôlés, la disparité maximale de bénéfice entre groupes, résumée par un indicateur de type maxROR (une façon de comparer l’ampleur du “gain” entre groupes). Plus maxROR est faible, plus l’amélioration procurée par l’outil est équitable.
La taille des ensembles explique mieux l’équité réelle que la couverture
Sur quatre tâches (vision, texte, audio, données tabulaires) et plusieurs méthodes, on a un constat assez robuste. Tout d’abord, les méthodes qui cherchent à égaliser la couverture (Mondrian, group-clustered) ne sont pas celles qui donnent les meilleurs résultats en équité “substantive”. Mais en plus, les méthodes qui réduisent les écarts de taille d’ensemble (en particulier Label-Clustered CP, et parfois Backward CP) tendent à produire une amélioration plus équitable. Autrement dit, la prédiction conforme donne une garantie statistique particulièrement intéressante, mais la justice réelle se joue dans l’usage, et on montre que, pour des décisions assistées, l’égalité de taille des ensembles est souvent un meilleur levier d’équité que l’égalité de couverture.
Depuis quelques mois, j’essaye d’écrire un billet sur le greenwashing (“écoblanchiment” comme on dirait au Québec). Et forcément, ça prend du temps, parce que j’ai souvent tendance à me perdre dans toutes sortes de détails… et là encore, ça n’a pas manqué. Mais je vais déjà poser les bases, en décrivant cet écosystème qui lui permet de vivre, et de prospérer. Le point de départ de mon billet, ça sera Linkedin, parce que LinkedIn est une scène où on met en avant sa respectabilité professionnelle. Et j’avoue, il m’arrive de traîner un peu sur LinkedIn, souvent pour tenir informer en suivant quelques acteurs du monde de l’assurance. J’avais écrit un billet il y a deux mois, Bridging the Risk Perception Gap ?, expliquant que pour mes thèmes de recherche, c’est presque indispensable. Bien sûr, je sais que c’est un théâtre, un miroir un peu inquiétant, un mirror world au sens où Naomi Klein en parle dans Doppelganger. On y voit défiler plein de posts à la profondeur intellectuelle d’un poster motivationnel, mais parfois (et c’est ce qui rend le jeu frustrant) on voit passer un graphique intéressant, qui a l’air sérieux, mais presque jamais une source solide pour mieux comprendre comment il a été obtenu. Par exemple je vois passer ce genre de graphique, qui m’intéresse pour des raisons professionnelles, qui me fait poser mille questions.
Fig 1. Graphique fictif créé par les besoins de l’illustration, inspiré d’un graphique vu sur Linkedin. Non sourcé.
Dans le meilleur des cas, le post mentionnera une source, une source qui renvoie à un autre document, produit par une agence au statut étrange, qui renvoie à une note, qui renvoie à un observatoire. Et à la fin on ne sait plus très bien ce qu’on est censé retenir, sinon l’impression qu’il existe quelque part une expertise qui a produit une sorte d’analyse. Je vois que les japonais conduisent trois fois moins que les états-uniens. Mais est-ce le kilométrage par conducteur, ou par véhicule ? est-ce que ça tient compte du fait que les japonais ont plutôt une voiture par ménage, et les américains une voiture par personne ? Bref, ça suscite mille questions, mais ça pointe rarement vers mille pistes de réponses. Souvent on en reste là, et il faut lancer soit même les recherches pour trouver des sources.
Il y a une dizaine d’années, André Spicer a publié un joli livre, Business Bullshit, qui aide à comprendre les posts Linkedin, ces posts au ton assuré, consensuel, cette manière de produire des énoncés étonnamment indifférents à la question de savoir si c’est vrai, réfutable, ou simplement bien défini. André Spicer insiste sur l’idée que le bullshit n’est pas seulement du mensonge. Il est surtout un rapport à la vérité qui est relâché, parce que l’objectif n’est pas de décrire le monde, mais de produire un effet organisationnel. Dans mon billet La société du bullshit, il y a trois ans, je parlais du bullshit des LLM, mais avec un peu de recul, il correspond à une forme de corporate bullshit qu’on retrouve précisément sur les plateformes comme Linkedin. Le but est d’inspirer de la confiance, de la coordination, de l’adhésion. Ça a été expliqué par de nombreux journalistes, et universitaires, mais plus récemment, Cory Doctorow a donné un nom à quelque chose que beaucoup d’entre nous ont ressenti sans le formaliser. L’enshittification décrit cette dynamique où les plateformes, après avoir attiré des utilisateurs, réorganisent progressivement leurs règles et leurs interfaces pour servir d’abord des partenaires, puis des annonceurs, puis leurs propres extractions de rente, au point de dégrader l’expérience pour tout le monde. C’est un récit en plusieurs temps, qu’on a tous expérimentés. Et LinkedIn en est un parfait exemple. Ce n’est pas un endroit où l’on lit des contenus, c’est une machine qui sélectionne ce qui circule, ce qui récompense la réaction rapide, ce qui rend rentable le recyclage, ce qui pénalise l’argument long et sourcé. Mais parfois, on y trouve une idée, un argument qu’ont pourra reprendre dans un article pour avoir une idée de ce que “veut le marché” (c’est une question importante dans mon champ de recherche, l’assurance).
Ce qui me fait le plus peur, c’est que je vois des cas maintenant où la vraie vie commence à ressembler à Linkedin. Je me retrouve des fois dans des réunions avec des gens dont la légitimité est assez fumeuse. Pas tellement pour présenter des résultats d’études qu’ils auraient menées (comme je le vois dans le monde universitaire), mais plutôt pour dérouler une espèce de logorrhée verbeuses et vide. D’un côté, on a une forme de parole bullshit au sens organisationnel, pas forcément mensongère, mais calibrée pour produire de la confiance et de l’adhésion, sans payer le coût de la preuve. De l’autre, un environnement informationnel enshittifié, où la circulation des documents, des labels, des slides, des synthèses, finit par rendre la recherche scientifique plus difficile à voir, plus lente, et moins rentable attentionnellement. Donc plus facilement marginalisée, même quand tout le monde affirme vouloir s’appuyer sur la science. Pour quelqu’un qui passe presque tout son temps à lire des articles académiques, ça en serait presque comique si ce n’était pas navrant et inquiétant. Un papier sérieux (tel qu’il serait écrit par un monsieur sérieux, ou un champignon aurait dit le Petit Prince) commence souvent par définir proprement les objets de la discussion. Et mine de rien, ça prend du temps. Puis quand il y a des données, ça doit parler de biais de sélection, ça motive une lecture causale d’une corrélation, ça prend mille précautions. Clairement, ça perd du temps (en détails). Et l’écosystème dont je parle vend précisément l’inverse, il vend de la clarté, il vend de la vitesse, il vend des conclusions prêtes à être écoutées par des gens qui veulent prendre des décisions vite. Et ça crée une immense pollution sonore. Le bruit n’empêche pas la science d’exister, mais il la rend moins visible, moins audible. Et parfois, plus insidieusement, il la remplace. Non pas par de l’anti-science, mais par une science de décor. Une science citée comme un accessoire de crédibilité, sans que l’exigence de preuve ne survive au format. Continue reading L’écosystème du bruit et la fabrique de l’autorité→
Dans le cadre de mes questionnements sur individus vs. collectif (en lien avec l’assurance, et plus particulièrement l’assurance des catastrophes naturelles), je découvrais l’autre jour un court texte, Culture Is the Mass-Synchronization of Framings écrit par Marco Giancotti, qui commence par une anecdote. Il décrit un quai à Tokyo, où les passagers forment deux files par porte, avant de pouvoir prendre un train. Une file pour monter dans le prochain train et une autre pour “sacrifier” le prochain train afin d’avoir une place assise dans le suivant. Sans consignes détaillées, Marco Giancotti explique que ce système est appris par immersion. Et à partir de là, il généralise, constatant (et je le rejoins) que beaucoup de comportements au Japon qui surprennent les visiteurs, comme le respect implicite de certaines règles de civilité, ne viennent pas d’une disposition innée. Des résidents étrangers finissent par adopter les mêmes routines, alors que les touristes ne les ont pas encore assimilées. L’explication est donc culturelle, et pas biologique. Marco Giancotti insiste ensuite sur la contingence, les standards culturels émergent souvent par hasard, puis se stabilisent via des boucles de rétroaction. Mais j’y reviendrais, parce que je voulais rebondir un peu sur cet article, avec une lecture un peu différente, revenant sur la manière dont le collectif est géré au Japon. Parce que, mine de rien, tout le monde pourra constater qu’en 2026, le collectif a mauvais presse, où il est souvent présenté comme une menace. Menace pour l’autonomie, pour la créativité, pour l’expression de préférences singulières. Dans la plupart des récits économiques, le collectif est parfois associé à des frictions, à des contraintes, à des inefficacités. Le marché, à l’inverse, serait un dispositif plus neutre. Il agrégerait des choix individuels sans exiger d’accord préalable sur ce qui est bien ou souhaitable. Mais cette opposition est décrit mal l’expérience sociale. La vie ordinaire est saturée de comportements coordonnés. Partout, l’individu agit dans un environnement d’attentes. Et ces attentes ne sont pas seulement des contraintes externes. Elles constituent une infrastructure, souvent invisible, qui rend les interactions prévisibles. Et c’est peut être un peu tiré par les cheveux, mais ça m’a fait pensé à une discussion que j’avais eu avec mon ancien doctorant, Philipp Ratz, quand j’étais à allé le voir à Zürich, il y a plusieurs mois… Continue reading Jouer collectif au XXIème siècle?→
We’ve all seen the images. And they are incredible. Like many natural disasters.
On 25 January, Niscemi, a small Sicilian town, split in two, after the torrential rains associated with Storm Harry, leaving a scar several kilometres long. We saw roads collapsing, cars vanishing, houses left hanging on the edge of a void. More than 1,600 people were evacuated. In the Guardian article, we are reminded that this was not the first time. We are told that the very same area had already slid in the 18th century, and again in 1997, and yet construction continued, especially from the 1950s and 1960s onwards.
Could we have known? Did we already know? And if we did, why does it still happen? Almost inevitably, after every natural disaster, I find that these questions come back too, again and again… I thought I could write a short post to recall that, on the one hand, there are striking regularities in the way some disasters unfold. But on the other hand, “predictable” does not mean “avoidable”, because disaster is also a social fact, a story of vulnerability, exposure, and public choices (at the risk of repeating myself, I know). Continue reading Natural disasters, avoidable or unpredictable?→
On a tous vu les images. Et elles sont incroyables. Comme de nombreuses catastrophes naturelles.
Le 25 janvier, Niscemi, petite ville sicilienne, s’est ouvert en deux, suite aux pluies torrentielles associées au cyclone Harry, avec une cicatrice de plusieurs kilomètres. On a vu les routes qui s’effondrent, les voitures qui disparaissent, les maisons qui restent suspendues au bord d’un vide. Plus de 1 600 personnes ont été évacuées. Dans l’article du Guardian, on nous rappelle que ce n’est pas la première fois. On nous explique que le même secteur avait déjà glissé au XVIIIe siècle, puis à nouveau en 1997, et pourtant les constructions ont continué, notamment à partir des années 1950 et 1960.
Est-ce qu’on aurait pu savoir ? Est-ce qu’on savait déjà ? Et si on savait, pourquoi ça arrive quand même ? Mine de rien, à chaque catastrophe naturelle, j’ai souvent que ces questions reviennent elles aussi, invariablement… Je me disais que je pourrais écrire un court billet, rappelant que d’un côté, il existe des régularités étonnantes dans la façon dont certaines catastrophes se déclenchent. Mais pour autant, de l’autre, “prévisible” ne veut pas dire “évitable”, parce que la catastrophe est aussi un fait social, une histoire de vulnérabilité, d’exposition et de décisions publiques (au risque de me répéter, je sais). Continue reading Catastrophes naturelles, catastrophes évitables ou imprévisibles ?→
Well, let’s start with something everyone can observe. Insurance has a bad image, a bad press. It is often suspected of being a cold bureaucracy, a paperwork industry, a partner that looks for loopholes precisely when you need it. We talk about premiums the way we talk about a price, and we end up judging insurance the way we judge a purchase. Did I “get my money’s worth” this year. Did I “lose” money if I had no claim. Was I a good customer if I kept quiet. With questions like these, the very idea of solidarity quickly feels out of place.
And yet, if we set aside the forms and the marketing campaigns, insurance is first and foremost a social technology. It makes a simple reality livable. Some events are rare, hit hard, and cannot be financed individually without tipping into ruin. Insurance says the following. We do not know when, we do not know who, we only know that one day someone will have an accident, fall ill, see their home damaged, or cause harm to someone else. And because we cannot decide in advance who that person will be, we choose to be many to carry the associated financial burden. We pool a small share of our resources, and we agree on rules so that, when the day comes, the burden is bearable. For everyone. It is not only a service, it is a common.