Définition du biais du survivant
Le biais du survivant désigne la tendance à ne prendre en compte que les cas ayant « survécu » à un processus de sélection, en ignorant les observations qui n’ont pas passé ce filtre.
L’analyse porte sur un échantillon tronqué, et les conclusions qui en résultent peuvent s’avérer inverses à la réalité.
Les entrepreneurs ayant réussi, les médicaments ayant passé les essais cliniques, les bâtiments anciens encore debout constituent tous des survivants dont nous examinons les caractéristiques, sans voir le reste : les projets abandonnés, les études interrompues, les édifices depuis longtemps effondrés.
Abraham Wald et la Seconde Guerre mondiale
L’histoire qui a ancré ce phénomène dans la littérature scientifique remonte à la Seconde Guerre mondiale. Les ingénieurs de l’armée américaine cherchaient à renforcer le blindage des avions de combat et examinèrent pour cela les impacts de balles visibles sur les appareils revenus au sol. La conclusion initiale semblait intuitive : consolider les zones les plus touchées.
Le mathématicien Abraham Wald fit alors une remarque que l’analyse des données contredisait sans ambiguïté¹ : les informations disponibles ne portaient que sur les avions ayant survécu aux missions. Les zones criblées de balles sur ces appareils indiquaient les endroits où un avion pouvait être touché et continuer à voler. Les zones sans impact correspondaient, elles, aux points fatals, là où les avions abattus avaient été frappés, ceux-ci ne revenant jamais témoigner. Wald recommanda donc de blinder précisément ces zones intactes, produisant une recommandation exactement inverse à l’intuition de départ.
Le philosophe grec Diagoras de Melos avait formulé une intuition proche cinq siècles avant notre ère, selon Cicéron et Montaigne. Confronté à des rescapés de naufrage qui attribuaient leur survie à leurs prières, il opposa que les marins morts en mer avaient, eux aussi, sollicité les dieux. L’argument structurel était déjà là : les survivants sont sur-représentés dans notre champ d’observation.
Pourquoi ce biais s’installe si naturellement
Plusieurs mécanismes se combinent pour favoriser ce phénomène. Le premier tient à la visibilité asymétrique des données : les succès sont documentés, racontés, mis en avant, tandis que les échecs disparaissent des mémoires collectives. Nassim Taleb désigne cette masse invisible comme le « cimetière silencieux », ceux qui ont tenté la même chose sans résultat, et dont personne ne demande le témoignage.²
La tendance à ne traiter que ce qui est visible découle aussi d’un effort cognitif moindre : réfléchir à ce qui est absent demande plus d’énergie que d’analyser ce qui est présent. Les gagnants sont, par nature, ceux qui occupent le devant de la scène. Les plateformes numériques amplifient ce déséquilibre en mettant en avant les contenus les plus populaires, eux-mêmes des survivants d’une sélection par l’audience.
À cela s’ajoute la valeur motivationnelle que les succès exercent sur nous. Les histoires de parcours difficiles surmontés inspirent et donnent l’impression que la réussite est accessible à qui en aurait la volonté. La demande sociale crée une offre structurellement déséquilibrée : livres, podcasts et documentaires consacrés aux trajectoires victorieuses se multiplient, quand les trajectoires ordinaires ou défaites demeurent sans tribun.
Les domaines où ce biais déforme le jugement
En finance
Le secteur des fonds communs de placement fournit l’un des exemples les mieux documentés. Les études sur la performance des fonds incluent généralement ceux qui existent encore au moment de l’analyse, en excluant mécaniquement ceux qui ont été fermés ou fusionnés suite à de mauvaises performances.
Elton, Gruber et Blake ont estimé que ce biais entraîne une surestimation des rendements moyens de l’ordre de 0,9 % par an dans le secteur américain des fonds de petite taille³, produisant une image trop favorable de la gestion active et conduisant les investisseurs à des anticipations de rendement déformées.
En recherche médicale
Les taux de survie aux maladies souffrent régulièrement du même phénomène. Les patients décédés avant d’être diagnostiqués officiellement, ou dont l’état n’a pas permis d’entrer dans un essai clinique, sont naturellement absents des données.
Les résultats observés portent donc sur une population sélectionnée par sa capacité à « survivre » au processus de recrutement, et les taux calculés sur cette base surestiment les chances réelles d’un patient moyen.⁴
Dans les parcours professionnels et entrepreneuriaux
Lorsqu’un entrepreneur ayant réussi attribue sa trajectoire à une série de décisions, avoir abandonné ses études, s’être concentré sur une seule idée, avoir ignoré les avis négatifs; il décrit ce qui caractérise les survivants. Mais des milliers d’individus ayant suivi exactement la même démarche n’ont pas connu le même résultat. Leurs témoignages ne sont simplement pas sollicités.
Le déséquilibre entre données visibles et données invisibles suit le même schéma selon les domaines :
| Domaine | Ce que l’on observe | Ce que l’on n’observe pas |
|---|---|---|
| Entrepreneuriat | Startups valorisées, fondateurs célèbres | 90 % des startups ayant échoué |
| Finance | Fonds communs encore actifs | Fonds fermés pour mauvaises performances |
| Recherche médicale | Patients ayant pu entrer dans les essais | Patients décédés avant le diagnostic |
| Musique / art | Œuvres encore écoutées ou exposées | Production des mêmes époques disparue |
| Architecture | Bâtiments anciens debout | Constructions de la même période effondrées |
Corrélation et causalité : la confusion au cœur du phénomène
Le biais du survivant nourrit une erreur logique fréquente : prendre une corrélation pour une relation causale. Observer que plusieurs milliardaires ont abandonné l’université ne permet pas de conclure que quitter l’université favorise la réussite. Parmi les millions d’étudiants ayant fait ce choix, une infime minorité est devenue milliardaire. Le nombre de ceux qui ont échoué, sans obtenir ni diplôme ni fortune, est autrement plus grand, mais statistiquement absent des discours.
En élargissant l’échantillon aux cas complets, la corrélation disparaît ou s’inverse. Les données sur l’emploi et les revenus au Royaume-Uni montraient, dans une étude de 2018, un taux d’emploi de 88 % pour les diplômés contre 72 % pour les non-diplômés, avec un écart de salaire annuel médian de l’ordre de 10 000 £, une image radicalement différente de celle que suggèrent les biographies des fondateurs de licornes. La corrélation entre abandon des études et réussite n’est visible que parce que les données retenues excluent les non-survivants.
Lien étroit avec la corrélation illusoire, qui désigne la tendance à percevoir des liens entre des événements qui n’en ont pas, sauf que dans ce cas, l’illusion est entretenue par une asymétrie structurelle dans les données disponibles, et non seulement par un traitement cognitif erroné.
Déjouer les effets du biais du survivant
Se demander systématiquement ce qui est absent constitue la démarche de base. Avant d’analyser les caractéristiques d’un groupe de succès, il convient d’identifier quelle proportion d’entités similaires n’a pas figuré dans cet échantillon, et pour quelle raison.
Concrètement, cela revient à chercher des données sur les non-survivants, projets abandonnés, études interrompues, fonds fermés, afin de reconstituer une image plus complète du phénomène étudié.
Il faut également évaluer le critère d’entrée dans un ensemble de données : si ce critère est lui-même lié à la performance ou à la survie, le biais est potentiellement actif. Lorsqu’un modèle de réussite est présenté, s’interroger sur le rôle des circonstances, timing, contexte économique, réseau préexistant, permet de ne pas réduire le succès à une méthode reproductible.
Le biais du survivant interagit également avec le biais de disponibilité : les cas de succès étant plus facilement rappelés en mémoire, car davantage médiatisés et documentés, ils pèsent de façon disproportionnée dans l’évaluation des probabilités. Reconnaître les deux phénomènes conjointement aide à comprendre pourquoi notre intuition surestime si souvent les chances de réussite dans des domaines très sélectifs.
Les modèles de succès offrent une source légitime d’inspiration. Il s’agit de ne pas leur accorder un poids explicatif qu’ils ne peuvent pas porter à eux seuls, et de chercher, autant que possible, à entendre aussi la majorité silencieuse.
Références scientifiques
- ¹ Wald, A. (1943). A Method of Estimating Plane Vulnerability Based on Damage of Survivors. Statistical Research Group, Columbia University. Reproduit dans : Mangel, M. & Samaniego, F.J. (1984). Abraham Wald’s work on aircraft survivability. Journal of the American Statistical Association, 79(386), 259–267.
- ² Taleb, N.N. (2004). Le hasard sauvage : les secrets de la chance. Les Belles Lettres.
- ³ Elton, E.J., Gruber, M.J., & Blake, C.R. (1996). Survivorship bias and mutual fund performance. Review of Financial Studies, 9(4), 1097–1120.
- ⁴ Brown, S.J., Goetzmann, W., Ibbotson, R.G., & Ross, S.A. (1992). Survivorship bias in performance studies. Review of Financial Studies, 5(4), 553–580.