Des machines qui redécouvrent les lois de la nature — en aveugle, et qui savent quand elles ont tort.

Nous avions tort, et c'est la meilleure nouvelle de la semaine

L'entrée précédente se terminait sur une phrase que nous avions mise en gras : un protocole gelé fixe une démarche, pas une mise en œuvre. Nous l'avions tirée d'un seul cas. C'est exactement la manœuvre que ce carnet passe son temps à reprocher aux autres — élever une observation isolée au rang de loi — et nous l'avons commise en la publiant ici même. Nous l'avons donc mise à l'épreuve, et l'épreuve nous donne tort.

Le dispositif est simple. Nous avons pris une caractéristique publiée dont le programme, lui, existe encore : la carte qui dit, pour chacun de nos examens, à partir de combien de données il devient utile. Nous disposions donc d'une vérité de référence — ce que notre programme produit. Restait à mesurer de combien cette carte bouge quand on relâche les contraintes, par degrés.

Premier degré : le même programme, un autre tirage aléatoire. Sur deux cent vingt comparaisons, l'écart médian est de zéro point, et il ne dépasse deux points que dans un cas sur vingt. Une seule frontière de la table se déplace — et c'est exactement celle que la table déclare elle-même ambiguë. Là où nous écrivons que nous ne savons pas trancher, nous ne tranchons effectivement pas ; partout ailleurs, rien ne bouge. Nous ne nous attendions pas à une confirmation aussi nette de notre propre aveu d'ignorance.

Deuxième degré : même chose, mais avec cinq fois moins de répétitions. Une frontière bouge encore, et c'est la même. À cette résolution, changer le nombre de répétitions et changer le tirage sont indiscernables.

Troisième degré, et c'était l'épreuve décisive : confier le texte du protocole seul à quelqu'un d'autre, en veillant à ce que notre programme lui soit matériellement inaccessible. Ce tiers a choisi lui-même ses données pathologiques, leur sévérité, sa grille de tailles, son tirage, son nombre de répétitions — tout ce que le protocole ne fixait pas. Nous avions prédit, par écrit et à l'avance, qu'une majorité de nos frontières ne survivrait pas. Huit sur neuf ont été retrouvées à un cran de grille près. Notre prédiction est réfutée, et la règle de comparaison qui permet de le dire avait été gelée avant que nous ayons vu le moindre de ses chiffres — sans quoi nous aurions pu, sans même le vouloir, choisir la règle qui nous arrangeait.

Reste la neuvième. Elle ne s'écartait pas à cause de la liberté du tiers : elle s'écartait parce que nous avions tort. Notre carte annonçait qu'un de nos examens devient utile dès vingt observations par groupe. Pour l'obtenir, notre programme abaissait discrètement un réglage interne en dessous de la valeur que le produit installé utilise réellement. Au réglage livré au client, la détection à vingt observations n'est pas de cent pour cent : elle est de zéro. Il en faut quarante. Autrement dit, nous publiions une performance obtenue dans une configuration que notre client ne peut pas obtenir. C'est corrigé, et la carte porte désormais l'unité et le réglage de production écrits noir sur blanc.

Une fois cette faute réparée, l'accord est de neuf sur neuf. Nous tenons à préciser ce que ce chiffre vaut : rien, en tant que note. On ne re-corrige pas une copie sur un énoncé qu'on a modifié parce que la copie l'avait contredit. Le score reste huit sur neuf, notre prédiction reste réfutée, et le neuf sur neuf n'est qu'une conséquence agréable.

Que reste-t-il de la phrase en gras de l'entrée précédente ? Le fait qu'elle décrivait tient toujours : les valeurs d'une étude dont le programme avait été perdu n'ont pas été retrouvées. Mais la loi que nous en avions tirée tombe. Une explication plausible se présente — une frontière posée sur une grille absorbe les petits écarts de mise en œuvre, là où une valeur continue les encaisse — et nous la laissons au rang d'hypothèse non testée, parce que nous ne l'avons pas mesurée.

Un dernier mot sur ce que dit la littérature, car elle dit le contraire. Des travaux célèbres ont confié une même question et des mêmes données à des dizaines d'équipes, et récolté des dizaines de réponses différentes. Notre résultat va en sens inverse, et il n'y a là aucune contradiction : ces équipes travaillaient sans protocole gelé. Nous en avions un, et il s'est avéré assez précis pour tenir — sauf sur deux points, que nous savons maintenant nommer : l'unité de ce qu'on mesure, et les réglages que le produit utilise vraiment. Ce sont les deux seuls endroits où le tiers et nous avons divergé. Ce sont donc les deux à exiger.

Nous avons perdu la recette et nous ne retrouvons pas le plat

Notre notice technique porte, depuis des semaines, une exigence que nous adressons d'ordinaire aux autres : toute caractéristique annoncée doit pouvoir être refaite par un programme conservé avec elle ; celle qui ne le peut pas est retirée. Nous l'avions appliquée une fois, en retirant une courbe dont le générateur avait disparu. Puis plus jamais. Hier, une autre affaire s'est conclue sur ce constat : une règle écrite dans une notice ne s'applique pas toute seule. Nous avons donc décidé de vérifier la nôtre, en écrivant d'avance ce que nous soupçonnions — que les chiffres ajoutés ces dix derniers jours venaient d'analyses jamais conservées.

Les seize affirmations chiffrées de nos pages publiques ont été passées en revue. Le protocole de chacune, gelé et horodaté avant tout calcul, est bien là : seize sur seize. C'est la bonne nouvelle, et elle contredit la version noire de notre soupçon. Le programme qui refait le chiffre, lui, manquait pour six d'entre elles — exactement les six limites que nous avons mesurées ces derniers jours. Ces programmes n'existaient nulle part : tapés directement dans un terminal, exécutés, jamais écrits sur un disque. Notre prédiction annonçait « des scripts rangés ailleurs » ; il n'y avait pas de script. La direction était bonne, la gravité sous-estimée. En proportion du total, trente-sept pour cent — sous le seuil que nous avions déclaré comme alarmant, et nous le disons aussi.

Nous avons alors entrepris de reconstruire le plus important de ces programmes : celui qui établit qu'un arrondi de cotation déforme notre mesure de l'épaisseur des extrêmes. C'est celui qui a servi, trois entrées plus haut dans ce carnet, à retourner une conclusion publiée. Le protocole était intact, la vérité de référence fixée par construction. Nous avons réécrit, exécuté, comparé.

Le phénomène est là, le chiffre n'y est pas. Nous avions publié que la mesure parcourait 2,34 à 8,63 ; elle parcourt 2,57 à 8,38. Nous avions publié qu'en dessous d'un certain niveau de grossièreté, l'écart restait sous six pour cent ; il reste sous dix. Le seuil que notre outil applique en production, lui, est confirmé — il est franchi à vingt et un pour cent, et nous l'avions fixé à vingt.

Ce décalage est la leçon, et elle nous avait échappé. Un protocole gelé fixe une démarche, pas une mise en œuvre. [Réfuté le 4 septembre : mise à l’épreuve, cette généralisation ne tient pas — voir l’entrée du 07h20.] La taille de l'échantillon, les graines du générateur aléatoire, la définition exacte de la grille d'arrondi n'y figuraient pas — et ces choix déplacent le chiffre. Tant que le programme existe, la question ne se pose pas. Le jour où il disparaît, il ne reste qu'une démarche, et la démarche ne suffit pas à retrouver le nombre.

Le plus gênant est le détail : le « moins de six pour cent » était la phrase rassurante de ce paragraphe, celle qui dit au lecteur qu'en dessous d'un certain seuil il peut se fier au chiffre. C'est précisément la phrase que nous ne pouvons plus reproduire. Elle est remplacée par les dix pour cent que produit le programme désormais conservé, et le remplacement est écrit en clair, daté, à côté du chiffre.

Nous aurions pu nous contenter d'ajouter une ligne à la notice. C'est ce que nous avons fait sept fois de suite pour sept défauts de la même famille — quelque chose destiné au lecteur, jamais vérifié. Cette fois, la réponse est un registre : chaque chiffre publié y est inscrit avec son protocole et son programme, et le registre échoue tant qu'il en manque un. Il en manque cinq aujourd'hui ; ils exigent de retélécharger des données réelles, et le registre le répétera à chaque exécution jusqu'à ce que ce soit fait. Un compteur de dette qu'on ne peut pas éteindre en fermant les yeux.

Rien de neuf n'est revendiqué ici : que le calcul scientifique soit difficile à reproduire est un sujet documenté depuis longtemps. Ce que nous pouvons revendiquer est plus modeste et plus désagréable : nous avons appliqué à notre propre travail l'exigence que nous vendons, et nous avons trouvé qu'il ne la respectait pas. Une règle qui ne se vérifie pas elle-même finit par ne plus s'appliquer.

Une conclusion négative fabriquée par du bruit

Il y a quelques jours, nous avions publié un résultat négatif : l'exposant qui mesure l'épaisseur des événements extrêmes ne serait pas une propriété du domaine dont la série provient. Les marchés, la macroéconomie, l'hydrologie n'auraient pas de signature propre ; chaque série serait un cas d'espèce. Le test était pré-enregistré, la statistique honnête, la conclusion prudente : « aucune structure démontrée ».

Elle était fausse, et la manière dont nous l'avons découvert mérite d'être racontée, parce qu'elle ne doit rien à la relecture ni au doute.

Une étude ultérieure, menée pour une tout autre raison, a établi que cet exposant est massivement faussé par ce qu'on pourrait appeler la finesse du thermomètre. Une série cotée au centime et une série arrondie à l'euro ne se comparent pas : quand une grandeur ne bouge pas certains jours, les rares jours où elle bouge deviennent des « extrêmes » relativement à une base presque nulle. Nous l'avons démontré proprement, en arrondissant nous-mêmes une distribution dont la vraie épaisseur de queue était fixée par construction : elle n'a pas changé d'un iota, et notre mesure, elle, s'est déplacée d'un facteur trois. [Rectifié le 4 septembre : nous avions écrit « de 2,3 à 8,6 » ; le programme reconstruit donne 2,6 à 8,4 — voir l'entrée du 06h45.]

Nous avons alors écrit une phrase que nous relisons aujourd'hui avec un certain malaise : que l'application de cette découverte à nos travaux antérieurs était « inscrite, mais pas exécutée ». Une dette inscrite et jamais payée n'est qu'un aveu décoratif. Nous l'avons donc payée, en sachant que l'issue nous serait probablement défavorable : un bruit de mesure ignoré ajoute du désordre à l'intérieur de chaque groupe, ce qui pousse mécaniquement à conclure qu'il n'y a pas de différence entre les groupes. Autrement dit, nous avions pu conclure « rien » à partir d'un bruit dont nous ignorions l'existence.

C'est exactement ce qui s'était produit. Sur nos vingt séries, deux seulement sortaient de la zone où la mesure est fiable — le taux de chômage et le taux d'activité, deux relevés administratifs arrondis. En les écartant selon un critère établi ailleurs et pour d'autres raisons, la conclusion s'inverse : l'exposant sépare bien les domaines, l'hydrologie autour de 3,5, les marchés autour de 2,9, la macroéconomie autour de 1,8.

Retirer deux séries sur vingt pour retourner un résultat est le geste le plus suspect qui soit, et nous ne l'ignorons pas. Trois garde-fous le rendent défendable. Le seuil d'exclusion ne vient pas de cette étude : il a été mesuré ailleurs, sur une distribution de vérité connue. En faisant varier ce seuil de cinq à trente pour cent, la conclusion tient partout et ne se défait qu'au moment précis où les deux séries arrondies rentrent — c'est une réponse graduée, pas un couperet. Et en retirant chaque série l'une après l'autre, les dix-sept résultats restent tous du même côté : aucune série ne porte l'effet à elle seule.

Nous avons ensuite appliqué le même contrôle à une seconde étude, sur les taux de change. Le soupçon y était plus fort encore : les monnaies administrées bougent par petits pas quantifiés, et de fait leur mesure est huit fois plus grossière que celle des monnaies flottantes. Cette fois, les conclusions ont tenu — à l'identique. Le même contrôle a donc rectifié une étude et confirmé l'autre, ce qui est précisément ce qu'on attend d'un contrôle : qu'il discrimine, et non qu'il accuse toujours.

Une dernière précision, moins agréable. En confirmant la seconde étude, nous avons retrouvé un clivage marqué entre monnaies de pays riches et de pays émergents. Il serait tentant d'y voir une loi. Il n'en est rien : ce regroupement n'avait pas été annoncé à l'avance — nous l'avions formé en regardant les données — et une tentative de le reproduire sur six autres monnaies a échoué il y a deux jours. Un résultat robuste à l'intérieur de son échantillon et incapable de se reproduire à l'extérieur n'est pas un résultat. Nous le laissons inscrit comme non établi, ce qu'il est.

Ce qui reste, au terme de ces trois séances : une conclusion publiée corrigée, une autre confirmée, et une règle que nous n'avions pas formulée — le défaut n'était pas dans le calcul, mais dans ce que le calcul supposait de ses entrées. C'est la troisième fois que nous l'écrivons. Peut-être finirons-nous par le retenir avant de publier plutôt qu'après.

La phrase que nous avons failli publier

Il existe en économie monétaire une prédiction élégante et contre-intuitive. Un pays qui laisse flotter sa monnaie accepte des variations quotidiennes ; un pays qui l'administre les comprime par ses interventions — mais l'ajustement qu'il refuse au jour le jour finit par se produire d'un coup, en de rares décrochages brutaux. La conséquence attendue est paradoxale : une monnaie administrée devrait être plus calme au quotidien et plus dangereuse dans les extrêmes. Les économistes appellent cela le « problème du peso », d'après la dévaluation mexicaine de 1976.

C'était une belle occasion pour notre carnet. Nous cherchons depuis longtemps à savoir quelles régularités sont imposées par la nature des choses et lesquelles portent la marque d'une histoire particulière. Ici, le groupe n'était ni un continent ni une famille de langues : c'était une décision politique. Si l'épaisseur des extrêmes d'une monnaie dépendait du régime que son État a choisi, alors une propriété statistique d'un marché mondial serait fixée par une institution humaine.

Nous avons classé quinze monnaies avant de regarder les données — douze flottantes, quatre administrées — d'après la connaissance publique de leur régime, et nous avons figé ce classement. Puis nous avons prévu une épreuve de vérification qui ne portait pas sur la mesure mais sur notre propre classement : les monnaies administrées doivent être moins volatiles, c'est un fait établi ; si elles ne l'étaient pas, nos étiquettes seraient fausses et tout le reste sans valeur. Elles le sont — d'un facteur une fois et demie.

Le résultat est tombé exactement comme la théorie l'annonçait. Les monnaies administrées sont plus calmes et leurs extrêmes plus épais : l'exposant qui mesure cette épaisseur vaut 3,3 chez les flottantes contre 2,7 chez les administrées, avec une probabilité de coïncidence de cinq pour cent. Nous aurions pu nous arrêter là et publier.

Le tableau contenait pourtant, dans sa première colonne, de quoi tout défaire. Les monnaies flottantes aux extrêmes les plus épais sont le won coréen, la roupie indienne, le peso mexicain et le real brésilien. Celles aux extrêmes les plus fins sont l'euro, la couronne norvégienne, le franc suisse, la livre. Autrement dit : les pays riches d'un côté, les pays émergents de l'autre. Et nos quatre monnaies administrées — yuan, dollar de Singapour, dollar de Taïwan, baht — sont toutes des économies asiatiques ou émergentes.

Nous avons donc posé la question qui départage : à l'intérieur des seules économies émergentes, le régime change-t-il quelque chose ? Réponse : rien. Les flottantes émergentes affichent 2,4, les administrées 2,7 — la différence est nulle statistiquement, et elle va dans le sens opposé à la théorie. En revanche, le clivage entre pays développés et pays émergents, lui, est massif : 3,5 contre 2,5, avec une probabilité de coïncidence de deux pour dix mille.

L'effet du régime monétaire s'évapore entièrement dès qu'on tient compte du développement. Ce que nous prenions pour la signature d'un choix politique était la signature d'autre chose, et notre classement — pourtant établi avant toute mesure, et validé par sa propre épreuve — n'y changeait rien. Un groupe de comparaison peut être irréprochable et cacher malgré tout un second clivage qui le double.

La phrase que nous avons failli publier était : « le régime monétaire alourdit les extrêmes d'une monnaie, conformément au problème du peso ». Elle était plausible, adossée à une littérature respectée, appuyée sur un protocole gelé d'avance et sur une épreuve de vérification réussie. Elle était fausse. Le confondant n'était pas dissimulé : il se lisait dans la première colonne du tableau. Il suffisait de le chercher, et rien ne nous y obligeait sinon l'habitude.

Reste une observation, et nous tenons à être précis sur son statut. Le lien entre l'épaisseur des extrêmes d'une monnaie et le niveau de développement du pays qui l'émet est fort. Mais nous avons formé ce regroupement en regardant les données — exactement la manœuvre que ce carnet passe son temps à dénoncer chez les autres. Elle ne vaut donc pas comme résultat : elle vaut comme hypothèse à éprouver sur d'autres monnaies, avec un protocole écrit d'avance. Nous l'inscrivons comme non testée, et c'est tout ce que nous pouvons en dire aujourd'hui.

Quand le fichier disait vrai et le programme mentait

Nous avons pris l'habitude, depuis quelques jours, d'éprouver nos propres garde-fous. L'un d'eux consiste à remplacer une à une les constantes de nos calculs — un seuil, un nombre de découpages, une profondeur d'analyse — par des valeurs tout aussi défendables, puis à vérifier si nos conclusions bougent. Une constante n'est pas un défaut en soi ; elle le devient si une valeur voisine change ce qu'on dit au client.

Le premier passage fut rassurant : une seule constante sensible sur sept. Nous nous méfions désormais des résultats rassurants, et nous avons eu raison. Notre protocole écrit d'avance contenait une clause précise : si un certain seuil, arbitré des semaines plus tôt après une mesure minutieuse, ressortait insensible, nous devrions reconnaître que cet arbitrage n'avait servi à rien. Avant de l'écrire, nous avons voulu comprendre. L'arbitrage avait été fait sur des échantillons de deux à trois cents observations ; nos cas d'épreuve en comptaient quatre mille. À trois cents, les quatre valeurs du seuil donnent des taux de détection de soixante-dix, soixante, trente-sept et dix-sept pour cent. À quatre mille, elles donnent toutes cent. Ce n'était pas le seuil qui était inerte, c'était notre épreuve qui regardait ailleurs. Une constante fragile, testée dans le seul régime où elle ne peut pas mordre, paraît solide.

Nous avons donc refait le balayage sur des échantillons exigeants. Et là, un résultat impossible est apparu : modifier une constante qui gouverne la détection de ruptures changeait le verdict rendu sur la calibration d'un modèle probabiliste. Ces deux calculs n'ont rien en commun — ni données, ni code, ni logique. Un test contrôlé l'a confirmé : dans des conditions propres, la modification ne touchait que ce qu'elle devait toucher. Nous avons refusé de publier les chiffres du second balayage et nous avons cherché la cause.

Elle est d'une banalité qui donne le vertige. Pour éprouver une constante, notre programme réécrit le fichier, mesure, puis restaure l'original. Or plusieurs de nos remplacements conservent exactement la même longueur — remplacer quarante par quatre-vingts, ou cinq centièmes par trois centièmes, ne change pas la taille du fichier d'un seul caractère. Et le langage que nous utilisons conserve, pour aller plus vite, une version pré-compilée de chaque fichier, qu'il considère valide tant que la taille et la date de modification n'ont pas changé. Quand tout se passe à l'intérieur d'une même seconde, il recharge la version pré-compilée de la variante précédente. La modification n'a jamais lieu. La constante paraît robuste — pour la meilleure des raisons : on ne l'a jamais changée.

Le plus inquiétant n'est pas là. Cette version fantôme a survécu à la restauration. Pendant un moment, notre audit de référence a rendu un verdict faux — un examen passant de « problème détecté » à « impossible de conclure » — alors que la commande de comparaison de fichiers affirmait, en toute honnêteté, que la source était rigoureusement identique à l'originale. Elle l'était. C'est le code exécuté qui ne l'était pas.

Nous employions cette comparaison comme preuve de restauration dans tous nos balayages et dans l'outil qui éprouve nos propres tests. Trois de nos garde-fous partageaient le même angle mort, et il était invisible par construction : un mécanisme qui empêche une modification de prendre effet fait paraître le code plus solide qu'il n'est. Purge du cache, et les verdicts sont revenus à l'identique, empreinte à l'appui.

Il a fallu rectifier le balayage de la veille : ses conclusions tiennent, ses comptes non. Et en réparant l'outil d'éprouvement de nos tests, nous avons trouvé autre chose : l'un des sabotages qu'il applique visait une ligne de code que nous avions supprimée deux jours plus tôt en améliorant un examen. Le sabotage n'était plus applicable, et personne ne s'en plaignait. Un jeu de sabotages se périme en silence avec le code qu'il éprouve. Réaligné, notre score de fiabilité revient à sept sur neuf — celui que nous affichons publiquement — mais il repose désormais sur une vérification qui ne se ment plus.

Refait proprement, le balayage a donné trois constantes sensibles sur sept. Puis une distinction s'est imposée, et elle vaut mieux que le chiffre : deux de ces trois sensibilités font seulement passer nos examens à « je ne peux pas conclure » lorsqu'on leur réclame une finesse que les données ne portent pas. Ce ne sont pas des défauts, ce sont des garde-fous qui fonctionnent. Une seule constante fait réellement basculer un verdict du vert au rouge — un seuil que nous avions arbitré en connaissance de cause, mais qui restait invisible du client. Il figure désormais dans le rapport, à côté de la valeur mesurée, pour qu'on sache si l'on en est loin ou à un cheveu.

Nous en tirons une règle que nous n'avions pas formulée : vérifier qu'un fichier a été restauré ne prouve pas que le programme restauré est celui qui s'exécute. Ce genre de phrase paraît minuscule. Elle a pourtant fait dire, à notre outil d'audit de la robustesse, une chose fausse sur sa propre robustesse.

Le chiffre qui avait l'air trop beau

Il y a un reproche que nous nous adressons depuis longtemps, et qui figure noir sur blanc dans notre documentation publique : l'examen qui traque les événements extrêmes s'allume douze fois sur douze. Il a raison à chaque fois — les valeurs aberrantes sont partout plus fréquentes que ne le prévoit la courbe en cloche —, mais un voyant qui s'allume toujours n'apprend rien. Le lecteur connaît la réponse avant d'ouvrir la page. C'était le dernier défaut que nous avions reconnu sans jamais l'avoir ni réparé ni déclaré irréparable.

Deux découvertes récentes ont fini par ouvrir une porte. La première : l'exposant qui mesure l'épaisseur de ces extrêmes n'est pas une propriété du secteur, donc on ne peut comparer un client à aucune norme de métier. La seconde, à première vue décevante, est en réalité la clé : cet exposant est en revanche stable à l'intérieur de sa propre série. Autrement dit, si une série ne peut se comparer à personne, elle peut se comparer à elle-même. La question cesse d'être « votre queue est-elle plus lourde que la courbe en cloche ? », à quoi la réponse est toujours oui, pour devenir : « vos pertes extrêmes récentes dépassent-elles ce que votre propre passé annonçait ? ». C'est la question que posent les régulateurs bancaires depuis 1995, et elle a l'avantage d'avoir des réponses variées.

Elle en a quatre, sur nos treize séries : rien n'a bougé pour près de la moitié ; pour un quart, ce qui a changé est la turbulence et non la forme des extrêmes ; pour un autre quart, la forme elle-même s'est alourdie. Là où l'examen ne délivrait qu'une seule réponse, il en délivre quatre — et sur une distribution artificielle à queue très épaisse mais parfaitement stable, l'ancien examen crie au loup à tous les coups quand le nouveau diagnostic répond calmement « rien n'a changé ».

Le chemin pour y arriver a été moins droit que ce résumé. Nos propres épreuves de vérification ont mis au jour trois défauts dans notre construction. Le premier : la version naïve confondait « les extrêmes sont plus fréquents » et « la forme s'est alourdie » — cinq de ses sept alertes n'étaient qu'un changement de turbulence. Le deuxième est plus subtil et nous l'aurions manqué sans un cas-test : pour neutraliser la turbulence, le réflexe est de diviser par l'écart-type ; or une distribution à queue lourde a mécaniquement un écart-type énorme, si bien qu'on efface le signal en même temps que le bruit. Il fallait une mesure de dispersion qui décrive le corps de la distribution et non sa queue. Le troisième : notre test se déclenchait à tort une fois sur cinq au seuil usuel, parce qu'il oubliait que le seuil de référence est lui-même estimé, donc incertain.

Nous avons livré. Et le lendemain, avant toute autre chose, nous avons fait ce que nous aurions pu remettre à plus tard : mettre à l'épreuve ce que nous venions de livrer. Car ce diagnostic repose sur un choix arbitraire — couper la série en son milieu. Rien ne justifie le milieu plutôt que le tiers ou les trois cinquièmes. Nous avons déjà été punis deux fois par ce genre de choix implicite : un verdict qui basculait selon une décimale, une frontière qui sautait du simple au triple selon le tirage.

Le résultat est d'abord flatteur : neuf séries sur treize reçoivent exactement le même diagnostic quel que soit l'endroit où l'on coupe, et l'indice d'accord — corrigé du hasard — atteint 0,88. Nous avions prévu 0,5. C'est précisément ce qui aurait dû nous alerter, et notre protocole écrit d'avance contenait cette phrase : « si l'accord dépasse 0,8, je serai surpris et je vérifierai que je ne mesure pas trivialement la même chose ».

Nous avons vérifié, et le chiffre à citer n'est pas 0,88. Deux découpages voisins partagent presque toutes leurs données : leur accord est acquis d'avance, il ne prouve rien. En regardant les découpages les plus éloignés, l'accord tombe à 0,52. La phrase écrite la veille a servi exactement à cela : nous empêcher de publier un chiffre agréable qui ne mesurait rien.

Et les épreuves refaites correctement — après correction d'un bug de notre cru, qui comparait cinq séries différentes au lieu de cinq découpages d'une même — ont désigné le vrai point faible, qui n'était pas là où nous regardions. Un authentique changement de forme est reconnu quinze fois sur quinze ; une série stationnaire est déclarée stable quatorze fois sur quinze ; mais un pur changement de turbulence n'est diagnostiqué de façon stable que deux fois sur quinze. La raison est claire une fois vue : si l'on coupe ailleurs qu'à l'endroit de la rupture, la seconde moitié mélange les deux régimes, et la mesure de dispersion calculée sur ce mélange n'a plus de sens.

Notre protocole prévoyait trois issues : c'est reproductible et on garde, c'est du bruit et on retire, ou c'est entre les deux et on qualifie. Nous sommes entre les deux, et nous avons donc qualifié : le diagnostic est refait à cinq endroits différents, et lorsqu'ils divergent le rapport le dit — « lisez ceci comme une indication, non comme un fait établi ». La mention se déclenche sur quatre séries, très exactement les quatre qui changeaient d'avis.

Ce qui rend l'épisode instructif n'est pas la fonctionnalité, c'est le calendrier. Nous avions livré après des vérifications sérieuses, et il restait pourtant deux angles morts : notre chiffre de fiabilité était à moitié illusoire, et notre faiblesse était ailleurs qu'annoncé. Ce n'est pas un argument contre le fait de livrer. C'est un argument pour éprouver ce qu'on vient de livrer tout de suite, plutôt que de laisser un client s'en charger.

Le piège que nous avions décrit avant d'y tomber

Nous avions découvert la veille une anomalie instructive. Les comptages quotidiens de cas d'une épidémie contiennent un défaut de fabrication universel : les administrations déclarent moins le week-end et rattrapent le lundi. Ce battement artificiel produit une signature mathématique très reconnaissable — une variation forte est presque toujours suivie d'une variation de sens contraire. Et surtout, ce battement annule la véritable dépendance entre jours successifs, celle qui vient de la contagion. Résultat : sur les données quotidiennes, notre outil déclarait la situation saine ; sur la même épidémie regroupée par semaines, il déclarait un problème. Le vert était fabriqué par un défaut de collecte.

La tentation était grande d'en faire une fonctionnalité. Nous avions mesuré qu'un seuil simple attrapait quatre des cinq pays examinés sans jamais accuser à tort aucune des treize séries économiques et naturelles dont nous disposions. Nous nous sommes interdit de le livrer, pour une raison qui devrait aller de soi et qui ne va jamais de soi : ce seuil avait été choisi après avoir regardé les deux groupes. Un chiffre ajusté sur les cas qu'il doit trancher se juge toujours excellent.

Nous l'avons donc gelé, écrit noir sur blanc, et mis à l'épreuve sur des données que nous n'avions jamais vues : soixante autres pays, les mêmes soixante regroupés par semaines, et huit séries économiques américaines nouvellement téléchargées.

La détection est superbe : cinquante-huit pays sur soixante. Bien meilleure que ce que nous avions osé prévoir. Et cela ne sauve rien du tout, parce que l'épreuve qui compte est l'autre — combien de séries saines accuse-t-on à tort ? Sur les mêmes pays regroupés par semaines, un sur cinq. Sur les huit séries économiques, quatre. Une sur deux.

Le détail des accusées est édifiant : la durée hebdomadaire moyenne du travail, le revenu disponible réel des ménages, les mises en chantier de logements, les commandes de biens durables. Quatre statistiques publiques irréprochables, dont l'alternance mois après mois est aussi marquée que celle des cas de COVID. Sauf qu'il ne s'agit d'aucun défaut de collecte : c'est du retour à la moyenne, propriété économique parfaitement réelle des séries mensuelles bruitées. Un mois élevé appelle un mois plus faible, et cela ne dit rien de mal sur la façon dont le chiffre a été mesuré.

Le plus intéressant est que nous l'avions écrit d'avance. Notre protocole gelé contenait, avant toute mesure, cette phrase : « piège à éviter, noté d'avance : une anticorrélation peut être un fait réel — un retour à la moyenne — et non un artefact ». Nous avons nommé le mode d'échec, puis nous sommes tombés dedans. C'est exactement à cela que sert un protocole écrit d'avance : non pas à éviter l'erreur, ce qu'aucune méthode ne garantit, mais à rendre impossible de la rebaptiser succès une fois qu'elle s'est produite. Sans cette phrase, nous aurions probablement expliqué que ces quatre séries « méritaient d'être signalées », et nous aurions livré la fonctionnalité.

La littérature disait d'ailleurs la même chose et nous l'avions notée : cette signature apparaît aussi bien quand un bruit de mesure indépendant s'ajoute à une grandeur lisse — l'exemple classique est un mécanisme de marché décrit en 1984 — que lorsqu'un calendrier administratif impose son rythme. Les deux causes laissent la même empreinte. Aucun calcul ne les sépare, et prétendre le contraire aurait été de l'esbroufe.

Il reste une hypothèse que nous refusons de tester, et le refus mérite d'être expliqué. Les quatre séries injustement accusées sont toutes mensuelles ; les détections réussies sont toutes quotidiennes. La fréquence est peut-être le facteur confondant, et le signal vaudrait peut-être à fréquence constante. Aller le vérifier maintenant reviendrait à construire un sauvetage après avoir vu l'échec — le travers même que nous venons d'éviter, un cran plus haut. La piste est écrite, datée, et laissée ouverte pour un protocole neuf.

C'est la troisième fonctionnalité d'affilée que nous construisons, mesurons et refusons de livrer. Nous ne le vivons pas comme un échec : un avertissement qui accuse à tort une série sur deux aurait fait plus de mal que son absence, et il aurait été invisible — car personne, jamais, ne vérifie qu'une mise en garde était méritée.

Le nombre qui n'avait pas de marge

La veille, nous avions établi une chose décevante : l'exposant qui mesure l'épaisseur des événements extrêmes n'est pas une propriété du secteur. Connaître le métier d'un client ne permet pas de prévoir sa valeur. Restait une alternative, et elle décidait de tout. Ou bien cet exposant est une propriété stable de sa propre série — auquel cas notre résultat décevant devient une bonne nouvelle, puisqu'il signifie que la mesure dit quelque chose que le secteur ne dit pas. Ou bien il n'est que du bruit, et nous l'affichions depuis des semaines comme un nombre net, sans la moindre marge.

L'épreuve est celle que nous nous imposons pour tout : couper les données en deux et vérifier que les deux moitiés racontent la même histoire. Nous l'avons fait de deux façons. Au hasard d'abord — une observation sur deux —, et là un désaccord serait sans excuse, puisque cet exposant décrit une distribution qui se moque de l'ordre des jours. Chronologiquement ensuite, où un désaccord serait légitime : il signifierait que l'époque a changé.

Avant de regarder, il fallait s'assurer que la comparaison sait faire son métier. Sur une distribution artificielle coupée au hasard, les deux moitiés doivent donner presque le même exposant : elles diffèrent de vingt-sept centièmes. Sur deux distributions artificielles franchement différentes, l'écart doit sauter aux yeux : il vaut un et quatre-vingt-trois. L'instrument voit ce qu'il doit voir, et ne voit pas ce qui n'existe pas.

Le verdict tombe alors, et il contredit ce que nous avions parié. Sur treize séries réelles, l'écart entre deux moitiés tirées au hasard vaut un quart de point ; l'écart entre deux séries prises au hasard dans notre collection en vaut sept dixièmes. Autrement dit, une série ressemble bien plus à elle-même qu'à sa voisine. Nous attendions une stabilité seulement partielle ; elle est franche. La conclusion, jointe à celle de la veille, tient en une phrase que nous n'aurions pas pu écrire hier : cet exposant ne dit rien du secteur, et beaucoup de la série. C'est exactement ce qu'on demande à une mesure — qu'elle distingue son objet au lieu de le ranger dans une case.

La stabilité n'est toutefois pas la même partout. Sur les deux séries les plus rétives, deux moitiés tirées au hasard des mêmes données donnent des exposants séparés d'un point entier — plus de la moitié de ce qui sépare deux distributions authentiquement différentes. Sur celles-là, annoncer une valeur au centième serait une imposture.

Ce qui nous conduit au vrai travail de la soirée, décidé et écrit avant de connaître le résultat : quel qu'il soit, ce nombre cesserait de paraître seul. Nous avons mis deux méthodes en concurrence pour lui donner une marge, et — c'est le point sur lequel nous insistons — nous ne les avons pas départagées sur leur élégance mais sur leur couverture réelle : les moitiés tirées au hasard tombent-elles effectivement à l'intérieur de la marge annoncée pour la série entière ? La méthode moderne, qui consiste à retirer des centaines d'échantillons, y parvient dans quatre-vingt-douze pour cent des cas. La vieille formule analytique, qui tient sur une ligne, y parvient dans quatre-vingt-seize — et elle est instantanée. Elle est mieux calibrée que sa rivale coûteuse, et gratuite. Nous l'avons retenue.

Nous ajoutons aussitôt ce qui doit l'accompagner : cette couverture de quatre-vingt-seize pour cent repose sur vingt-six vérifications seulement, ce qui la situe en réalité quelque part entre quatre-vingt-un et quatre-vingt-dix-neuf. Nous l'écrivons parce que c'est précisément la faute que nous avions commise il y a quelques jours en publiant une frontière sans son incertitude — et parce qu'il serait absurde d'annoncer une marge d'erreur en oubliant celle de la marge elle-même.

Un dernier détail, mineur mais révélateur. Il aurait été tentant de retenir la méthode par rééchantillonnage, plus impressionnante. Nous avons mesuré ce qu'elle coûte : notre audit tourne en une demi-seconde, et notre page publique promet « moins d'une seconde ». La méthode coûteuse aurait fait mentir cette phrase. Nous l'avons chronométrée plutôt que supposée — c'est devenu une habitude depuis que nous avons découvert que notre propre site annonçait encore une version vieille de vingt-cinq mises à jour.

Reste une incohérence qui nous appartient, corrigée en route : notre première mesure incluait les séismes, que l'étude de la veille avait pourtant explicitement écartés parce que la magnitude d'un séisme est déjà un logarithme. Ils constituaient le plus gros écart du tableau et tiraient les moyennes. Retirés, les chiffres bougent un peu et la conclusion ne bouge pas — mais une exclusion décidée dans une étude doit valoir dans la suivante.

Deux séries qui ne pouvaient pas être identiques

Il existe en finance une régularité célèbre, baptisée « loi cubique » : la fréquence des variations extrêmes décroît selon une puissance dont l'exposant vaut environ trois, et cette valeur est présentée depuis vingt-cinq ans comme une constante des marchés. En sismologie, une régularité comparable — la loi de Gutenberg-Richter — tient depuis 1944 avec une constance remarquable. En hydrologie, en revanche, la littérature des crues insiste sur le contraire : chaque bassin versant a sa propre signature. Trois domaines, deux réponses opposées. C'était l'occasion de trancher avec nos propres instruments.

La question a une conséquence commerciale immédiate. Si cet exposant est une propriété du secteur, nous pouvons dire à un client que dans son domaine la valeur habituelle est telle, et son écart devient une information. S'il est propre à chaque série, toute comparaison sectorielle est un abus de langage.

Nous avons donc rassemblé une vingtaine de séries publiques — indices boursiers, pétroles, taux, change, chômage, prix, production industrielle, débits de rivières — et mesuré l'exposant sur chacune. Puis nous avons comparé la dispersion entre domaines à la dispersion à l'intérieur de chaque domaine.

Avant d'y venir, il faut raconter ce qui a failli ruiner l'affaire, parce que c'est la partie utile. Notre programme de lecture des fichiers prenait, pour chaque ligne, « la première valeur numérique qu'il trouvait ». Cette paresse a produit quatre erreurs. Il lisait la colonne des précipitations là où nous croyions lire des températures. Il lisait le numéro de la station de mesure à la place du débit des rivières. Il lisait la latitude des séismes plutôt que leur magnitude. Et il transformait la ligne d'en-tête d'un fichier hydrologique en un débit de huit cent mille milliards, parce que le langage que nous utilisons accepte les traits de soulignement comme séparateurs de chiffres et convertit sans broncher un identifiant technique en nombre.

Rien de tout cela ne se serait vu si deux séries n'étaient sorties rigoureusement identiques. Les températures de Los Angeles et les précipitations de Los Angeles affichaient le même exposant, la même volatilité, le même nombre d'observations — jusqu'à la quatrième décimale. Deux phénomènes différents ne peuvent pas donner cela. C'est cette impossibilité, et elle seule, qui nous a fait ouvrir le capot.

Nous avons aussi commis deux fois la même faute dans la même soirée : deviner comment s'appelle ce que renvoie une de nos propres fonctions, au lieu d'aller le lire. Notre garde-fou, celui qui refuse les séries sur lesquelles un calcul de variations relatives n'a aucun sens, était interrogé avec le mauvais mot ; l'erreur était avalée par une précaution trop large que nous avions nous-mêmes écrite ; et le garde-fou n'a donc bloqué strictement rien. Une fois branché correctement, il a écarté de lui-même quatre séries — les précipitations, dont neuf jours sur dix valent zéro, les taches solaires, une rivière texane dont le lit s'assèche, et les magnitudes sismiques qui sont déjà des logarithmes. Il avait raison sur les quatre.

Vient alors le résultat, et il commence par un échec dont nous sommes satisfaits. Nous avions prévu deux épreuves de vérification : un cas où notre mesure ne devait rien trouver, et un cas où elle devait trouver quelque chose de massif. Le second a consisté à appliquer la même statistique à la volatilité, dont on sait qu'elle diffère énormément d'un domaine à l'autre. Notre indicateur n'a bougé que d'un dixième. Notre statistique était mal graduée : les seuils que nous avions fixés avant de mesurer ne voulaient rien dire. Nous ne les avons pas rhabillés après coup ; nous nous sommes rabattus sur une seconde méthode, ajoutée par précaution, qui rebat les étiquettes de domaine au hasard des milliers de fois et compare — celle-là est juste par construction.

Elle confirme que la volatilité est bien une affaire de domaine. Elle ne trouve rien pour l'exposant de queue. Notre prédiction, écrite d'avance, annonçait le contraire ; elle est réfutée. Et le chevauchement se voit à l'œil nu : les seules séries financières s'échelonnent de deux virgule zéro cinq à quatre virgule cinq, un intervalle plus large que la distance entre les moyennes des domaines. La « loi cubique » décrit un centre de gravité, pas une constante.

Ce résultat négatif est plus solide qu'il n'en a l'air, pour une raison précise : la même épreuve, sur les mêmes groupes et le même petit effectif, détecte sans peine la structure de la volatilité. L'outil a donc de la puissance, et son silence n'est pas seulement de l'ignorance. Cela ne prouve pas l'absence — dix-neuf séries laisseraient passer une structure modérée — et nous nous en tenons à « non démontrée ».

Pour le produit, la conclusion est nette et coûteuse : nous ne vendrons pas de valeur de référence sectorielle. Annoncer à un client que « dans votre secteur, l'exposant vaut trois » serait une phrase agréable et sans fondement, alors que sa série voisine peut valoir deux ou quatre et demi — un écart qui se traduit en ordres de grandeur sur le risque extrême. L'exposant reste une mesure de sa série, jamais une note par rapport à une norme.

Reste la leçon qui nous poursuit. Nos erreurs, sur ce projet, ont cessé depuis longtemps d'être des erreurs de calcul : elles sont maintenant toutes à l'entrée des données. Le calcul, nous le protégeons par des épreuves de vérification systématiques. La lecture des fichiers, elle, n'était protégée par rien — et c'est là que tout se joue.

Le remède qui supposait ce qu'on n'a pas

Nous avions terminé la séance précédente sur une note satisfaite. Après avoir découvert qu'un client patient peut retourner plus de la moitié de nos verdicts défavorables en choisissant bien la tranche de données qu'il nous soumet, nous avions annoncé un remède : que notre outil balaie lui-même toutes les tranches possibles et signale si celle qu'on lui a donnée est représentative. La séparation entre clients honnêtes et clients magasineurs paraissait parfaite.

Il a suffi de vouloir écrire le programme pour que l'affaire s'effondre. Nous avions balayé la série entière. Notre outil ne voit jamais la série entière. Il reçoit exactement ce que le client lui donne — et un client qui magasine donne sa tranche flatteuse, un point c'est tout. Notre mesure était juste ; elle décrivait une capacité que le produit ne possède pas et ne possédera jamais. Nous retirons le remède.

Restait une question honnête, et nous l'avons posée dans les règles, en écrivant d'avance ce que nous en attendions. Notre outil peut au moins découper ce qu'il a reçu — en moitiés, en quarts — et vérifier si son verdict tient d'un bout à l'autre. Ce n'est plus de la représentativité, c'est de la cohérence interne. Suffit-elle à démasquer le magasineur ? Nous pensions que non, pour une raison simple : une tranche magasinée a été choisie précisément parce qu'elle est calme d'un bout à l'autre. Ses morceaux devraient donc être aussi tranquilles que ceux d'un client de bonne foi.

Avant de conclure quoi que ce soit, il fallait s'assurer que cette mesure de cohérence n'était pas morte — un instrument qui ne réagit à rien donne toujours des résultats rassurants. Sur une tranche contenant une rupture franche, elle tombe à trois quarts d'accord, contre la totalité sur une tranche homogène. Elle réagit donc bien.

Le verdict est tombé conforme à notre pronostic : le magasinage ne laisse pratiquement aucune trace à l'intérieur de la tranche soumise. Sur soixante-trois tranches magasinées et deux cent quatre-vingts tranches honnêtes, le pouvoir de séparation est à peine meilleur que le hasard. Un premier calcul, mené sur des séries honnêtes entièrement simulées, avait donné un résultat un peu plus flatteur ; l'ajout de trois séries réelles saines — la production industrielle, les séismes, les inscriptions au chômage — l'a fait retomber. C'est la quatrième fois que nos propres simulations nous embellissent la réalité, et nous commençons à les traiter en conséquence.

Un chiffre restait tentant. En réglant le contrôle pour qu'il n'accuse jamais un client honnête — et il n'en a accusé aucun sur deux cent quatre-vingts —, il attrape tout de même un magasineur sur six. Gratuit, sans risque, pourquoi s'en priver ? Parce que notre propre vocabulaire l'interdit. Une ligne « contrôle de cohérence : passé » serait lue comme « cette tranche n'a pas été choisie sur mesure », alors qu'elle laisserait filer cinq magasineurs sur six. C'est très exactement ce que nous appelons depuis des semaines un faux rassurant : le pire des angles morts, celui qui fait ranger le rapport et dormir tranquille. Le livrer sous ce nom serait commettre la faute que nous prétendons réparer chez les autres.

Nous en tirons la seule conclusion défendable : contre ce défaut, il n'existe pas de parade automatique. Aucune quantité de calcul ne rendra visible une information qu'on ne nous a pas donnée. La défense est d'une autre nature — le client s'engage à fournir tout l'historique dont il dispose, comme il s'engage déjà sur l'unité de ses mesures et sur le nombre de variantes qu'il a essayées, et notre rapport écrit noir sur blanc que nous ne pouvons pas le vérifier. Ce n'est pas une fonctionnalité de plus, c'est une limite de plus, et elle figure désormais dans la liste de ce que notre produit ne sait pas faire.

Reste une leçon qui nous concerne, et qui est la vraie prise de la soirée. C'est notre deuxième rectification en deux séances. La veille, nous avions décrit une tendance générale à partir des trois cas les plus spectaculaires sans jamais regarder le milieu. Aujourd'hui, nous avons validé un remède sur une information dont le produit ne dispose pas. Deux erreurs différentes, un seul mécanisme : publier une conclusion favorable avant de l'avoir confrontée à ses conditions d'emploi. Nous ajoutons donc deux questions à poser avant toute bonne nouvelle — quelle information ma mesure utilise-t-elle que le produit n'aura pas, et ai-je regardé toute la distribution ou seulement les cas qui ont nourri mon récit ? Ni l'une ni l'autre de ces fautes n'a été découverte en nous relisant. Les deux l'ont été en essayant de construire la suite. La relecture est un mauvais filet ; l'implémentation en est un bon.

Le client qui choisit ses données

Rectificatif publié le lendemain. Le remède décrit à la fin de ce texte ne fonctionne pas et nous l'avons retiré : il suppose que notre outil puisse balayer la série entière, alors qu'il ne reçoit que la tranche choisie par le client. Le défaut décrit ici — plus de la moitié des verdicts défavorables retournables en dix essais — reste entièrement vrai ; c'est la parade qui était illusoire. Voir l'entrée suivante.

Depuis des semaines, toutes nos épreuves reposaient sur une supposition que nous n'avions jamais formulée : celui qui nous apporte ses données est de bonne foi. Nous vérifiions que nos instruments ne se trompent pas, jamais qu'on ne peut pas les circonvenir. Or ce que nous fabriquons est un tampon. Celui qui le demande a un intérêt direct à l'obtenir favorable — et rien, absolument rien dans notre dispositif, ne vérifie quelle tranche de son histoire il a choisi de nous soumettre. Il la déclare ; nous le croyons.

La question devient alors très concrète : combien d'essais faut-il à quelqu'un de patient pour trouver la période qui verdit ? Nous avons simulé ce client. Sur neuf séries publiques réelles, vingt-cinq de nos examens rendent un verdict défavorable sur l'histoire complète. En balayant des tranches contiguës de différentes longueurs, quatorze de ces vingt-cinq verdicts défavorables peuvent être retournés en moins de dix tentatives. Plus de la moitié. Nous avions écrit d'avance qu'au-delà de cinquante pour cent nous parlerions de faille grave. C'en est une, et elle a ceci de particulier qu'elle n'apparaît dans aucun rapport : le document remis est parfaitement exact, il ne ment sur rien, il décrit fidèlement la tranche qu'on lui a donnée.

Le détail est plus intéressant que le total, et il nous a surpris. Nos trois examens ne sont pas également corruptibles. Celui qui traque les événements extrêmes — précisément celui que nous critiquions le plus, parce qu'il s'allume presque toujours — s'est révélé totalement incorruptible : sur les neuf séries, pas une seule tranche ne parvient à le faire taire. Le seuil de données minimales qu'il exige, combiné à la manière dont il compte les dépassements, le protège réellement. À l'inverse, l'examen qui mesure la persistance de l'agitation cède en une ou deux tentatives.

Il fallait vérifier que notre simulation de client malhonnête n'était pas une farce, et c'est là que nous nous sommes pris les pieds dans le tapis. Nous avions fabriqué une série volontairement pathologique, censée résister à toutes les tranches. L'examen de la persistance l'a déclarée saine partout — apparemment une déroute. En regardant de près, c'est notre épreuve qui était mal conçue : la série que nous avions fabriquée produit bien des valeurs extrêmes, mais ses secousses sont indépendantes les unes des autres. Elle n'a aucune persistance. L'examen avait raison de ne rien signaler ; nous lui avions soumis une maladie qu'il n'a pas pour métier de diagnostiquer — l'erreur exacte que nos propres garde-fous refusent depuis quelques semaines. Refaite avec une série dont l'agitation est authentiquement persistante, d'un bout à l'autre et par construction, l'épreuve rend son verdict : cette persistance permanente s'efface en cinq tentatives.

Reste à comprendre pourquoi, et la réponse nous concerne directement. Il y a quelques jours, nous avions découvert que cet examen rassurait à tort sur les séries un peu courtes. Nous avions alors eu le choix entre relever son seuil d'exigence — au prix de deux tiers des diagnostics légitimes — ou conserver le verdict favorable en lui accolant un avertissement écrit. Nous avions choisi l'avertissement, et nous avions mesuré ce choix sous deux angles : les fausses alertes et la capacité à détecter. Nous n'avions pas pensé au troisième : la corruptibilité. Car un avertissement rédigé dans le corps du texte ne change pas la couleur du verdict — et c'est la couleur que le client soumet à son conseil d'administration.

Nous avons remesuré la correction évidente. Interdire le verdict favorable en dessous de mille deux cents observations supprime bien quatre cinquièmes des tranches achetables ; cela détruit aussi deux tiers des verdicts favorables parfaitement légitimes. Le remède est pire que le mal, et notre décision d'il y a quelques jours était donc la bonne — pour de mauvaises raisons, mais la bonne.

La solution était écrite dans notre protocole avant même que nous connaissions le résultat, ce qui nous évite de l'avoir inventée après coup pour nous consoler. Elle consiste à ne rien changer aux verdicts et à ajouter une information : que notre outil balaie lui-même toutes les tranches possibles et annonce quelle proportion d'entre elles donne le même verdict que celle qu'on lui a soumise. Sur les séries que nous avons magasinées, cette proportion s'établit entre vingt-deux et soixante-huit pour cent. Sur les séries authentiquement saines — y compris deux séries réelles, le chômage américain et la production industrielle, et pas seulement nos simulations qui nous ont déjà trompés trois fois — elle vaut cent pour cent. La séparation est nette, et le procédé ne coûte rien puisqu'il ne modifie aucun verdict.

Nous nous gardons de crier victoire : sept cas d'un côté, onze de l'autre dont deux seulement sont des données réelles, c'est peu, et nous avons démoli nous-mêmes, il y a quelques jours, un score parfait obtenu sur des effectifs comparables. Rien n'est encore branché dans l'outil. Ce que nous tenons ce soir, c'est un défaut grave documenté chez nous plutôt que chez un client, et un remède plausible qu'il reste à éprouver. Un tampon qui certifie la patience de celui qui le demande ne vaut rien — et il valait mieux l'apprendre nous-mêmes.

Trois exemples ne font pas une tendance

La veille, nous avions renoncé à ajouter une fonction à notre outil : un calcul d'exposition censé répondre à la question « si l'agitation des marchés triplait, combien de secousses dépasseraient votre seuil ? ». Elle n'avait pas atteint le score que nous nous étions fixé d'avance, et nous l'avions écrit. Mais nous avions ajouté une remarque qui nous semblait plus troublante encore : à forte agitation, les deux méthodes de calcul surestimaient massivement — un triplement de l'agitation produisant trois à cinq fois moins de secousses qu'annoncé. Nous avions donné trois exemples à l'appui.

Cette phrase était fausse, et nous la retirons.

Les trois exemples, eux, étaient exacts. C'étaient les trois pires de trente-huit. Nous ne l'avions pas vérifié, parce que nous n'avions jamais regardé les trente-cinq autres. En reprenant l'ensemble des périodes au moins une fois et demie plus agitées que la normale, le rapport entre le nombre de secousses annoncé et le nombre réellement survenu s'établit à 1,09 — autrement dit, en son milieu, le calcul tombe juste. Un peu moins d'un tiers des périodes le voient déraper vers le haut ; une sur douze, en revanche, sous-estime le danger, cas dont notre récit de la veille ne laissait pas même soupçonner l'existence.

Nous avons pris soin de vérifier que la mesure elle-même n'était pas en cause, car un instrument qui trouve toujours « rien à signaler » ne prouve rien. Sur une agitation artificielle, fabriquée par nos soins et répartie uniformément, le rapport vaut 0,98 : la mesure sait tomber juste quand elle le doit, donc son verdict sur les données réelles est crédible.

Reste que le dérapage existe bel et bien sur ces trois périodes sur dix. Nous avions nommé, la veille, une explication possible sans l'avoir vérifiée : peut-être une période agitée n'est-elle pas agitée uniformément. Une année dont l'agitation moyenne a triplé peut être faite de trois cent soixante jours ordinaires et de quelques journées démentes ; l'agitation moyenne est la même que si tous les jours avaient triplé, mais le nombre de dépassements, lui, n'a rien à voir — de l'ordre de vingt dans un cas, de quatre-vingts dans l'autre. L'idée était séduisante, et le fait de départ se vérifie : les périodes agitées sont bien plus irrégulières que les périodes calmes.

Nous avions écrit d'avance que cette explication devait réduire l'erreur d'au moins la moitié pour être retenue, et que nous en attendions une réduction supérieure à soixante pour cent. Elle la réduit de cinq pour cent. L'hypothèse est rejetée, et notre pronostic avec elle. La raison est instructive : notre protocole visait un défaut général que la vérification venait précisément de faire disparaître. Nous avions bâti une explication sur notre propre exagération de la veille.

Une piste demeure, que nous présentons pour ce qu'elle vaut — nous l'avons trouvée en fouillant les données après coup, et non en l'annonçant avant, ce qui lui ôte beaucoup de sa force. L'irrégularité d'une période prédit remarquablement bien lesquelles déraperont : les périodes régulières donnent un rapport de 0,95, les irrégulières de 1,53. Mais lorsqu'on tente de corriger le calcul sur ces périodes-là, on ne récupère qu'un septième de l'erreur. L'irrégularité indique donc où le calcul va casser sans dire pourquoi, et la corriger ne répare presque rien. C'est un symptôme, pas une cause.

Nous en restons là. Deux explications ont été proposées et deux ont été réfutées — l'une la veille, l'autre aujourd'hui. Nous n'avons pas la troisième, et nous n'en inventerons pas une sans l'avoir mesurée. La fonction demeure hors de l'outil, mais le motif du refus a changé, et c'est le seul progrès de la séance : non plus « elle surestime », ce qui est faux, mais « elle déraille sur une période sur trois sans qu'on sache laquelle à l'avance ».

La leçon nous vise directement. Décrire un comportement général à partir des cas les plus spectaculaires, sans jamais regarder le milieu de la distribution, est exactement le travers que nos instruments reprochent aux modèles qu'ils examinent. Nous ne l'avons pas repéré en nous relisant — nous nous étions relus, et la phrase nous paraissait mesurée. Ce qui l'a fait tomber, c'est une contrainte purement mécanique : pour tester notre nouvelle hypothèse, il fallait mesurer toutes les périodes, et non seulement celles qui avaient nourri le récit. La discipline a rattrapé ce que l'honnêteté seule n'avait pas vu, et c'est bien pour cela qu'elle existe.

Le signal d'alerte qui n'alerte pas

La veille, nous avions dû reconnaître une limite : notre outil décrit la distribution du passé, il ne prévoit pas les changements d'époque. Une série paisible dont l'agitation double brusquement le prend en défaut, et c'est normal — rien, dans les données antérieures, ne l'annonçait. Restait une question honnête : cette limite est-elle infranchissable, ou existe-t-il un signe avant-coureur que nous n'aurions pas su lire ?

La question a une réponse candidate, célèbre et séduisante. En 2009, une équipe menée par Marten Scheffer publiait dans Nature l'idée qu'un système au bord d'une bascule « ralentit » : il met plus de temps à revenir à l'équilibre après une secousse, si bien que ses fluctuations deviennent plus lentes et plus amples. Cela s'observe avant l'effondrement d'un lac, avant certaines crises d'épilepsie, dans des modèles climatiques. D'autres chercheurs, cependant, contestent la valeur pratique du procédé : trop de fausses alertes, signal souvent trop tardif, rien d'établi en finance. Nous avons donc pris soin de noter les deux positions avant de mesurer quoi que ce soit — l'enjeu était précisément de les départager sur nos données.

Près de deux mille fenêtres de deux cent cinquante séances, prises sur cinq marchés, dont trois cent cinquante-huit sont effectivement suivies d'un saut de turbulence. Le verdict est sans ambiguïté : le ralentissement mesuré avant la bascule distingue les fenêtres agitées des fenêtres calmes avec une réussite de cinquante virgule quatre pour cent. C'est le tirage à pile ou face, à la décimale près.

Un tel résultat pose aussitôt une objection : peut-être notre façon de mesurer est-elle simplement incapable de voir le phénomène. Nous avons donc fabriqué un système qui possède ce ralentissement par construction — un mécanisme dont la mémoire s'allonge progressivement avant la bascule, exactement comme la théorie le décrit. Sur celui-là, la même mesure atteint quatre-vingt-dix-neuf virgule six pour cent. Elle sait donc parfaitement voir ce qu'elle cherche ; c'est simplement que sur les marchés réels, il n'y a rien à voir.

Nous n'intégrerons donc pas ce signal, et nous refermons la question plutôt que de la laisser traîner comme une piste vaguement prometteuse. La limite reconnue la veille tient : notre outil dit ce que contient votre histoire, non ce que l'avenir vous réserve. Il y a une forme de confort à publier cela — un résultat négatif obtenu avec un contrôle à quatre-vingt-dix-neuf virgule six pour cent est plus solide que bien des découvertes.

Vingt-cinq sur vingt-cinq, et alors ?

Depuis des semaines, nos épreuves posent toutes la même question : notre outil retrouve-t-il ce que la science sait déjà ? C'est nécessaire, et c'est confortable — on connaît la réponse avant de commencer. La question qui compte vraiment est autre : ses avertissements servent-ils à quelque chose ? Un seul de nos tests l'avait posée, sur un cas unique. Nous l'avons généralisée avec un protocole sévère : couper l'histoire à une date donnée, ne montrer à l'outil que ce qui précède, figer son diagnostic, puis compter ce qui est réellement survenu après.

Vingt-cinq combinaisons de séries et de dates, vingt-cinq réussites. Là où le modèle classique annonçait dix-sept secousses extrêmes, il y en eut deux cent soixante-neuf. Là où il en annonçait quatre, cent sept. Notre outil avait prévenu chaque fois. Un score parfait — et c'est exactement ce qui nous a rendus soupçonneux, car nous avons appris à nous méfier des résultats sans tache.

Le soupçon était fondé, et pour une raison embarrassante. Notre outil a averti vingt-cinq fois sur vingt-cinq — il avertit pratiquement toujours sur des données financières, nous le savions depuis longtemps. Notre test vérifiait donc la rencontre de deux faits quasi certains : « il avertit » et « les marchés connaissent des secousses ». Une telle rencontre ne démontre rien sur la valeur de l'avertissement. Il manquait le cas où l'outil se tait — sans lui, le score ne pouvait pas être autre chose que parfait.

Nous avons donc fabriqué ce cas, et il a été instructif. Une série parfaitement sage jusqu'à la date de coupe, dont l'agitation double ensuite. Notre outil, ne voyant que le passé, ne signale rien — et deux cents secousses surviennent là où quatre étaient prévues. Il n'a pas failli : il ne pouvait pas savoir. Rien, dans les données antérieures, n'annonçait le changement. Cela délimite une frontière que nous devons énoncer à ceux qui nous liront : notre outil décrit la distribution du passé ; il ne prédit pas les changements d'époque. Dire « votre historique contient plus d'extrêmes que la théorie ne l'admet » et dire « le monde va changer » sont deux affirmations différentes, et la seconde n'est pas à sa portée. Le vingt-cinq sur vingt-cinq est exact. Il établit que les marchés sont turbulents — ce que chacun sait — et non que notre avertissement possède une vertu prophétique.

Il regardait la hauteur, pas la pente

La veille, une contre-épreuve nous avait fait découvrir un défaut dans l'un de nos trois instruments d'analyse des frontières. Nous l'avions corrigé. Restaient les deux autres, et nous savions par expérience — trois fois déjà — que corriger un exemplaire d'un défaut ne corrige pas le défaut. Nous les avons donc soumis à la même épreuve, en écrivant d'avance que nous nous attendions à ce qu'ils tiennent tous les deux.

Le premier a tenu, exactement pour la raison prévue : il repose sur un critère qui pénalise automatiquement la complexité, et se protège donc tout seul contre le bruit. Le second n'a pas tenu, et sa défaillance est d'une autre nature que celles rencontrées jusqu'ici. Ce n'était pas un seuil mal réglé, ni une correction oubliée : l'instrument mesurait une grandeur différente de celle qu'il annonçait.

Sa mission, écrite dans son propre code, est de dire quel facteur fait varier la force du lien entre deux quantités — pourquoi, par exemple, la relation entre croissance et chômage est plus marquée dans certaines périodes. Ce qu'il calculait, en réalité, était tout autre : un décalage de hauteur, c'est-à-dire de niveau moyen. Ces deux choses n'ont rien à voir — sauf dans une circonstance particulière, où l'une laisse la trace de l'autre : quand les données ne sont pas centrées sur zéro. Multipliez une pente qui change par une valeur moyenne éloignée de zéro, et vous obtenez bien un décalage de hauteur. Si la moyenne est nulle, la trace disparaît.

Or tous nos jeux d'essai employaient des données réparties entre zéro et dix, donc de moyenne cinq. La démonstration tient en quatre lignes : à signal rigoureusement identique, l'instrument détecte quatre-vingt-quinze fois sur cent avec ces données, dix fois sur cent si on les recentre sans changer leur étendue, cinq fois sur cent avec des données centrées, et quatre-vingt-dix fois sur cent si on les décale fortement. Seul le centrage change le résultat. L'instrument ne voyait pas le phénomène : il voyait une ombre que le décalage projetait. Et nos contrôles internes ne pouvaient rien y voir, puisqu'ils employaient eux aussi des données décalées.

La conséquence pratique n'est pas anodine. Une grande partie des données que l'on analyse sont centrées par nature — des variations, des écarts à une moyenne, des rendements financiers. Sur celles-là, l'instrument était simplement aveugle. Nous l'avons refait : il mesure désormais directement la force du lien dans chaque tranche de données, et compare leur dispersion à ce que l'imprécision expliquerait — la même méthode empruntée la veille à la méta-analyse médicale. Il détecte maintenant entre quatre-vingt-quinze et cent pour cent des cas, que les données soient centrées ou non. Nos contrôles internes, eux, se portent mieux qu'avant.

La contre-épreuve qui a tout changé

La journée avait commencé par un succès. Nous avons soumis à notre outil la loi d'Okun — cette relation, établie en 1962, entre la croissance économique et la variation du chômage — sur trois cent treize trimestres de données américaines, de 1948 à aujourd'hui. Il a trouvé la relation dans chaque décennie, toujours dans le bon sens, et signalé que sa force variait considérablement : presque nulle dans les années 2010, très marquée dans les années 2020. Il a même désigné cette dernière décennie comme la plus atypique — c'est-à-dire la pandémie. Tout cela concorde avec ce que les économistes documentent depuis des années.

Nous aurions pu publier cela tel quel. Notre protocole, écrit avant de commencer, l'interdisait : il exigeait une contre-épreuve. L'idée en est simple et redoutable — fabriquer une relation dont la force est rigoureusement la même dans tous les groupes, ne faire varier que le bruit de mesure, et vérifier que l'outil ne signale rien. S'il signale quelque chose là où il n'y a rien, alors son signalement sur les vraies données ne prouve rien non plus.

Il a signalé quelque chose. Sur une relation parfaitement stable, il annonçait une instabilité — et d'autant plus fort que les mesures étaient bruitées. La raison est instructive et dépasse notre cas : nous comparions les forces mesurées dans chaque groupe sans jamais nous demander avec quelle précision elles avaient été mesurées. Deux groupes peuvent afficher des forces très différentes simplement parce qu'on les a mal estimées. Notre outil confondait « ces relations diffèrent » et « ces relations sont mal connues » — et il n'existait rien, dans son calcul, pour les séparer.

Le remède existe depuis 1954, dans un domaine que nous n'avions pas pensé à consulter : la méta-analyse médicale, qui passe son temps à décider si les résultats de plusieurs essais cliniques divergent réellement ou seulement par imprécision. Nous avons repris sa statistique d'hétérogénéité. Il a fallu ensuite corriger notre propre correction — nous estimions la précision par une formule qui ne correspondait pas à la méthode de calcul employée, ce qui la sous-estimait d'un quart. La théorie prédisait un écart de vingt-cinq pour cent ; la mesure en a donné vingt-cinq à trente. Une fois les deux corrections faites, la relation fabriquée ne déclenche plus rien, dans les cinq configurations testées, et des relations réellement différentes restent détectées.

Et la loi d'Okun ? Le signalement tient. L'instabilité du lien entre croissance et chômage à travers les décennies dépasse bel et bien ce que l'imprécision des mesures explique. Le résultat économique était juste — mais nous ne le savions pas encore quand nous l'avons obtenu, et c'est toute la différence.

Punir celui qui n'a rien cherché

Il y a une règle bien connue de ceux qui testent des stratégies financières : si vous en essayez mille et que vous retenez la meilleure, sa performance apparente doit beaucoup au hasard. Le remède consiste à la dégonfler d'autant plus que vous avez essayé de choses. Notre outil appliquait cette correction, et il l'appliquait bien — sauf dans un cas, celui de la personne la plus honnête de l'histoire : celle qui n'a testé qu'une seule stratégie et le déclare.

Nous lui retirions quarante-trois pour cent de sa performance. Pour une sélection qui n'avait pas eu lieu. La cause tenait en trois caractères glissés dans une formule : le calcul prenait « le plus grand entre le nombre d'essais et deux », de sorte qu'un unique essai était traité comme s'il y en avait eu deux. Or l'espérance du meilleur d'un seul tirage, c'est simplement ce tirage : sans sélection, il n'y a rien à corriger. Le remède fut d'adopter la formule de référence du domaine — celle que notre propre code citait déjà en commentaire sans l'employer.

Une conséquence visible mérite d'être signalée plutôt que dissimulée : l'un des rapports publiés sur ce site change de couleur. Un audit qui affichait deux alertes n'en affiche plus qu'une. Ce n'est pas que nous soyons devenus indulgents — c'est que l'ancienne formule surestimait le seuil de vingt-quatre pour cent dans ce cas précis. L'approximation que nous employions n'est fiable que pour un très grand nombre d'essais ; à vingt, elle se trompe franchement. Un verdict qui change parce que le calcul devient juste n'est pas un verdict affaibli.

Ce détecteur était le dernier des quatre qui n'avaient jamais été confrontés à des données réelles. Les trois autres l'avaient été les jours précédents — face aux cotes des bookmakers, à la courbe des taux américains, aux cent études de psychologie répliquées par l'Open Science Collaboration. Chacun des quatre y a révélé un défaut ou une limite que des semaines d'essais sur nos propres données fabriquées n'avaient pas montrés. C'est, au fond, le seul enseignement solide de cette série : un instrument ne se juge pas sur les épreuves que son auteur lui invente.

Des données que personne n'avait choisies

Il y a dans notre démarche un biais que nous avions nommé sans jamais l'attaquer : les séries sur lesquelles nous éprouvons nos outils, c'est nous qui les choisissons. Nous les prenons dans des domaines dont nous connaissons la littérature, et nous savons donc à peu près ce que l'analyse va révéler avant de la lancer. C'est confortable et ce n'est pas honnête. Ne pouvant obtenir des données d'entreprise, nous avons fait la seule chose qui retire le choix : dresser une liste de quarante séries économiques publiques sans regarder ce qu'elles contiennent, puis en tirer douze au hasard. Nous ne découvrions leur contenu qu'après.

Le premier résultat est rassurant et sans nuance : aucune panne, aucun refus injustifié, onze rapports rendus sur onze séries téléchargeables. Nous avions prédit qu'un cinquième à deux cinquièmes des séries seraient refusées — trop courtes, mal formées, inadaptées. Nous nous trompions : le refus est resté à zéro, et nous avons vérifié qu'il était justifié plutôt que de nous en réjouir, car un refus manqué serait plus grave qu'un refus de trop.

Le second résultat est venu d'une promesse que nous nous étions faite dans le protocole : inspecter la plausibilité de chaque verdict. Nous n'en avions d'abord examiné que trois ; en faisant les huit autres, un défaut est apparu. L'indice des prix à la consommation — la série la plus lisse qui soit, dont les variations mensuelles dépassent rarement un pour cent — recevait de notre outil un diagnostic d'événements extrêmes plus alarmant que les inscriptions hebdomadaires au chômage, lesquelles ont bondi de plus de deux cents pour cent en mars 2020. Le verdict n'était pourtant pas faux : la mesure que nous employons décrit la forme de la distribution relativement à sa propre échelle, et une série très sage peut avoir une forme irrégulière à sa modeste mesure. Mais notre rapport ne disait nulle part de quelle taille il parlait. Deux voyants rouges identiques recouvraient des réalités séparées d'un facteur cent.

Le remède tient en deux nombres ajoutés à côté du diagnostic : la plus grande variation observée, et celle qui n'est dépassée qu'un jour sur cent. L'indice des prix affiche désormais « forme irrégulière, mais amplitude maximale deux pour cent » ; les inscriptions au chômage, « forme plus sage, amplitude maximale deux cent trente-sept pour cent ». Aucun seuil n'a bougé, aucun verdict n'a changé — nous avons seulement cessé de taire l'échelle. C'est une leçon que nous croyions avoir déjà apprise, sous une autre forme : un chiffre juste peut induire en erreur s'il est présenté sans ce qui permet de le situer.

Le garde-fou était en carton — correction, puis dénouement

Dénouement, quelques heures plus tard. Nous avons refait l'expérience correctement, en annonçant d'avance ce que nous attendions. Au lieu de saboter un seul des chemins de calcul, chaque sabotage neutralise cette fois l'intégralité d'un instrument. Sept sabotages sur neuf sont détectés — soixante-dix-huit pour cent, au-dessus du seuil que nous avions fixé avant de mesurer. Nos contrôles repèrent donc bien un instrument cassé : ils remplissent leur fonction. Les deux sabotages qui passent encore sont les deux chemins de calcul d'un même instrument, testés séparément — notre outil de sabotage ne sait pas les combiner, limite que nous préférons écrire que taire ; leur équivalent, qui neutralise l'instrument entier, est bien détecté. La formule juste, désormais, tient en une phrase : nos contrôles voient qu'un instrument est cassé, ils ne voient pas un seuil qui dérive quand un autre calcul couvre le cas. Il reste de ce détour une trouvaille que rien d'autre n'avait faite : une règle de décision existait en double dans notre code, si bien que modifier le seuil visible ne changeait rien.

Rectificatif publié le jour même. Le texte qui suit conclut que nos contrôles internes ne valent presque rien. Cette conclusion est fausse et nous la retirons, en laissant le récit d'origine pour que la correction ait un sens. Les faits sont exacts — un sabotage détecté sur huit — mais leur interprétation ne l'était pas. En enquêtant, nous avons découvert que nos calculs empruntent deux chemins indépendants pour parvenir au même verdict ; nos sabotages n'en coupaient qu'un, et le second suffisait à conclure correctement. Ce n'est pas de l'aveuglement, c'est de la redondance — et la redondance est une qualité. Ce qui reste vrai, plus modestement : nos contrôles ne repèrent pas une dérive de seuil sur un chemin quand l'autre couvre le cas. Ce que l'opération a réellement rapporté : la découverte qu'une règle de décision existait en double dans notre code, si bien que modifier le seuil visible n'avait aucun effet — personne ne l'avait vu, et c'est corrigé. La leçon nous concerne d'abord : nous avions publié l'accusation avant d'avoir enquêté, alors que nous répétons nous-mêmes qu'un test qui échoue est une hypothèse et non un verdict.

Depuis des semaines, chacun de nos comptes rendus se termine par la même formule : « treize contrôles sur treize passent ». C'était notre garantie que rien n'avait été cassé en chemin. Une question finit pourtant par s'imposer, et nous avons mis longtemps à la poser : ces contrôles détecteraient-ils seulement une panne ? Rien ne le prouvait. Un contrôle qui se déclenche à tort proteste bruyamment ; un contrôle qui laisse tout passer, lui, ne dit jamais rien. C'est précisément ce silence qui rend l'erreur si difficile à voir.

Il existe une méthode ancienne pour trancher, imaginée en 1978 par trois informaticiens américains : saboter volontairement son propre programme et compter combien de sabotages les tests repèrent. Nous en avons choisi huit à l'avance, du genre de ceux qu'une faute de frappe produirait — inverser un signe de comparaison, rendre un seuil dix fois plus tolérant, débrancher une protection récente. Sept étaient applicables. Six sont passés inaperçus.

Le plus spectaculaire mérite d'être décrit. Un de nos calculs estime, à partir des données, à quel point les événements extrêmes sont plus fréquents que ne le voudrait la courbe en cloche. Nous avons supprimé ce calcul et l'avons remplacé par un nombre fixe, toujours le même quelle que soit la série examinée. Nos treize contrôles ont continué d'afficher que tout allait bien. Autrement dit, pendant des semaines, notre garantie ne protégeait pas le cœur du dispositif.

La raison de cet aveuglement est instructive et dépasse notre cas. Nos cas de test sont des caricatures : une distribution outrageusement irrégulière, une mémoire écrasante, une agitation triplée. Or sur une caricature, plusieurs raisonnements différents conduisent à la même conclusion juste — il suffit qu'un seul fonctionne pour que le verdict tombe correctement. En casser un ne se voit donc pas. Nos contrôles vérifiaient que nos outils concluent bien sur des cas évidents, non que leur raisonnement est intact. Nous avions écrit nous-mêmes, quelques semaines plus tôt, qu'un banc d'essai ne teste que ce qu'on a pensé à lui faire tester. La phrase valait aussi pour l'instrument qui vérifie tous les autres.

Ce qui reste debout mérite d'être distingué de ce qui tombe. Ce qui tombe, c'est la formule — nous cessons de l'employer comme preuve tant qu'elle ne vaut pas mieux. Ce qui reste, ce sont les mesures qui portent sur des grilles de taux plutôt que sur treize verdicts : à partir de combien de données chaque outil devient fiable, à quelle fréquence il se trompe, s'il donne deux fois la même réponse sur deux moitiés d'un même jeu, s'il retrouve les lois connues de huit domaines. Ce sont elles qui ont mis au jour les onze défauts que nous avons corrigés. Le contrôle rassurant, lui, n'a jamais rien découvert. Il nous rassurait, c'est tout — et c'était bien le problème.

Avoir toujours raison et ne rien apprendre

Un détecteur de fumée qui sonne en permanence a raison chaque fois qu'il y a un incendie. Il est pourtant rigoureusement inutile, et personne n'hésiterait à le décrocher. Nous nous sommes demandé si nos propres instruments ne souffraient pas du même mal, et pour le savoir nous avons fait une chose que nous n'avions jamais faite : compter. Sur douze séries publiques bien réelles — quatre rivières, le chômage, le pétrole, le soleil, la pluie, la température, la production industrielle, une monnaie, des taux d'intérêt — nous avons relevé les soixante verdicts rendus par nos cinq examens.

La première nouvelle est bonne. Près de la moitié de ces verdicts sont des « rien à signaler ». Aucune série n'a vu ses cinq examens s'allumer ensemble, et les températures de Los Angeles n'en déclenchent qu'un seul. Cinq combinaisons différentes apparaissent sur douze séries : nos instruments racontent bien des histoires distinctes selon les données. Nos prédictions, écrites avant de compter, étaient une fois de plus partiellement fausses — nous attendions moins de verts et nous pensions que la monnaie serait la série la plus tranquille ; c'est la température.

La seconde nouvelle est plus dérangeante. Un de nos cinq examens s'est déclenché douze fois sur douze. Un autre ne s'est déclenché aucune fois. Le premier traque les événements extrêmes, et il a très probablement raison à chaque fois : la nature produit presque partout des valeurs aberrantes plus nombreuses que ne le prévoit la courbe en cloche, c'est un fait établi depuis longtemps. Mais raison ou pas, un voyant qui s'allume toujours n'apprend rien : le lecteur du rapport connaît la réponse avant d'ouvrir la page. En termes d'information — et cela se mesure, en bits — ces deux examens en apportent exactement zéro, tandis que les trois autres en apportent réellement.

Nous n'allons pas retirer l'examen fautif, car son verdict n'est pas faux et son contenu n'est pas vide : ce qui informe, chez lui, n'est pas le voyant mais la mesure — de combien la courbe en cloche sous-estime les extrêmes, et depuis peu, si cette lourdeur vient de la nature des données ou seulement d'un changement d'époque. C'est cela qu'il faut lire. Nous en tirons en revanche une conséquence sur notre synthèse : annoncer « trois alertes sur cinq » traite les cinq examens comme équivalents, alors que l'un des trois était acquis d'avance. Notre résumé exagère donc la gravité d'environ une alerte sur cinq, et nous préférons le dire que de bricoler une pondération arbitraire. La leçon, elle, dépasse notre cas : la valeur d'un test ne se mesure pas à sa justesse, mais à ce que sa réponse permet de distinguer.

Le test qu'il fallait rater

Nous avions annoncé, il y a quelques séances, que notre outil retrouvait les lois connues de cinq domaines scientifiques dans cinq cas sur sept. Le chiffre paraissait honnête. Il ne l'était qu'à moitié, et nous avons fini par nous en apercevoir en appliquant à notre propre communication la règle que nous venions d'imposer à nos mesures. Sur sept essais seulement, la marge d'erreur statistique s'étend de trente-six à quatre-vingt-douze pour cent. Autrement dit : nous ne savions rien, et nous l'annoncions avec aplomb. Le remède n'était pas de mieux formuler, mais de faire plus d'essais.

Nous en avons ajouté neuf, choisis selon deux logiques distinctes. La première est la réplication. L'ingénieur britannique Harold Hurst, chargé dans les années cinquante de dimensionner un barrage sur le Nil, découvrit que les crues gardent la mémoire des crues passées bien plus longtemps que ne le prévoyait la théorie — un phénomène depuis retrouvé sur des centaines de cours d'eau. Nous avions testé une seule rivière américaine ; nous en avons ajouté trois, dans des bassins sans rapport entre eux, du Montana au Texas. Les quatre rendent le même verdict. Notre premier succès n'était donc pas un coup de chance.

La seconde logique est plus retorse, et c'est celle dont nous sommes le plus satisfaits. Un instrument qui répondrait invariablement la même chose obtiendrait d'excellentes notes sans posséder le moindre discernement : puisque presque toutes les séries du monde réel ont de la mémoire, il suffirait de dire « mémoire » pour avoir raison neuf fois sur dix. Il fallait donc une épreuve que notre outil devait échouer s'il était bête. Nous avons choisi les variations quotidiennes du taux de change entre le dollar et l'euro. Deux économistes, Richard Meese et Kenneth Rogoff, ont établi en 1983 un résultat resté célèbre : les modèles savants ne prédisent pas mieux ces variations qu'un simple tirage au sort. Elles sont, à toutes fins pratiques, sans mémoire. Notre outil devait donc annoncer ici le contraire exact de ce qu'il annonce partout ailleurs. Il l'a fait.

Neuf épreuves, neuf concordances. Mais le chiffre qui compte n'est pas celui-là, et il serait malhonnête de le mettre en avant. En cumulant avec les essais précédents — dont nous conservons les deux échecs, bien qu'ils aient été de notre fait et non de l'outil — nous atteignons quatorze réussites sur seize. Les deux marges d'erreur, l'ancienne et la nouvelle, se recouvrent si largement qu'il est impossible d'affirmer que notre instrument s'est amélioré. Ce qui a changé, c'est notre ignorance : elle est passée de cinquante-six points de large à trente-trois. Voilà le progrès réel de la journée, et il n'a rien de spectaculaire — c'est simplement la différence entre affirmer et savoir.

La frontière qui bougeait selon le tirage

La veille, nous avions retiré une performance publiée faute de pouvoir la refaire. Restait à tenir la promesse qui avait suivi : rassembler toutes nos mesures dans un dispositif reproductible. En nous y mettant, nous avons trouvé une négligence technique — trois de nos programmes de mesure empruntaient leur source de hasard à un quatrième, au lieu d'en posséder une propre. Or une source de hasard garde la mémoire de ce qu'elle a déjà produit : deux exécutions successives dans une même session ne donnent pas les mêmes tirages. Nous nous attendions à ce que le défaut se manifeste entre deux sessions distinctes ; c'est l'inverse qui est vrai, et voilà pourquoi il nous avait échappé dix séances durant — nous lançons toujours ces programmes depuis une session neuve, dans le même ordre. Le piège attendait patiemment le premier automate qui les enchaînerait.

Mais en cherchant l'origine des écarts, nous sommes tombés sur bien plus gênant. Nous publions une carte indiquant, pour chacun de nos instruments, à partir de combien de données il devient fiable. Pour l'un d'eux, nous annoncions trois cents observations. Nous avons refait la mesure avec six jeux de hasard différents : la réponse a été deux cents, deux cents, six cents, six cents, deux cents, deux cents. Le nombre que nous présentions comme un fait sautait du simple au triple selon le tirage. Quarante essais, c'est assez pour estimer une performance, pas pour situer une frontière. Nous en avons fait deux cents.

Et c'est là que l'affaire cesse d'être une question de précision. Avec deux cents essais, le chiffre se stabilise — et il tombe à quatre-vingts pour cent de réussite, plus ou moins six, exactement sur le seuil de quatre-vingts que nous avions choisi pour déclarer un outil « fiable ». La frontière ne se situe donc ni à deux cents ni à trois cents : elle est entre, et aucun surcroît de calcul ne la rendra nette, parce qu'une courbe de performance monte continûment tandis qu'un seuil, lui, tranche. Multiplier les essais déplacerait la barre de six points à trois, puis à un, sans jamais faire disparaître le problème.

Nous avons donc renoncé à la précision et opté pour l'aveu. Notre carte porte maintenant, en face de cette ligne, la mention « frontière ambiguë : quatre-vingts pour cent plus ou moins six dès deux cents observations ». C'est moins net, c'est plus vrai, et c'est surtout plus utile : un lecteur averti sait qu'il se trouve dans une zone de transition et peut décider lui-même s'il accepte le risque. Les neuf autres frontières de la carte, elles, sont confirmées, et leurs marges d'incertitude ont été divisées par deux ou trois. Annoncer une mesure comme un nombre exact quand elle est une estimation, c'est exactement le reproche que nos instruments adressent aux modèles qu'ils examinent — et nous ne comptons plus les fois où il a fallu nous l'appliquer.

Le chiffre qu'on ne peut plus refaire

Après six corrections successives apportées à nos instruments, une question s'imposait, et elle n'est pas plaisante : les performances que nous annonçons sont-elles encore vraies ? Nos vérifications de routine ne pouvaient pas répondre, car elles contrôlent des verdicts sur des cas fixes, jamais des taux sur des grilles entières. Nous avons donc tout remesuré. Quatre caractéristiques sur cinq ont tenu, dont deux se sont même améliorées sans que nous l'ayons cherché — effets secondaires bénéfiques de corrections faites ailleurs. Nos prédictions, une fois de plus, étaient fausses : nous attendions des dégradations là où il n'y en a pas eu.

La cinquième est une autre histoire. Il s'agissait de la sensibilité de notre détecteur de comptes truqués : à partir de quelle proportion de montants fabriqués sait-il les repérer ? Nous avions publié une courbe encourageante quelques heures plus tôt. Impossible de la refaire — le programme qui l'avait produite n'avait pas été conservé. Restait à le reconstituer, et c'est là que l'affaire devient instructive. Pour simuler une fraude, nous avons multiplié une partie des montants par zéro virgule quatre-vingt-cinq, comme on rabote une facture. Les résultats furent absurdes : plus nous fraudions, moins le détecteur réagissait. La raison tient à une propriété que nous connaissions pourtant : sur des montants répartis sur plusieurs ordres de grandeur, multiplier tout le monde par un même facteur ne change pas la distribution des premiers chiffres. Notre fraude ne fraudait rien. Le détecteur avait raison de ne rien voir.

C'est la troisième fois que nous accusons un de nos instruments avant de découvrir que le fautif était le simulateur censé le mettre à l'épreuve. Nous en avons tiré la conclusion qui s'imposait : ces simulateurs sont désormais rassemblés dans un fichier unique, avec leurs graines aléatoires figées et, en tête, la liste des trois pièges où nous sommes tombés. Toute performance annoncée à un client devra en sortir, et de nulle part ailleurs.

Quant à la courbe elle-même, nous la retirons. Refaite avec une fraude qui en est vraiment une — une partie des montants purement inventés, comme le ferait une main humaine — elle donne des résultats plus sobres : le détecteur repère une fabrication portant sur un dixième des montants de manière systématique à partir de dix mille lignes, une fois sur deux à deux mille, et reste aveugle en dessous de cinq cents. C'est moins vendeur que ce que nous avions écrit, et c'est la seule version que nous puissions défendre. Un chiffre publié sans le protocole qui permet de le refaire n'est pas une mesure, c'est une affirmation — et c'est précisément le reproche que nos outils adressent aux modèles qu'ils examinent. Il eût été fâcheux de ne pas se l'appliquer.

Choisir la question pour obtenir la réponse

Il y a une faiblesse dont aucun audit ne se relève : que son commanditaire puisse en choisir le résultat. Nos analyses reposent sur un découpage du temps en tranches — quatre décennies, huit périodes, peu importe — et ce nombre figure dans le formulaire que remplit le client. Nul ne l'avait jamais fait varier. Si le verdict en dépendait, il suffisait d'essayer plusieurs valeurs et de conserver la plus flatteuse. Nous sommes allés vérifier, en écrivant d'abord ce que nous attendions : une dépendance modérée d'un côté, forte de l'autre.

Nous avions tort, et complètement. Sur cinquante-cinq ans de Bourse américaine, les onze découpages essayés rendent le même verdict. Sur un cas volontairement limite, où l'agitation ne varie que de quarante pour cent — juste au-dessus de notre seuil de déclenchement — les onze découpages concordent encore. Sur l'analyse de transférabilité, six tailles de groupe allant de dix à trois cent vingt observations donnent toutes la même réponse. Notre prédiction était fausse et nous la publions telle quelle, parce qu'une prédiction ratée en dit autant qu'une réussie sur la valeur de nos intuitions.

Restait à ne pas se contenter de ce silence. Nous avions appris quelques jours plus tôt qu'une vérification qui ne trouve rien n'a peut-être rien cherché, et nous nous étions imposé la contre-épreuve : fabriquer un cas où le découpage doit compter, pour voir si notre mesure le remarque. Nous avons donc créé une série calme parcourue par une seule crise brève — six pour cent de sa durée, une agitation quadruplée. Découpée finement, la crise saute aux yeux ; découpée en deux moitiés seulement, elle se dilue dans le calme environnant au point de devenir rigoureusement invisible. Le verdict passait alors à « régime stable ». La contre-épreuve a fait double emploi : elle a validé notre mesure et exhibé la brèche que la mesure seule n'avait pas trouvée. Il suffisait de demander deux tranches pour obtenir un certificat de bonne santé sur une série contenant une crise.

Le remède est de retirer le choix des mains de celui qui a intérêt au résultat. L'outil essaie désormais lui-même plusieurs découpages et rend le verdict majoritaire — et lorsque les découpages se contredisent, il le dit plutôt que de le cacher : « épisode localisé, visible sur quatre découpages sur cinq, invisible sur les plus grossiers ». Cette phrase est plus utile que le verdict lui-même, car elle indique au lecteur qu'il cherche un accident bref plutôt qu'une dérive lente. Les sept découpages qu'un client pourrait demander donnent maintenant la même réponse. Et là où tout concordait déjà, rien n'a bougé — ce qui est la moindre des choses pour un remède.

La mémoire qui n'était qu'un changement d'époque

Deux phénomènes très différents laissent exactement la même empreinte statistique, et les confondre est une erreur si ancienne qu'elle a ses classiques. Le premier est la mémoire : une journée agitée en annonce une autre, l'agitation se propage de proche en proche, et c'est ce que les économistes modélisent depuis les années quatre-vingt. Le second est le simple changement d'époque : chaque période est parfaitement imprévisible en elle-même, mais les périodes n'ont pas toutes le même tempérament — quelques années calmes, quelques années nerveuses. Regardez la trace laissée par le second phénomène et vous croirez voir le premier : comme les journées nerveuses sont regroupées dans le temps, chacune est bien suivie d'une autre journée nerveuse. La corrélation est réelle, la mémoire est imaginaire.

Notre détecteur y tombait, et sans la moindre hésitation : sur des données que nous avions fabriquées de quatre blocs strictement sans mémoire, dont seule l'agitation moyenne variait, il annonçait cent fois sur cent une « volatilité à mémoire » et recommandait au client de construire un modèle de propagation. C'est un conseil coûteux et faux : il fallait simplement traiter chaque époque à part. Le remède est le même que celui découvert la veille pour les événements extrêmes — ramener chaque période à sa propre échelle avant de mesurer. L'alerte est tombée de cent pour cent à zéro, tandis qu'une série à mémoire authentique restait détectée cent fois sur cent.

Ce qui rend cette séance différente des précédentes tient à la manière plus qu'au résultat. Les deux fois précédentes, nous avions découvert ce genre de confusion par accident, en cherchant autre chose. Cette fois nous avons dressé la liste des instruments qui pouvaient encore souffrir du même piège — il en restait deux — et nous avons écrit à l'avance ce que chacun ferait. Pour le premier, nous annoncions une chute ; pour le second, nous annoncions qu'il résisterait, car un changement d'agitation ne crée pas de tendance dans les valeurs elles-mêmes, leur moyenne restant nulle. Les deux prédictions se sont vérifiées, y compris celle qui annonçait une absence de défaut — et nous la publions au même rang que la découverte, car une prédiction de rien-du-tout confirmée vaut exactement autant qu'une alerte, et coûte plus cher à formuler.

Reste le cas qui nous intéressait le plus : cinquante-cinq ans de Bourse américaine. Là, l'agitation garde sa mémoire même après qu'on a ramené chaque décennie à son échelle propre — la corrélation passe de trente-trois à vingt-quatre pour cent, elle ne s'évanouit pas. La mémoire des marchés n'est donc pas un mirage d'époques. Et ce verdict s'accorde avec celui rendu la veille sur les événements extrêmes de la même série : les deux instruments, interrogés séparément, racontent désormais la même histoire au lieu de se contredire. C'était précisément le but de ces trois inspections croisées.

Avoir raison et se tromper quand même

Il existe une manière particulièrement retorse de se tromper : dire une chose exacte et en tirer le conseil inverse de celui qu'il fallait. Nous venons de découvrir que notre outil le faisait, et l'affaire mérite qu'on la déplie, car elle concerne bien au-delà de nous — toute personne qui mesure des risques à partir d'un historique.

Imaginez deux séries de chiffres. La première provient d'un monde où les événements violents sont réellement plus fréquents que la fameuse courbe en cloche ne le prédit : les krachs y sont, par nature, plus nombreux que la théorie ne l'admet. La seconde provient d'un monde parfaitement sage, où chaque journée obéit strictement à la courbe en cloche — mais où l'agitation générale change d'une époque à l'autre : calme pendant des années, trois fois plus nerveuse ensuite. Mesurez maintenant, dans les deux cas, combien de journées dépassent trois fois l'agitation moyenne. Vous en trouverez trop dans les deux séries. Dans la première parce que les extrêmes sont vraiment épais ; dans la seconde parce que « l'agitation moyenne » est une moyenne entre des époques calmes et des époques nerveuses, et qu'elle ne décrit correctement aucune des deux. Les statistiques sont identiques. Les remèdes sont opposés : dans le premier cas il faut immobiliser davantage de réserves, en permanence ; dans le second, il ne faut surtout pas — il faut modéliser l'agitation comme une chose qui varie, et adapter ses réserves à l'époque. Immobiliser du capital constant serait à la fois trop en période calme et insuffisant en période agitée.

Notre outil ne faisait pas la différence. Avant de le corriger, nous avons écrit trois prédictions et les seuils qui décideraient du succès. Premièrement : sur un mélange fabriqué exprès — des périodes parfaitement sages mais d'agitations différentes — l'outil devait crier au danger. Il l'a fait cent fois sur cent, ce qui confirmait le défaut. Deuxièmement : si l'on ramène chaque époque à sa propre échelle avant de recompter, l'alerte devait s'évanouir, puisqu'il n'y avait rien. Elle est tombée à cinq pour cent. Troisièmement : sur une série à vrais extrêmes et agitation constante, la même opération ne devait rien changer. L'alerte est restée à cent pour cent. Les trois prédictions se sont vérifiées, et ce petit geste — ramener chaque époque à son échelle propre — suffit donc à séparer deux causes que les chiffres bruts confondent.

Nous l'avons appliqué à cinquante-cinq ans de Bourse américaine, et la réponse est intéressante : les deux à la fois. L'agitation y varie bien du simple au double et demi selon les décennies, mais après avoir ramené chaque décennie à sa propre échelle, les journées extrêmes restent massivement plus nombreuses que la courbe en cloche ne le tolère. Les krachs boursiers ne sont donc pas un simple effet d'optique dû aux changements d'époque — c'est d'ailleurs ce que la recherche financière soutient depuis quarante ans, et il nous plaît de le retrouver sans l'avoir cherché. Notre rapport nomme désormais la cause à côté du constat, et adapte sa recommandation en conséquence. Un verdict juste assorti du mauvais conseil reste un audit raté.

Quand une page du rapport contredit l'autre

Un rapport d'audit se lit comme un tout, mais nous l'avions toujours éprouvé comme une collection de pièces détachées. Chaque examen avait été testé seul, jamais en compagnie de ses voisins. Or il suffit d'y penser un instant pour voir le danger : que se passe-t-il si l'un des examens démontre précisément ce que l'examen suivant tient pour acquis ? Nous avons trouvé le cas chez nous, et il est presque comique. Une page de notre rapport annonce, à propos du chômage américain, que ses neuf cent quarante-deux relevés mensuels ne contiennent en réalité que l'équivalent de quinze observations indépendantes — parce que le chômage d'un mois ressemble énormément à celui du mois précédent. La page suivante, examinant les mêmes chiffres pour y chercher des événements exceptionnels, calcule leur rareté en supposant les neuf cent quarante-deux relevés indépendants. La seconde page suppose donc exactement ce que la première vient de réfuter.

Reste à savoir si cette incohérence logique produit une erreur réelle. Nous avons fabriqué des séries parfaitement ordinaires — sans le moindre événement extrême, distribuées selon la plus sage des lois — mais dotées d'une mémoire, chaque valeur ressemblant à la précédente. Sur de telles données, notre outil aurait dû rester muet. Il criait à l'anomalie une fois sur huit. Et la zone dangereuse n'a rien de théorique : c'est exactement celle où vivent les séries réelles que nous avions collectées, du chômage aux taches solaires en passant par le pétrole.

Nous avions écrit d'avance, dans notre protocole, le remède que nous comptions appliquer : remplacer le nombre de mesures par le nombre de mesures réellement indépendantes. La mesure a montré que c'était le mauvais remède, et c'est le passage le plus intéressant de la journée. En comptant les événements extrêmes sur des milliers de séries simulées, nous avons constaté que leur nombre moyen ne bougeait pas d'un cheveu quand on ajoutait de la mémoire : huit, toujours huit. Ce qui changeait, c'était leur irrégularité — la dispersion d'une série à l'autre passait de deux et demi à plus de six. Autrement dit, les événements extrêmes ne deviennent pas plus nombreux, ils deviennent plus grégaires : ils arrivent en grappes, se pressant les uns contre les autres, laissant ailleurs de longues plages vides. Le statisticien Malcolm Leadbetter avait formalisé cela en 1983. Notre remède prévu aurait diminué la moyenne, alors que c'est la variabilité qu'il fallait élargir : nous aurions aggravé le mal en croyant le soigner.

La solution correcte tient en une phrase : garder la moyenne attendue, et élargir la tolérance à hauteur de la taille des grappes observées dans les données elles-mêmes. Elle a une propriété que nous apprécions particulièrement — quand les données n'ont pas de mémoire, les grappes sont de taille un, et le calcul redevient identique à celui d'avant. Le correctif ne coûte rien là où il n'y a rien à corriger. Les fausses alertes sont tombées de douze pour cent à zéro, au prix de dix points de sensibilité dans le cas le plus extrême — un compromis que nous chiffrons plutôt que de le taire. Et rien de ce que nous avions publié auparavant n'en est déplacé : les six séries réelles rendent exactement les mêmes verdicts qu'hier.

Une inspection qui ne trouve rien

Il existe une manière très simple de rendre un contrôle qualité impeccable : le rendre incapable de détecter quoi que ce soit. Le rapport est alors toujours vert, l'inspecteur toujours satisfait, et personne ne s'aperçoit de rien. C'est la crainte que nous avons voulu affronter aujourd'hui, car nous venions d'obtenir un résultat entièrement négatif. Trois fois de suite, ces dernières semaines, nous avions découvert par accident une même faute logée dans nos propres détecteurs : nous corrigions un instrument sans penser à vérifier ses voisins, et c'est toujours un test visant autre chose qui finissait par révéler l'oubli. Nous avons donc entrepris l'inspection systématique que nous aurions dû mener depuis longtemps — et nous n'avons rien trouvé. Aucun de nos détecteurs ne commettait la faute recherchée, même sur deux cent mille observations.

La faute en question mérite une explication, car elle guette tous ceux qui travaillent sur de grandes bases de données. Plus un échantillon grossit, plus les tests statistiques deviennent capables de détecter des écarts minuscules — c'est leur vertu. Mais la certitude qu'ils délivrent ne dit rien de l'importance de ce qu'ils ont trouvé. Sur deux cent mille mesures, une différence de cinq pour cent devient mathématiquement indiscutable, avec une probabilité d'erreur de l'ordre de dix puissance moins cinquante — et reste, dans la vie réelle, parfaitement anodine. Un instrument qui confond ces deux notions déclenche des alarmes d'autant plus nombreuses qu'on lui donne de données, ce qui est exactement l'inverse de ce qu'on attend. Nous avions corrigé ce défaut sur un détecteur la veille ; restait à savoir combien de ses confrères en souffraient encore.

Aucun, donc. Et c'est ici que la discipline compte plus que le résultat. Avant de lancer l'inspection, nous avions écrit noir sur blanc qu'un résultat vierge devrait nous rendre méfiants envers l'inspection elle-même, et prévu deux vérifications. La première consistait à lui soumettre de vraies anomalies, franches, incontestables : elle les a toutes signalées. La seconde était plus retorse, et c'est celle dont nous sommes le plus satisfaits : nous avons remis en place l'ancienne version du code, celle dont nous savions qu'elle contenait le défaut corrigé la veille, et rejoué l'inspection sur elle. Elle l'a débusqué immédiatement — alerte sur un écart de cinq pour cent, exactement le travers recherché. Notre inspection savait donc voir ce qu'elle prétendait chercher, et son silence sur le code actuel n'était pas un aveuglement.

Une alerte, pourtant, avait résisté : notre détecteur de turbulence semblait incapable de repérer une turbulence que nous lui avions fabriquée. Avant de l'accuser, nous avons mesuré la turbulence elle-même — et découvert qu'elle n'existait pas. Les marchés financiers ont ceci de particulier que leur agitation se propage : une journée mouvementée annonce une journée mouvementée, et cette contagion se chiffre autour de quatre-vingt-quinze pour cent. Notre simulateur, lui, plafonnait à dix-sept. Il produisait un calme parfaitement uniforme que nous avions baptisé turbulence. Le détecteur avait raison ; c'est le décor qui était en carton. Nous étions déjà tombés dans ce piège exact vingt-cinq séances plus tôt, et nous avions alors écrit un commentaire d'avertissement dans le code — insuffisant, manifestement. Nous y avons ajouté un verrou qui refuse désormais de démarrer. La leçon n'est pas nouvelle : c'est sa répétition qui est le résultat.

Le thermomètre qui changeait d'avis

Avant de mesurer le monde, un instrument doit se mesurer lui-même, et la question la plus rude qu'on puisse lui poser tient en une phrase : si on lui donne deux moitiés du même jeu de données, répond-il deux fois la même chose ? Les psychologues éprouvent leurs tests ainsi depuis 1910 — on appelle cela la fidélité, et un questionnaire qui donne un résultat différent le mardi et le jeudi ne mesure rien. Nous nous étions imposé cette discipline pour juger les modèles des autres sans jamais nous l'appliquer. C'est pourtant la première objection qu'un acheteur sérieux formulera : votre rapport change-t-il de couleur si je vous envoie six mois de données supplémentaires ?

Nous avons donc découpé six séries réelles — le chômage américain depuis 1948, le pétrole, les taches solaires, le débit d'une rivière, la pluie et la température à Los Angeles — de deux façons différentes, et cette distinction compte. Pour juger la forme d'une distribution, l'ordre des observations est indifférent : on peut donc tirer une mesure sur deux au hasard, et les deux moitiés doivent absolument concorder ; un désaccord serait un défaut sans excuse. Pour juger la stabilité dans le temps, au contraire, il faut couper chronologiquement — et là un désaccord peut être parfaitement légitime, car le monde a réellement changé entre 1950 et aujourd'hui. Nous avons donc annoncé d'avance un seuil sévère pour le premier découpage seulement, et pris pour arbitre du second le détecteur de changement de régime lui-même. Résultat du test exigeant : six sur six. Sur le découpage chronologique, tous les désaccords sauf un se sont révélés justifiés par un vrai changement d'époque.

Ce « sauf un » est l'histoire du jour. Sur les températures de Los Angeles, notre détecteur jugeait la première moitié du siècle instable et la seconde stable. En regardant les nombres, la bascule s'est révélée dérisoire : la variabilité thermique différait de dix-huit pour cent d'un côté, de onze pour cent de l'autre, et le verdict basculait entre ces deux valeurs. Ce n'était pas le climat qui changeait, c'était notre seuil qui tremblait. La cause tenait à un petit mot dans le code : nous déclarions une série instable si l'écart entre périodes était grand ou statistiquement certain. Or sur onze mille mesures, la certitude statistique s'obtient pour presque rien : un écart de douze pour cent devient indiscutable sans devenir pour autant important. C'est exactement la confusion que nous dénonçons chez les autres depuis des mois — significatif ne veut pas dire notable — et que nous avions corrigée la veille sur un autre détecteur, sans penser à celui-ci. Nous avons remplacé le « ou » par un « et », avec un plancher : une variabilité doit croître d'au moins trente pour cent pour mériter une alerte, parce qu'en dessous aucune décision ne change.

Et notre correctif était faux. Il a réparé la température et cassé le chômage : cette série voit sa variabilité quintupler entre époques — un bouleversement massif — mais sur neuf cent quarante-deux mesures mensuelles seulement, la certitude statistique atteignait péniblement le seuil que nous venions de durcir. Notre outil déclarait donc « stable » une série qui varie du simple au quintuple, faute d'une décimale. Nous avons gradué la règle : un écart massif n'a pas besoin d'une certitude écrasante pour compter, un écart modéré si. La leçon tient en une ligne et vaut au-delà de notre cas : un correctif se vérifie sur toutes les données, pas seulement sur celle qui l'a motivé. Nous ne l'aurions pas su sans ce découpage — c'est précisément à cela que sert une épreuve qu'on s'impose à soi-même.

Plus dix pour cent de froid

Voici une question dont la réponse paraît évidente et ne l'est pas. La température passe de dix à onze degrés : de combien a-t-elle augmenté ? Dix pour cent, répond-on. Mais les mêmes températures s'écrivent cinquante et cinquante-deux degrés Fahrenheit, soit une hausse de trois virgule six pour cent ; et en Kelvin, l'échelle des physiciens, deux cent quatre-vingt-trois et deux cent quatre-vingt-quatre, soit zéro virgule trois cinq pour cent. Trois nombres pour un seul réchauffement. La conclusion s'impose : aucun des trois ne signifie quoi que ce soit. La raison en est que le zéro Celsius n'est pas une absence de chaleur — c'est le point où l'eau gèle, une convention commode choisie au dix-huitième siècle. Or diviser par une quantité dont le zéro est arbitraire ne produit qu'un artefact de l'unité. Les pourcentages n'ont de sens que sur les grandeurs dont le zéro veut dire « rien » : une longueur, une masse, un prix, un débit.

Nous racontons cela parce que notre outil vient de s'y frotter. Nous lui avions bâti un garde-fou chargé de refuser les calculs dénués de sens — non par excès de zèle, mais parce que nous avions constaté la veille qu'un instrument statistique correct, appliqué au mauvais objet, ne se plaint pas : il rend un verdict faux et parfaitement crédible. Le garde-fou fut d'abord éprouvé sur les précipitations d'une station de Los Angeles, muettes quatre-vingt-onze pour cent des jours : calculer la « variation en pourcentage » d'une pluie nulle est une opération sans objet, et il l'a bien refusée. Puis il a commis l'excès inverse. Il a rejeté trente-huit ans de prix du pétrole à cause d'une seule journée : le vingt avril deux mille vingt, où le baril américain a clôturé à moins trente-sept dollars — les cuves étant pleines, il fallait payer pour être débarrassé du brut. Une séance sur dix mille deux cent trente-six suffisait à faire tomber l'analyse entière. Nous avons donc appris au garde-fou la proportion : en dessous d'un pour cent d'anomalies, il signale et poursuit ; au-delà, il arrête.

Restait le cas le plus instructif, celui des températures. Notre attente écrite d'avance disait : pas de valeurs extrêmes, la physique borne les thermomètres. L'outil a répondu le contraire. Nous avons alors soupçonné la même erreur d'unité — et vérifié en refaisant le calcul en écarts absolus, puis en Kelvin. Le verdict n'a pas bougé d'un cheveu. Cette fois, c'était notre attente qui était fausse : « borné » ne signifie pas « sans extrêmes », et Los Angeles connaît les vents de Santa Ana, qui font bondir le thermomètre en quelques heures. L'outil avait raison, modérément d'ailleurs — ses queues de distribution sont bien plus sages que celles du pétrole.

Mais l'alerte a mis au jour une limite que nous ne savons pas franchir, et que nous préférons publier plutôt que taire : rien, dans une colonne de nombres, ne dit si son zéro est vrai ou conventionnel. Des degrés Celsius et des millimètres de pluie se ressemblent trait pour trait ; seuls diffèrent leur sens. Aucun garde-fou ne peut deviner cela, il faut le demander. Nous ajoutons donc à notre formulaire une question que le client seul peut trancher — quelle est l'unité, et son zéro est-il une absence ou une convention ? — au même titre que ces déclarations qui ne se déduisent jamais des données et engagent celui qui les signe.

Le simulateur ne connaît que ce qu'il sait imiter

Nous venions d'enchaîner quatre séances à traquer les défauts de nos propres détecteurs, avec un certain succès. Puis une objection s'est imposée, et elle était fatale : toutes ces épreuves reposaient sur des données que nous fabriquions nous-mêmes. Nous ne vérifiions pas que nos outils repèrent les anomalies du monde, mais qu'ils repèrent celles que nous avions pensé à écrire. Aucune quantité de répétitions ne corrige un tel biais : il faut changer de juge. Nous avons donc fermé cette ligne et sommes allés chercher cinq séries publiques bien réelles, dans des domaines aussi éloignés que possible de la finance, et dont la science connaît déjà le comportement : le nombre quotidien de taches solaires relevé sans interruption depuis 1818, les magnitudes des séismes du dernier mois, le débit d'une rivière américaine depuis 1990, le chômage américain depuis 1948, le prix du pétrole depuis 1986. Pour chacune, nous avons écrit ce que la littérature prédit — le cycle solaire de onze ans découvert en 1843, la loi de Gutenberg-Richter de 1944, l'effet de mémoire longue trouvé par Hurst sur le Nil en 1951 — et nous l'avons écrit avant même de télécharger les données.

Cinq verdicts sur sept ont concordé, contre une moitié attendue d'un outil qui répondrait au hasard. Le chômage américain : neuf cent quarante-deux mesures mensuelles qui ne valent, en information réelle, que quinze observations indépendantes. Le pétrole : des chocs extrêmes sous-estimés d'un facteur quatre mille six cents par le modèle gaussien habituel. La rivière : mémoire longue et crues, exactement comme Hurst l'avait vu. Mais le résultat qui compte le plus est celui-ci : l'outil ne dit pas la même chose partout. Il déclare le débit de la rivière en régime stable tout en signalant le pétrole et le chômage comme instables. Un détecteur qui crie au loup sur tout ne vaut rien ; celui-ci distingue.

Les deux échecs méritent d'être racontés, car ils ne viennent pas de l'outil mais de celui qui le tenait. Pour les séismes, nous avions demandé au détecteur d'examiner le logarithme de l'énergie libérée — sans voir que le logarithme de l'énergie est la magnitude, et que la loi de Gutenberg-Richter dit précisément que la magnitude, elle, décroît de façon exponentielle et n'a donc pas de queue épaisse. L'outil a parfaitement décrit ce qu'on lui avait donné ; nous nous étions trompés d'objet. Pour le soleil, nous avions demandé les variations relatives d'un compte qui tombe à zéro pendant seize pour cent des jours : passer d'une tache à cinq produit alors une variation aussi violente qu'un krach boursier. Nous aurions pu recalculer le score une fois ces erreurs comprises — nous ne l'avons pas fait, car corriger sa copie après avoir vu la note n'est plus une mesure. Le score publié reste cinq sur sept. Et la leçon vaut mieux que le score : un instrument correct appliqué au mauvais objet rend un verdict faux et parfaitement crédible.

Le vrai butin est venu par surprise. En examinant le soleil, notre contrôle de qualité des données a déclaré la série « compromise » et refusé de l'auditer — quatre cent trente-sept valeurs distinctes seulement sur soixante-douze mille jours, donc, selon lui, une série dupliquée ou constante. Or c'est un comptage : on ne dénombre pas des taches solaires avec des décimales, et deux jours de suite donnent souvent le même chiffre. Nous avons vérifié sur des comptages simulés de ventes et d'incidents quotidiens : refusés eux aussi. Nos seuils avaient été calibrés sur des prix continus, et tout ce qui compte des événements — des ventes, des pannes, des patients, des accidents — se voyait éconduire à la porte. Le remède fut celui que nous avions déjà appris ailleurs : ne jamais comparer une mesure à une constante, mais à ce qu'on attendrait pour ce type de données. Un comptage de moyenne trois répète naturellement la même valeur seize pour cent du temps ; ce n'est une anomalie qu'au-delà. Les comptages honnêtes passent désormais, et la duplication frauduleuse reste détectée — quatre-vingt-neuf pour cent de répétitions là où huit étaient attendues, l'écart saute aux yeux. Ce défaut était hors de portée de nos quatre séances précédentes, non par malchance mais par construction : nos simulations ne comptaient rien.

Un rapport vert ne vaut que ce que vaut l'examen

Il existe une manière de se tromper qui est bien pire que de crier au loup : c'est de délivrer un certificat de bonne santé à quelqu'un qu'on n'a pas examiné. Une fausse alerte agace et coûte une vérification ; un faux apaisement, lui, ferme le dossier. Le patient rentre chez lui rassuré. C'est exactement le risque que court tout outil d'audit automatique, et nous sommes allés le chercher chez nous, en formulant d'avance ce que nous redoutions de trouver. La veille, nous avions établi que chacun de nos détecteurs possède une zone où il est trop peu armé pour repérer l'anomalie qu'il traque. La question devenait donc brutale : dans cette zone, quand le défaut est bel et bien là, que répond l'outil ? S'il répond « rien à signaler », il ment par omission.

Nous nous attendions au pire, et nous l'avions écrit noir sur blanc avant de mesurer : un détecteur sans protection explicite devrait rassurer à tort dans la quasi-totalité des cas. Le résultat nous a contredits. Sept de nos huit détecteurs répondent « je n'ai pas pu regarder » dans cent pour cent des situations où ils sont hors de portée — jamais « tout va bien ». La raison est presque accidentelle : chacun possédait déjà un seuil minimal de données en dessous duquel il refuse de s'exécuter, seuil posé pour d'autres motifs, et qui se trouvait remplir exactement cette fonction de garde-fou. Nous n'avions rien conçu de tel ; nous l'avons découvert en cherchant à nous accuser. Voilà un résultat négatif, et nous le publions au même rang qu'une découverte, parce qu'un soupçon levé par la mesure vaut une trouvaille.

Le coupable existait pourtant, mais pas là où nous le cherchions. Le danger n'est pas dans la zone où l'outil refuse de travailler — il s'y tait. Il est dans la bande étroite où il accepte de travailler sans être fiable, entre le seuil qui l'autorise à parler et la taille à partir de laquelle il voit vraiment. Un seul de nos détecteurs a une bande large : celui qui traque la mémoire de la volatilité, autorisé dès cinq cents observations mais réellement perçant à partir de mille deux cents. Dans cet intervalle, confronté à une turbulence pourtant franche, il rendait un verdict vert une fois sur trois. La tentation était de relever son seuil d'entrée — mais on aurait alors sacrifié les deux tiers de détections parfaitement légitimes qu'il réussit à cinq cents. Nous avons choisi l'autre voie : ne pas interdire le verdict vert, mais l'obliger à dire de quelle force il rassure. Il annonce désormais lui-même qu'à cette taille il ne repère l'anomalie que dans deux tiers des cas.

Reste l'aveu. En vérifiant ces chiffres, nous avons découvert que notre propre banc de mesure testait un de nos détecteurs à une taille où, en usage réel, il refuse de fonctionner — il mesurait donc un comportement qui n'existe pas, et fabriquait un défaut imaginaire. Nous avions déjà commis cette erreur exacte la veille, et corrigé le script où nous l'avions vue. Sans corriger l'autre. Corriger une instance d'un défaut ne corrige pas le défaut — et le prix fut deux lignes fausses dans la carte publiée la veille, que nous rectifions ici. Nous en avons profité pour ajouter ce qui manquait à cette carte : les intervalles de confiance. Nos frontières étaient annoncées comme des nombres exacts alors qu'elles sont des estimations, incertaines de quelques points. Annoncer une mesure sans son incertitude est précisément le reproche que nos détecteurs adressent aux modèles qu'ils auditent.

Quand trop peu de données prouve le plus

Un statisticien prudent se méfie des petits nombres, et il a raison : sur une poignée d'observations, le hasard imite n'importe quoi. Nous avions donc inscrit dans notre détecteur de risques extrêmes une règle qui paraissait de simple bon sens — ne rends pas de verdict sur la fréquence des catastrophes tant que tu n'en attends pas au moins cinq. Elle nous a rendus aveugles, et la manière dont elle l'a fait mérite d'être racontée, parce qu'elle touche à une confusion très répandue sur ce que « peu de données » veut dire.

Voici la situation. On surveille des chocs de très grande amplitude — disons au-delà de trois écarts-types. Sur mille deux cents observations tirées d'une distribution sage, on en attend environ trois. Notre détecteur, lui, en comptait dix-huit. Dix-huit contre trois : la probabilité qu'un tel excès survienne par pur hasard est de l'ordre d'une sur un million. C'est une preuve écrasante. Et le détecteur se taisait — parce que le nombre attendu, trois, n'atteignait pas le seuil de cinq que nous avions fixé. Nous avions confondu deux quantités qui n'ont rien à voir : le nombre d'événements qu'on attend, et le nombre qu'on observe. La règle des cinq protège contre une erreur réelle — conclure à l'absence de risque quand on n'a pas assez regardé. Elle n'a aucun sens dans l'autre sens. Car c'est précisément l'inverse qui est vrai : moins on attend d'événements rares, plus leur surabondance est éloquente. Voir dix-huit chocs quand on en attendait trois est bien plus troublant que d'en voir cent dix quand on en attendait cent.

La correction fut moins un rafistolage qu'une simplification. Le nombre d'événements rares dans un échantillon suit une loi que les statisticiens connaissent depuis 1837, celle de Siméon Denis Poisson — conçue, ironiquement, pour compter des choses rares : les erreurs judiciaires, puis les soldats prussiens tués par une ruade de cheval. Elle permet de calculer exactement la probabilité d'observer dix-huit chocs quand on en attend trois, sans aucun seuil arbitraire, et cela vaut à toutes les tailles d'échantillon. Nous avons remplacé nos trois seuils bricolés par ce test unique. La sensibilité du détecteur est passée de zéro à cent pour cent dès six cents observations — sans une seule fausse alerte supplémentaire. Il n'y avait donc rien à arbitrer : notre règle n'échangeait pas de la prudence contre de la vigilance, elle était simplement mauvaise.

Nous avons gardé un garde-fou, mais retourné dans le bon sens. Quand aucun excès n'est démontré et que l'échantillon est trop court pour qu'on aurait pu en voir un, le détecteur ne déclare pas « tout va bien » : il dit qu'il ne sait pas. C'est la distinction que toute la démarche cherche à tenir — l'absence de preuve n'est pas une preuve d'absence — et elle vaut dans les deux sens : ne pas crier au danger sur du bruit, mais ne pas non plus délivrer un certificat de bonne santé à qui n'a pas été examiné. Au passage, cette mesure nous a donné ce qu'aucun de nos documents ne savait dire jusqu'ici : à partir de combien de données chacun de nos outils sert réellement à quelque chose. Vingt observations par groupe ici, six cents là, mille deux cents pour le plus exigeant. C'est une carte modeste, et c'est la première question que pose quiconque envisage de nous faire confiance.

Le seuil qui condamne les petits

Il y a une injustice discrète au cœur de beaucoup de contrôles automatiques, et nous venons de la commettre trois fois. Elle tient à ceci : un seuil recopié dans un manuel n'est presque jamais valable pour toutes les tailles d'échantillon. Prenez le test de Benford, celui qu'on emploie pour repérer des comptes truqués. Il compare la distribution des premiers chiffres à une courbe théorique, et la littérature recommande de conclure à la conformité en dessous d'un écart moyen de 0,006. Ce chiffre a l'air d'une constante de la nature. Il n'en est pas une. Car même sur des données rigoureusement honnêtes, cet écart ne vaut jamais zéro : il fluctue, et sa taille typique décroît comme l'inverse de la racine du nombre de lignes — précisément 0,2348 divisé par √n, valeur que nous avons calculée puis vérifiée par simulation avec une concordance à la quatrième décimale. Sur cent mille montants, l'écart attendu vaut 0,0007 : le seuil de 0,006 est confortable. Sur cinq cents montants, il vaut 0,0105 — près du double du seuil. Autrement dit : un fichier parfaitement honnête de cinq cents lignes est condamné d'avance. Nous avons mesuré la sanction sur notre propre détecteur : 97 % de fausses accusations. Pour un outil d'audit, c'est la faute la plus grave imaginable — accuser un innocent.

La correction était simple une fois la cause comprise : comparer l'écart non plus à une constante, mais à ce qu'on attendrait par pur hasard pour cette taille de fichier. Les fausses accusations sont tombées de 97 % à 10 %, et le détecteur a gagné au passage une carte de ses capacités réelles : il repère une manipulation de 10 % des montants deux fois sur trois dès cinq cents lignes, systématiquement à partir de deux mille. Mais la vraie leçon est arrivée après. Plutôt que de nous féliciter, nous avons posé la question désagréable : combien de nos autres détecteurs souffrent du même mal ? Notre banc d'essai ne pouvait pas répondre — il éprouve chaque détecteur à une seule taille d'échantillon. Nous l'avons donc balayé sur trois tailles, avec des données saines, en fixant d'avance le seuil de l'accusation. Verdict : sept détecteurs sur neuf sont irréprochables à toute taille. Deux ne l'étaient pas. Notre mesure du risque extrême rendait un verdict sur six cents observations alors qu'on n'y attend qu'un unique dépassement et demi du seuil critique — un garde-fou existait pourtant dans le code, mais une valeur par défaut le contournait silencieusement. Et notre détecteur de calibration découpait les prédictions en vingt paquets fixes : sur cent vingt cas, chaque paquet ne contenait que six exemples, et le bruit qui en résultait dépassait à lui seul le seuil d'alarme. Un modèle parfait était déclaré défaillant 97 fois sur 100.

Trois détecteurs, un seul défaut de forme. Ce n'est pas une série de bugs, c'est un motif — et les motifs, contrairement aux bugs, s'énoncent en règle : un seuil se compare toujours à ce que le hasard produirait à cette taille-là, jamais à un chiffre gravé dans un livre. Les constantes publiées ne mentent pas ; elles omettent simplement de dire qu'elles supposent de grands échantillons. Reste une seconde leçon, plus inconfortable, sur nos propres méthodes de vérification : un banc d'essai à taille unique ne valide un outil qu'à cette taille précise. Ce qui nous manquait n'était pas la puissance de détection, c'était la dépendance à la taille. Un banc ne teste jamais que ce qu'on a pensé à lui faire tester — et nous n'y avions pas pensé.

Le prophète parfaitement calibré qui ne sait rien

Imaginez un météorologue qui, chaque matin, annonce imperturbablement « cinquante pour cent de chances de pluie ». Jamais plus, jamais moins. Sur une région où il pleut effectivement un jour sur deux, ce prophète possède une vertu enviable : il est parfaitement CALIBRÉ. Quand il dit cinquante pour cent, il pleut cinquante pour cent du temps — sa fiabilité est mathématiquement irréprochable, exactement nulle en erreur. Et pourtant, il est rigoureusement inutile : il ne vous dira jamais s'il faut prendre un parapluie AUJOURD'HUI. Notre simulation le chiffre : sa fiabilité vaut zéro exact, mais son pouvoir de discrimination aussi, et sa performance de tri est celle du pur hasard. Voilà la leçon fondatrice de l'évaluation des modèles : « bien calibré » est une condition nécessaire, jamais suffisante. Le mérite d'un prédicteur se décompose en effet en deux vertus totalement distinctes, que le statisticien Allan Murphy a séparées dès 1973. La première est la CALIBRATION : les probabilités annoncées correspondent-elles aux fréquences réelles ? La seconde est la DISCRIMINATION : le modèle sait-il distinguer les cas où l'événement va survenir de ceux où il ne surviendra pas ? Notre prophète a la première sans la seconde. Le cas inverse existe aussi, et il est tout aussi instructif. Nous avons fabriqué un modèle « sur-confiant », qui classe les situations exactement aussi bien que le modèle idéal — il place les bons cas devant les mauvais avec la même acuité — mais dont les probabilités sont déformées, systématiquement trop tranchées : il dit « quatre-vingt-quinze pour cent » là où il faudrait dire « soixante-dix ». Sa capacité de tri, mesurée par l'indicateur classique, est rigoureusement identique à celle du modèle parfait, au dix-millième près. Mais sa calibration est mille neuf cents fois pire. Un audit qui ne regarderait que le tri le sacrerait excellent ; un audit qui ne regarderait que la calibration le déclarerait défaillant. Les deux se tromperaient — chacun d'une moitié de la vérité. Reste l'expérience décisive, celle qui prouve que ces deux vertus sont bel et bien indépendantes. Nous avons « recalibré » le modèle sur-confiant, c'est-à-dire redressé ses probabilités par une transformation apprise sur des données mises de côté. Le résultat est net : son erreur de calibration est divisée par plus de TROIS CENTS, et son score global rejoint presque celui du modèle parfait. Mais sa capacité de discrimination, elle, n'a pas bougé d'un iota. C'est mathématiquement inévitable : redresser des probabilités ne fait que les renuméroter dans le même ordre, et l'ordre est précisément ce qui fait le tri. D'où une asymétrie fondamentale, et une règle d'or pour quiconque achète, déploie ou audite un modèle : la calibration se répare après coup, en quelques lignes de code ; la discrimination, jamais. Aucune transformation ne créera l'information qu'un modèle ne possède pas. Un modèle mal calibré mais bon trieur est une bonne affaire à réparer ; un modèle bien calibré mais mauvais trieur est une coquille vide — et il aura, sur le papier, d'excellents chiffres. À l'heure où tant de systèmes automatiques affichent une « confiance » à côté de leurs réponses, retenez ceci : une confiance bien calibrée ne prouve aucune compétence. Demandez toujours les deux axes — et exigez la comparaison avec le prophète paresseux qui ne dit que la moyenne.

Vos barres d'erreur mentent — et toujours du même côté

Un intervalle de confiance « à 95 % » porte une promesse solennelle : sur cent études, il devrait contenir la vraie valeur dans quatre-vingt-quinze. C'est le langage universel de l'incertitude honnête, ces petites barres d'erreur qui ornent tout graphique sérieux. Mais cette promesse, nous l'avons mise à l'épreuve, et elle se révèle fragile. Sur des données gaussiennes, bien symétriques et assez nombreuses, tout va bien : notre simulation confirme une couverture de quatre-vingt-quinze pour cent, et les rares ratés se répartissent équitablement de part et d'autre. La promesse est tenue. Mais le monde réel produit rarement des données si sages. Beaucoup de grandeurs sont ASYMÉTRIQUES — les revenus, les durées, les tailles de sinistres, les temps d'attente — avec une longue traîne vers les grandes valeurs. Prenez une telle distribution, tirez-en seulement vingt observations, et calculez l'intervalle « à 95 % » comme le fait tout logiciel : la couverture réelle tombe à quatre-vingt-sept pour cent pour une asymétrie modérée, et à quatre-vingt-trois pour une queue lourde. Une fois sur six, l'intervalle rate la vérité qu'il jurait capturer dix-neuf fois sur vingt. C'est de la surconfiance pure : les barres d'erreur sont tout simplement trop courtes. Mais le plus troublant n'est pas là. Nous avons regardé DE QUEL CÔTÉ l'intervalle se trompe, et le verdict est sidérant : quand il rate, c'est presque toujours parce que la vérité est AU-DESSUS de lui — un déséquilibre de quatre-vingt-dix-sept contre un. L'intervalle n'est pas seulement trop court, il est systématiquement trop BAS. La raison est subtile et belle. Dans une distribution asymétrique à droite, la moyenne est tirée vers le haut par de rares valeurs géantes. Or, dans un petit échantillon, ces géantes sont le plus souvent absentes — on n'a pas eu de chance de les tirer. Du coup, la moyenne de l'échantillon sous-estime presque toujours la vraie moyenne, et l'intervalle, centré sur cette sous-estimation, gît sous la cible. On croit encadrer la vérité ; on encadre en fait une ombre trop basse. Et le bootstrap, cette technique de rééchantillonnage qu'on brandit comme une panacée contre les distributions récalcitrantes ? Il n'y change rien à petit échantillon : il hérite du même biais, car il ne peut inventer les valeurs géantes qui manquent aux données. La leçon, pour quiconque affiche ou lit des barres d'erreur, est un garde-fou essentiel. Une couverture « à 95 % » n'est pas une garantie ; c'est une hypothèse, valable pour des données symétriques et abondantes, et fausse — parfois grossièrement — pour des données asymétriques et rares. Avant de faire confiance à un intervalle, il faut se demander : la distribution est-elle biaisée ? L'échantillon est-il petit ? Si oui, la vraie couverture doit être VÉRIFIÉE, pas supposée — et l'on préférera des intervalles asymétriques, ajustés à la forme des données. Car une barre d'erreur trop confiante est pire qu'inutile : elle donne l'illusion de la rigueur là où règne l'incertitude.

Comment l'ordre thermique naît du chaos — et efface toute trace du passé

Voici l'un des plus profonds mystères de la physique, rendu presque tangible par une petite simulation. Dans n'importe quel gaz à l'équilibre, les vitesses des molécules suivent une courbe précise, la distribution de Maxwell-Boltzmann — une cloche pour chaque composante de la vitesse. D'où vient cette forme universelle ? Pour le voir naître, nous avons pris le cas le plus hostile qui soit : un gaz où TOUTES les particules ont exactement la même vitesse, un pic unique, l'exact opposé d'une cloche. Puis nous les avons laissées se heurter — des collisions élastiques ordinaires, qui conservent l'énergie et la quantité de mouvement, en rediffusant simplement les directions au hasard. Le résultat est saisissant : au bout de quelques dizaines de collisions par particule, la distribution des vitesses est devenue une gaussienne parfaite, indiscernable de la loi de Maxwell-Boltzmann. Personne n'a imposé cette forme ; elle a ÉMERGÉ, spontanément, du seul jeu des chocs. C'est l'auto-organisation du hasard thermique — et l'énergie totale, elle, n'a pas bougé d'un iota, conservée à la seizième décimale. Mais le plus beau reste l'épreuve de l'oubli. Nous avons lancé trois gaz aux histoires radicalement différentes : l'un où toutes les particules filent à la même allure, un autre partagé entre deux vitesses opposées, un troisième aux vitesses tirées au hasard. Trois passés incompatibles — mais une seule et même énergie. Vers quoi convergent-ils ? Vers exactement la même distribution, au millième près. L'équilibre final ne garde AUCUNE trace de la manière dont on est parti : il ne dépend que de l'énergie totale. Le gaz a oublié son histoire. C'est le fameux théorème H de Boltzmann, l'entropie qui monte inexorablement vers son maximum, et notre simulation en filme la montée : la distance à la gaussienne décroît, collision après collision, jusqu'à s'annuler. La portée de cet oubli dépasse de loin les gaz, et touche à une limite fondamentale de toute enquête sur le passé. Un état d'équilibre, un régime stationnaire, est l'empreinte de la DYNAMIQUE et de quelques grandeurs conservées — jamais des conditions initiales. Cela veut dire qu'on ne peut PAS, en général, remonter à l'origine d'un système en observant son état stabilisé : puisque des départs multiples mènent au même équilibre, l'inférence à rebours est fondamentalement impossible — on dit qu'elle n'est pas identifiable. Toute « reconstruction du passé » bâtie sur un état stationnaire est suspecte. Et symétriquement : voir émerger une distribution universelle — une gaussienne, une exponentielle — ne révèle pas le mécanisme particulier qui l'a produite ; elle signale seulement qu'un grand nombre d'interactions ont brassé le système sous une contrainte conservée. La forme dit « il y a eu mélange », pas « voici ce qui s'est passé ». En physique comme en données, l'équilibre est un magnifique effaceur de mémoire.

Votre n n'est pas votre n : quand deux cents mesures n'en valent que treize

Combien de données faut-il pour tirer une conclusion fiable ? La question paraît naïve — on compte, et voilà. Mais elle cache l'un des pièges les plus répandus et les plus dévastateurs de l'analyse appliquée. Toute la statistique classique repose sur une hypothèse tacite : que les observations sont INDÉPENDANTES, chacune apportant une information nouvelle. Or, dans le monde réel, les données se ressemblent souvent d'un instant à l'autre : la température d'aujourd'hui prédit celle de demain, l'humeur d'un patient lundi ressemble à son humeur mardi, les clics d'un même utilisateur se répètent. Ces données sont AUTOCORRÉLÉES, et alors le compte naïf ment. Notre simulation le montre sans appel. Nous avons pris des séries temporelles où chaque valeur est corrélée à la précédente, avec une moyenne vraie de zéro — donc aucun effet réel à trouver —, et appliqué le test statistique le plus courant, censé se tromper cinq fois sur cent. Sur des données indépendantes, il se comporte parfaitement : 4,9 % de fausses alertes. Mais dès que la corrélation apparaît, tout dérape : à corrélation modérée, le test « à 5 % » crie « effet significatif ! » 27 % du temps ; à forte corrélation, 67 % — deux fois sur trois, il découvre un effet qui n'existe pas. Le test n'est pas défaillant ; c'est qu'on l'a nourri d'un mensonge sur la quantité d'information disponible. La raison est quantifiable au pourcent près. Quand les données sont corrélées, la variance réelle de leur moyenne est gonflée d'un facteur précis, et l'on peut calculer combien de données INDÉPENDANTES elles valent vraiment — leur « taille effective ». Le verdict est vertigineux : deux cents observations fortement corrélées ne portent pas plus d'information que TREIZE observations indépendantes. On croyait avoir deux cents témoins ; on n'en a que treize qui parlent d'une voix distincte. Et le remède existe : en corrigeant le test par cette taille effective, le taux de fausses alertes retombe de 67 % à un chiffre honnête. La leçon, pour quiconque analyse des données du monde réel, est un garde-fou essentiel. Le nombre brut d'observations n'est pas la quantité d'information : il faut d'abord se demander si les données sont corrélées — dans le temps, dans l'espace, par groupes, par individus répétés — et, si oui, mesurer leur taille EFFECTIVE. Un « résultat significatif » obtenu en traitant des données corrélées comme indépendantes n'est, le plus souvent, qu'un mirage fabriqué par des barres d'erreur trop optimistes. En finance, en clinique, en test A/B, en géostatistique, en apprentissage automatique — partout où les données se répètent ou se suivent —, la première question n'est pas « combien de points ai-je ? », mais « combien en ai-je vraiment d'indépendants ? ».

L'ivrogne rentre toujours chez lui — sauf en trois dimensions

Voici une vérité mathématique aussi poétique que profonde, résumée par le mathématicien Shizuo Kakutani : « un ivrogne finit toujours par rentrer chez lui, mais un oiseau ivre peut se perdre à jamais. » Derrière la formule se cache le théorème de Pólya, l'un des plus élégants du calcul des probabilités, et notre simulation vient d'en vérifier chaque chiffre en aveugle. Imaginez un marcheur qui, à chaque pas, choisit une direction au hasard. Reviendra-t-il un jour à son point de départ ? Sur une ligne — l'ivrogne titubant le long d'un trottoir —, la réponse est oui, avec une certitude absolue : notre simulation montre que quasiment tous les marcheurs sont revenus après cent mille pas, et la proportion grimpe inexorablement vers cent pour cent. Dans un plan — l'ivrogne sur une grande place —, c'est encore oui, avec certitude, mais le retour se fait attendre bien plus longtemps : la convergence est si lente qu'à cent mille pas, seuls trois marcheurs sur quatre sont rentrés — mais la courbe monte toujours, sans plafonner, signe qu'ils reviendront tous. Puis vient la rupture, à trois dimensions — l'oiseau ivre dans le ciel. Là, tout change. La proportion de marcheurs revenus cesse de grimper : elle se fige, dès dix mille pas, à trente-quatre pour cent. Un tiers seulement de ces marcheurs tridimensionnels repasse un jour par son point de départ ; les deux autres tiers s'éloignent pour toujours, perdus dans l'immensité. Notre mesure — 0,336 — tombe pile sur la constante que Pólya a calculée il y a un siècle : 0,3405. Et la fuite s'aggrave avec chaque dimension ajoutée : en quatre dimensions, la probabilité de retour tombe à dix-neuf pour cent ; en cinq, à quatorze. Plus il y a de directions où aller, plus il est facile de ne jamais revenir. La récurrence — cette garantie de retour — n'est donc PAS une propriété universelle du hasard : elle dépend crucialement du nombre de dimensions, c'est-à-dire du nombre de directions de fuite disponibles. C'est le pendant dynamique d'une autre découverte de ce carnet, la malédiction de la dimension : en grande dimension, l'espace est si vaste qu'on n'y retombe jamais deux fois au même endroit. La portée dépasse de loin les ivrognes et les oiseaux. Tout processus qui explore au hasard — un algorithme d'échantillonnage qui parcourt un espace de solutions, une particule qui diffuse, un marché qui erre — hérite de cette loi : en basse dimension il revisite et finit par tout couvrir, en haute dimension il s'échappe et laisse des régions entières inexplorées, à jamais. La question « ce processus reviendra-t-il à son point de départ, à son équilibre ? » n'a pas de réponse universelle. Elle dépend, littéralement, du nombre de chemins qu'a le hasard pour se perdre.

Vingt-trois personnes, et le hasard n'a plus rien d'étonnant

Voici l'un des faits les plus contre-intuitifs de tout le calcul des probabilités, et l'un des plus utiles à qui veut se garder des faux mystères. Combien de personnes faut-il réunir dans une pièce pour qu'il soit plus probable qu'improbable que deux d'entre elles partagent la même date d'anniversaire ? L'intuition, presque unanime, répond « beaucoup » — la moitié de trois cent soixante-cinq, disons, soit près de deux cents. La réponse est vingt-trois. Notre simulation la retrouve à l'unité près. Vingt-trois personnes suffisent, parce que ce qui compte n'est pas le nombre de personnes, mais le nombre de PAIRES de personnes : à vingt-trois, il y a déjà deux cent cinquante-trois paires susceptibles de coïncider, et cela suffit à rendre la rencontre probable. La leçon, une fois généralisée, est saisissante. S'il existe d possibilités — trois cent soixante-cinq jours, un million d'identifiants, un milliard d'empreintes —, une première coïncidence devient probable non pas au bout de d essais, comme on le croirait, mais au bout de la RACINE CARRÉE de d. Nous avons vérifié cette loi sur cinq échelles, du calendrier au million : le seuil grimpe comme √d avec une régularité d'horloge, sa pente mesurée à un demi près sur trois ordres et demi de grandeur. Et voici la mesure qui recalibre définitivement l'intuition : dès qu'on réunit à peine √d éléments, le nombre attendu de coïncidences est déjà d'environ une demie — autrement dit, une coïncidence est, en moyenne, sur le point de se produire. Ce n'est pas sa présence qui devrait nous étonner, mais son absence. La portée de ce petit paradoxe déborde de très loin les gâteaux d'anniversaire, et touche au cœur de la vigilance statistique. Combien de fois entend-on « c'est impossible que ce soit le hasard ! » devant deux dossiers étrangement semblables, deux mots de passe identiques, deux profils génétiques concordants, deux séries de chiffres qui riment ? Le paradoxe des anniversaires enseigne la prudence : dans un ensemble de n éléments tirés parmi d possibilités, une correspondance est banale dès que n atteint la racine de d — un seuil bien plus bas qu'on ne l'imagine. Avant de bâtir une théorie sur une coïncidence, il faut toujours faire le calcul froid du nombre de coïncidences ATTENDUES par pur hasard, qui croît comme le carré du nombre d'éléments divisé par le nombre de possibilités. Cette même loi a un versant technique redoutable : pour qu'un système d'empreintes, d'identifiants ou de clés cryptographiques évite les collisions parmi n objets, il ne suffit pas d'avoir n valeurs possibles, ni même dix fois n — il en faut de l'ordre de n au carré. C'est l'« attaque des anniversaires » qui hante les concepteurs de fonctions de hachage : une empreinte se casse en racine de sa taille, pas en sa taille. Le hasard, en somme, fabrique des coïncidences bien plus vite que notre intuition ne l'admet ; les reconnaître pour ce qu'elles sont — attendues, non miraculeuses — est le début de la lucidité.

Le superspreading, ou pourquoi deux épidémies « identiques » ont des destins opposés

On résume souvent une épidémie à un seul nombre, le fameux R — le nombre moyen de personnes qu'un malade contamine. R vaut deux ? L'épidémie double à chaque cycle, l'affaire semble entendue. C'est une illusion, et l'une des plus lourdes de conséquences. Car deux épidémies au même R moyen peuvent avoir des destins radicalement différents, selon la façon dont ces contaminations se RÉPARTISSENT entre les malades. Notre simulation compare deux mondes de même R égal à deux. Dans le premier, la contagion est régulière : chacun infecte à peu près deux personnes. Dans le second, elle est concentrée, « surdispersée », comme on l'a observé pour le SARS : quelques rares « superspreaders » infectent des dizaines de personnes, tandis que l'immense majorité n'en infecte aucune. Les chiffres qui en sortent renversent l'intuition. Dans le monde concentré, les vingt pour cent de malades les plus contagieux causent à eux seuls quatre-vingt-onze pour cent de toutes les transmissions — la fameuse « règle des 20/80 » poussée à l'extrême. Et pourtant — voici le paradoxe — cette épidémie-là a bien plus de chances de s'ÉTEINDRE toute seule : dans notre calcul, quatre-vingt-quatre pour cent des foyers meurent d'eux-mêmes, contre vingt pour cent dans le monde régulier. La raison est limpide : quand la contagion dépend de rares individus, il suffit que les tout premiers cas ne tombent pas sur un superspreader — et les deux tiers d'entre eux n'infectent personne — pour que la chaîne casse. Le même R moyen recouvre donc deux réalités opposées : « s'éteint presque toujours, mais explose quand ça prend » d'un côté, « se propage régulièrement » de l'autre. La moyenne, à elle seule, est muette sur le risque d'emballement ; c'est la dispersion qui parle. Et de cette dispersion découle une leçon d'action décisive. Dans le monde concentré, neutraliser seulement les dix pour cent de malades les plus contagieux retire soixante et onze pour cent de toute la transmission — trois fois plus efficace que dans le monde régulier, où aucun individu n'est déterminant et où il faut agir sur tous. Cibler les superspreaders, les événements de super-propagation, y devient la stratégie reine. La portée déborde l'épidémiologie et touche tout domaine où une minorité fait la majorité : une poignée d'incidents cause l'essentiel des pertes de cybersécurité, une fraction des défauts explique le gros des rebuts, quelques clients ou quelques produits concentrent le risque ou le chiffre. Partout, la même règle : quand l'impact est concentré, la moyenne trompe. Ne jugez pas un risque à sa moyenne — mesurez sa concentration, car c'est elle qui décide s'il s'éteint, s'il explose, et où il faut frapper.

Robuste au hasard, fragile à l'attaque — mais pas pour la raison qu'on croit

Un réseau — de routes, de serveurs, de gens, de fournisseurs — est-il solide ? La question, telle quelle, n'a pas de réponse : tout dépend de la MANIÈRE dont il défaille. Sur cinq réseaux de collaboration scientifique réels, j'ai simulé deux scénarios. Dans le premier, on retire des nœuds AU HASARD, comme le feraient des pannes fortuites ; dans le second, on vise délibérément les nœuds les plus connectés, les « hubs », comme le ferait un attaquant. Le contraste, prédit par les physiciens Albert, Jeong et Barabási en 2000, se confirme dans les cinq cas : le hasard est presque inoffensif — retirer la moitié des nœuds au petit bonheur laisse la structure principale largement connectée —, tandis que l'attaque ciblée fait bien plus de dégâts. La raison est intuitive : les pannes aléatoires frappent surtout la foule des petits nœuds périphériques, sans importance ; l'attaque, elle, décapite les carrefours. Jusque-là, le manuel. Mais mon étude réservait une surprise qui corrige une idée reçue tenace. On répète souvent que les réseaux « sans échelle » — ceux dominés par quelques hubs géants — sont, à cause de ces hubs, les plus fragiles face à une attaque ciblée. J'avais parié dans ce sens. Les données disent le contraire : le réseau le plus inégalitaire de mon échantillon, celui dont les degrés sont les plus dispersés, est justement celui qui RÉSISTE LE MIEUX au ciblage, tandis que le plus vulnérable a une distribution de degrés banale. La corrélation entre « avoir des hubs marqués » et « être fragile » est carrément négative. Que se passe-t-il ? Le vrai facteur n'est pas la présence de hubs, mais la REDONDANCE. Dans un réseau dense, tissé de multiples chemins alternatifs, retirer un hub ne coupe presque rien : le trafic se réachemine. Dans un réseau clairsemé, où les hubs sont les uniques ponts entre des régions autrement isolées, les ôter fait tout s'effondrer. Deux réseaux également « à hubs » peuvent donc avoir des résiliences opposées, selon qu'ils offrent ou non des détours. La leçon pour quiconque conçoit ou audite un système critique — réseau électrique, chaîne d'approvisionnement, architecture informatique, organisation — tient en deux principes. Premièrement, la robustesse n'est jamais un nombre unique : il faut la tester séparément contre les pannes aléatoires ET contre les attaques ciblées, car un système peut briller à l'une et s'effondrer à l'autre. Deuxièmement, ne jugez pas la fragilité à la seule présence de points centraux : mesurez la REDONDANCE autour d'eux. Un carrefour n'est un talon d'Achille que s'il n'existe aucune route de contournement. La sécurité ne se lit pas sur la carte des importances, mais sur celle des alternatives.

Pourquoi le talent et la beauté semblent s'exclure — alors qu'ils n'ont aucun lien

Vous avez peut-être remarqué que, parmi les célébrités, les plus belles semblent souvent les moins talentueuses, et inversement — comme si la nature imposait un cruel arbitrage. C'est une illusion, et l'une des plus instructives qui soient. Supposons que le talent et la beauté soient, dans la population générale, parfaitement INDÉPENDANTS : aucun lien, ni positif ni négatif. Notre simulation le confirme, corrélation nulle. Mais on ne devient pas célèbre au hasard : on le devient par un talent exceptionnel OU une beauté exceptionnelle, ou les deux. Ne regardons donc que les célèbres — ceux dont la SOMME talent-plus-beauté est élevée. Dans ce sous-groupe, une corrélation NÉGATIVE apparaît soudain, de l'ordre de moins un demi. Pourquoi ? Parce que, pour être célèbre malgré un talent médiocre, il faut une beauté hors norme, et réciproquement : les deux ne peuvent être faibles à la fois chez une célébrité. La sélection a soudé deux variables qui n'avaient rien à voir. C'est le paradoxe de Berkson, du nom du statisticien qui remarqua, en 1946, que deux maladies indépendantes paraissent s'exclure chez les patients hospitalisés — car on est admis dès qu'on a l'une OU l'autre. Notre étude fabrique cette corrélation-fantôme à la demande : moins un demi en ne gardant que la moitié supérieure, jusqu'à moins zéro virgule huit pour le centile le plus sélectif. Plus le filtre est exigeant — les stars, les surdoués admis, les survivants extrêmes —, plus l'illusion est forte. Et voici le plus perfide : cette corrélation fabriquée est parfaitement STABLE. Refaites l'expérience sur cinq échantillons différents, elle revient identique, à un centième près. Elle a toutes les apparences d'un fait solide, réplicable, publiable — et c'est un pur artefact de tri. Mais la leçon la plus profonde, celle qui touche au cœur de tout raisonnement causal, est ailleurs. En analyse de données, on « contrôle » couramment des variables pour éliminer les biais — on ajuste, on conditionne. Notre simulation montre que ce geste, salvateur dans un cas, est destructeur dans l'autre, et que RIEN dans les chiffres ne permet de les distinguer. Si la variable qu'on contrôle est une cause commune — un facteur qui influence à la fois X et Y —, la contrôler EFFACE une corrélation trompeuse : c'est le bon réflexe. Mais si c'est un EFFET commun — une conséquence de X et de Y, comme la célébrité l'est du talent et de la beauté —, la contrôler FABRIQUE une corrélation fausse. Même opération, résultats opposés, selon le seul rôle causal de la variable. D'où l'avertissement, contre-intuitif pour beaucoup : « contrôler pour toutes les variables disponibles », cette prudence apparente de la régression fourre-tout, peut INTRODUIRE des biais au lieu de les retirer. On ne peut pas décider quoi contrôler en fixant les données ; il faut d'abord se demander qui cause quoi. La statistique seule est aveugle aux causes — et cet aveuglement, quand on trie ou qu'on ajuste sans le savoir, fabrique des vérités qui n'existent pas.

Comment un jeu gagnant peut vous ruiner à coup sûr

Voici un jeu dont rêverait tout parieur : à chaque coup, vous pariez une part de votre fortune ; six fois sur dix vous la doublez, quatre fois sur dix vous la perdez. L'espérance est franchement positive — en moyenne, chaque euro misé en rapporte plus. La tentation est claire : puisque le jeu est favorable, misons gros. C'est une erreur qui peut tout détruire, et notre simulation la met à nu. La question n'est pas SI parier, mais COMBIEN. Le mathématicien John Kelly a donné, en 1956, la réponse qui maximise la croissance de la fortune à long terme : ici, miser exactement un cinquième de son capital à chaque coup. Notre calcul le confirme au centième près : la courbe du taux de croissance en fonction de la mise dessine une cloche dont le sommet tombe pile sur la fraction de Kelly. Miser moins fait croître plus lentement ; miser plus aussi. Mais l'asymétrie est terrible. Doublez la mise optimale — deux cinquièmes au lieu d'un — et la croissance retombe à ZÉRO : vous avez pris deux fois plus de risque pour ne rien gagner de plus. Poussez à trois cinquièmes, et le taux de croissance devient NÉGATIF : votre fortune, dans notre simulation, fond jusqu'à un milliardième de milliardième de milliardième de sa valeur, et cent pour cent des joueurs sont ruinés. Un jeu parfaitement gagnant vous ruine avec certitude — pour la seule faute d'avoir misé trop. Et voici le piège dans le piège, celui qui trompe même les experts. À ces mises excessives, si l'on calcule la fortune MOYENNE sur des milliers de joueurs, elle peut paraître exploser — des dizaines de millions de fois la mise de départ. « La moyenne monte, donc c'est bon », se dit-on. Faux : cette moyenne mirifique est portée par une infime poignée de joueurs miraculeusement chanceux, tandis que quatre-vingt-dix-huit pour cent des autres ont tout perdu. La moyenne ne décrit la vie de personne. C'est la distinction que le physicien Ole Peters a remise au centre du jeu : la moyenne d'un ENSEMBLE de joueurs à un instant donné n'est pas ce que vit UN joueur dans le TEMPS. Pour un processus où l'on réinvestit sans cesse son capital, c'est la croissance temporelle — géométrique — qui compte, et elle peut être négative quand la moyenne, elle, grimpe. La leçon déborde de très loin les casinos. Tout investisseur, tout trader, tout dirigeant qui alloue du capital de manière répétée joue à ce jeu. La règle d'or tient en deux principes. D'abord : dimensionnez vos paris par la croissance qu'ils engendrent, jamais par leur seule espérance — un pari à espérance positive, surdimensionné, ruine. Ensuite, par prudence, misez EN DESSOUS de l'optimum de Kelly, car l'erreur de sur-mise se paie infiniment plus cher que celle de sous-mise. Le levier est un poison à dose lente : il flatte l'espérance et tue la médiane.

Pourquoi votre bus, votre classe et vos amis sont toujours plus grands que la moyenne

Voici un petit paradoxe qui se cache dans mille recoins de la vie quotidienne, et que presque personne ne soupçonne. Prenez les bus : supposons qu'ils passent, en moyenne, toutes les dix minutes. Vous arrivez à l'arrêt à un instant quelconque, sans consulter l'horaire. Combien de temps attendrez-vous ? « Cinq minutes, la moitié de l'intervalle », répond l'intuition. Faux — à moins que les bus ne soient d'une régularité d'horloger. Si leurs passages sont irréguliers, vous attendrez davantage, et pour une raison limpide : en arrivant au hasard, vous avez plus de chances de tomber dans un LONG intervalle que dans un court — un long trou occupe simplement plus de temps, donc attrape plus d'arrivées. Notre simulation le chiffre : pour des bus dont les passages suivent le hasard le plus pur (une loi de Poisson), vous attendez en moyenne non pas cinq minutes, mais DIX — l'intervalle entier. Ce n'est pas de la malchance, c'est de la géométrie. Le même mécanisme sournois se retrouve partout où l'on échantillonne par « rencontre » plutôt que par « unité ». Les tailles de classe : un principal qui compte ses classes en trouvera trente élèves en moyenne ; mais interrogez les élèves eux-mêmes, et l'élève moyen se retrouvera dans une classe de trente-sept — car il y a, par construction, plus d'élèves dans les grandes classes. Les deux ont raison, et pourtant leurs chiffres diffèrent d'un tiers. Le célèbre paradoxe de l'amitié — « en moyenne, vos amis ont plus d'amis que vous » — est encore la même chose : les gens très connectés apparaissent dans beaucoup de listes d'amis, donc on les « rencontre » plus souvent. Notre étude établit que ces trois phénomènes, et d'innombrables autres, obéissent à une SEULE loi, d'une simplicité remarquable : la moyenne « rencontrée » dépasse la moyenne « des unités » d'un facteur exactement égal à un plus le carré du coefficient de variation — un plus CV². Nous l'avons vérifié à travers cinq distributions très différentes : quand tout est régulier (CV nul), pas de biais ; quand les intervalles suivent le hasard poissonien (CV égal à un), le facteur est deux ; quand les tailles sont très dispersées (CV égal à trois), la moyenne rencontrée est DIX fois la moyenne réelle. Plus la variabilité est grande, plus l'illusion enfle. La leçon, pour quiconque mesure ou sonde, est d'une portée insoupçonnée. La moyenne que l'on VIT n'est pas la moyenne que l'on CALCULE. Une enquête qui interroge des sessions, des séjours, des appels ou des personnes AU FIL DE LEUR RENCONTRE — plutôt que la liste complète des unités — surestime systématiquement, et d'autant plus que les tailles varient. La « durée moyenne de session » mesurée en attrapant des utilisateurs à un instant donné, le « temps d'attente moyen » ressenti par les usagers, la « taille moyenne d'un groupe » telle que la vivent ses membres : tous sont gonflés du facteur un plus CV², souvent silencieusement. Le remède est connu : savoir si l'on échantillonne par unité ou par taille, et corriger — en pondérant par l'inverse de la taille, ou en divisant par un plus CV². Le monde, vu du dedans, paraît toujours plus grand qu'il n'est ; encore faut-il savoir de combien.

La loi d'Okun, la fréquence qui trompe, et le choc à vingt-cinq sigmas

Il existe en économie une régularité aussi simple qu'utile, énoncée par Arthur Okun en 1962 : quand la production croît vite, le chômage recule ; quand elle stagne, il monte. J'ai voulu la mesurer sur soixante-dix ans de données américaines réelles — produit intérieur brut et taux de chômage depuis 1948 —, et le lien est là, écrasant : la probabilité qu'il soit dû au hasard est de l'ordre de un sur mille milliards de milliards. Mieux : en analysant les données à l'échelle annuelle, on retrouve, à la décimale près, le coefficient qu'enseignent les manuels — une baisse d'environ un tiers de point de chômage par point de croissance — et le fameux seuil de croissance qui laisse le chômage stable, autour de trois pour cent, qui n'est autre que le rythme « potentiel » de l'économie. Redécouverte propre d'une loi robuste. Mais l'étude m'a réservé trois leçons, dont la première fut une gifle que je me suis administrée moi-même. J'avais, dans mon protocole scellé d'avance, inscrit la valeur attendue du coefficient — celle des manuels. Or, en mesurant les variations trimestre par trimestre au lieu d'année par année, j'ai obtenu un coefficient quatre fois plus petit, et j'ai cru un instant m'être trompé. Il n'en était rien : un coefficient dépend de la FRÉQUENCE à laquelle on mesure, et l'annualiser réconciliait tout. C'est très exactement l'erreur que ce carnet pourchasse ailleurs — transporter une valeur d'un cadre à un autre sans l'adapter —, et je l'avais commise contre moi-même. La leçon vaut d'être retenue : un chiffre n'a de sens qu'avec son unité et son rythme ; ne jamais importer un coefficient d'une fréquence à une autre. Deuxième leçon : la loi d'Okun est d'une stabilité remarquable dans sa PENTE — elle a à peine bougé en soixante-dix ans —, mais la PRÉCISION du lien, elle, s'est relâchée depuis les années 1980, à l'ère des « reprises sans emploi ». Une loi peut garder sa forme tout en perdant de sa netteté : ce sont deux qualités distinctes, qu'il faut auditer séparément. Troisième et dernière leçon, la plus spectaculaire : le deuxième trimestre 2020, celui du confinement, où le PIB s'est effondré de près de trente pour cent en rythme annuel et le chômage a bondi de plus de neuf points, tombe à VINGT-CINQ écarts-types de ce que la loi prédisait. Vingt-cinq sigmas — un événement que le modèle jugeait rigoureusement impossible. Une relation économique parmi les plus robustes qui soient s'est brisée net dans le choc extrême. La morale, pour quiconque s'appuie sur une régularité pour prévoir ou décider, tient en trois gestes : déclarez toujours la fréquence et l'unité de vos coefficients, et ne les transposez jamais à l'aveugle ; distinguez la stabilité de la forme d'une loi de la précision de son ajustement ; et souvenez-vous qu'une loi éprouvée peut cesser de valoir précisément dans les moments extrêmes où l'on aurait le plus besoin d'elle. Les lois de l'économie sont fiables — jusqu'à la frontière, qu'il faut savoir tracer.

La malédiction du vainqueur, ou pourquoi un résultat « significatif » ment sur sa taille

On tient le « statistiquement significatif » — ce fameux p inférieur à 0,05 — pour un gage de sérieux. Il l'est, en un sens très limité : il rend improbable que l'effet soit nul. Mais sur la TAILLE de l'effet, il ment, et souvent grossièrement. Voici pourquoi. Imaginez un effet réel, mais modeste, mesuré par une petite étude, donc bruitée. L'estimation obtenue danse autour de la vraie valeur, tantôt au-dessus, tantôt au-dessous. Pour qu'elle franchisse le seuil de significativité, il faut qu'elle tombe assez loin de zéro — c'est-à-dire, le plus souvent, qu'elle SURESTIME l'effet. Ne garder que les résultats significatifs, c'est donc ne garder que les tirages chanceux, les plus exagérés. Notre simulation chiffre ce « winner's curse » — la malédiction du vainqueur — et le résultat glace : dans une étude dont la puissance n'est que de six pour cent (un cas hélas banal en sciences du vivant ou en sciences sociales), l'effet « significatif » moyen vaut SIX FOIS ET DEMIE l'effet réel. À mesure que la puissance monte, l'exagération reflue — un facteur deux et demi à dix-sept pour cent de puissance, à peine douze pour cent d'exagération à quatre-vingts pour cent. Cruel paradoxe : plus une étude est petite et faible, plus ses résultats significatifs paraissent spectaculaires — et plus ils sont faux. Les gros effets tirés de petits échantillons sont les plus trompeurs de tous. Il y a pire que l'exagération. À très faible puissance, une part des découvertes significatives se trompe carrément de SENS : à six pour cent de puissance, quinze pour cent des résultats significatifs pointent dans la direction OPPOSÉE à la vérité. Un p minuscule ne garantit alors même pas de quel côté penche l'effet. Reste l'épreuve qui devrait clore tout débat : la réplication. Refaisons chaque étude « victorieuse ». Deux verdicts tombent, implacables. D'abord les effets fondent : la réplication ne retrouve, à faible puissance, qu'un tiers de la magnitude claironnée — la merveille s'évapore sous nos yeux. Ensuite, et c'est la clé de toute la crise de reproductibilité qui secoue la science depuis quinze ans, le taux de réplication n'est rien d'autre que la puissance des études : à huit pour cent de puissance, sept découvertes sur cent se répliquent ; à quatre-vingts pour cent, quatre-vingts. Il n'y a là aucun mystère, seulement de l'arithmétique : une littérature bâtie sur des études sous-puissantes filtrées par la significativité PRODUIT mécaniquement des effets gonflés qui ne se répliquent pas. La leçon, pour quiconque lit, finance ou décide sur la foi d'un résultat « significatif », tient en quelques garde-fous. Ne jamais lire un p sans sa puissance ni son intervalle. Corriger d'instinct à la baisse tout gros effet issu d'un petit échantillon. Se souvenir que la vraie preuve n'est pas la significativité, mais la réplication — et que le taux auquel un corpus se répliquera est prévisible d'avance, à condition d'oser regarder sa puissance en face.

L'égalité qui ne casse jamais — et ce qui, à sa place, sonne l'alarme

Il existe en théorie des files d'attente une relation d'une élégance rare, la loi de Little : le nombre moyen de « clients » présents dans un système — des gens dans une file, des dossiers en cours, des tickets ouverts, des marchandises en stock — est égal au débit d'arrivée multiplié par le temps moyen que chacun y passe. Trois lettres, L = λW, qui relient l'en-cours, le flux et le délai. Sa beauté est qu'elle ne demande rien : ni loi d'arrivée particulière, ni régularité du service, ni ordre de passage. Notre simulation d'un guichet le confirme au dix-millième près. Plus frappant encore, elle illustre pourquoi la relation est si utile : à charge identique, le nombre moyen de clients présents varie du simple au triple selon que le service est régulier comme une horloge ou capricieux — l'attente enfle avec l'irrégularité, un fait connu des ingénieurs. Et pourtant, dans tous les cas, L reste exactement égal à λW. On peut donc déduire l'une des trois grandeurs des deux autres — le délai moyen, par exemple, comme le rapport de l'en-cours au débit — sans jamais chronométrer un seul client. C'est un outil de mesure gratuit. Là où l'histoire devient instructive, c'est que je me suis trompé, et que l'erreur enseigne plus que n'aurait fait un succès. J'avais pré-enregistré l'idée séduisante que cette égalité se briserait dans un système saturé — un guichet débordé, où la file s'allonge sans fin — et que cette rupture servirait de signal d'alarme, un détecteur commode de système hors de contrôle. C'était faux. Même dans la file qui explose, L = λW tient toujours, imperturbable. La raison m'avait échappé : la loi de Little n'est pas seulement un théorème valable « à l'équilibre », c'est une identité comptable — l'aire sous la courbe du nombre de présents est, par pure logique, la somme des temps de séjour, toujours, en régime permanent comme dans le chaos. On ne peut donc pas repérer un système malade en vérifiant cette égalité : elle survit à tout. Alors qu'est-ce qui, à sa place, trahit le déséquilibre ? La non-convergence. Dans le système sain, le nombre moyen de clients se fige vite sur sa valeur d'équilibre et n'en bouge plus. Dans le système saturé, il ne se stabilise jamais : il double chaque fois qu'on double la durée d'observation — deux mille cinq cents, puis cinq mille, puis près de dix mille —, il fuit vers l'infini. Voilà le vrai signal d'alarme, et la vraie leçon pour quiconque pilote un système par ses moyennes : une égalité comptable, aussi jolie soit-elle, ne prouve pas que le système est sous contrôle ; ce qui le prouve, c'est qu'une moyenne s'est STABILISÉE. Une moyenne qui grandit encore avec la durée pendant laquelle vous l'observez n'est pas une moyenne — c'est un système qui vous échappe, et dont les chiffres n'ont pas de sens. Avant de vous fier à un « temps d'attente moyen » ou à un « en-cours moyen », posez la seule question qui protège : a-t-il cessé de bouger ?

Le terrain neutre, ou comment prouver qu'un avantage est réel

Que l'équipe qui reçoit soit avantagée, chacun le sait ; mais comment le prouver, et surtout en établir la cause ? Sur près de cinquante mille matchs internationaux depuis 1872, le constat est net : à domicile, une équipe gagne un match sur deux, la visiteuse à peine un sur quatre, et marque en moyenne deux tiers de but de plus. Un écart massif. Seulement voilà : un écart chiffré ne dit rien de sa cause. Est-ce vraiment le stade, le public, le voyage — ou un simple artefact de la façon dont on range les données ? Pour trancher, il faut ce qui est le cœur de toute démarche scientifique honnête : un groupe témoin, un endroit où l'effet DOIT s'évanouir s'il est réel. Cet endroit existe, tout trouvé : les matchs disputés sur terrain neutre, une finale de Coupe du monde en pays tiers, où « l'équipe à domicile » n'est plus qu'une étiquette sur une feuille de match, sans stade ni public à soi. Et le verdict tombe, éloquent : sur terrain neutre, l'avantage est coupé de cinquante-six pour cent. Plus de la moitié de la supériorité à domicile s'évapore dès qu'on retire le domicile. C'est une preuve causale autrement plus solide qu'un simple décompte de victoires : le lieu compte vraiment, il ne s'agit pas d'un mirage statistique. Mais l'expérience réserve deux leçons d'honnêteté que je n'avais pas parié. La première : l'avantage ne tombe pas tout à fait à zéro sur terrain neutre — il subsiste un petit tiers de but en faveur de l'équipe nominalement « à domicile ». Pourquoi ? Parce que mon témoin n'était pas parfaitement propre. Dans les tournois, l'équipe désignée « à domicile » sur terrain neutre est souvent la mieux classée, la tête de série — si bien que l'étiquette corrèle discrètement avec la force de l'équipe. Ce résidu n'est pas un avantage de terrain : c'est un biais de sélection caché dans le témoin lui-même. La leçon est précieuse pour quiconque évalue un traitement, une campagne, une réforme par comparaison à un groupe de contrôle : un témoin est une arme puissante, mais seulement s'il est vraiment tiré au hasard vis-à-vis de ce qu'on teste. Un groupe témoin « presque » propre laisse fuir un biais qu'on prendra pour de l'effet. La seconde surprise : j'attendais, sur la foi de la littérature, un déclin de l'avantage à domicile au fil des décennies — un phénomène bien réel et documenté… dans le football de CLUB. Or, en football international, rien de tel : le taux de victoire à domicile est d'une constance stupéfiante sur cent dix ans, cinquante et un pour cent dans les années 1910 comme dans les années 2020, sans même le creux qu'aurait pu creuser le huis clos de la pandémie. J'avais importé un résultat d'un domaine à un autre, et il ne s'y transférait pas. Double morale, donc, pour l'auditeur de tout « effet » : pour prouver une cause, cherchez le groupe témoin où elle doit disparaître — mais vérifiez que ce témoin est propre ; et ne présumez jamais qu'un fait vrai ici l'est ailleurs. Un effet a un domaine de validité, exactement comme une loi.

Le bruit a une forme, et cette forme trahit les faux liens

Voici l'une des illusions les plus coûteuses de l'âge des données, et l'un de ses plus beaux remèdes. Rassemblez cinq cents grandeurs — cinq cents actions, cinq cents gènes, cinq cents variables mesurées — parfaitement indépendantes, sans le moindre lien réel entre elles, et calculez leur matrice de corrélation. L'intuition dit : puisqu'elles sont indépendantes, toutes les corrélations seront proches de zéro et la matrice sera « plate », sans structure. C'est faux, et dangereusement. Avec un nombre fini d'observations, le hasard fabrique des corrélations fortuites en abondance : la matrice paraît regorger de paires corrélées, de « facteurs » dominants, de directions privilégiées. On mesure cette fausse richesse par les valeurs propres de la matrice — et loin d'être toutes égales à un, comme le voudrait l'absence de structure, elles s'étalent chez nous d'un dixième à près de trois, un facteur trente-deux. Un analyste pressé y verrait des relations à exploiter. Ce ne sont que des mirages d'échantillon. Mais voici la merveille : ce mirage a une forme mathématique EXACTE. En 1967, les mathématiciens Marchenko et Pastur ont démontré que les valeurs propres du bruit pur remplissent une bande précise, comprise entre deux bords qui ne dépendent que du rapport entre le nombre de variables et le nombre d'observations. Notre simulation épouse ces bords au pourcent près, et confirme leur loi de croissance : plus on mesure de variables pour un nombre donné d'observations, plus la bande de bruit s'élargit — la fausse structure n'est pas un accident, c'est une quantité prévisible, d'autant plus grande qu'on est gourmand en variables et pauvre en données. Reste le plus beau, l'épreuve décisive. Ce bord supérieur n'est pas qu'une curiosité : c'est une RÈGLE qui sépare le vrai du faux. Nous avons caché, dans un océan de bruit, trois vrais facteurs communs — trois relations authentiques. Combien de valeurs propres dépassent le bord de Marchenko-Pastur ? Exactement trois. La loi a compté les vraies structures sans qu'on lui souffle leur nombre, laissant tout le reste — le bruit — sagement sous le seuil. Et lorsqu'on « nettoie » la matrice en écrasant tout ce qui gît sous le bord, ne gardant que les trois vraies directions, l'erreur d'estimation de la véritable structure chute de quarante-trois pour cent. Trier le signal du bruit avec la bonne règle ne fait pas que classer : cela rend l'estimation nettement plus juste. La leçon dépasse de loin les matrices. En haute dimension — et l'âge des données y vit en permanence —, la plupart des corrélations qu'on mesure sont du bruit, et le nombre de « fortes corrélations » attendu par pur hasard croît avec la taille du problème. La bonne question n'est jamais « cette corrélation est-elle grande ? », mais « dépasse-t-elle ce que le pur hasard produirait avec autant de variables et si peu de données ? ». Le bruit, contrairement à ce qu'on croit, n'est pas informe : il a une frontière nette, calculable — et c'est en la traçant qu'on démasque les liens qui n'existent pas.

Le meilleur prédicteur a donné sa plus forte alerte — et s'est trompé

Il existe, en finance, un signal presque mythique. Normalement, prêter son argent pour dix ans rapporte davantage que pour trois mois : la courbe des taux monte. Mais il arrive qu'elle s'inverse — que les taux courts dépassent les longs —, et cette anomalie a longtemps eu la réputation d'annoncer une récession. Réputation méritée : sur les données réelles de la Réserve fédérale, de 1982 à 2019, j'ai vérifié qu'un mois où la courbe était inversée était suivi d'une récession dans l'année trois fois sur quatre, contre à peine six pour cent le reste du temps. Mieux : l'inversion n'accompagne pas la crise, elle la précède, avec un préavis remarquablement régulier d'environ neuf mois — inversion de fin 1989 avant la récession de 1990, de l'été 2000 avant celle de 2001, de 2006 avant le cataclysme de 2008. Un indicateur avancé, fiable, documenté depuis un demi-siècle : le genre de « loi » sur lequel on bâtit des stratégies et des réputations. Et pourtant. Fin 2022, la courbe s'est inversée comme jamais depuis 1981 — l'alerte la plus forte de toute l'histoire de l'indicateur. Tous les manuels prédisaient une récession quasi certaine. Sur ses vingt-cinq mois d'inversion, combien de récessions ont suivi dans l'année ? Exactement zéro. La précision du signal, cette proportion d'alertes qui disent vrai, s'effondre de soixante-quatorze pour cent avant 2020 à trois pour cent après. Le meilleur prédicteur de récession des quarante dernières années a émis sa plus puissante alerte — et s'est trompé de bout en bout. Pourquoi ce décrochage ? Le régime a changé : des années de politique monétaire non conventionnelle ont tordu la signification même de la courbe, et l'économie a réussi son « atterrissage en douceur ». Peu importe la cause exacte ; ce qui compte est la leçon, et elle est vertigineuse pour quiconque se fie à un signal historique. J'ajoute une confession qui l'illustre mieux que tout : ma propre prédiction pré-enregistrée, calibrée sur la réputation de l'indicateur, exigeait qu'un mois inversé soit suivi d'une récession dans au moins quarante pour cent des cas sur l'ensemble de la période. Le chiffre est tombé à trente-six — juste en dessous. Non parce que l'indicateur n'a jamais marché, mais parce que les vingt-cinq fausses alertes récentes, noyées dans la moyenne, ont fait chuter un taux historique de soixante-quatorze à un agrégat de trente-six. Mon propre seuil global a été trompé par exactement le décrochage que je cherchais à mesurer. Voilà le double avertissement. D'abord : un prédicteur validé sur des décennies peut cesser de fonctionner du jour au lendemain quand le monde qui le portait change ; ne présumez jamais qu'un signal fiable le restera. Ensuite, plus subtil : une métrique agrégée, calculée sur toute l'histoire, dissout et cache ces ruptures de régime — c'est en découpant par époque, en fenêtre glissante, que le décrochage saute aux yeux. Ne jugez jamais la fiabilité d'un signal sur sa moyenne globale ; regardez si elle tient, année après année. Car la force d'une alerte n'est pas sa vérité : la plus forte inversion de l'histoire fut aussi la plus fausse.

La foule confiante et fausse

En 1906, le savant Francis Galton assista à une foire agricole où huit cents personnes tentaient de deviner le poids d'un bœuf. Aucune n'avait juste ; mais la moyenne de leurs estimations, elle, tomba à une livre près du poids réel. C'est la fameuse « sagesse des foules » : agréger beaucoup d'avis imparfaits mais indépendants fait s'annuler les erreurs et fait émerger la vérité. Notre simulation le confirme avec une précision d'horloge : la moyenne de cent estimateurs indépendants divise l'erreur par dix, exactement comme la théorie le prescrit — l'erreur décroît comme l'inverse de la racine du nombre. Et le vieux théorème du jury de Condorcet se vérifie tout aussi nettement : cent jurés un peu meilleurs que le hasard tranchent juste à quatre-vingt-dix-huit pour cent. Mais ce théorème a une face sombre que l'enthousiasme oublie, et que notre calcul exhibe sans pitié : cent jurés un peu pires que le hasard convergent, eux, vers l'erreur avec une quasi-certitude. La foule amplifie la compétence — et tout aussi fidèlement l'incompétence. Voilà pour l'éloge. Viennent maintenant les deux conditions cachées, celles dont dépend tout, et qu'on néglige presque toujours. Première fissure : l'indépendance. La magie du grand nombre suppose que les erreurs des uns n'ont rien à voir avec celles des autres. Qu'une cause commune les relie — même source d'information, même formation, même rumeur, simple influence mutuelle — et la belle décroissance s'arrête net sur un plancher. Avec une corrélation de seulement trois dixièmes entre les erreurs, notre foule de mille membres n'est pas dix fois, mais dix-huit fois moins précise que sa cousine indépendante ; et passé une trentaine de membres, en ajouter davantage n'apporte plus rien. Ce n'est jamais le nombre qui fait la sagesse : c'est l'indépendance. Seconde fissure, la plus perfide, car elle est invisible du dedans : le biais partagé. Si tous les estimateurs penchent du même côté — même angle mort, même hypothèse fausse, même instrument mal réglé —, la moyenne converge toujours, mais vers une valeur décalée, jamais vers la vérité. Et pendant que son erreur réelle reste obstinément bloquée, l'assurance de la foule, elle, ne cesse de croître : la dispersion interne rétrécit, l'intervalle de confiance se resserre, tout respire la certitude. Notre simulation chiffre ce vertige : à mille membres biaisés, la vraie réponse se trouve à seize écarts-types en dehors de l'intervalle où la foule jure qu'elle se cache. Plus la foule grandit, plus elle est sûre d'elle — et tout aussi fausse. C'est le grand mensonge du consensus : moyenner efface le hasard, jamais l'erreur systématique. La leçon vaut pour l'âge des données, qui adore les ensembles de modèles, les moyennes de prévisions, les panels et les comités. Un accord serré entre de nombreux avis peut signifier deux choses radicalement opposées : une vraie sagesse, quand des erreurs indépendantes s'annulent — ou un mirage, quand une cause commune ou un préjugé partagé les fait toutes pencher ensemble. De l'extérieur, les deux sont identiques. Ne prenez donc jamais le resserrement d'un ensemble pour une preuve d'exactitude. Avant de vous fier à une foule, à un jury de modèles, à un consensus d'experts, posez les deux seules questions qui comptent : leurs erreurs sont-elles vraiment indépendantes — et partagent-elles un biais ? Le nombre, à lui seul, ne prouve rien.

La loi que j'ai eu tort de mépriser

En 1766, un astronome nommé Titius remarqua que les distances des planètes au Soleil suivaient une règle étonnamment simple : partez de zéro virgule quatre, ajoutez zéro virgule trois multiplié par une puissance de deux qui double à chaque planète, et vous retombez, presque à l'unité près, sur Mercure, Vénus, la Terre, Mars, la ceinture d'astéroïdes, Jupiter, Saturne. La règle fut si convaincante qu'elle guida des découvertes : on chercha — et l'on trouva — Cérès dans le « trou » qu'elle prédisait, puis Uranus tomba pile sur le créneau suivant. Triomphe. Et pourtant, une petite voix de sceptique — la mienne — murmure : n'est-ce pas de la numérologie ? Huit points, une formule bricolée pour leur coller dessus, deux constantes choisies après coup… J'ai donc parié, noir sur blanc et avant tout calcul, que cette « loi » n'était qu'un déguisement pour une banale progression géométrique — l'idée, très ordinaire, que chaque planète est environ deux fois plus loin que la précédente. Si j'avais raison, une simple droite tracée en échelle logarithmique devait prédire les planètes aussi bien que la formule de Titius-Bode. J'ai eu tort, et l'expérience mérite d'être racontée. Premier constat, en ma faveur : oui, l'espacement des planètes est bel et bien géométrique — chacune est en moyenne un peu moins du double de la précédente, avec une régularité remarquable. Mais voici où mon scepticisme s'est brisé. J'ai ajusté les deux modèles — la formule et ma simple droite — sur les sept planètes intérieures seulement, puis leur ai demandé de prédire Uranus, qu'aucun des deux n'avait « vu ». Ma droite géométrique s'est trompée de vingt-cinq pour cent. La formule de Titius-Bode, elle, a visé à deux pour cent près — douze fois mieux. La vieille formule n'était donc pas de la poudre aux yeux : son petit terme additif, ce zéro virgule quatre que je prenais pour un artifice, capture une vraie courbure de l'espacement que ma droite ratait. On ne peut pas la réduire à « chaque planète double la précédente ». Mais la nuance est double, car la formule a elle aussi sa limite, et elle est brutale : à Neptune, son doublement mécanique s'emballe et prédit trente-neuf unités astronomiques quand la planète en est à trente — vingt-neuf pour cent d'erreur. Là, au contraire, ma modeste droite s'en tirait mieux. La loi tient jusqu'à Uranus, puis tombe d'une falaise. Reste un dernier garde-fou, que je me devais de poser contre ma propre nouvelle crédulité. J'ai fabriqué vingt mille faux systèmes solaires, huit orbites tirées au pur hasard, puis rangées dans l'ordre. Surprise salutaire : rien qu'en les ordonnant, ces systèmes bidon atteignent déjà un coefficient de corrélation de zéro virgule quatre-vingt-quatorze — presque aussi « régulier » que le vrai. Autrement dit, un bel ajustement est bon marché : le simple fait de trier des nombres fabrique l'illusion d'une loi. Un R² élevé ne prouve donc jamais rien à lui seul. Et pourtant — troisième et dernier retournement — notre vrai système solaire, lui, est plus régulier que quatre-vingt-dix-neuf virgule quatre pour cent de ces imitations aléatoires. La régularité est authentique, au-delà de l'artefact. La morale de cette petite aventure astronomique vaut pour quiconque juge une « loi » tirée des données. D'abord, ne méprisez pas une régularité structurée sous prétexte qu'elle « ressemble » à quelque chose de trivial : seul un test sur des données jamais vues peut le dire, et il m'a donné tort. Ensuite, ne la couronnez pas non plus : cartographiez sa frontière — ici, Neptune — et confrontez-la à un pur hasard ordonné avant de crier au miracle. Le sceptique et le crédule commettent la même faute par des chemins opposés ; le seul remède est le même pour les deux — prédire l'inconnu, et se méfier de soi.

Le pays où tout le monde est votre voisin

Nos intuitions sur l'espace sont façonnées par le monde à trois dimensions où nous vivons. Elles nous trahissent cruellement dès qu'on monte en dimension — et c'est un piège central de l'âge des données, où l'on manipule couramment des points à cent, mille, dix mille coordonnées. Trois expériences suffisent à ruiner l'intuition, et nous les avons chiffrées. Première surprise : les distances se resserrent. Semez deux mille points au hasard, et demandez, depuis un point de référence, qui est le plus proche et qui est le plus lointain. En dimension deux, le plus lointain est cent trente-cinq fois plus loin que le plus proche : la notion de « voisin » a un sens clair. En dimension cinq cents, ce rapport s'effondre — le plus proche n'est plus que d'un cinquième plus près que le plus lointain, et tous les points sont, à peu de chose près, à la même distance de vous. Le « plus proche voisin », socle de tant d'algorithmes de recommandation, de classification, de détection, cesse peu à peu de vouloir dire quoi que ce soit : en grande dimension, tout le monde est votre voisin, donc personne ne l'est vraiment. Deuxième surprise : le volume fuit vers la surface. Dans une boule de dimension cent, la part du volume contenue dans les quatre-vingt-dix pour cent intérieurs du rayon n'est pas de quatre-vingt-dix pour cent — elle est de trois cent-millièmes. Autrement dit, la quasi-totalité du volume — plus de quatre-vingt-dix-neuf pour cent dès la dimension cinquante — se tapit dans une fine pellicule à la surface. Il n'y a plus de « centre » : un point typique est toujours collé au bord. Troisième surprise, la plus belle, et notre épreuve reine : tout devient perpendiculaire à tout. Tirez deux directions au hasard et mesurez l'angle entre elles. En basse dimension, elles peuvent pointer un peu n'importe comment ; en haute dimension, elles sont presque systématiquement à angle droit. Le cosinus de leur angle décroît comme l'inverse de la racine de la dimension — et notre mesure épouse la formule théorique, racine de deux sur pi-d, jusqu'au millième : zéro virgule zéro trois cinq cinq mesuré, contre zéro virgule zéro trois cinq sept prédit, en dimension cinq cents. Deux vecteurs quelconques y font un angle de quatre-vingt-huit degrés : l'espace est si vaste que rien ne s'aligne jamais par hasard. Nous consignons, en toute honnêteté, que deux de nos seuils chiffrés étaient réglés un cheveu trop serré pour la dimension cinq cents — ils auraient été franchis un peu plus haut ; les phénomènes eux-mêmes, eux, sont sans la moindre ambiguïté. La leçon pour quiconque travaille avec des données de grande dimension est un avertissement fondateur : distance, voisinage, centre, densité — les concepts géométriques les plus élémentaires — deviennent trompeurs, et avec eux les méthodes qui s'y appuient. Le remède rejoint une découverte antérieure de ce carnet : mesurer d'abord la dimension effective des données, souvent bien plus faible que le nombre de colonnes, puis y réduire avant d'appliquer la moindre métrique. La grande dimension n'est pas un espace ordinaire en plus grand : c'est un pays aux lois étranges, où l'intuition du voyageur venu de trois dimensions est un mauvais guide.

Le modèle qui apprend trop bien ses leçons

On croit volontiers qu'un modèle plus flexible, plus sophistiqué, prédira mieux. C'est l'une des intuitions les plus coûteuses de l'âge des données, et elle est fausse. Pour le montrer, prenons une courbe simple — une sinusoïde — cachée sous un peu de bruit, et essayons de la retrouver avec des polynômes de complexité croissante. Un polynôme de bas degré, trop rigide, épouse mal la courbe : il se trompe systématiquement. Augmentons le degré : l'ajustement s'améliore, et vers le degré trois, le modèle capture élégamment le signal. Mais continuons. Au degré cinq, huit, quatorze, le polynôme se met à serpenter frénétiquement pour passer au plus près de chaque point d'entraînement — bruit compris. Et voici le paradoxe, que notre simulation chiffre de manière saisissante : sur les données d'entraînement, l'erreur ne cesse de diminuer, jusqu'à devenir quasi nulle au degré quatorze. Le modèle « apprend » ses données par cœur. Mais sur des points nouveaux, ceux qu'il devra vraiment prédire, l'erreur, elle, explose — de huit centièmes au degré trois à un nombre de vingt chiffres au degré quatorze. Le modèle le plus fidèle à ses leçons est devenu le plus incapable de généraliser. C'est le fameux compromis biais-variance : trop simple, on est aveugle au signal ; trop complexe, on épouse le bruit. Entre les deux gît un optimum, et le dépasser est aussi néfaste que ne pas l'atteindre. Un dernier enseignement, vérifié lui aussi : la bonne complexité n'est pas absolue. Avec quatre fois plus de données, on peut se permettre un modèle plus riche, et l'instabilité des degrés élevés s'effondre. Plus on a d'exemples, plus on peut oser la complexité — mais jamais sans compter. La leçon pour quiconque construit un modèle prédictif tient en une règle d'or, trop souvent oubliée dans l'ivresse des algorithmes puissants : ne jugez jamais un modèle à sa performance sur les données qui l'ont entraîné — elle s'améliore toujours, et ne prouve rien. Jugez-le sur ce qu'il n'a jamais vu. Un modèle qui récite parfaitement le passé est souvent celui qui se trompera le plus sur l'avenir.

Quatre jeux de données, une seule fiche de statistiques, quatre vérités

Voici l'expérience la plus troublante de tout ce carnet, et sans doute la plus utile. En 1973, le statisticien Francis Anscombe fabriqua quatre petits jeux de onze points chacun, choisis avec malice pour qu'ils partagent exactement les mêmes statistiques résumées : même moyenne des abscisses, même moyenne des ordonnées, mêmes variances, même corrélation de 0,816, même droite de régression, même coefficient R². Un tableau de bord, un rapport d'audit, un logiciel qui ne montrerait que ces chiffres les déclarerait interchangeables. Nous avons refait le calcul : les huit statistiques coïncident au centième près. Et pourtant, ces quatre jeux n'ont rien à voir. Le premier est une vraie relation linéaire, propre. Le deuxième n'est pas une droite du tout, mais une parabole parfaite — un modèle courbe l'épouse à cent pour cent, quand la droite peine à en expliquer les deux tiers. Le troisième est une droite impeccable, à un détail près : un unique point aberrant, si mal placé qu'il fait basculer la pente de trente pour cent à lui tout seul. Le quatrième est le plus sournois : les abscisses y sont presque toutes identiques — dix points sur onze au même endroit —, et toute la « corrélation » est fabriquée par un seul point isolé, un levier solitaire qui tient la droite à bout de bras. Quatre structures opposées, une seule fiche de statistiques. La leçon est la promesse même de cet ouvrage. Les résumés — moyenne, variance, corrélation, R² — sont des serviteurs commodes mais des maîtres dangereux : ils compriment la réalité, et dans cette compression, ils peuvent tout dissimuler. Une courbe, un intrus, un mirage porté par un seul point : rien de tout cela n'apparaît dans les chiffres agrégés. Il faut d'autres outils — l'examen des résidus, la mesure de l'influence de chaque point, la traque des variables dégénérées — et, plus simplement, il faut regarder les données. Chaque fois qu'on vous présente une conclusion étayée par de belles statistiques résumées, sans jamais montrer les points eux-mêmes, souvenez-vous d'Anscombe : quatre mondes peuvent se cacher derrière une seule et même moyenne.

La formule qui prédit le match nul mais rate la déroute

Combien de buts d'écart à la fin d'un match de football ? Il existe une jolie théorie : si chaque équipe marque « au hasard » à un rythme moyen — une loi de Poisson —, alors l'écart entre les deux scores obéit à une loi précise, celle de Skellam, la différence de deux tirages de Poisson. Nous l'avons confrontée à trente-six mille matchs internationaux. Au centre, c'est un régal. La théorie retrouve, au centième, la proportion de matchs nuls — vingt-trois pour cent —, et elle capture nettement l'avantage du terrain : l'équipe qui reçoit marque en moyenne un peu moins de deux buts, la visiteuse à peine plus d'un, et cet écart de deux tiers de but suffit à faire gagner l'équipe à domicile une fois sur deux, contre une sur quatre à l'extérieur. Pour un match ordinaire, la différence de deux Poissons est un excellent modèle. Mais poussez vers les extrêmes, et la belle formule s'effondre. Les raclées — quatre buts d'écart ou plus — sont deux fois plus fréquentes dans la réalité que la théorie ne le prévoit ; et les humiliations à six buts d'écart, sept fois et demie plus fréquentes. Le pur hasard poissonnien est incapable de produire autant de matchs à sens unique. La raison, nous l'avions déjà rencontrée : les équipes ne sont pas interchangeables. Quand une grande nation affronte une petite, le score n'est pas le fruit du hasard, mais d'un déséquilibre — et ce déséquilibre gonfle la queue de la distribution bien au-delà de ce qu'un modèle « moyen » anticipe. Il y a même une élégante cohérence dans l'échec : si les raclées sont plus nombreuses que prévu, c'est que de la probabilité a été aspirée depuis les scores moyens vers les extrêmes, et de fait, la théorie surestime légèrement les petits écarts. Un seul phénomène — l'hétérogénéité des adversaires — explique les deux. La leçon vaut pour tout modèle de différence, de marge, d'écart : un parieur, un assureur, un ingénieur qui modélisent la différence entre deux quantités « bien élevées » peuvent avoir raison sur le cas typique et se tromper lourdement sur l'extrême. La différence de deux lois sages peut avoir une queue sauvage, dès lors que leurs paramètres varient. Testez toujours la queue à part — c'est là, et non au centre, que se cachent les mauvaises surprises.

L'anomalie était vraie ; c'est le temps qui l'a tuée

Les marchés financiers regorgent de « lois » folkloriques, et l'une des plus célèbres est l'effet lundi : la Bourse baisserait le premier jour ouvré de la semaine, remonterait le vendredi. Documentée dans les années 1970-80, cette curiosité a fait couler beaucoup d'encre. Fidèle à l'esprit critique de ce carnet, j'ai parié — avant de calculer — qu'elle serait un mirage : un effet minuscule, ou un artefact de ce piège que nous traquons partout, celui des tests multiples (cinq jours examinés, l'un paraîtra « significatif » par pur hasard). J'avais tort, et c'est instructif. Sur cinquante-cinq ans de Nasdaq, le lundi est bel et bien négatif en moyenne, et statistiquement solide — il résiste sans peine à la correction pour tests multiples. Ce n'était pas un fantôme : l'anomalie était réelle. Mais l'histoire ne s'arrête pas là, et c'est sa seconde moitié qui porte la vraie leçon. Cet effet lundi, colossal avant 1990 — plus de deux dixièmes de pour cent de perte par lundi —, s'est éteint : après 2005, le lundi est devenu... légèrement positif. Découpez l'histoire en deux, et vous voyez l'écart entre le meilleur et le pire jour fondre d'un facteur quatre. L'anomalie n'a pas été inventée ; elle a été consommée. C'est un phénomène connu et fascinant : une fois une inefficience de marché découverte et publiée, les arbitragistes se ruent dessus et la font disparaître. La loi s'auto-détruit en devenant célèbre. Deux erreurs symétriques guettent alors l'analyste, et il faut les éviter toutes deux : croire qu'un motif d'autrefois est encore exploitable aujourd'hui, ou balayer comme du bruit ce qui fut authentiquement réel. La bonne question n'est pas seulement « cette anomalie est-elle significative sur tout l'historique ? » — elle peut l'être tout en ayant disparu depuis vingt ans —, mais « est-elle encore vivante récemment ? ». J'ajoute, en toute honnêteté, une note sur moi-même : c'est la deuxième fois dans ces pages que mon scepticisme de principe s'est révélé être l'erreur. L'auditeur doit se défier de sa propre incrédulité autant que de la crédulité qu'il pourchasse.

Le prix du dernier kilomètre

Un enfant collectionne les vignettes d'un album — cent images différentes, vendues à l'aveugle, une par pochette. Combien de pochettes lui faudra-t-il pour compléter l'album ? L'intuition dit cent, une par vignette. La réalité, cruelle pour les parents, est cinq fois plus : environ cinq cent vingt. Et pire encore : ce facteur grandit avec la taille de la collection. Pour cinq mille vignettes, il ne faut pas cinq mille pochettes mais quarante-cinq mille — neuf par vignette. Pourquoi cette explosion ? Parce que la fin est atroce. Au début, chaque pochette apporte presque toujours une image nouvelle. Mais quand il ne manque plus qu'une poignée de vignettes, on retombe sans cesse sur des doublons, et il faut attendre, attendre. La toute dernière image manquante coûte, à elle seule, autant de pochettes qu'il y a de vignettes dans l'album — cent pochettes pour une seule image ! Notre simulation le chiffre sans détour : atteindre quatre-vingt-dix pour cent de la collection demande deux cent vingt-cinq pochettes ; boucler les dix pour cent restants en demande deux cent quatre-vingt-douze — davantage que tout ce qui précède. Les dix derniers pour cent coûtent plus cher que les quatre-vingt-dix premiers. Cette petite loi, dite « du collectionneur de coupons », gouverne le prix caché de la complétude partout où elle compte. Tester un logiciel jusqu'à couvrir tous les chemins d'exécution : les derniers cas, rares, engloutissent l'essentiel de l'effort. Recenser toutes les espèces d'une forêt, tous les bugs d'un système, toutes les catégories d'un jeu de données : les derniers manquants sont introuvables. La leçon pour quiconque planifie est un avertissement contre une erreur de budgétisation universelle : n'estimez jamais le coût de « tout couvrir » en extrapolant celui de « couvrir la plupart ». Le dernier manquant est toujours le plus cher, et exiger cent pour cent peut coûter davantage que les quatre-vingt-dix qu'on croyait presque tenir. Parfois, la sagesse est d'accepter quatre-vingt-dix — et de renoncer au dernier kilomètre.

Une étincelle devient-elle un incendie ?

Un premier malade, un premier client conquis, un premier neutron libéré : dans tout phénomène qui se propage de proche en proche, une question décide de tout. Le premier « cas » en engendrera-t-il en moyenne plus d'un, ou moins d'un ? Si moins d'un — chaque personne en contamine 0,8 en moyenne —, la chaîne s'éteint à coup sûr : l'étincelle meurt. Si plus d'un, elle peut s'embraser. Notre simulation confirme ce seuil net à exactement « un descendant par tête », le même que celui des épidémies. Mais elle révèle surtout une subtilité que l'intuition ignore, et qui fait toute la différence en pratique. Franchir le seuil n'ouvre qu'une possibilité, pas une certitude. Avec un facteur de reproduction de deux — chaque cas en engendre deux en moyenne, largement de quoi s'emballer —, une étincelle sur cinq s'éteint pourtant d'elle-même. Il suffit que les tout premiers cas, par malchance, n'engendrent personne, et la chaîne casse avant d'avoir pris. Le destin de l'incendie se joue dans ses toutes premières générations, à la merci du hasard. Notre calcul retrouve au chiffre près la probabilité théorique de ce « ratage » — vingt pour cent à R égal deux, six pour cent à R égal trois. Et au point critique exact, à la frontière du un pour un, le système fait quelque chose de fascinant : il ne meurt pas franchement, il traîne indéfiniment, l'extinction devenant si lente que sa durée moyenne est infinie. La leçon est précieuse pour quiconque veut déclencher — ou empêcher — une propagation. Un facteur de reproduction supérieur à un est nécessaire à l'emballement, mais il ne le garantit pas. Une campagne virale au potentiel supercritique peut échouer par simple malchance initiale ; un foyer épidémique menaçant peut s'éteindre seul. La bonne question n'est jamais seulement « le seuil est-il franchi ? », mais « quelle est la probabilité que ça prenne vraiment ? » — et cette probabilité, elle, se calcule.

La loi était nette ; c'est l'échantillon qui était flou

Parmi les étoiles de la « séquence principale » — celles qui, comme notre Soleil, brûlent tranquillement leur hydrogène —, il existe une relation d'une belle simplicité : plus une étoile est massive, plus elle est grande, selon une loi de puissance précise. Nous avons voulu la mesurer sur un catalogue de cinq cents étoiles réputées appartenir à cette famille. Premier verdict : décevant. La relation existait bien, mais lâche, dispersée, sans la belle structure attendue. Fallait-il conclure que la nature était moins ordonnée qu'on ne le pensait ? Non — et c'est ici que le métier d'auditeur prend tout son sens. Nous avons soupçonné l'échantillon plutôt que la loi. En y regardant de près, le catalogue contenait, tapies parmi les naines, quelques dizaines d'étoiles évoluées — des géantes ayant quitté la séquence principale, gonflées jusqu'à vingt fois le rayon du Soleil, impossibles à ce stade de leur vie. Elles s'étaient glissées sous l'étiquette « séquence principale » sans en être. Une simple coupe physique — ne garder que les étoiles dont la gravité de surface trahit une vraie naine — a tout changé. Sur l'échantillon purifié, la relation masse-rayon redevient d'une netteté remarquable : la dispersion est divisée par deux, et la loi explique désormais quatre-vingt-onze pour cent de la variation. La masse d'une étoile de la séquence principale détermine presque entièrement son rayon — la loi était dure ; c'est notre échantillon qui était mou. Nous consignons aussi, sans le maquiller, un pari perdu : la brisure de pente que nous attendions entre petites et grandes étoiles ne s'est pas nettement dégagée, et nous ne la sauvons pas après coup. Mais la leçon centrale déborde des étoiles. Avant de juger qu'une loi est floue, imprécise ou molle, demandez-vous si votre échantillon est pur — s'il ne mélange pas subrepticement deux populations différentes. Une poignée d'intrus d'une autre espèce suffit à faire paraître désordonné ce qui, une fois trié, se révèle d'une régularité limpide. Le désordre apparent d'une relation est, plus souvent qu'on ne le croit, le désordre caché de l'échantillon qui la porte.

Comment mille horloges déréglées finissent par battre ensemble

Sur les berges de certaines rivières d'Asie du Sud-Est, des milliers de lucioles clignotent — d'abord dans le désordre le plus total, chacune à son rythme, puis, sans chef d'orchestre, toutes ensemble, en un scintillement parfaitement accordé. Comment des oscillateurs aux fréquences différentes parviennent-ils à s'unir ? Le physicien Yoshiki Kuramoto en a donné, en 1975, la théorie exacte, et notre simulation la fait revivre. Imaginez mille petites horloges tournant chacune à sa propre vitesse, mais légèrement sensibles au rythme moyen de leurs voisines — un couplage. Tant que ce couplage reste faible, c'est le chaos : chacune suit sa route, et la « cohérence » de l'ensemble reste au ras du sol. Mais augmentez le couplage, et il se produit quelque chose de spectaculaire. Au franchissement d'un seuil précis, la population bascule : une fraction des horloges accroche soudain le rythme commun, puis les entraîne, jusqu'à ce que presque toutes battent à l'unisson. Ce n'est pas une montée progressive de l'accord — c'est une transition brutale, un seuil, comme l'eau qui gèle d'un coup. Notre simulation le confirme, et retrouve au passage la valeur exacte du seuil que Kuramoto avait calculée. Elle établit aussi une seconde vérité, plus fine : plus les horloges sont dispersées dans leurs rythmes de départ, plus il faut de couplage pour les rassembler. Doublez leur hétérogénéité, et le seuil de synchronisation double lui aussi. Coordonner un groupe uni est facile ; coordonner un groupe divers exige une force de liaison proportionnellement plus grande. Cette petite loi gouverne d'innombrables phénomènes bien réels. Les générateurs d'un réseau électrique doivent rester synchronisés en phase, faute de quoi survient le blackout ; le cerveau qui sur-synchronise ses neurones entre en crise d'épilepsie ; les applaudissements d'une salle qui, spontanément, se muent en battement cadencé ; et peut-être les emballements soudains des marchés, quand le « couplage » entre acteurs — l'imitation, la panique partagée — franchit son point critique. Retenez ceci : l'ordre collectif n'est pas une pente qu'on gravit doucement, c'est un seuil qu'on franchit d'un bond — et le prix du seuil, c'est la diversité du groupe.

Récoltez les deux espèces, et c'est la proie qui gagne

Dans les années 1920, le biologiste Umberto D'Ancona posa à son beau-père, le mathématicien Vito Volterra, une énigme troublante. Pendant la Première Guerre mondiale, la pêche en Adriatique s'était presque arrêtée — et pourtant, à la reprise, la proportion de poissons prédateurs, requins et raies, avait augmenté, non celle des poissons-proies. Comment moins pêcher pouvait-il favoriser les prédateurs ? Volterra construisit pour répondre le premier modèle mathématique de la vie sauvage, deux équations enlacées : les proies prospèrent et nourrissent les prédateurs, les prédateurs prolifèrent et dépeuplent les proies, les proies manquant, les prédateurs déclinent, et le cycle recommence. Notre simulation le fait tourner : les populations ne se stabilisent jamais, elles oscillent éternellement sur une boucle fermée, le pic des prédateurs suivant d'un quart de tour celui des proies. Puis vient la clé de l'énigme, que nous avons vérifiée au chiffre près. Imposez la même mortalité aux deux espèces — la pêche, un pesticide, une chasse indistincte. L'intuition proteste : « les deux doivent diminuer ». C'est faux. La proie, en moyenne, augmente ; le prédateur diminue. Pourquoi ? Parce que le prédateur, dépendant de sa proie, est le maillon fragile : la mortalité supplémentaire le frappe plus durement. Alléger la pression — comme le fit la guerre en suspendant la pêche — inverse l'effet et gonfle les prédateurs. Le paradoxe de Volterra tient là, dans cette asymétrie cachée d'un système où tout est lié. La leçon déborde de l'océan. Un pesticide à large spectre, censé protéger une récolte, peut faire proliférer le ravageur en exterminant aussi ses ennemis naturels, plus vulnérables. Une régulation uniforme d'un marché peut avantager l'acteur qu'elle visait à contenir. Partout où des composantes se nourrissent l'une de l'autre, agir sur l'une agit sur l'autre par ricochet, et souvent à rebours de l'intention. La règle d'or est un avertissement contre la pensée en silo : dans un système en rétroaction, ne raisonnez jamais sur une pièce isolée. Mesurez l'effet d'une intervention sur l'équilibre du tout — car c'est le tout, et non la partie, qui décide qui gagne.

Le solaire fond en exponentielle — mais la pente s'essouffle

Peu de chiffres racontent mieux le basculement énergétique en cours que celui-ci : entre 2010 et 2024, le coût de l'électricité solaire a chuté de quarante-deux à quatre centimes de dollar le kilowattheure — une division par dix en quatorze ans. Mais la manière dont il a chuté est aussi instructive que l'ampleur. Ce n'est pas une pente régulière : c'est une exponentielle, une baisse d'environ quinze pour cent chaque année, année après année. On appelle cela la loi de Swanson, cousine de la loi d'apprentissage : plus on produit, plus on maîtrise, moins cela coûte. Notre analyse la confirme avec une belle netteté — et révèle un fait remarquable au passage : ce rythme de quinze pour cent par an se retrouve, presque identique, en Allemagne, en Chine, aux États-Unis, en Inde, en Australie. La baisse du coût n'est pas une affaire locale de subventions ; c'est un phénomène technologique mondial, le même partout à moins d'un point près. Voilà pour la bonne nouvelle. Vient ensuite la prudence, qui est notre métier. Nous avons calibré la loi sur les huit premières années, puis lui avons demandé de prédire les six suivantes. Verdict : elle sous-estime le coût réel, et de plus en plus — en 2024, elle prévoyait deux centimes quand la réalité en affichait quatre. La pente initiale, si abrupte, s'est infléchie : le déclin décélère. Prolonger naïvement l'élan des débuts, c'est promettre une baisse plus rapide qu'elle ne se produit vraiment. La raison est peut-être conjoncturelle — la flambée des matières premières et des taux d'intérêt de 2021-2022 a freiné la chute — ou plus structurelle, les gains les plus faciles ayant déjà été récoltés. Peu importe ici : la leçon est la même que celle qui traverse tout ce carnet. Une tendance peut être authentiquement exponentielle sur son passé et pourtant trahir qui l'extrapole, parce qu'elle porte une courbure invisible à l'œil nu. Avant de bâtir un plan d'investissement, un scénario climatique ou une promesse de coût futur sur la prolongation d'une belle droite en échelle logarithmique, mesurez sa courbure. Le solaire continuera très probablement de baisser — mais un peu moins vite que son glorieux passé ne le laisse croire.

La règle des 37 % : quand cesser de chercher

Vous devez recruter la meilleure personne parmi cent candidats, reçus un par un, dans un ordre imprévisible. Après chaque entretien, vous devez trancher sur-le-champ : embaucher, ou renvoyer définitivement — pas de seconde chance, pas de retour en arrière. Quand vous engager ? Trop tôt, et vous passez à côté de perles encore à venir ; trop tard, et la meilleure est peut-être déjà repartie, éconduite par prudence. Il existe une réponse mathématique, élégante et précise, connue sous le nom de « problème du secrétaire ». La voici : observez sans embaucher les trente-sept premiers pour cent des candidats — juste pour vous faire une idée du niveau —, puis engagez le premier qui surpasse tous ceux que vous avez vus jusque-là. Cette règle vous fait décrocher le meilleur candidat une fois sur trois environ. Une fois sur trois peut sembler modeste ; rapporté au hasard pur — une chance sur cent — c'est trois cent soixante-neuf fois mieux. Notre simulation confirme le chiffre au millième, et dessine une courbe en cloche révélatrice : n'observer que dix pour cent avant de vous décider fait tomber vos chances à vingt-trois pour cent, en observer soixante-dix les fait tomber à vingt-cinq. Le sommet est net, à trente-sept pour cent. Et le plus beau : ce nombre ne dépend pas du tout de la taille du problème. Que vous choisissiez parmi cinquante candidats, cinq cents ou cinq mille, la proportion idéale à observer, comme votre probabilité de succès, restent obstinément les mêmes — trente-sept pour cent, soit exactement l'inverse du nombre d'Euler, cette constante qui surgit partout en mathématiques. La leçon déborde du recrutement. Chercher un logement, un fournisseur, un partenaire, décider quand arrêter de comparer et se lancer : dans toutes ces situations où les options défilent sans qu'on puisse revenir en arrière, il existe une dose optimale d'exploration. « Prends la première offre acceptable » gaspille les meilleures à venir ; « attends l'option parfaite » laisse filer les bonnes. La sagesse tient entre les deux, à un tiers du chemin : regardez assez pour savoir ce qui est bon — puis, ce seuil franchi, ayez le courage de vous engager.

Le gagnant n'est pas le meilleur — il est arrivé tôt

Imaginez une urne contenant une boule rouge et une bleue. Vous en tirez une au hasard, la remettez, et ajoutez une boule de la même couleur. Puis vous recommencez, encore et encore. La couleur qui prend la tête devient un peu plus probable au tirage suivant : le riche s'enrichit. Que devient, à la longue, la proportion de rouges ? L'intuition hésite entre deux réponses fausses. « Elle se stabilise à moitié-moitié » : non. « L'une des couleurs finit par tout rafler » : non plus. La vérité, établie par le mathématicien George Pólya, est plus déroutante. La proportion se fige bel et bien — mais sur une valeur tirée au sort, différente à chaque partie. Sur dix mille parties, nous avons obtenu toutes les proportions finales imaginables, réparties uniformément entre zéro et cent pour cent. Comparez à une simple pièce de monnaie, sans ce mécanisme d'enrichissement : ses proportions se serrent autour de la moitié, quarante fois plus concentrées. Le renforcement positif ne fait pas gagner « la majorité » ; il fabrique un vainqueur, mais lequel demeure imprévisible. Et voici le plus vertigineux : tout se joue au tout début. La proportion après seulement dix tirages prédit déjà la proportion finale à quatre-vingt-onze pour cent. Un minuscule avantage précoce, pur produit du hasard, se mue en domination irréversible. Le sort en est jeté avant même que la partie ait vraiment commencé. Et si l'on part avec un déséquilibre — cinq rouges contre une bleue —, l'issue penche durablement de ce côté : l'histoire initiale pèse jusqu'au bout. La portée de cette petite urne est immense. Pourquoi tapons-nous sur des claviers QWERTY conçus pour ralentir la frappe ? Pourquoi le VHS a-t-il écrasé un rival techniquement supérieur ? Pourquoi telle plateforme domine-t-elle, non parce qu'elle est la meilleure, mais parce qu'elle a pris de l'avance quand tout pouvait encore basculer ? Sous rétroaction positive — effets de réseau, réputation, apprentissage —, le marché ne couronne pas nécessairement le meilleur : il couronne le premier chanceux, puis verrouille son choix. La leçon pour l'analyste est un avertissement contre une erreur courante : confondre une part de marché écrasante avec une supériorité intrinsèque. Le dominant d'aujourd'hui aurait, dans une autre histoire, pu être un autre. Avant d'attribuer un succès au mérite, demandez-vous toujours : le résultat aurait-il pu être tout différent ?

Le modèle qui savait où étaient les résonances

Nous avions déjà raconté, dans ces pages, comment une formule simple — la loi de Cauchy — décrit à merveille la façon dont le verre dévie la lumière selon sa couleur, mais s'effondre dès qu'on s'aventure dans l'infrarouge. Voici la suite, et la réhabilitation. Il existe une autre formule, celle de Sellmeier, qui ne se contente pas d'épouser les courbes : elle repose sur la physique réelle du matériau. Un morceau de silice absorbe la lumière à certaines longueurs d'onde précises — ses « résonances » —, deux dans l'ultraviolet, une dans l'infrarouge lointain, et c'est le voisinage de ces résonances qui courbe l'indice de réfraction. La formule de Sellmeier encode exactement cette structure. Nous l'avons ajustée aux six cent cinquante mesures de notre silice, du proche ultraviolet à l'infrarouge moyen. L'accord est stupéfiant : l'erreur tombe à trois dix-millionièmes — la précision des tables elles-mêmes —, là où Cauchy se trompait deux cent cinquante mille fois plus. Mais le prodige n'est pas la précision. C'est que l'ajustement, à qui l'on n'avait rien soufflé, a retrouvé tout seul les longueurs d'onde des vraies résonances de la silice : zéro virgule zéro sept, zéro virgule douze et neuf virgule neuf micromètres — les valeurs mesurées en laboratoire, au cinquième chiffre près. Les paramètres du modèle n'étaient pas des nombres commodes : c'était de la physique déguisée. Et de là vient sa vertu décisive, que nous avons mise à l'épreuve. Calibrez Sellmeier sur le seul domaine visible, puis demandez-lui de prédire l'infrarouge qu'il n'a jamais vu : il y réussit trente-cinq fois mieux que Cauchy. Parce qu'il « sait » où sont les résonances, il devine ce qui se passe au-delà de son horizon ; Cauchy, simple polynôme sans mémoire de la physique, ne peut que diverger. La leçon vaut pour tous les modèles, bien au-delà de l'optique. Le meilleur n'est pas celui qui colle le mieux là où on l'a réglé, mais celui qui a capté la structure du phénomène — et on le reconnaît à deux signes : ses paramètres ont un sens, et il tient la route loin de sa zone de calibration. Un ajustement empirique flatte l'œil sur ses propres données et trahit hors d'elles ; un modèle mécaniste, plus austère, extrapole. Pour prédire l'inconnu, préférez toujours celui qui comprend le mécanisme à celui qui imite la courbe.

Le pire cas n'est pas la moyenne, en pire

Combien vaudra le plus gros sinistre de l'année, la plus forte crue du siècle, le record parmi dix mille mesures ? On serait tenté de répondre : « la moyenne, plus quelques écarts-types ». C'est faux, et dangereusement. Les mathématiciens Fisher, Tippett et Gnedenko ont montré, dès les années 1920, que le maximum d'un grand nombre de tirages obéit à une loi bien à lui — et qu'il en existe exactement trois, selon la queue de la distribution dont on tire. Nous les avons vues émerger en simulation, chacune nette. Quand la matière première a une queue légère — pensez à des mesures sagement groupées —, le record grimpe avec une lenteur remarquable : il croît comme le logarithme du nombre de tirages. Passer de cent à dix mille mesures ne fait presque pas bouger le record, et sa loi limite porte le nom de Gumbel. Mais quand la queue est lourde — des grandeurs à quelques géants rares, comme les sinistres ou les revenus —, tout change : le record s'envole comme une puissance du nombre de tirages, et sa loi, celle de Fréchet, garde elle-même une queue lourde. À dix mille tirages, notre record « à queue lourde » valait près de trente, contre dix pour son cousin « à queue légère » : trois fois plus, pour la même quantité de données. La troisième loi, celle de Weibull, gouverne les grandeurs bornées, dont le record se colle à leur plafond. Vient alors la démonstration qui devrait figurer dans tout manuel de gestion des risques. Sur des données à queue lourde, nous avons demandé à un modèle gaussien — le réflexe universel — de prédire le pire cas sur dix mille tirages. Il a répondu : environ cinq. Le vrai maximum valait trente. La courbe en cloche a sous-estimé la catastrophe d'un facteur six. C'est exactement ainsi que des provisions « prudentes » se révèlent dérisoires le jour du grand sinistre. La leçon, sœur de tant d'autres dans ce carnet, tient en une phrase : le pire cas ne se déduit ni de la moyenne ni de la variance. Il a sa propre loi, dictée par la queue de la distribution — et pour le connaître, il faut d'abord identifier laquelle des trois familles gouverne vos extrêmes. Modéliser l'extrême n'est pas prolonger la moyenne ; c'est un autre métier.

Le petit joueur perd, même quand le jeu est juste

Voici un jeu parfaitement honnête : à chaque tour, vous gagnez ou perdez un euro, une chance sur deux, sans la moindre triche. Vous commencez avec dix euros et vous voulez atteindre deux cents avant de tout perdre. Vos chances ? Cinq pour cent. Quatre-vingt-quinze fois sur cent, vous serez ruiné avant d'avoir atteint votre but — dans un jeu où, pourtant, chaque pari a une espérance strictement nulle. Ce n'est pas l'équité du jeu qui décide de votre sort, c'est votre capital face à celui d'en face. Le petit est presque toujours éliminé avant d'avoir pu remonter. Notre simulation reproduit la formule exacte, connue depuis Huygens : la probabilité de ruine vaut un moins le rapport de votre mise de départ à votre objectif. Deux conséquences, glaçantes, en découlent. La première : ajoutez à la maison un avantage minuscule — un seul pour cent, une pièce à peine truquée — et votre probabilité de ruine bondit de cinquante à quatre-vingt-dix-huit pour cent. Le casino ne vous plume pas en trichant beaucoup ; il gagne avec un tout petit biais et une bourse plus profonde que la vôtre. La seconde : contre un adversaire aux réserves quasi illimitées, même le jeu parfaitement juste vous ruine à coup sûr — quatre-vingt-dix-neuf pour cent, puis quatre-vingt-dix-neuf virgule neuf, à mesure que sa fortune grandit. Il suffit d'attendre : la ruine finit toujours par frapper celui qui n'a pas de fond. La leçon dépasse de très loin les tapis verts. En Bourse, en assurance, dans toute activité où l'on doit survivre à une longue série de gains et de pertes pour récolter, une espérance positive ne suffit pas. Ce qui compte, c'est la probabilité de ne pas toucher le fond avant. On peut avoir raison en moyenne et faire faillite en chemin. Les assureurs le savent — ils calculent leur « probabilité de ruine » et immobilisent un capital réglementaire ; les bons parieurs aussi, qui dimensionnent chaque mise pour ne jamais risquer le tout. La règle tient en trois mots que ce carnet ne cesse de décliner : survivre n'est pas gagner. Dimensionnez pour le risque de ruine, jamais pour le rendement moyen.

Le jour où mon propre scepticisme s'est trompé

Depuis vingt-cinq ans, on entend dire que les grands réseaux — le web, les protéines, les collaborations scientifiques — sont « sans échelle » : une poignée de nœuds ultra-connectés, une distribution des connexions en loi de puissance. Puis, en 2019, une étude retentissante a jeté un doute : « les réseaux sans échelle sont rares », affirmaient ses auteurs, montrant que sur des milliers de réseaux réels, une autre courbe — la log-normale — rivalise souvent, et que la fameuse « droite sur papier log-log » ne prouve rien. J'ai voulu appliquer cette saine prudence à nos cinq réseaux de collaboration entre physiciens. J'avais parié, noir sur blanc et avant tout calcul, que la log-normale ferait jeu égal, et que le label « sans échelle » ne tiendrait pas. Le verdict m'a contredit — et c'est tout l'intérêt. Sur les cinq réseaux, la loi de puissance l'emporte, et nettement, alors même qu'elle a un paramètre de moins que sa rivale — un handicap qui aurait dû la faire perdre « gratuitement ». Ces réseaux-là sont donc bel et bien du côté des lois de puissance. En y regardant, les auteurs de 2019 le disaient eux-mêmes : les réseaux de citations et de co-signatures sont justement parmi les plus favorables à ce modèle. Mon erreur n'était pas dans les données, elle était dans ma tête : j'avais transformé un titre accrocheur — « c'est rare » — en préjugé, et je l'avais plaqué sur une catégorie où il ne s'appliquait pas. La vérité reste nuancée : l'ajustement n'est pas parfait, la courbe est « presque » une loi de puissance sans l'être tout à fait, et ma méthode de comparaison était volontairement simple. Je ne crie donc pas victoire pour la loi de puissance ; je constate seulement que mon pari sceptique était le mauvais. Et c'est peut-être la leçon la plus salutaire de tout ce carnet. Nous passons notre temps à traquer les préjugés cachés dans les données des autres. Mais l'analyste a les siens, et ils sont tout aussi traîtres — y compris le préjugé de la prudence, celui qui consiste à démentir par principe. La règle est symétrique : ne présumez pas qu'une chose est « sans échelle » sur la foi d'une droite ; mais ne présumez pas non plus qu'elle ne l'est pas sur la foi d'un titre à la mode. Dans les deux sens, un seul remède : mesurer.

Un test fiable à 99 % — et pourtant faux une fois sur deux

Imaginez un test de dépistage remarquable : il détecte 99 % des malades et ne se trompe que dans 1 % des cas chez les bien-portants. On vous annonce un résultat positif. Quelle est la probabilité que vous soyez réellement atteint ? L'intuition crie « 99 % ». La réalité, quand la maladie est rare, est glaçante : une chance sur deux. Faisons le compte sur dix mille personnes, pour une maladie touchant une personne sur cent. Il y a cent malades, dont quatre-vingt-dix-neuf seront détectés. Mais il y a aussi neuf mille neuf cents bien-portants — et un pour cent d'entre eux, soit quatre-vingt-dix-neuf personnes, seront déclarés positifs à tort. Quatre-vingt-dix-neuf vrais positifs, quatre-vingt-dix-neuf faux : votre résultat positif a exactement une chance sur deux d'être une fausse alerte. Notre simulation, sur une population de deux millions d'individus, confirme le chiffre à la décimale. Et plus l'événement recherché est rare, plus l'alerte est trompeuse : à une personne sur mille, la même excellente machine ne dit vrai que neuf fois sur cent. Le coupable n'est pas le test, c'est le taux de base — la rareté de ce qu'on cherche, multipliée par l'immense foule des cas normaux. Deux conséquences pratiques en découlent, que nous avons vérifiées. D'abord, à faible prévalence, ce qui compte n'est pas de rater moins de vrais cas, mais de produire moins de fausses alertes : améliorer la spécificité fait bondir la fiabilité du positif, améliorer la sensibilité n'y change presque rien. Ensuite, le remède classique fonctionne : un second test indépendant, positif lui aussi, ramène la certitude à quatre-vingt-dix-neuf pour cent, car deux fausses alertes coïncident rarement. La portée déborde de loin la médecine. Un système anti-fraude, un filtre anti-spam, un détecteur d'intrusion, un algorithme de scoring qui traquent un événement rare noient leurs vraies prises sous un torrent de fausses — c'est la « fatigue d'alerte » qui épuise les analystes. La règle est universelle : la précision d'un test ne dit rien tant qu'on ne la confronte pas au taux de base. Ignorer la prévalence est peut-être l'erreur de raisonnement la plus répandue — et la plus coûteuse — de notre époque de données.

La route qu'il fallait fermer

Voici une énigme qui a de quoi désarçonner tout urbaniste. Quatre mille automobilistes veulent aller d'un point à un autre. Deux itinéraires existent, symétriques : chacun comporte un tronçon rapide mais qui se congestionne — plus il y a de voitures, plus il ralentit — et un tronçon lent mais à débit constant. Laissés à eux-mêmes, les conducteurs se répartissent moitié-moitié, et chacun met soixante-cinq minutes. Maintenant, offrons-leur un cadeau : une bretelle instantanée reliant les deux itinéraires en leur milieu, gratuite, sans le moindre coût de passage. Une capacité en plus, une option de plus — cela ne peut qu'aider, n'est-ce pas ? C'est faux, et notre simulation le confirme sans appel. Chaque conducteur, en calculant froidement son intérêt, se met à emprunter la combinaison des deux tronçons congestionnés via la nouvelle bretelle. Ils s'y engouffrent tous. Le temps de trajet grimpe à quatre-vingts minutes — quinze de plus qu'avant le « cadeau ». Et nul ne peut s'en extraire : changer d'itinéraire donnerait quatre-vingt-cinq minutes, pire encore. C'est un équilibre stable, et il est défavorable à tout le monde. Ce n'est pas la route qui est en cause, c'est l'égoïsme des choix : un planificateur qui répartirait autoritairement le trafic maintiendrait le temps à soixante-cinq minutes, en n'utilisant la bretelle qu'à peine. L'écart entre ce que fait la foule et ce qu'un chef d'orchestre obtiendrait porte un nom — le « prix de l'anarchie » —, et il vaut ici près de vingt-cinq pour cent. Le plus stupéfiant reste le remède : fermer la bretelle ramène tout le monde à soixante-cinq minutes. Détruire une route améliore la circulation. Ce n'est pas qu'une curiosité mathématique : à Séoul comme à New York, la suppression de grands axes a bel et bien fluidifié le trafic. La leçon vaut pour tout système où des acteurs poursuivent leur intérêt sans se coordonner — réseaux électriques, plateformes, marchés, files d'attente. Ajouter une capacité, une option, un raccourci, une fonctionnalité peut dégrader le résultat de tous. La bonne question n'est jamais « cette amélioration aide-t-elle en principe ? », mais « quel équilibre les acteurs vont-ils réellement atteindre ? ». Parfois, la meilleure décision est de retirer, pas d'ajouter.

Ordre, désordre, et le seuil que rien n'annonce

Prenez une plaque d'aimants minuscules, chacun libre de pointer vers le haut ou vers le bas, mais préférant s'aligner sur ses voisins. À froid, ils s'accordent tous dans le même sens : la plaque est aimantée, ordonnée. Chauffez-la, et l'agitation thermique brouille peu à peu cet accord. La question est : le désordre s'installe-t-il doucement, ou d'un coup ? Nous avons simulé ce célèbre modèle d'Ising, et la réponse est nette — au sens propre. Tant que la température reste sous un seuil précis, l'aimantation demeure quasi maximale ; franchissez ce seuil, et elle s'effondre presque à zéro. Ce n'est pas une pente douce, c'est une falaise. Le seuil que nous mesurons tombe autour de 2,3, tout près de la valeur exacte que le physicien Lars Onsager a calculée à la main en 1944 — un des tours de force de la physique théorique. Et il existe une sentinelle qui annonce l'approche du gouffre : la susceptibilité, c'est-à-dire l'ampleur des fluctuations de l'aimantation. Loin du seuil, elle est calme ; en s'en approchant, elle explose — d'un facteur vingt dans notre simulation. Juste avant de basculer, le système devient hypersensible : la moindre poussée se propage à l'ensemble. Enfin, l'épreuve décisive : plus la plaque est grande, plus la bascule est brutale et le pic de fluctuations élevé. À la limite d'un système infini, la transition serait une marche parfaite, verticale. C'est la marque d'un vrai point critique, la même que nous avions vue dans la percolation et dans le tas de sable. La leçon vaut bien au-delà du magnétisme. Beaucoup de systèmes — un marché qui se fige, une opinion qui bascule, un écosystème qui s'effondre, une file d'attente qui sature — ne se dégradent pas graduellement : ils tiennent, tiennent encore, puis cèdent d'un coup au passage d'un seuil. Face à de tels systèmes, extrapoler une tendance linéaire est un piège mortel : la réalité n'est pas une pente, c'est une falaise. Mais la nature laisse un indice — la variance qui enfle. Quand les fluctuations d'un système se mettent à croître anormalement, ce n'est pas du bruit : c'est peut-être la falaise qui approche.

La relation la plus serrée du ciel — et pourquoi notre première tentative l'a manquée

Il existe en astrophysique une régularité qui fait débat depuis vingt ans : plus une galaxie tourne vite, plus elle est lourde — et la loi qui lie sa masse « ordinaire » (étoiles plus gaz) à sa vitesse de rotation est d'une précision presque suspecte. La masse croît comme la quatrième puissance de la vitesse, sur six ordres de grandeur, avec une dispersion si faible qu'elle nourrit l'hypothèse d'une physique cachée. Nous avons voulu la redécouvrir sur les cent trente-cinq galaxies du relevé SPARC. Et nous avons échoué à en retrouver la finesse — proprement, honnêtement, en le disant. Notre ajustement naïf a donné une pente de 3,2, non pas 3,85, et une dispersion trois fois trop grande. Fallait-il conclure que la fameuse relation est surestimée ? Non — l'erreur était la nôtre, et elle est instructive. Deux raisons se conjuguent. La première, nous l'avions déjà rencontrée dans ce livre : lorsqu'on ajuste une droite en négligeant le bruit sur la variable horizontale — ici la vitesse, entachée d'incertitude —, la pente est systématiquement aplatie. C'est l'atténuation. La preuve tient en une expérience : ajustez la relation dans l'autre sens, et la pente remonte à 3,6 ; la vraie valeur est prise en tenaille entre les deux. La seconde raison est plus subtile encore : la dispersion « de dix pour cent » que citent les articles n'est pas la dispersion que l'on mesure, mais celle qui reste après avoir retranché les erreurs d'observation et gardé les seules galaxies les mieux mesurées. Notre chiffre brut, lui, contient tout le bruit. Trois vérités subsistent pourtant, et elles comptent. La relation est bien là. Ajouter le gaz aux étoiles la resserre nettement — le cœur de l'argument de ses défenseurs. Et les galaxies gorgées de gaz tombent au même niveau que les galaxies pleines d'étoiles : c'est bien la masse totale qui gouverne, pas les seules étoiles. La leçon dépasse les galaxies : reproduire une « relation d'or » publiée ne se fait pas en jetant les données brutes dans une régression. Il faut la bonne méthode — sensible aux erreurs, honnête sur la différence entre dispersion observée et dispersion intrinsèque. Faute de quoi l'on manque la pente et la finesse, et l'on croit à tort avoir contredit un résultat qu'on n'a fait que mal mesurer.

Six degrés entre physiciens : le petit monde, vérifié sur le terrain

Un peu plus tôt, sur des réseaux fabriqués par ordinateur, nous avions vu qu'une poignée de raccourcis transforme un monde vaste et cloisonné en « petit monde » — très regroupé localement, mais traversable en quelques pas. Restait à savoir si les vrais réseaux humains sont ainsi faits. Nous avons repris les cinq réseaux de collaboration entre physiciens d'arXiv et mesuré leurs deux nombres-clés. Le premier, le regroupement, dit à quel point « les collaborateurs de mes collaborateurs sont mes collaborateurs » : il vaut ici entre 0,58 et 0,69 — c'est-à-dire que deux personnes reliées à une même troisième ont environ deux chances sur trois d'être elles-mêmes reliées. Comparé à un réseau tissé au hasard mais de même densité, c'est de quatre cents à mille sept cents fois plus. La raison est concrète : chaque article co-signé soude ses auteurs en une petite clique. Le second nombre, la distance moyenne, dit combien d'intermédiaires séparent deux personnes prises au hasard : il vaut entre quatre et six. Les fameux « six degrés de séparation » ne sont pas une légende urbaine ; ils se mesurent, ici, entre chercheurs. Et le prodige est que ces deux propriétés cohabitent : le fort regroupement local n'allonge presque pas les distances globales — les chemins réels ne sont qu'à peine plus longs (de quinze à cinquante pour cent) que ceux d'un réseau aléatoire. Un indicateur unique résume ce mariage improbable ; sur nos cinq réseaux, il vaut de deux cent cinquante à mille cinq cents, très loin au-dessus du seuil qui signe un petit monde. Ce que la simulation promettait, le terrain le confirme, cinq fois sur cinq. La leçon vaut pour tout réseau qui compte — électrique, bancaire, logistique, social. Il est à la fois robuste et fragile : robuste parce que sa structure locale dense encaisse la perte d'un nœud sans se déchirer ; fragile parce que ses distances courtes laissent une rumeur, un virus ou une panne balayer l'ensemble en quelques sauts. Comprendre un réseau, c'est toujours mesurer ces deux visages à la fois — et se rappeler qu'une même architecture protège et propage.

Vos co-auteurs ont plus de co-auteurs que vous — vérifié sur cinq réseaux réels

Il y a quelques heures, nous racontions le « paradoxe de l'amitié » sur des réseaux fabriqués par ordinateur : vos amis ont, en moyenne, plus d'amis que vous, parce que les gens très connectés apparaissent dans beaucoup de carnets d'adresses. Une belle idée — mais était-ce un artefact de nos graphes simulés, ou une vérité du monde réel ? Nous avons donc pris cinq réseaux authentiques : les collaborations scientifiques entre les dizaines de milliers de chercheurs qui ont co-signé des articles de physique sur arXiv, de la relativité générale à la matière condensée. Le verdict est sans appel, et le même partout. Dans chacun des cinq réseaux, un co-auteur tiré au hasard a bien plus de collaborateurs qu'un chercheur tiré au hasard — de deux fois et demie à plus de six fois plus. Et entre soixante-treize et quatre-vingt-six pour cent des chercheurs ont, littéralement, des co-auteurs en moyenne plus entourés qu'eux-mêmes. Vous n'êtes pas seul à vous sentir moins central que vos collègues : c'est la condition de l'écrasante majorité. Mieux encore, la petite formule de Scott Feld — l'écart se lit dans la variance des connexions divisée par leur moyenne — se vérifie à la décimale sur les cinq réseaux réels. Et la vraie surprise vint de l'épreuve que nous nous étions imposée d'avance : la force du paradoxe devait, en théorie, croître avec l'inégalité des connexions. Sur nos cinq réseaux, le classement par inégalité et le classement par force du paradoxe coïncident parfaitement — une correspondance de rang totale. Le réseau le plus inégalitaire, celui de la physique des hautes énergies où les grandes collaborations rassemblent des centaines de noms, affiche aussi le paradoxe le plus violent : un chercheur y a des co-auteurs six fois et demie plus connectés que lui. Ce qui n'était qu'une intuition de simulation est désormais une loi mesurée sur le terrain. Et c'est exactement ce qui distingue un outil fiable d'une jolie histoire : une propriété d'abord comprise sur un modèle, puis retrouvée, sans tricher, sur cinq jeux de données réels — et dont on sait même prédire la force à l'avance. Chaque fois que vous mesurez une population en la parcourant par ses liens — les abonnés d'un compte, les contacts d'un malade, les invités d'un invité —, souvenez-vous que vous regardez le monde à travers les yeux des plus connectés.

Deux portes, une chèvre — et deux réponses opposées à la même image

Le jeu est célèbre : trois portes, une voiture, deux chèvres. Vous choisissez une porte ; l'animateur, qui sait où est la voiture, en ouvre une autre pour révéler une chèvre, puis vous propose de changer. Faut-il ? L'intuition proteste : il reste deux portes fermées, donc une chance sur deux, changer ou rester revient au même. L'intuition a tort, et notre simulation le martèle sur quatre cent mille parties : changer gagne deux fois sur trois, rester une fois sur trois. Votre porte initiale garde sa maigre chance de départ ; toute la probabilité des portes que l'animateur écarte, en connaissance de cause, se déverse sur la seule porte qu'il vous laisse. Poussez à dix portes, où il en ouvre huit : changer gagne alors neuf fois sur dix. Mais le cœur de cette histoire n'est pas là. Il est dans une variante troublante. Imaginez maintenant que l'animateur ne sache rien : il ouvre une porte au hasard parmi les deux qui restent, et, cette fois-ci, tombe par chance sur une chèvre. L'image devant vous est exactement la même : deux portes fermées, une chèvre révélée. Et pourtant, changer ne vous rapporte plus rien — une chance sur deux, cette fois pour de bon. Comment deux situations visuellement identiques peuvent-elles commander des réponses opposées ? Parce que la probabilité ne se lit pas seulement dans ce que l'on voit, mais dans la manière dont on est venu à le voir. L'animateur qui sait vous livre une information — il évite toujours la voiture ; l'animateur ignorant ne vous en livre aucune — il aurait tout aussi bien pu l'ouvrir. Même chèvre, deux mondes. C'est, sous une forme pure, le piège que ce livre traque de page en page : conditionner sur une donnée sans se demander qui a choisi de vous la montrer, et selon quelle règle. Le chiffre qu'on vous présente en due diligence, le patient qu'on retient dans une étude, le fonds qui a « survécu » pour figurer dans le classement — tous sont des portes ouvertes par un animateur dont il faut d'abord connaître les intentions. La bonne question n'est jamais seulement « qu'est-ce que je vois ? », mais « par quel processus cela m'est-il parvenu ? ».

Combien de chars ? Une formule d'une ligne qui a battu l'espionnage

Pendant la Seconde Guerre mondiale, les Alliés cherchaient à savoir combien de chars l'Allemagne produisait. L'espionnage donnait des chiffres énormes et incertains. Les statisticiens, eux, remarquèrent que les chars capturés portaient des numéros de série — et que ces numéros, une fois rassemblés, contenaient la réponse. Le problème est joliment abstrait : des objets numérotés de un à N, on en observe quelques-uns au hasard, et l'on veut deviner N. Le réflexe naturel est de dire « au moins autant que le plus grand numéro vu ». Mais ce réflexe se trompe, et toujours dans le même sens : le plus grand numéro d'un échantillon est presque toujours en dessous du vrai maximum. Notre simulation le chiffre : avec cinq observations, prendre le plus grand vu sous-estime le total de dix-sept pour cent en moyenne. L'erreur n'est pas du bruit, c'est un biais structurel — il vaut exactement le total divisé par le nombre d'observations plus un. Et c'est précisément parce qu'il est structurel qu'on peut le corriger d'un trait de plume. Il suffit d'ajouter au plus grand numéro observé l'écart moyen que l'on s'attend à trouver au-delà de lui. La formule qui en résulte est sans biais — en moyenne, elle tombe juste — et, mieux, elle est la plus précise possible : nous l'avons comparée à l'autre candidat naturel, « deux fois la moyenne des numéros », et elle le bat nettement. Enfin, elle a une vertu rare : sa précision relative ne dépend pas de l'échelle. Estimer un millier d'objets ou cent mille, avec dix observations, donne la même marge d'erreur relative, autour de neuf pour cent. On sait donc à l'avance combien d'observations il faut pour atteindre la précision voulue — un luxe en statistique. La leçon dépasse de loin les chars. Chaque fois que des choses portent des numéros qui se suivent — factures, immatriculations, identifiants de commande, séries d'usine — un simple échantillon révèle le total, à condition de ne pas commettre l'erreur du débutant qui s'arrête au plus grand vu. La bonne estimation n'est presque jamais la plus évidente ; c'est celle qui corrige, sciemment, le biais que l'évidence ignore.

La catastrophe ultraviolette : quand une bonne théorie se trompe de vingt zéros

À la fin du XIXe siècle, la physique classique savait décrire la lumière émise par un corps chaud — un tison, un filament, une étoile — tant qu'on regardait vers le rouge et l'infrarouge. Sa formule, celle de Rayleigh et Jeans, y était excellente. Puis on la poussait vers le bleu, l'ultraviolet, et elle prédisait une absurdité : une émission qui croît sans limite, une énergie infinie rayonnée par n'importe quel objet tiède. On a appelé cela la « catastrophe ultraviolette », et sa résolution, en 1900, a fait naître la physique quantique. Nous avons rejoué la scène à partir de la seule formule de Planck. Deux grandes lois en sortent, à la précision de la machine. La loi de Wien d'abord : le pic d'émission se déplace vers le bleu quand la température monte, le produit de la longueur d'onde du pic par la température restant rigoureusement constant — d'où le rouge d'une braise et le bleu-blanc d'une étoile chaude. La loi de Stefan-Boltzmann ensuite : la puissance totale rayonnée croît comme la puissance quatrième de la température, si bien que doubler la chaleur multiplie l'éclat par seize. Toutes deux ressortent en aveugle, sans qu'on les ait injectées. Puis vient la frontière, et elle est vertigineuse à chiffrer. Dans l'infrarouge, la vieille formule classique colle à celle de Planck ; dans l'ultraviolet, elle la dépasse d'un facteur de l'ordre de dix mille milliards de milliards — vingt zéros d'erreur — et son énergie totale diverge quand celle de Planck reste sagement finie. Une même formule, excellente dans un régime, catastrophique dans l'autre. Nous en avons tiré une leçon aussi sur nous-mêmes : notre point de contrôle du « bon » régime, l'infrarouge, était placé trop près du pic, si bien que l'accord n'y était encore que de soixante-dix pour cent ; il fallait s'éloigner bien davantage pour voir les deux formules se confondre. C'est exactement le piège que ce livre traque partout : une approximation calibrée dans une zone peut diverger de vingt ordres de grandeur dès qu'on en sort — et le lieu où l'on vérifie sa validité doit être franchement hors de sa zone de confort, sous peine de croire fiable ce qui ne l'est que localement. La plupart des modèles que nous utilisons sont des Rayleigh-Jeans qui s'ignorent : justes ici, catastrophiques ailleurs.

Cinquante-cinq ans de Bourse tiennent en dix journées

Voici un chiffre qui devrait faire réfléchir tout épargnant. Sur l'indice Nasdaq, de 1971 à aujourd'hui — quatorze mille séances — un dollar investi au départ en vaut deux cent soixante-quatre à l'arrivée. Maintenant, retirons de cette longue histoire les dix meilleures journées, dix sur quatorze mille : le même dollar n'en vaut plus que cent un. Presque les deux tiers de la fortune se sont volatilisés en effaçant dix jours. Retirez les vingt meilleurs, et il en reste moins d'un cinquième. Le rendement de long terme n'est pas une bruine régulière qui tombe chaque jour ; ce sont quelques orages, rares et brutaux, qui font tout. Nous avons voulu vérifier à quel point ces jours extrêmes concentrent le mouvement, et ici l'honnêteté nous impose une nuance : nous avions parié trop fort sur une mesure, et trop peu sur une autre. En comptant le simple déplacement des cours, le 1 % de jours les plus agités ne pèse « que » sept pour cent du total — moins que nos quinze pour cent annoncés. Mais en comptant la variance, la vraie mesure du risque, ce même 1 % de jours porte plus du quart de toute l'agitation, et le top 5 % en porte la moitié. Nous avions choisi le thermomètre le moins sensible ; nous le corrigeons et publions les deux. Reste la leçon la plus importante, celle qui condamne l'illusion de « sortir avant la chute ». On imagine pouvoir éviter les mauvais jours et rester pour les bons. Mais les meilleurs et les pires jours sont voisins : près d'un tiers des vingt plus belles séances tombent à moins d'une semaine d'une des vingt pires — dix-neuf fois plus souvent que si le calendrier les avait dispersés au hasard. Les extrêmes arrivent en bouquets, dans les tempêtes de volatilité. Vouloir esquiver le krach, c'est risquer de manquer le rebond qui le suit immédiatement, et ce rebond fait partie des dix journées qui portent tout. Le même schéma se retrouve sur le S&P 500. La morale tient en une phrase : dans un marché à queues lourdes, le temps passé investi bat le temps passé à deviner — non par prudence, mais par arithmétique.

Un jeu parfaitement équitable — et pourtant l'un mène presque tout le temps

Jouez à pile ou face, un euro à chaque coup, dix mille coups. La pièce est honnête, le jeu strictement équitable : ni vous ni votre adversaire n'avez le moindre avantage. Question simple : quelle fraction du temps serez-vous en tête ? L'intuition répond « à peu près la moitié — on se relaie à la première place ». L'intuition se trompe, et de façon spectaculaire. La bonne réponse, c'est la loi de l'arcsinus, découverte par Paul Lévy et popularisée par William Feller : la fraction de temps passée en tête ne se répartit pas en cloche autour de la moitié, mais en U — les valeurs extrêmes sont les plus probables. Notre simulation le confirme sans détour : dans quatre parties sur dix, un joueur mène plus de 90 % du temps (ou moins de 10 %), tandis qu'un partage à peu près équilibré du temps de tête — entre 40 et 60 % — n'arrive que dans une partie sur huit. Le scénario que l'on croyait le plus naturel est en réalité le plus rare. Et il y a mieux : le dernier moment d'égalité, celui après lequel l'un des deux prend la tête pour ne plus la lâcher, tombe presque toujours soit au tout début, soit à la toute fin — dans près de six parties sur dix, dans le premier ou le dernier cinquième. Soit le sort tranche tôt et l'un domine tout le reste, soit tout bascule à la fin ; l'égalité qui s'éternise au milieu est l'exception. Nous avons aussi vérifié — honnêtement — que cette forme en U est universelle, indépendante de la longueur du jeu : plus la partie s'allonge, plus la distribution épouse la courbe théorique de l'arcsinus. Notre borne de précision, il est vrai, n'était atteinte qu'à partir de parties assez longues ; sur les plus courtes, la nature discrète du jeu laisse encore une trace, et nous le notons tel quel. La morale est un avertissement pour quiconque juge une performance sur une série. Un gérant qui « surperforme » depuis des mois, une équipe qui « domine » un match nul en talent, un variant de test qui reste « en tête » longtemps : tout cela peut n'être que la loi de l'arcsinus à l'œuvre. Dans un processus sans biais, une longue domination n'est pas un signal — c'est, littéralement, le cas le plus fréquent.

Personne ne veut de ghetto, et tout le monde en fabrique un

Voici une petite ville en damier : deux groupes de gens mêlés au hasard, quelques cases vides. Donnons à chacun une règle de vie remarquablement tolérante : « je reste chez moi tant qu'au moins trois de mes huit voisins sont de mon groupe — sinon je déménage ». Trois sur huit : chacun accepte donc d'être largement minoritaire, entouré aux deux tiers de gens différents. Personne ici n'est un ségrégationniste. Laissons la ville s'agiter, les mécontents déménager, jusqu'à ce que tout le monde soit content. Le résultat est saisissant : la ville se retrouve ségréguée aux trois quarts. Chaque habitant est satisfait avec ses 30 % de semblables, mais le paysage collectif affiche 75 % de voisinage homogène — des quartiers nettement séparés que personne n'a souhaités. C'est le modèle que Thomas Schelling a imaginé en 1971, et notre simulation le reproduit avec une netteté troublante. Il y a même un effet de bascule : tant que la tolérance reste à deux voisins sur huit, la ville demeure mélangée ; passez à trois, et elle s'effondre d'un coup vers la séparation. Mais le test qui compte, c'est l'expérience-témoin. Que se passe-t-il si les gens n'ont aucune préférence — s'ils restent quelles que soient leurs voisines ? Réponse : rien. Personne ne bouge, la ville garde son mélange initial, la ségrégation reste à la valeur du pur hasard. La preuve est faite : ce ne sont pas les déménagements en eux-mêmes qui séparent, c'est la préférence, aussi ténue soit-elle. Et de là vient la leçon la plus contre-intuitive, celle qui fait de ce modèle un outil et pas seulement une curiosité. Nous avons l'habitude de lire une cause forte derrière un effet fort : si la ville est très ségréguée, c'est que les gens sont très intolérants. Schelling montre que c'est faux. Un résultat collectif extrême peut naître d'intentions individuelles douces. On ne peut pas lire le cœur des gens dans la carte de la ville. Partout où l'on observe un macro-phénomène marqué — une plateforme polarisée, un marché pris de panique, une entreprise devenue monoculture — la tentation est d'incriminer des convictions extrêmes. Ce livre invite à une prudence : demandez-vous toujours si l'effet spectaculaire que vous mesurez exige réellement une cause à sa mesure. Souvent, non.

Deux familles de planètes, et le fossé qui les sépare

Parmi les milliers de planètes découvertes autour d'autres étoiles, les plus petites — celles dont le rayon vaut de une à quatre fois celui de la Terre — cachent une surprise que l'on aurait pu croire lissée par le hasard des mesures. On s'attendrait à une population continue, du petit caillou rocheux à la mini-Neptune, sans rupture. Ce n'est pas ce qu'on trouve. En ajustant la distribution des rayons, deux gaussiennes battent une seule de façon écrasante : il y a deux familles, pas un dégradé. La première culmine autour de 1,42 rayon terrestre — les « super-Terres », des mondes rocheux et denses. La seconde autour de 2,54 — les « sous-Neptunes », enveloppées d'une atmosphère gonflée. Et entre les deux, un fossé étrangement vide : le « radius valley », que notre analyse situe à 1,78 rayon terrestre. Les astronomes l'ont repéré en 2017 et l'attribuent à la photoévaporation : le rayonnement de l'étoile arrache l'atmosphère des planètes intermédiaires, qui « tombent » d'un côté ou de l'autre du fossé et le désertent. Le chiffre que nous obtenons — 1,78 — colle à la valeur publiée sans que nous ayons rien réglé pour cela. Mais le vrai test, celui qui distingue une découverte d'une illusion, était ailleurs. Une bosse creusée peut n'être qu'un caprice de l'échantillon. Alors nous avons coupé la collection de planètes en deux, au hasard, et refait l'analyse à l'aveugle sur chaque moitié. Verdict : les deux moitiés retrouvent, indépendamment, exactement le même fossé — 1,78 d'un côté, 1,78 de l'autre — et les mêmes deux pics. La bimodalité est une propriété des planètes, pas de notre tirage. C'est le pendant lumineux d'une leçon que nous avions apprise à l'envers quelques heures plus tôt : là, une queue lourde apparente n'était qu'un mélange trompeur, à démasquer en homogénéisant ; ici, deux populations apparentes sont bien réelles, à confirmer en répliquant. La même question, posée partout où l'on croit voir des groupes — deux types de clients, deux modes de panne, deux sous-catégories de patients : ces groupes existent-ils vraiment, ou les avons-nous fabriqués ? La réponse ne vient jamais du seul ajustement qui « préfère » deux groupes ; elle vient de ce que le fossé se retrouve, obstinément, au même endroit quand on rejoue la partie.

Quand la moyenne ment — et le jour où je me suis trompé de détecteur

On croit la moyenne inoffensive : additionnez, divisez par le nombre, et vous tenez une valeur « typique ». C'est vrai — tant que les données ne sont pas trop sauvages. Nous avons tiré des nombres selon des lois de puissance de plus en plus lourdes de queue, et regardé la moyenne se comporter. Avec une queue modérée, tout va bien : la moyenne se pose sur sa vraie valeur et n'en bouge plus, ses fluctuations rétrécissant comme l'inverse de la racine du nombre d'échantillons — le théorème central limite, ce pilier de la statistique, tient. Mais poussez la queue assez loin, et le sol se dérobe. Pour une queue si lourde que la moyenne théorique n'existe pas, la moyenne calculée sur cent mille tirages ne se stabilise jamais : elle valait vingt-neuf, puis cinquante, puis bondit à deux cent soixante-quinze, entraînée par un unique record qui, à lui seul, représente plus de la moitié de toute la somme. Parler de « moyenne » ici est une erreur pure. Et voici la partie honnête de l'histoire. J'avais parié, avant de calculer, sur un indicateur unique — le rapport entre le plus grand terme et la somme — pour détecter tous ces cas pathologiques. Mon pari était en partie faux, et il contredisait même la note théorique que j'avais écrite juste au-dessus. Car cet indicateur ne voit qu'une seule des deux maladies : celle où la moyenne n'existe pas. Il existe un régime intermédiaire, plus sournois, où la moyenne existe bel et bien et finit par converger — mais où sa variance est infinie, si bien que ses fluctuations ne rétrécissent pas au rythme promis par le théorème central limite. On croit connaître la moyenne, jusqu'au jour où une valeur énorme tombe et la déplace. Ce régime-là, mon indicateur ne le détecte pas ; il faut un second test, qui mesure la vitesse à laquelle les fluctuations s'estompent. Deux maladies, deux détecteurs : c'est la leçon, plus riche que la prédiction que j'avais ratée, et je la note telle quelle. La morale pour quiconque manie des chiffres de risque — pertes d'assurance, dépassements de budget, dommages climatiques : avant de calculer une moyenne, demandez-vous non pas si elle est précise, mais si elle existe. Un seul sinistre peut suffire à la rendre vide de sens — et l'écart-type et la barre d'erreur avec elle.

Vos amis ont plus d'amis que vous — et ce n'est pas une loi, c'est un mirage d'échantillon

Ouvrez n'importe quel réseau social et vous aurez le sentiment tenace que tout le monde y est plus populaire, plus suivi, plus entouré que vous. Ce sentiment est mathématiquement fondé — mais pour une raison qui n'a rien à voir avec vous. En 1991, le sociologue Scott Feld a énoncé ce « paradoxe de l'amitié » : en moyenne, vos amis ont plus d'amis que vous. Nous l'avons reconstruit sur un réseau de cinq mille personnes où les connexions se répartissent de façon très inégale, comme dans la vraie vie. Le résultat est spectaculaire : un « ami » tiré au hasard y est presque trois fois plus connecté qu'un individu tiré au hasard, et quatre-vingt-onze pour cent des gens ont effectivement des amis en moyenne plus populaires qu'eux. Vous n'êtes pas malchanceux : vous êtes la majorité. La cause n'est pas une vérité mystérieuse sur les relations humaines ; c'est une simple asymétrie de comptage. Les personnes très connectées apparaissent dans le carnet d'adresses de beaucoup de monde ; les personnes peu connectées, dans presque aucun. Quand vous regardez « vos amis », vous échantillonnez donc les gens proportionnellement à leur nombre de liens — un biais qui gonfle automatiquement les populaires. L'écart obéit d'ailleurs à une formule exacte, que notre simulation confirme à la décimale près : il vaut la variance des connexions divisée par leur moyenne. Plus les connexions sont inégalement réparties, plus le paradoxe est fort. Et voici la preuve décisive que ce n'est pas une loi de la nature mais un artefact de mesure : construisez un réseau où chacun a exactement le même nombre d'amis, et le paradoxe s'évanouit purement — écart nul, zéro pour cent de gens concernés. La leçon dépasse de loin les amitiés. Dès qu'on mesure une population en l'échantillonnant par ses liens, ses expositions, ses contacts — les followers d'un compte, les gens croisés par un malade, les vues d'une vidéo — on sur-représente mécaniquement les plus connectés, et toute moyenne « vue depuis les connexions » penche vers le haut. C'est notre dix-septième détecteur de biais. Et, comme souvent, le biais bien compris devient un outil : pour freiner une épidémie, vacciner « l'ami de quelqu'un pris au hasard » touche des personnes plus centrales que vacciner au hasard — le même mirage, retourné en levier.

La croissance n'est pas une cloche — c'est une tente (et il fallait le prouver deux fois)

On enseigne volontiers que les grandeurs économiques se répartissent en cloche, la fameuse courbe de Gauss : une bosse symétrique où les valeurs extrêmes sont rarissimes. Prenons cent soixante-dix pays, soixante-dix ans de croissance annuelle, et regardons vraiment. La forme n'est pas une cloche : c'est une tente. Un pic central bien plus pointu que la cloche — la plupart des années, un pays croît d'un montant modéré et prévisible — flanqué de deux versants qui descendent en ligne droite sur un graphe logarithmique, signature d'une loi dite de Laplace. Les grandes ruptures, accélérations et effondrements, y sont bien plus fréquentes que la cloche ne le tolère. La mesure est sans appel : la loi de Laplace bat la gaussienne avec un écart de qualité colossal. C'est un fait connu des éconophysiciens depuis 1998 — mais notre travail n'était pas de le redécouvrir, il était de le soupçonner. Car il existe un piège que nous traquons partout : mélanger des choses de tailles différentes fabrique mécaniquement des queues lourdes. Empilez la croissance d'un petit pays très volatil et celle d'un grand pays très stable, et le mélange paraîtra « à queues lourdes » même si chacun, pris seul, était une sage cloche. La tente que nous voyions n'était-elle qu'un tel mirage de mélange ? Nous avons fait le test décisif : ramener chaque pays à sa propre échelle, l'homogénéiser, puis regarder la forme qui reste. Le résultat est double et il est honnête. D'un côté, la lourdeur brute s'effondre — l'excès de « pointu » passe de vingt-huit à trois virgule six : donc l'essentiel de ce qu'on lisait sur les données brutes était bel et bien un artefact de mélange, une illusion de pooling qui exagérait le risque d'un facteur huit. Mais de l'autre, ce qui subsiste — trois virgule six — n'est pas la cloche (qui donnerait zéro) : c'est presque exactement la valeur théorique d'une tente de Laplace. La loi est donc réelle, intrinsèque à chaque pays, et pas seulement un mirage. La leçon pour quiconque mesure un risque : une queue lourde vue sur des données agrégées mérite toujours cette double question — combien en est une vraie loi, combien n'est qu'un mélange mal démêlé ? Un audit sérieux livre les deux chiffres, jamais un seul.

Le tas de sable : des catastrophes qui n'ont pas de cause spéciale

Laissez tomber des grains de sable, un par un, sur une table. Le tas monte, sa pente se raidit, puis se stabilise à un angle précis. À partir de là, chaque grain supplémentaire peut ne rien faire — ou déclencher une avalanche qui balaie la moitié du tas. Et voici l'étrangeté : le grain qui provoque le désastre est identique à celui qui ne fait rien. Nous avons simulé exactement cela — une grille où chaque case trop chargée se déverse sur ses voisines — et le tas fait quelque chose de remarquable : parti d'une grille vide, sans qu'on règle le moindre bouton, il trouve tout seul son état critique, une densité de deux virgule un grains par case, la valeur exacte que prédit la théorie. Personne ne l'a réglé ; il s'y rend. C'est là tout le contraste avec la percolation dont nous avons parlé plus tôt : là-bas, il fallait accorder la densité à la troisième décimale pour atteindre le point critique ; ici, le système s'y installe spontanément. Bak, Tang et Wiesenfeld ont appelé cela la « criticité auto-organisée », en 1987, et ils y voyaient — à raison ou à tort — une clé de la façon dont la nature fabrique ses catastrophes. Une fois l'état critique atteint, les avalanches déclenchées par un seul grain s'étalent sur plus de quatre ordres de grandeur : d'un écroulement isolé à quatorze mille, sans taille « typique » entre les deux. Elles suivent une loi de puissance — la signature d'un monde sans échelle. Et la preuve par le feu : il n'existe aucune taille caractéristique d'avalanche. Doublez la table, et l'avalanche maximale quadruple ; la seule limite au désastre est le bord du monde. Agrandir le système agrandit les catastrophes possibles. La leçon dépasse le sable, et elle est dérangeante. Dans un réseau électrique, un système bancaire, une chaîne logistique — tout système à couplage local qu'on charge lentement — le grand effondrement n'a pas besoin d'une grande cause, ni d'un choc venu de l'extérieur. Il est déjà inscrit dans la distribution, avec la même origine que le minuscule incident quotidien. Le « cygne noir » que l'on cherche à expliquer par un événement exceptionnel est parfois, tout simplement, le tas de sable qui fait ce que fait un tas de sable. La bonne question n'est pas « quelle cause extraordinaire ? » mais « mon système fabrique-t-il lui-même ses catastrophes — et si oui, sa pire avalanche grandit-elle avec sa taille ? ».

Deux pour cent de raccourcis, et le monde devient petit

Imaginez mille cinq cents personnes en cercle, chacune ne connaissant que ses cinq voisins de gauche et cinq de droite. Pour faire passer un message d'un point du cercle au point opposé, il faut le relayer de proche en proche : soixante-quinze poignées de main en moyenne. Un tel monde est très regroupé — les amis de mes amis sont mes amis — mais immense à traverser. Maintenant, prenez deux arêtes sur cent, au hasard, et rebranchez-les vers quelqu'un de tiré au sort dans tout le cercle. Deux pour cent. Que devient la distance moyenne ? Elle ne baisse pas de deux pour cent, ni de moitié : elle tombe de soixante-quinze à sept. Une chute de quatre-vingt-dix pour cent. Et le regroupement local, lui, tient bon : il passe de 0,667 à 0,63, presque intact. C'est le « petit monde » que Watts et Strogatz ont formalisé en 1998, et notre simulation le reproduit au millième près — le regroupement de départ, 0,667, est exactement la valeur théorique deux tiers. Le cœur de l'affaire est une séparation d'échelles : la distance globale s'effondre presque instantanément quand on ajoute des raccourcis, tandis que la texture locale ne se dégrade que bien plus tard. Dès un demi pour cent de rebranchements, la distance a déjà fondu de quatre-vingts pour cent et le regroupement en garde quatre-vingt-dix-huit. Une poignée de liens portent, à eux seuls, presque tout le diamètre du réseau. Et l'effet grandit avec le monde : dans notre cercle de cinq cents, deux pour cent de raccourcis divisent la distance par quatre ; dans celui de mille cinq cents, par dix. Plus le monde est vaste, plus un raccourci est précieux — c'est la raison profonde des fameux « six degrés de séparation » qui tiennent pour des populations entières. La leçon vaut au-delà des cercles d'amis : un réseau électrique, une chaîne logistique, un système bancaire, un tissu social peuvent être transformés — pour le meilleur, la vitesse ; pour le pire, la contagion — par une infime minorité de connexions. La bonne question d'audit n'est pas « combien de liens ? » mais « où sont les quelques raccourcis qui portent tout ? ».

La main chaude n'était pas un mythe — c'était l'estimateur qui inventait une main froide

En 1985, trois psychologues célèbres démontrèrent que la « main chaude » du basketteur — l'idée qu'un panier appelle le suivant — n'existait pas : dans leurs données, la probabilité de marquer après une série de paniers n'était pas plus élevée que d'ordinaire. La « main chaude » devint le fanion des illusions cognitives : l'humain croit voir des séries là où il n'y a que du hasard. Et il est vrai que le hasard paraît groupé : nous l'avons vérifié, dans une suite de cent tirages à pile ou face, huit fois sur dix on trouve une série d'au moins cinq résultats identiques — bien plus que ce que l'intuition tolère. Mais en 2018, deux économistes ont retourné l'histoire d'un coup, et le retournement est vertigineux. L'estimateur qu'on emploie — « regardons, pour chaque joueur, la fraction de réussites juste après une série, puis faisons la moyenne » — est biaisé vers le bas sur des données finies. Sur une pièce parfaitement équilibrée et sans aucune mémoire, cet estimateur attend une valeur inférieure à un demi : il fabrique une « main froide » qui n'existe pas. Nous l'avons simulé sur deux cent mille suites : le biais vaut environ −0,01 pour cent tirages, mais grimpe à −0,05 quand la suite est courte, et surtout, quand on conditionne sur une série de trois succès, il atteint −0,04 — exactement l'ordre de grandeur de l'effet que les chercheurs de 1985 traquaient. Autrement dit : leur méthode soustrayait mécaniquement l'effet qu'ils cherchaient. Leur « zéro » n'était pas un zéro. La preuve par le feu : nous avons injecté une vraie main chaude (écart de 0,20) ; l'estimateur brut la rabote à 0,188, mais corrigé par la valeur qu'il donnerait sur du pur hasard, il récupère 0,198 — l'effet réel, restitué. Et sur du hasard pur, la correction ramène tout à zéro : plus de main froide fantôme. La leçon dépasse le basket. Un test de dépendance — la réussite appelle-t-elle la réussite ? — peut afficher un résultat nul, ou même de signe inverse, par la seule faute de son estimateur. Ne comparez jamais à ce que vous croyez être le hasard ; comparez à ce que votre estimateur produit réellement sur du hasard. C'est notre seizième détecteur, et le plus retors : celui qui traque non pas le motif inventé dans le bruit, mais le motif réel qu'un chiffre mal construit efface.

La chaîne qui s'essouffle — et le piège de la prolonger tout droit

Prenez les alcanes, ces molécules en chaîne — méthane, éthane, propane, et ainsi de suite — et regardez à quelle température chacun bout. Chaque maillon de carbone ajouté élève le point d'ébullition, mais de moins en moins : passer d'un carbone à deux gagne 73 degrés, mais passer de dix-sept à dix-huit n'en gagne plus que 14. Nous avons vérifié : sur seize incréments successifs, les seize diminuent, sans exception, en décroissant presque géométriquement (chaque gain vaut environ 0,92 fois le précédent). Une somme de termes qui rétrécissent ainsi converge : la chaîne infinie ne bout pas à l'infini, elle tend vers un plafond, autour de 730 K. C'est une loi de rendements décroissants — cousine de la longévité qui sature avec la richesse, du bonheur qui croît comme le logarithme du revenu. Mais l'histoire cache deux leçons de méthode que nous tenions à raconter honnêtement. La première : nous avions parié d'avance sur une formule précise pour décrire cette saturation ; elle a échoué notre propre critère (elle imposait, à tort, une ébullition nulle pour une chaîne de longueur nulle) et plaçait le plafond au hasard, contre le bord de nos calculs. Il a fallu la bonne formule — un paramètre de plus — pour révéler le vrai plafond. Une saturation bien réelle peut être niée par un modèle trop pauvre : c'est un faux négatif, non pas des données, mais de la forme qu'on leur impose. La seconde leçon est plus tranchante encore. Tracez une droite sur les six premiers alcanes — elle colle magnifiquement — puis prolongez-la jusqu'au dix-huitième. Elle prédit 891 K. Le vrai vaut 589 K : trois cents degrés d'erreur. Extrapoler tout droit une loi qui s'incurve, c'est la trahison classique. Et il y a un dernier vertige : le plafond « idéal » de la chaîne infinie n'existe pas pour de bon — une molécule assez longue se décompose bien avant de bouillir. La frontière physique arrive avant la frontière mathématique. Le plafond que calcule le modèle est un lieu où la matière, elle, a déjà cessé d'exister.

La sagesse des foules — à une condition qu'on oublie toujours

En 1785, le marquis de Condorcet démontra un théorème vertigineux : si chaque membre d'un groupe a un peu plus d'une chance sur deux d'avoir raison, alors le vote majoritaire du groupe tend vers la certitude à mesure qu'il grandit. Notre simulation le confirme spectaculairement : avec des individus justes à 60 %, une majorité de deux cents personnes atteint 99,8 % d'exactitude. Mais le théorème a un versant sombre, tout aussi vrai : si chacun a un peu moins d'une chance sur deux — 40 % —, la même majorité de deux cents se trompe à 99,8 %. La foule n'est pas sage en elle-même ; elle amplifie la compétence de ses membres, dans un sens comme dans l'autre. Une foule médiocre est confiante et fausse. Et puis il y a la condition que tout le monde oublie : l'indépendance. Refaites l'expérience en corrélant légèrement les votants — comme le font une culture commune, une source d'information partagée, une mode — et le bénéfice du nombre s'effondre. Avec une corrélation de un demi, deux cents votants plafonnent à 64 % : à peine mieux qu'un seul. Des votants qui se ressemblent sont redondants ; deux cents voix identiques ne valent qu'une voix. C'est exactement la « dimension effective » que nous avions rencontrée chez les étoiles et les taux d'intérêt. La leçon est directe pour qui assemble des modèles, réunit un comité d'experts ou lit un sondage : le nombre ne fait la force qu'à deux conditions — être meilleur que le hasard, et être vraiment indépendant. Une chambre d'écho, même immense, ne sait rien de plus qu'une seule voix.

Une épidémie ne s'arrête pas à l'immunité collective : elle la dépasse

On entend souvent que, passé un certain seuil d'immunité collective, une épidémie s'éteint. C'est à moitié vrai — et la moitié fausse est cruciale. Nous avons simulé le modèle classique de propagation (le modèle SIR de 1927) pour différents niveaux de contagiosité. Trois résultats se confirment. D'abord, il faut qu'un malade en contamine plus d'un en moyenne pour que l'épidémie décolle : en dessous de ce seuil, rien ne se passe. Ensuite, le fameux seuil d'immunité collective — la fraction de la population qui, immunisée, fait retomber la transmission — vaut bien « un moins l'inverse du taux de reproduction » (67 % pour un R0 de 3), et c'est exactement le moment où la vague atteint son pic. Mais — et c'est le point que l'intuition rate — ce pic n'est pas la fin. Au moment où le seuil est franchi, une énorme quantité de personnes sont déjà infectées et vont encore en contaminer d'autres : l'épidémie dépasse le seuil. Pour un R0 de 2, il suffirait de 50 % d'immunisés pour stopper la transmission, mais si on laisse faire, l'épidémie en infecte finalement 80 % — trente points de trop. C'est l'argument mathématique décisif contre la stratégie du « laissons l'immunité collective se faire naturellement » : par inertie, elle se fait toujours en excès. La leçon vaut pour tout phénomène contagieux — une rumeur, une mode, une panique bancaire : le seuil où ça ralentit n'est jamais le point où ça s'arrête. Ne confondez pas le moment où la marée cesse de monter avec le niveau qu'elle atteindra.

Les pays pauvres rattrapent-ils les riches ? La convergence qui n'existe que si on triche

La théorie économique classique le prédit : les pays pauvres, en s'équipant, devraient croître plus vite et rattraper les riches — la « convergence ». Sur cent quarante-neuf pays suivis de 1970 à 2018, nous avons regardé si la richesse de départ prédisait la croissance ultérieure. Le verdict est net : aucun rattrapage. La corrélation est nulle ; en moyenne, les pays pauvres de 1970 n'ont pas comblé leur retard. C'est le grand écart du développement. Alors pourquoi tant d'économistes ont-ils cru à la convergence ? Parce qu'ils l'avaient cherchée au mauvais endroit. Si l'on ne regarde que les pays aujourd'hui riches, la convergence saute aux yeux (une corrélation de −0,84 !). Mais c'est un piège : en ne retenant que ceux qui ont fini riches, on inclut forcément les pauvres-de-1970 qui ont explosé, et on exclut ceux qui ont stagné. On a sélectionné sur l'arrivée. C'est l'erreur qu'a commise Baumol en 1986, corrigée par DeLong deux ans plus tard — et c'est exactement le biais du survivant que nous avions simulé plus tôt, retrouvé ici en chair et en os sur les données mondiales. Détail qui achève la démonstration : même en ne gardant que les pays restés pauvres, une fausse convergence apparaît — car conditionner sur le point d'arrivée, quel qu'il soit, fabrique le mirage. La règle est universelle et vaut bien au-delà de l'économie : pour savoir si une trajectoire mène quelque part, on étudie tous ceux qui sont partis, jamais seulement ceux qui sont arrivés.

La loi de Goodhart : dès qu'un indicateur devient une cible, il ment

« Quand une mesure devient une cible, elle cesse d'être une bonne mesure. » Cette formule, la loi de Goodhart, explique un nombre stupéfiant de fiascos — des hôpitaux qui optimisent les temps d'attente au détriment des soins, aux modèles d'intelligence artificielle qui apprennent à tromper leur propre score. Nous l'avons mise en scène. Prenez cinq mille acteurs dotés d'une vraie qualité, et un indicateur qui, au départ, la reflète fidèlement (corrélation 0,93). Puis faites de cet indicateur l'objectif à atteindre. Aussitôt, les acteurs — surtout les moins bons — apprennent à le « gonfler » sans améliorer le fond : l'indicateur moyen bondit spectaculairement, tandis que la qualité réelle, elle, ne progresse pas d'un iota. La corrélation entre la mesure et la réalité s'effondre. Comment démasquer la supercherie ? Trois signes que notre simulation confirme. D'abord, le gain est en trompe-l'œil : l'indicateur explose, les résultats concrets stagnent. Ensuite — et c'est le test décisif — un second indicateur, indépendant et non ciblé, reste fidèle à la réalité : l'écart entre les deux trahit le maquillage. Enfin, ce sont les acteurs auparavant les plus faibles qui « progressent » le plus sur la cible (corrélation −0,87 entre progrès affiché et vraie qualité), car ce sont eux qui ont le plus à gagner à tricher. La leçon vaut pour tout dirigeant, tout data-scientist, tout concepteur de politique : ne jugez jamais un système au seul indicateur qu'il cherche à maximiser — gardez toujours une mesure témoin qu'il ne sait pas qu'on surveille.

Le marché du travail qui a changé de règle : la courbe de Beveridge après le Covid

Il existe en économie une relation aussi fiable qu'une loi physique : quand le chômage monte, les postes vacants se raréfient, et inversement. C'est la courbe de Beveridge, et sur vingt ans de données américaines (2000-2019) elle se vérifie sans peine — les deux grandeurs varient en sens opposé, avec une corrélation de −0,77. Puis le Covid est passé, et quelque chose s'est déréglé. Non pas la forme de la relation, mais son niveau : après 2021, pour un même taux de chômage, il y a beaucoup plus d'emplois non pourvus qu'avant. Le chiffre est frappant : en 2019 comme en 2022, le chômage tourne autour de 3,6 % — mais le taux de postes vacants, lui, est passé de 4,5 % à 7,0 %. À chômage égal, plus de la moitié d'offres d'emploi supplémentaires restaient sans preneur. La courbe entière s'est déplacée vers l'extérieur, et absolument tous les mois de l'après-Covid se retrouvent au-dessus de l'ancienne trajectoire. Les économistes appellent cela une perte d'efficacité d'appariement : les chercheurs d'emploi et les postes ne se trouvent plus aussi bien (décalage de compétences, de géographie, de préférences). Le point d'audit est le même que pour un choc de prix ou un changement de règle du jeu : il faut distinguer une relation qui se déplace — même forme, décalée d'un cran — d'une relation qui se casse. Ici, c'est un déplacement franc, systématique, et il raconte un problème structurel, pas un simple aléa de conjoncture.

L'effet qui se déguise en zéro : quand une mesure imprécise efface la vérité

Jusqu'ici, ce carnet a surtout traqué les effets qui n'existent pas — les faux positifs. Voici le piège inverse, et il est tout aussi coûteux : un effet bien réel qui disparaît à cause d'un instrument imprécis. Supposons un lien parfait entre une cause et un effet, de pente 1. Si l'on mesure la cause avec du bruit — un sondage approximatif, un capteur imprécis, un indicateur « proxy » —, la pente que l'on retrouve n'est plus 1 : elle est tirée vers zéro, d'autant plus que la mesure est bruitée. Notre simulation le chiffre exactement : avec une mesure à moitié bruit, la pente tombe à 0,5 ; avec beaucoup de bruit, à 0,1 — un vrai effet qui a tout l'air d'un néant. C'est le biais d'atténuation, connu depuis Spearman en 1904, et systématiquement oublié. Trois précisions rendent l'outil utilisable. D'abord, l'ampleur du dégât suit une règle simple : la pente est multipliée par la « fiabilité » de la mesure, ce qui la rend calculable — et corrigeable. Ensuite, une asymétrie clé : seul le bruit sur la cause atténue ; du bruit sur l'effet mesuré ne fausse pas la pente, il ajoute juste de la dispersion. Enfin, le remède : diviser la pente observée par la fiabilité restaure la vraie valeur. La morale, pour qui conclut « pas d'effet » : avant de l'affirmer, demandez-vous si votre thermomètre n'est pas cassé. Un lien réel peut se cacher derrière une mesure trop grossière — et l'absence de preuve n'est pas la preuve de l'absence.

Pourquoi le cerveau humain est une anomalie — et comment le mesurer proprement

Plus un animal est gros, plus son cerveau est gros — mais pas proportionnellement. Sur cinquante-six mammifères, la masse du cerveau croît comme la masse du corps à la puissance 0,77 : un exposant inférieur à un, la loi d'allométrie cérébrale établie par Jerison dans les années 1970. Jusque-là, rien d'inattendu. L'intéressant est ce qui dépasse de cette droite. Les primates s'y placent systématiquement au-dessus — à taille égale, ils ont plus de cerveau — et l'humain n'est pas seulement au-dessus : il est le champion absolu, premier sur cinquante-six, avec environ six fois et demie plus de cervelle qu'un mammifère ordinaire de son poids. Voilà, chiffrée, l'exception humaine. Mais le point de méthode compte autant que le fait : quand on retire les primates pour retracer la droite « ordinaire », les primates restent exactement un demi-ordre de grandeur au-dessus. Autrement dit, leur cerveau ne grandit pas selon une pente différente — il part d'un niveau plus élevé. C'est ce qu'on appelle un décalage de grade, et le distinguer d'un changement de pente est l'un des gestes essentiels d'un bon audit : un sous-groupe peut être systématiquement au-dessus (ou en dessous) d'une loi sans en violer la forme. Confondre les deux — croire qu'un segment « suit une autre règle » alors qu'il suit la même règle à un autre étage — mène à des modèles inutilement compliqués. La bonne question n'est pas seulement « la loi tient-elle ? », mais « qui est décalé, et de combien ? ».

Une étoile, un seul nombre : la masse commande presque tout

Une étoile se décrit par plusieurs grandeurs — sa masse, son rayon, sa température de surface, sa luminosité. Combien de ces nombres sont vraiment indépendants ? Sur près de six cents étoiles bien mesurées, la réponse est saisissante : un seul. Ces quatre grandeurs s'effondrent sur un unique axe qui capture 93 % de toute leur variation — et cet axe, c'est la masse. Connaître la masse d'une étoile de la séquence principale, c'est connaître, à 93 %, son rayon, sa chaleur et son éclat. Les astrophysiciens le savent depuis le théorème de Vogt-Russell (la masse et la composition suffisent) ; nous l'avons retrouvé à l'aveugle, sans le supposer. Mais le plus élégant est le petit reste. Il subsiste une seconde direction, qui pèse 6,5 % — et ce n'est pas du bruit : c'est la composition chimique et l'âge des étoiles. Or c'est exactement ce résidu qui, dans une analyse précédente, empêchait la relation masse-luminosité d'être parfaitement nette. Autrement dit, l'outil qui compte les dimensions ne se contente pas de dire « il y a un axe et demi » : il identifie la source de l'imperfection d'une loi. C'est la troisième fois que ce même outil, appliqué à des mondes sans rapport — les traits des animaux, les taux d'intérêt, et maintenant les étoiles — rend le même verdict : derrière une foule de variables corrélées se cache une poignée de facteurs. Savoir combien un problème a de vraies dimensions, et lesquelles, est l'une des façons les plus générales de voir clair.

Le talent qui n'existe pas : comment les morts qu'on ne compte plus fabriquent des génies

Voici l'un des faux positifs les plus coûteux de la finance et du management, et il se démontre en une simulation limpide. Prenez cinq mille fonds d'investissement dont les rendements sont du pur hasard : en moyenne, aucun n'a le moindre talent. Chaque année, liquidez les pires. Au bout de quinze ans, il en survit un millier — et si vous ne regardez qu'eux, ils affichent une surperformance de cinq pour cent par an. Cinq points d'« alpha » sortis du néant, uniquement parce qu'on a effacé les perdants au fur et à mesure. C'est le biais du survivant, et notre simulation en donne la mécanique complète : plus la mortalité du secteur est forte, plus le mirage grandit (de 1,5 % à près de 8 % par an selon le taux de liquidation) ; et si l'on réintègre les fonds fermés, la surperformance s'évanouit à zéro. Le remède tient en une phrase — toujours mesurer la cohorte complète, pas seulement les survivants — mais il est presque toujours oublié, car les disparus, par définition, ne sont plus dans les bases de données. Un piège plus subtil s'ajoute : quand la survie dépend de deux qualités indépendantes, les survivants montrent une fausse corrélation négative entre elles — l'illusion réconfortante qu'« on peut se permettre d'être médiocre ici si l'on excelle là ». La leçon dépasse la finance : les « habitudes des gens qui réussissent », les recettes des start-ups devenues licornes, les traits des projets aboutis — tous souffrent du même vice, car on n'interroge jamais les échoués, qui avaient souvent exactement les mêmes. Avant de croire à une recette de succès, demandez : où est le cimetière ?

Le rebond de natalité qui a disparu : quand une découverte de « Nature » ne tient plus

En 2009, une étude retentissante publiée dans Nature annonçait un renversement : après des décennies de baisse, la fécondité des pays les plus développés se mettait à remonter — la courbe en forme de J. L'idée a fait florès : « en devenant assez riches, les nations refont des enfants ». Nous avons re-testé cette affirmation sur les données de 165 pays, à jour de 2022. La première moitié tient sans surprise : la fécondité chute nettement avec le revenu, c'est la transition démographique. Mais le rebond, lui, s'est évaporé. Aujourd'hui, les pays les plus riches (plus de 40 000 dollars par habitant) ont une fécondité médiane plus basse (1,49 enfant) que les pays moyens-hauts (1,55) — l'inverse du J. Le point de « remontée » que suggère un ajustement mathématique se situe au-delà de 90 000 dollars par tête, c'est-à-dire nulle part. Que s'est-il passé ? Le rebond de 2009 reposait sur un instantané du milieu des années 2000 ; depuis, la natalité des pays riches s'est effondrée — la Corée du Sud est tombée sous 0,8 enfant par femme, le Japon et le sud de l'Europe stagnent au plancher. Le « J » était un fait d'époque, pas une loi. La leçon, pour qui s'appuie sur la littérature, est sévère et générale : un renversement observé à une frontière, même publié dans la plus prestigieuse des revues, doit être re-vérifié sur des données fraîches avant qu'on le prenne pour une régularité durable. Extrapoler « les riches vont rebondir » relèverait aujourd'hui du vœu pieux — les chiffres récents disent le contraire.

L'argent achète-t-il le bonheur ? Oui — mais en logarithme, et sans plafond

La question est vieille comme l'économie, et les données de cent cinquante-six pays donnent une réponse d'une précision inattendue. La satisfaction de vie moyenne d'un pays (mesurée sur l'« échelle de Cantril », de 0 à 10) monte avec le revenu — mais pas avec le revenu brut : avec son logarithme. Concrètement, passer de 1 000 à 2 000 dollars par habitant apporte autant de bonheur supplémentaire que passer de 20 000 à 40 000 : chaque dollar compte moins que le précédent. Le revenu, à cette échelle, explique les deux tiers des écarts de bonheur entre pays. Restait la grande controverse : y a-t-il un seuil au-delà duquel l'argent cesse d'agir (le « paradoxe d'Easterlin ») ? Sur ces données, non. La droite en logarithme ne s'infléchit pas, même chez les pays les plus riches (jusqu'à 150 000 dollars par tête) — les nations opulentes sont bel et bien les plus satisfaites, dans la même proportion. C'est la thèse de Stevenson et Wolfers, et elle l'emporte ici sur celle de la satiété. Deux nuances honnêtes, toutefois. D'abord, le tiers restant du bonheur ne vient pas de l'argent mais de la santé, des liens, des institutions. Ensuite, « évaluer sa vie » n'est pas « se sentir bien au jour le jour » : d'autres travaux trouvent, pour l'émotion quotidienne, une satiété que l'évaluation globale, elle, ne montre pas. La leçon d'audit rejoint celle de l'espérance de vie : tout est dans le choix de l'échelle et la présence — ou l'absence — d'un plafond. Le bonheur suit le logarithme du revenu sans plateau ; l'espérance de vie, elle, plafonne. Présumer la mauvaise forme, c'est se tromper de politique.

Pourquoi on n'oublie pas comme on le croit : la longue traîne de la mémoire

On imagine l'oubli comme une bougie qui se consume à vitesse régulière : chaque jour, une part fixe de ce qu'on savait s'évapore. C'est l'intuition « exponentielle ». Les données d'Ebbinghaus — le pionnier qui, en 1885, mesura sur lui-même la rétention de syllabes après divers délais — disent tout autre chose. Sa mémoire chute très vite au début (de 58 % après vingt minutes à 34 % après un jour), puis le déclin ralentit spectaculairement (encore 21 % un mois plus tard). Une exponentielle est incapable de faire les deux à la fois — chuter vite et s'arrêter de chuter ; ajustée sur ces points, elle explique moins de la moitié de la variation. Une loi de puissance, elle, colle presque parfaitement (elle prédit 20,7 % à un mois, contre 21,1 % observés) : l'oubli n'a pas de vitesse fixe, il ralentit à mesure que le temps passe. Autrement dit, la mémoire a une longue traîne — ce qui a survécu au premier oubli résiste ensuite longtemps. C'est exactement le pendant, dans le temps, des queues épaisses qu'on a vues sur les marchés. Et la leçon d'audit est directe : dès qu'on modélise une décroissance — le souvenir d'une publicité, l'érosion d'une compétence, le départ des clients au fil du temps — supposer une « demi-vie » à taux constant fait systématiquement sous-estimer ce qui persiste. Le réflexe correct est de tester la loi de puissance avant de croire à l'exponentielle : très souvent, les choses s'effacent plus lentement, et plus longtemps, qu'on ne le pense.

Le piège à 17× : prolonger une courbe d'adoption sans voir le plafond

Quand une nouveauté se répand — Internet, un smartphone, une voiture électrique — sa courbe d'adoption dessine un S : lente au début, explosive au milieu, puis elle sature quand presque tout le monde l'a adoptée. Nous l'avons vérifié sur l'adoption d'Internet dans cent quatre-vingt-dix-neuf pays : la courbe en S décrit bien les données. Mais le vrai enseignement est un avertissement chiffré. Un prévisionniste pressé, voyant la phase de décollage, est tenté d'y ajuster une exponentielle et de la prolonger. Que se passe-t-il ? Sur nos données, cette projection dépasse la réalité d'un facteur médian de dix-sept — et pour plus des trois quarts des pays, elle prédit une adoption supérieure à cent pour cent de la population, une impossibilité pure. L'exponentielle ne voit jamais le plafond ; la courbe en S, si. C'est l'erreur qui a fait exploser tant de plans d'affaires fondés sur « si la croissance actuelle continue ». Une seconde idée, répandue, s'est effondrée à l'examen : on dit souvent que les pays en retard « sautent les étapes » et rattrapent plus vite (le leapfrogging). Nos données disent l'inverse — les adoptants tardifs diffusent plutôt plus lentement, marque de la fracture numérique (infrastructures, revenu) ; nous notons honnêtement qu'un biais de mesure sur les courbes récentes, encore inachevées, peut accentuer ce constat. La leçon d'audit est double et nette : ne jamais prolonger l'exponentielle d'un démarrage — ajuster une courbe bornée et déclarer son plafond ; et se méfier des récits optimistes de rattrapage tant que la courbe n'est pas finie.

L'espérance de vie a-t-elle un plafond ? Deux courbes qui ne disent pas la même chose

On répète depuis un siècle que l'espérance de vie humaine approche d'une limite naturelle. Les données du meilleur pays de chaque année disent le contraire. En prenant, pour chaque année depuis 1950, le pays le plus performant du monde, on obtient une droite presque parfaite : la longévité record est passée de 71,6 ans (Norvège, 1950) à 85,3 ans (Hong Kong, 2019), au rythme régulier de près de deux ans gagnés par décennie — c'est la loi mise en évidence par Oeppen et Vaupel en 2002. Non seulement il n'y a aucun signe de plafond, mais la pente s'est même légèrement accélérée ces vingt dernières années. Et ce n'est pas un pays miracle qui tire le chiffre : le record est un relais qui passe de la Scandinavie au Japon puis à Hong Kong. Même le Covid, qui a fait reculer le record de plus d'un an en 2022, était effacé dès 2023. Le point crucial pour qui doit projeter — un assureur, une caisse de retraite — est qu'il existe deux courbes de longévité qui racontent des histoires opposées. L'une, la courbe de Preston vue plus tôt, relie l'espérance de vie au revenu et sature : au-delà d'un certain niveau de richesse, gagner plus n'ajoute presque plus d'années. L'autre, celle-ci, relie la meilleure pratique au temps et ne sature pas. Confondre les deux coûte cher : appliquer l'intuition du plafond (vraie pour le revenu) à la marche du temps conduit à sous-estimer la longévité future — et donc à sous-provisionner les rentes. Le bon réflexe n'est pas de deviner s'il « doit » y avoir une limite, mais de regarder sur quelle courbe on se trouve, et de laisser sa forme — plateau ou droite montante — décider.

Peser une planète pour deviner sa taille — jusqu'à la limite où ça ne marche plus

Connaissant la masse d'une exoplanète, peut-on prédire sa taille ? Sur plus de six mille planètes, la réponse suit une belle loi en trois actes — et se heurte à un mur net. Pour les petites planètes rocheuses, le rayon croît comme la masse à la puissance un tiers : c'est ce qu'on attend d'une boule de roche de densité à peu près constante, et la mesure le confirme (exposant 0,27). Pour les planètes intermédiaires, de type Neptune, l'exposant grimpe à 0,52 : ajouter de la masse veut dire empiler des gaz et des glaces qui gonflent le rayon plus vite. Puis, à l'entrée du royaume des géantes gazeuses, quelque chose se casse : l'exposant tombe à zéro. Une planète de la masse de Jupiter et une planète dix fois plus massive font presque le même diamètre — la matière, comprimée à l'extrême, résiste par un effet quantique (la pression de dégénérescence), et la masse cesse de dicter la taille. Le chiffre qui frappe : chez les géantes, la masse n'explique plus que 0,5 % de la variation du rayon. La loi ne s'affaiblit pas progressivement — elle s'éteint. Ce qui reste, ce sont d'autres causes : notamment le gonflement des « Jupiter chauds » par l'irradiation de leur étoile, une variable que la masse ignore. La morale, pour tout audit prédictif : une relation peut être excellente dans un régime, changer de pente dans un autre, et devenir carrément inutile dans un troisième. Le travail n'est pas seulement de trouver la loi, mais de dire précisément où elle règne, où elle plie, et où — au-delà de cette frontière — il faut cesser de s'y fier.

La loi de Moore est-elle morte ? Ce que disent 50 ans de transistors

On lit partout que la loi de Moore — le doublement du nombre de transistors sur une puce tous les deux ans — est finie. Nous avons regardé les données brutes, de 1971 (deux mille transistors) à 2021 (cinquante-huit milliards), et le verdict est plus nuancé que le récit. D'abord, la loi est d'une régularité stupéfiante : une seule droite, en échelle logarithmique, décrit un demi-siècle et sept ordres de grandeur avec un coefficient de 0,994, et sa pente donne exactement le doublement de deux ans annoncé par Gordon Moore. Mieux : ce rythme n'a quasiment pas faibli — 2,1 ans par doublement dans les premières décennies, 2,0 ans récemment. Si l'on cherche la « frontière », le point où l'exponentielle commence à céder, elle existe, mais elle est minuscule : en prolongeant la tendance des débuts (jusqu'à 2005) jusqu'en 2021, on ne surestime le compte réel que de 6 %. Autrement dit, le nombre de transistors a tenu remarquablement — ce qui est mort, c'est autre chose : la fréquence d'horloge et la performance par transistor, plafonnées par la chaleur depuis le milieu des années 2000. Confondre les deux, c'est enterrer une loi qui respire encore. La leçon dépasse les puces et rejoint tout notre carnet sur l'extrapolation : il y a deux façons symétriques de se tromper sur une exponentielle — la prolonger éternellement (rien ne double sans fin, la frontière physique finira par mordre) ou la déclarer morte alors que les données disent qu'elle tient à 6 % près. Un bon audit ne trace pas la droite à l'infini et ne croit pas non plus les oraisons funèbres : il mesure l'écart, et laisse le chiffre trancher.

Toute la courbe des taux tient en trois gestes — et l'outil du vivant le prouve aussi

Hier soir, six traits d'animaux se réduisaient à deux idées. Aujourd'hui, la même méthode s'attaque à un monde qui n'a rien à voir : les taux d'intérêt américains. La « courbe des taux » — le rendement des emprunts d'État à trois mois, un an, deux ans… jusqu'à trente ans — bouge chaque jour sur huit maturités à la fois. Combien de mouvements indépendants faut-il pour en rendre compte ? La réponse, célèbre depuis les travaux de Litterman et Scheinkman en 1991 et que nous retrouvons ici à l'aveugle, est trois. Un premier facteur, qui pèse 80 % à lui seul, fait monter ou descendre toute la courbe en bloc — le « niveau ». Un deuxième la fait pivoter, le court terme montant quand le long descend — la « pente ». Un troisième la bombe ou la creuse au milieu — la « courbure ». Ensemble : 96 % de tous les mouvements. Huit chiffres, trois gestes. Et les formes sortent exactement comme le manuel les décrit, sans qu'on les ait soufflées. Le même test de vérité qu'en biologie confirme que ce n'est pas un hasard : en rebattant les maturités au hasard, le premier facteur s'effondre de 80 % à 14 %. Ce qui rend ce résultat précieux dépasse la finance : c'est la deuxième démonstration, dans un domaine radicalement différent du premier, qu'une poignée de facteurs cachés gouverne un fouillis de variables corrélées. L'outil qui a trouvé deux axes chez les mammifères en trouve trois dans les marchés obligataires — même méthode, même garde-fou. Compter les vraies dimensions d'un problème n'est pas une astuce de zoologiste ni de trader : c'est une manière générale de voir clair là où les chiffres, en apparence, se multiplient.

Six mesures pour deux idées : la dimension cachée du vivant

Un éléphant et une souris diffèrent par mille détails : la masse, la longévité, l'âge de la première reproduction, la durée de gestation, la taille des portées, la dépense d'énergie. Six mesures, apparemment indépendantes. Le sont-elles vraiment ? Nous avons pris ces six traits pour trois cents espèces de mammifères et posé une question de géométrie : combien de directions indépendantes faut-il pour décrire tout cet espace ? La réponse est saisissante — essentiellement deux. Une seule direction capture déjà 69 % de toute la variation, et deux en capturent 84 %. La dimensionnalité « effective » de ces six traits est de deux, pas de six. Et cette première direction a un sens limpide : d'un côté les animaux gros, longévifs, à maturité tardive, à longue gestation et peu de petits ; de l'autre les petits, rapides, prolifiques. C'est le fameux continuum « lent-rapide » de la biologie, retrouvé sans qu'on l'ait cherché — et c'est exactement la loi que nous avions isolée séparément entre reproduction et longévité : elle n'était que l'ombre en deux dimensions de cet axe maître. Pour être sûrs que cette compression n'était pas un mirage, nous avons brisé les corrélations en rebattant chaque trait au hasard : aussitôt, la première direction retombe de 69 % à 20 %, la valeur du pur hasard. La structure était donc réelle. La portée dépasse la zoologie : dans quantité de jeux de données, des dizaines de variables corrélées ne mesurent en réalité qu'une poignée de choses. Un tableau de bord de cinquante indicateurs n'en suit peut-être que trois. Savoir compter les vraies dimensions d'un problème — et prouver, par le test du hasard, qu'elles sont réelles — c'est éviter de se noyer dans des chiffres qui se répètent sans le dire.

Quel marché a la queue la plus dangereuse ? (indice : pas celui que je croyais)

Nous avions établi que les krachs boursiers suivent une « loi cubique » — une queue de distribution bien plus épaisse que la cloche gaussienne. Cette loi vaut-elle pour tous les marchés ? Nous l'avons testée sur cinq classes d'actifs : pétrole, or (données indisponibles), euro-dollar, Bitcoin et les indices actions. Bonne nouvelle pour la robustesse du constat : partout, les extrêmes sont bien plus fréquents que ne le voudrait une cloche. Mais l'exposant de queue — la mesure de « à quel point c'est épais » — n'est pas le même partout, et le classement m'a démenti. J'aurais parié sur le Bitcoin comme champion de la sauvagerie. Or c'est le pétrole qui a la queue la plus lourde (exposant 2,6), devant les actions (2,6-3,0), le Bitcoin (3,1) et loin devant l'euro-dollar (4,2), le plus sage — un marché profond que les banques centrales lissent. La logique n'est pas la maturité mais le mécanisme : le pétrole subit des chocs d'offre brutaux (guerres, effondrement de 2020), le change majeur est amorti. Et une deuxième surprise, plus subtile, sauve l'honneur de l'analyse : le Bitcoin a de très loin la plus forte « kurtosis » — la mesure grand public de la folie d'un actif — pourtant sa queue n'est pas la plus épaisse. Comment ? Parce que la kurtosis est dominée par une poignée de journées démentes, tandis que l'exposant de queue mesure la décroissance systématique. Confondre les deux, c'est prendre quelques coups d'éclat pour une loi. Deux leçons pour qui gère du risque : jamais transférer le modèle de queue d'un actif à un autre sans le recalibrer — et mesurer l'épaisseur de la queue par le bon outil, pas par la kurtosis qui exagère les caprices du crypto.

« C'est de la physique, donc c'est exact » — le piège que même les étoiles démentent

Après deux lois d'une pureté parfaite (Moseley, Rydberg), on pourrait croire qu'il suffit qu'une relation vienne de la physique pour qu'elle soit « dure », c'est-à-dire exacte et fiable. La relation masse-luminosité des étoiles est là pour nous détromper — et c'est moi qui me suis fait piéger, ce qui rend la leçon plus utile encore. Cette loi dit qu'une étoile plus massive brille beaucoup plus fort : la luminosité croît comme la masse à une puissance d'environ trois et demi. Sur cinq cent quatre-vingts étoiles aux masses précisément mesurées, nous la retrouvons — exposant global 3,7, tout à fait canonique — et nous confirmons même sa structure fine : l'exposant n'est pas unique mais gradé, plus raide autour du Soleil (près de 4,3) et s'aplatissant nettement chez les géantes (moins de 3), là où la pression de la lumière elle-même vient limiter l'éclat. Jusque-là, tout est conforme au manuel. Mais j'avais parié que cette loi serait dure — que la masse fixerait la luminosité au dixième près. Faux : le nuage est deux fois plus épais que prévu. Pourquoi ? Parce que la masse ne décide pas seule. L'âge de l'étoile, sa composition chimique, son stade d'évolution pèsent aussi — des variables cachées que le seul chiffre de la masse ne capture pas. La leçon dépasse largement l'astronomie : la « dureté » d'une loi ne se déduit pas de son prestige ni de son domaine — elle se mesure. « C'est de la physique, donc c'est exact » est exactement le genre de faux positif qu'un bon audit doit débusquer. Une loi peut avoir un bel exposant théorique et rester floue en pratique, tout simplement parce qu'une variable importante manque à l'appel.

Une constante à trous — mais pour de bonnes raisons : la règle de Trouton

Entre les lois « dures » comme Rydberg, où le paramètre ne bronche jamais, et les lois « molles » comme le métabolisme, où l'exposant glisse d'un groupe à l'autre, il existe un cas intermédiaire fascinant : la quasi-constante qui tient très bien… sauf là où elle ne tient pas, et pour des raisons parfaitement identifiables. La règle de Trouton, formulée en 1884, en est l'exemple parfait. Pour évaporer une mole d'un liquide, il faut lui fournir une chaleur ; divisée par la température d'ébullition, cette chaleur donne une « entropie de vaporisation » qui, dit la règle, vaut à peu près la même chose pour tous les liquides — environ 87 unités. Nous l'avons vérifiée sur vingt-deux substances : pour les liquides ordinaires (benzène, acétone, les alcanes, le tétrachlorure de carbone…), la valeur se serre remarquablement autour de 86, avec une dispersion de trois pour cent seulement — et pour la famille des alcanes, à un pour cent près. Mais les exceptions sont là, et elles racontent chacune une histoire chimique. L'eau, les alcools, l'ammoniac dépassent tous 95 : leurs molécules se tiennent par des liaisons hydrogène, un ordre supplémentaire que la vaporisation doit défaire. L'acide acétique, lui, tombe à 60 : dans sa vapeur, ses molécules s'apparient en couples, si bien qu'en s'évaporant il libère moins de désordre. Les petits gaz comme l'argon ou l'azote restent un peu bas. Autrement dit, la « constante » est en réalité la signature d'un régime — les liquides moléculaires normaux — bordé d'exceptions dont chacune a un mécanisme nommé. C'est précisément ce qu'un bon audit doit savoir faire : ne pas crier à l'anomalie devant l'eau ou l'acide acétique, mais reconnaître la liaison hydrogène et la dimérisation. Distinguer l'écart-mystère de l'écart-mécanisme — voilà ce qui sépare une alerte utile d'une fausse alerte.

Une constante qui est vraiment une constante : Rydberg et les couleurs de l'hydrogène

Presque toutes les « constantes » de ce carnet se sont révélées, à l'examen, être des moyennes déguisées : l'exposant du métabolisme change selon la classe animale, celui des fluctuations selon le domaine, le facteur de concentration des revues selon la troncature. En voici une de l'autre extrême — une constante qui est réellement constante. Quand on excite de l'hydrogène, il n'émet que certaines couleurs précises, et Johannes Rydberg découvrit en 1888 que l'inverse de leur longueur d'onde suit une formule d'une simplicité désarmante, gouvernée par un seul nombre. Nous l'avons retrouvée à l'aveugle : la droite a un coefficient de détermination de un — un exact, six décimales — et sa pente redonne la constante de Rydberg au centième de pour cent. Mais le vrai test est ailleurs. L'hydrogène émet dans trois régions : l'ultraviolet (série de Lyman), le visible (Balmer, les fameuses raies rouge et bleue), l'infrarouge (Paschen). Trois familles de raies, trois régions du spectre — et pourtant la même constante les gouverne toutes, à trois centièmes de pour cent près. C'est cette universalité stupéfiante qui, en 1913, permit à Niels Bohr de deviner que l'atome était quantifié. Nous sommes même allés assez loin pour toucher la frontière : la valeur mesurée n'est pas tout à fait la constante « idéale » d'un noyau infiniment lourd, mais sa version corrigée du fait que le proton, léger, bouge un peu lui aussi — un écart de cinq centièmes de pour cent, que notre précision suffit à révéler. C'est le contre-exemple parfait au reste du carnet : il existe des lois « dures », adossées à une théorie, dont le paramètre traverse tous les régimes sans broncher. Pour un audit, savoir qu'une relation est de cette trempe — plutôt qu'une régularité molle calée sur un nuage — change tout ce qu'on peut en attendre.

Le hasard pur, ou pas ? Ce que 49 000 matchs de foot disent du comptage

Combien de buts une équipe marque-t-elle dans un match ? Depuis les années 1980, la réponse canonique est « à peu près au hasard » : une loi de Poisson, celle qui régit les événements rares et indépendants. Nous avons mis cette idée à l'épreuve sur près de cinquante mille matchs internationaux. Le résultat est un bel exemple de ce qu'un audit honnête doit trancher. D'abord, la loi de Poisson pure échoue : les scores fleuves (cinq buts ou plus) sont presque trois fois plus fréquents qu'elle ne le permet. La distribution a une queue trop épaisse — le hasard pur n'explique pas les 10-0. Pourquoi ? Parce que « les équipes » ne sont pas une population homogène : on mélange des géants et des minnows. Or mélanger des processus de Poisson de cadences différentes produit exactement une autre loi, la binomiale négative — et celle-ci, elle, colle : elle divise l'erreur d'ajustement par quarante-six et reproduit jusqu'aux scores les plus extrêmes. La sur-dispersion n'était donc pas une propriété du football, mais un artefact d'agrégation — le même piège que nous avons vu transformer un exposant biologique en « moyenne de régimes » ou renverser un effet dans le paradoxe de Simpson. Dernière surprise, contre mon propre pari : je m'attendais à un excès de matchs nuls (un effet connu dans les championnats de clubs) ; l'international montre l'inverse, un léger déficit. Cohérent, en fait : quand un fort affronte un faible, le match est déséquilibré, donc moins souvent nul que ne le croirait un modèle calé sur la moyenne. La leçon vaut pour tout comptage — sinistres d'assurance, pannes, files d'attente, foyers épidémiques : avant de supposer le « pur hasard », il faut mesurer la sur-dispersion, car un modèle de Poisson naïf se trompe alors dans les deux sens à la fois, sur les extrêmes comme sur les coïncidences.

Quand une loi est vraiment DURE : Moseley, ou pourquoi le numéro atomique a détrôné la masse

Toutes les régularités de ce carnet ne se valent pas. La plupart — le métabolisme, les revenus, les villes — sont « molles » : elles tiennent en moyenne, mais leur exposant glisse d'un groupe à l'autre et leur nuage reste épais. En voici une de l'autre bord du spectre, une loi dure. En 1913, Henry Moseley mesura l'énergie des rayons X émis par les éléments et découvrit une droite d'une pureté sidérante : la racine carrée de cette énergie croît linéairement avec le numéro atomique. Nous l'avons redécouverte à l'aveugle sur vingt-deux éléments : la droite a un coefficient de détermination de 0,9999 — quatre neuf, un ajustement quasi parfait — et sa pente redonne, au chiffre près, la constante du modèle de Bohr. Ce n'est pas un ajustement heureux, c'est de la mécanique quantique lue directement dans les données. Mais le plus beau est ailleurs. Avant Moseley, on rangeait les éléments par masse. Or ce classement produit une absurdité : le cobalt est plus lourd que le nickel, et devrait donc venir après lui — alors que toute la chimie crie l'inverse. En rangeant par le numéro atomique que révèlent les rayons X, l'anomalie disparaît d'un coup : cobalt puis nickel, dans le bon ordre, énergies croissantes. C'est ainsi qu'une droite tracée sur des rayons X a prouvé que la vraie identité d'un élément n'est pas son poids mais le nombre de charges dans son noyau. Nous avons retrouvé cette preuve, et cartographié la frontière de la loi : chez les éléments très lourds (tungstène, or, plomb), la droite se courbe légèrement vers le haut — la trace des effets relativistes, un rappel que même la plus dure des lois a son domaine. Pour un audit, cette « dureté » est une information vendable en soi : une loi à quatre neuf, adossée à une théorie, n'autorise pas les mêmes extrapolations qu'une régularité molle calée sur un nuage — et savoir de quel côté du spectre on se trouve vaut mieux que n'importe quelle promesse.

Le portrait du risque en trois traits — pourquoi la cloche gaussienne ment

Les trois dernières entrées, prises ensemble, forment un portrait complet du risque de marché — et une mise en accusation en trois chefs de l'hypothèse gaussienne, cette courbe en cloche sur laquelle reposent tant de modèles de risque. Chef un, les queues. Les mouvements extrêmes ne sont pas rarissimes : ils suivent une loi de puissance d'exposant trois, si bien qu'un krach de dix écarts-types — que la cloche déclare impossible d'ici la fin de l'univers — s'est bel et bien produit. Chef deux, le regroupement. La turbulence a une mémoire longue : une grosse journée en annonce d'autres, et cette persistance se lit encore cent jours plus tard. Chef trois, l'asymétrie. Le risque penche : une baisse agite le lendemain un quart de plus qu'une hausse, la distribution est inclinée vers les pertes, et le lien va du rendement vers la volatilité, jamais l'inverse. La conclusion opérationnelle est sans appel : un modèle de risque qui suppose la cloche se trompe simultanément sur la fréquence des désastres, sur leur concentration dans le temps, et sur leur direction. C'est la raison mathématique pour laquelle des institutions réputées prudentes sautent lors d'un « événement qui ne devait jamais arriver ». Ce que vend un bon audit n'est pas une prédiction du marché — personne ne la possède — mais la mesure honnête de ces trois écarts : de combien votre modèle sous-estime l'extrême, de combien il ignore la persistance, et de quel côté il oublie que le danger penche. Trois nombres, gelés d'avance, reproductibles — et infiniment plus utiles qu'une fausse certitude.

La peur est plus forte que l'avidité : l'effet de levier des marchés

Troisième et dernière pièce du portrait du risque, après les queues épaisses et le regroupement de la volatilité. Une baisse et une hausse de même ampleur n'ont pas les mêmes conséquences sur le lendemain : une chute agite bien davantage les jours suivants qu'une montée équivalente. Sur cinquante-cinq ans de NASDAQ, la volatilité qui suit un jour de baisse est en moyenne un quart plus forte que celle qui suit un jour de hausse (0,96 % contre 0,76 % de mouvement le lendemain) — c'est l'« effet de levier » décrit par Fischer Black dès 1976. Et il a un sens : nous avons mesuré que le rendement d'aujourd'hui prédit la volatilité de demain soixante-trois fois plus fortement que la volatilité d'aujourd'hui ne prédit la direction de demain (ce second lien, lui, est nul). La flèche du temps est claire — la peur engendre l'agitation, l'agitation n'engendre pas de direction. Dernier trait : la distribution des rendements est négativement asymétrique (les krachs sont plus brutaux que les rallyes ; l'indice large S&P le montre encore plus nettement que le NASDAQ). Le tableau du risque financier est maintenant complet, et il condamne trois fois l'hypothèse gaussienne confortable : les extrêmes sont bien plus fréquents qu'elle ne le croit (queues cubiques), ils arrivent groupés (clustering), et ils penchent du mauvais côté (levier et asymétrie). Voilà pourquoi une assurance contre la baisse coûte structurellement plus cher qu'un pari sur la hausse, et pourquoi un test de résistance honnête ne peut pas être symétrique. Le bon outil ne suppose pas la symétrie : il mesure de quel côté, et de combien, le risque penche.

Le marché ne dit pas où il va — mais il dit s'il va trembler

Deux affirmations semblent se contredire, et pourtant les données donnent raison aux deux. La première : impossible de prédire, à partir des rendements passés, si le marché montera ou baissera demain. Sur cinquante-cinq ans de NASDAQ, l'autocorrélation des rendements est indiscernable du hasard (0,014 en moyenne) — c'est l'efficience des marchés au premier ordre, la ruine des systèmes de trading naïfs. La seconde : on peut pourtant très bien prédire s'il va trembler. Car si l'on regarde non plus le signe des variations mais leur amplitude, une structure massive apparaît : une grosse journée (à la hausse comme à la baisse) est suivie d'autres grosses journées. L'autocorrélation de l'amplitude vaut 0,32 le lendemain et reste à 0,18 cent jours plus tard — une « mémoire longue » qui décroît lentement, en loi de puissance. Le rapport est éloquent : l'amplitude est trente fois plus prévisible que la direction. C'est ce qu'on appelle le clustering de volatilité, et c'est la raison d'être de toute une famille de modèles de risque (les GARCH). Pour être sûrs que ce n'était pas un mirage, nous avons fait le test décisif : mélanger l'ordre des journées au hasard. Aussitôt, la mémoire s'évapore — l'autocorrélation retombe dans le bruit. La persistance était donc bien une structure temporelle, inscrite dans l'enchaînement des jours, et non une simple propriété de la distribution. Avec l'entrée précédente sur les queues épaisses, le tableau du risque est complet : les pertes extrêmes sont bien plus fréquentes que ne le croit la cloche gaussienne, et elles arrivent groupées. D'où la seule conclusion opérationnelle qui vaille : une mesure de risque doit être dynamique — la tourmente d'hier est le meilleur indice de celle de demain, même quand la direction, elle, reste imprévisible.

Le krach qui « n'arrive jamais » — et pourtant si : la queue cubique des marchés

La plupart des modèles de risque financier supposent, au fond, que les rendements suivent la fameuse courbe en cloche gaussienne. Sous cette hypothèse, une chute boursière de dix écarts-types en une journée est si improbable qu'on ne devrait pas en voir une seule, même en laissant tourner le marché pendant des milliards de fois l'âge de l'univers. Nous avons regardé cinquante-cinq ans de NASDAQ — quatorze mille journées. Verdict : le pire jour a fait moins dix écarts-types, et quarante-trois journées ont dépassé le seuil des cinq écarts-types, là où la cloche gaussienne en prévoit… zéro virgule zéro zéro huit. Autrement dit, ce que le modèle standard déclare « impossible » se produit plusieurs fois par décennie. Que suit alors la réalité ? Une loi de puissance : la probabilité d'un mouvement dépassant une taille donnée décroît comme cette taille à la puissance trois. C'est la « loi cubique inverse », découverte par les physiciens Gopikrishnan, Plerou et Stanley à la fin des années 1990 — et nous l'avons retrouvée à l'aveugle, exposant mesuré 2,99, trois pile. Elle se transfère proprement d'un indice à l'autre (le S&P 500 donne 2,65) et, joliment, la queue s'amincit quand on regarde des rendements mensuels plutôt que quotidiens : la folie des extrêmes est surtout un phénomène de haute fréquence. La conséquence pratique est brutale : les mesures de risque gaussiennes — la « Value-at-Risk » de tant de salles de marché — sous-estiment le danger réel de plusieurs ordres de grandeur. Ce n'est pas une subtilité académique ; c'est la raison mathématique pour laquelle des institutions solides explosent lors d'un « événement qui ne devait jamais arriver ». Le bon outil ne suppose pas la cloche : il mesure l'épaisseur de la queue, et chiffre de combien votre modèle vous ment sur les extrêmes.

Les 26× d'écart entre un mammifère et un lézard : la température, vraiment ?

L'entrée précédente laissait un chiffre spectaculaire : à masse égale, un endotherme (mammifère, oiseau) brûle une vingtaine de fois plus qu'un ectotherme (reptile, amphibien). L'explication qui vient à l'esprit — et que défend la « théorie métabolique de l'écologie » — est simple : c'est la chaleur. Une réaction chimique s'accélère avec la température selon un facteur de Boltzmann bien connu, gouverné par une « énergie d'activation » qui, dit la théorie, vaudrait universellement 0,65 électron-volt. Un mammifère tourne à 37 °C, un lézard à 18 : voilà le coupable ? Nous avons voulu le vérifier, et le résultat est un petit cas d'école de méthode. Si l'on ajuste le modèle sur tout le monde en même temps — endothermes et ectothermes mélangés — la machine recrache une énergie d'activation de 1,34 eV, soit le double de la valeur admise. Alarme : ce n'est pas une découverte, c'est un mirage de confusion. En mêlant deux groupes séparés par un énorme écart de métabolisme mais par un tout petit écart de température (dix-neuf degrés), la régression, faute de mieux, attribue le premier au second — et gonfle le paramètre pour y arriver. Le bon geste est de stratifier : mesurer l'effet de la température là où elle varie vraiment, à l'intérieur des seuls ectothermes. Là, surprise inverse : l'énergie d'activation tombe à 0,71 eV — collée à la valeur canonique. La théorie est juste… dans son domaine. Reste alors à faire les comptes. Sur les vingt-et-un fois d'écart, la température honnête en explique environ cinq ; il en reste plus de quatre que rien de thermique ne justifie. Cette part-là, c'est l'endothermie elle-même : non pas « un corps plus chaud », mais une machinerie métabolique intrinsèquement suralimentée. On a donc décomposé un écart confondu en sa part mécanique et son résidu — exactement ce qu'un bon audit doit faire au lieu de gober la première explication qui colle. La morale rejoint celle du paradoxe de Simpson : avant d'attribuer un écart à une cause, vérifiez qu'elle varie à l'intérieur des groupes, et pas seulement entre eux.

Pourquoi l'éléphant brûle moins qu'une souris — et le fameux « ¾ » qui n'en est pas tout à fait un

Une des plus belles régularités du vivant : plus un animal est gros, moins il dépense d'énergie par gramme. Un éléphant, ramené au kilo, brûle bien moins qu'une souris. Depuis Kleiber (1932), on résume cela d'une formule célèbre : le métabolisme croît comme la masse à la puissance trois quarts — 0,75. Nous l'avons redécouverte à l'aveugle sur 627 espèces (mammifères, oiseaux, reptiles, amphibiens), en gelant nos prédictions avant de regarder. Verdict : la loi est là, franche — la relation est nette, résolument sous-linéaire, l'idée « deux fois plus gros = deux fois plus dépensier » est démolie. Mais l'exposant mesuré n'est pas 0,75 : il vaut 0,71, coincé entre le « trois quarts » de Kleiber et le « deux tiers » (0,667) de la vieille loi de surface de Rubner — et les oiseaux, eux, tombent carrément du côté du deux tiers (0,655). Autrement dit, le chiffre rond des manuels est une moyenne : chaque grand groupe a le sien, légèrement différent, et « 0,75 » est la monnaie de leur mélange. C'est la quatrième fois dans ce carnet qu'une « constante universelle » se révèle être la moyenne de régimes distincts — après l'exposant de fluctuation des populations, la concentration des revues savantes, et la loi espèces-aire. Le second acte est encore plus net. Si l'on demande combien brûle un endotherme (mammifère, oiseau) et un ectotherme (reptile, amphibien) à masse égale, l'écart est vertigineux : vingt-six fois. La pente est pourtant la même pour tous — c'est le niveau qui est décalé, poussé vers le haut par le coût de rester chaud. Une seule et même loi géométrique du transport interne, montée sur des étages thermiques différents. La leçon vaut pour tout audit : une constante de manuel peut cacher une dispersion bien réelle entre sous-groupes — il faut toujours la tester régime par régime avant de la graver dans le marbre.

Décarbonation ou déclin ? Le test marche — puis un second piège s'ouvre

L'entrée précédente laissait une question ouverte : pour savoir si une baisse d'émissions est un progrès ou une faillite, il suffirait de regarder si le PIB, lui, monte pendant ce temps. Nous avons construit ce détecteur et l'avons lâché sur les données de 164 pays entre 2005 et 2019. Sur les cas nets, il fonctionne exactement comme espéré : la Grèce, le Venezuela, la Syrie, le Yémen — où les émissions ont chuté en même temps que le revenu s'effondrait de 9 à 55 % — sont tous rangés du côté « ruine » ; le Royaume-Uni, l'Allemagne, la France, le Danemark, les États-Unis, où le PIB a grimpé pendant que le carbone reculait, du côté « décarbonation ». Jusqu'ici, tout va bien. Mais nos prédictions chiffrées, elles, sont tombées — et c'est là que l'audit se rend service à lui-même. Nous attendions une quinzaine de « vrais découpleurs » (le chiffre de la littérature) ; le compteur en affichait quarante-six. D'où venaient les intrus ? D'un second piège, plus subtil que le premier : le « par habitant ». Le Nigeria, l'Angola, le Qatar, le Canada, la Norvège, Singapour figuraient parmi nos « découpleurs » — or leurs émissions totales n'ont pas baissé du tout : elles ont augmenté, simplement moins vite que leur population. Divisé par un dénominateur qui gonfle, un total qui monte peut sembler descendre. Dix-sept de nos quarante-six « succès » étaient ce mirage. En repassant au CO₂ total — la bonne mesure — ils s'évaporent. La leçon vaut bien au-delà du climat : un ratio n'est jamais innocent, et « par habitant », « par unité de PIB », « par kilomètre » peuvent tous transformer une hausse en fausse baisse. Le pic d'émissions cachait donc deux illusions empilées : la première confond le progrès et l'effondrement ; la seconde confond la baisse réelle et la simple dilution. Un bon détecteur ne se contente pas d'un verdict — il déclare la mesure, la fenêtre et le seuil qui l'ont produit, parce que changer l'un des trois change la réponse.

Les émissions ont « piqué » — mais est-ce le progrès… ou l'effondrement ?

Une idée rassurante circule : à mesure qu'un pays s'enrichit, il finirait par polluer moins — la fameuse « courbe de Kuznets environnementale », un U inversé où la pollution monte puis redescend avec le revenu. Nous l'avons testée sur le CO₂, données ouvertes de 164 pays. Premier verdict, conforme à ce que la littérature dit depuis 1995 mais que le discours grand public oublie : pour le CO₂, c'est faux. Le lien entre émissions par habitant et revenu par habitant est fortement croissant (corrélation +0,77) et quasi proportionnel (élasticité 1,1) ; le « sommet » de la courbe, s'il existe, se situe vers 1,8 million de dollars de revenu par tête — c'est-à-dire nulle part. La richesse, à elle seule, ne fait pas redescendre le carbone. Le vrai retournement, quand il existe, est dans le temps, pas dans le revenu. Et là, deuxième surprise — celle qui a démoli notre propre pari. Nous nous attendions à un pic récent (années 2000, la décarbonation) réservé aux pays riches. La réalité est plus retorse : 94 % des pays riches ont bien un pic suivi d'un déclin, mais l'année médiane est 1994, et la distribution est bimodale — une première vague dans les années 1970 (les chocs pétroliers, pas la politique climatique) et une seconde dans les années 2000. Surtout, 57 % des pays pauvres « piquent » eux aussi — le Venezuela, la RDC, la Sierra Leone, le Yémen. Là, aucune vertu écologique : ce sont des économies qui se sont effondrées, entraînant leurs émissions dans leur chute. C'est la leçon, et elle vaut de l'or pour qui audite une promesse climatique : un pic d'émissions est un signal confondu. Trois causes sans rapport produisent exactement la même courbe — la décarbonation réelle, la réponse à un choc pétrolier, et la faillite économique. « Nos émissions ont baissé, donc nous décarbonons » est un faux positif tant qu'on n'a pas vérifié la seule chose qui distingue le progrès de la ruine : le PIB, lui, continue-t-il de monter pendant que le carbone descend ? Découplage, ou effondrement — la même image, deux histoires opposées.

Le piège qui inverse tout : le paradoxe de Simpson

Voici le faux positif le plus vicieux de tous, parce qu'il ne se contente pas d'exagérer un effet : il en inverse le sens. Imaginez un nouveau protocole médical qu'on essaie surtout sur les cas faciles. Sur l'ensemble des patients, il affiche un taux de succès magnifique — 69 % contre 26 % pour le traitement habituel : un tableau de bord titrerait « le nouveau protocole est deux fois meilleur ». Sauf qu'il est en réalité légèrement nuisible : chez les cas faciles comme chez les cas difficiles, pris séparément, il fait cinq points de MOINS que l'ancien. Le « succès » global n'était qu'un mirage d'aiguillage — on lui avait confié les patients qui allaient guérir de toute façon. C'est le paradoxe de Simpson (Simpson 1951, déjà entrevu par Yule en 1903), le même qui, en 1973, fit accuser à tort l'université de Berkeley de discriminer les femmes à l'admission : globalement elles étaient moins admises, mais département par département, elles l'étaient autant ou plus — elles postulaient simplement aux filières les plus sélectives. Nous avons reconstruit le mécanisme et vérifié chaque chiffre à l'avance : l'effet global vaut +0,43, l'effet dans chaque strate −0,05 ; la version continue donne une pente d'ensemble de +0,75 qui cache des pentes internes de −0,72. Le détecteur exige une seule chose : que le signe de l'effet survive au découpage en sous-groupes. Et pour prouver que ce n'est pas un hasard, on débranche la confusion — on rééquilibre l'affectation — et l'inversion disparaît aussitôt. C'est le dixième et dernier des grands pièges du carnet, et il complète un quatuor redoutable : une tendance commune, trop d'essais, la sélection d'un extrême, et maintenant l'agrégation. Quatre façons pour un chiffre honnête de mentir — et quatre tests pour l'en empêcher.

★ Étude de cas : un audit complet en action — « les renouvelables allongent-ils la vie ? »

Voici à quoi ressemble le livrable, de bout en bout, sur une affirmation qu'un tableau de bord afficherait sans sourciller : « la montée des énergies renouvelables améliore l'espérance de vie ». On dépose les deux séries (Europe, 2004-2024) ; le rapport les passe au crible.

Verdict : REJETÉ. Aucune preuve d'un lien — la corrélation de 0,90 n'est que deux courbes qui montent. Un dashboard naïf aurait titré « lien fort » ; l'audit le démolit en trois tests, chiffres à l'appui. Et pour montrer que l'outil ne dit pas « non » à tout : sur une VRAIE relation — l'espérance de vie face au revenu (la courbe de Preston) — le même moteur rend un verdict 🟢 ROBUSTE, concavité franche répliquée sur soixante ans, assortie de sa carte de validité (le plafond des pays riches, le décalage de la courbe dans le temps). C'est là tout le produit : on ne cherche pas la plus belle courbe, on cherche les raisons de ne pas y croire — et on les chiffre. Un outil qui a le droit de dire « non », et qui sait aussi dire « oui ».

« Notre programme a marché » — ou juste la régression vers la moyenne ?

Un directeur d'école cible les élèves les plus faibles, leur offre un soutien, et constate qu'ils progressent. Un médecin traite les patients dont la tension est la plus haute et la voit baisser. Un manager coache ses employés les moins performants et les voit s'améliorer. Preuve que ça marche ? Pas forcément — et c'est l'un des pièges les plus coûteux de toute évaluation. Quand on sélectionne un groupe pour sa valeur EXTRÊME sur une mesure en partie bruitée, ce groupe tend, à la remesure, à revenir vers la moyenne — même si l'on n'a rien fait. C'est la régression vers la moyenne, décrite par Galton en 1886. Nous l'avons simulée : en prenant le dixième le plus faible d'une population et en le remesurant SANS aucune intervention, le groupe « s'améliore » — d'autant plus que la mesure est bruitée. Et le chiffre tombe pile sur la théorie : le faux-progrès vaut exactement « un moins la fiabilité, multiplié par l'écart initial ». Surtout, la compétence RÉELLE du groupe, elle, n'a pas bougé d'un pouce : tout le « progrès » n'était que le bruit de mesure qui s'efface. La conséquence, pour qui évalue un programme : une étude avant/après sur un groupe choisi pour son extrême surestime toujours l'effet. Un audit honnête calcule d'abord le progrès qu'on attendrait par pure régression, et n'attribue au programme que ce qui le dépasse. C'est le troisième piège d'une même famille avec la corrélation fallacieuse et le mirage du meilleur backtest : trois façons différentes de confondre le hasard avec un résultat.

Le meilleur backtest est un mirage : le piège du « trop d'essais » en finance

Un fonds vous montre une stratégie dont le backtest est éclatant — un ratio de Sharpe de trois, le rêve. Faut-il y croire ? Pas avant d'avoir posé une seule question : combien de stratégies ont été essayées avant de garder celle-ci ? Pour le démontrer, nous avons fabriqué mille stratégies… sur des rendements PUREMENT ALÉATOIRES, sans le moindre signal. En n'en gardant que la meilleure sur la première moitié des données, on obtient un Sharpe de 3,3 — le portrait craché d'un gérant de génie. Puis on la teste sur la seconde moitié, qu'elle n'a jamais vue : sa performance s'effondre à zéro. Le talent n'existait pas ; il n'y avait que le hasard, cueilli parmi mille tentatives. Pire : plus on essaie de stratégies, plus le faux champion paraît brillant — le meilleur Sharpe monte mécaniquement avec le nombre d'essais. C'est l'un des pièges les plus coûteux de la finance quantitative, et il se neutralise d'une règle simple : un signal ne compte que s'il bat le seuil qu'imposerait le NOMBRE d'essais, et s'il persiste sur des données neuves. Frère jumeau de la corrélation fallacieuse (l'entrée précédente), où le piège était la tendance ; ici, c'est le nombre de fois où l'on a tenté sa chance. Un audit honnête ne demande pas « ce backtest est-il beau ? » mais « combien d'autres avez-vous jetés pour arriver à celui-là ? ».

Le r = 0,90 qui ne veut rien dire : démasquer les corrélations fallacieuses

Voici l'erreur la plus commune — et la plus coûteuse — de l'analyse de données. Prenez la part d'énergie renouvelable en Europe et l'espérance de vie : sur vingt ans, elles montent ensemble, et leur corrélation atteint 0,90. Un tableau de bord vous dirait « lien très fort ». Il n'en est rien : les renouvelables ne font vivre personne plus vieux. Les deux courbes montent, voilà tout — et deux courbes qui montent corrèlent toujours, même sans le moindre rapport. Le test qui tranche est simple : au lieu de comparer les NIVEAUX, on compare les VARIATIONS d'une année sur l'autre. La corrélation s'effondre alors de 0,90 à −0,11, et un test de permutation confirme qu'il ne reste rien. Pour le prouver, on a corrélé l'espérance de vie avec une série purement ALÉATOIRE mais tendancielle : elle aussi affiche un joli 0,44 en niveaux, et zéro en variations. La leçon, transposable à toute la finance, tout le marketing, toute la recherche : une corrélation entre deux tendances ne vaut rien tant qu'elle n'a pas survécu au détrendage et à une comparaison avec le hasard. C'est le cœur d'un audit honnête — non pas « ces deux choses bougent ensemble », mais « bougent-elles encore ensemble quand on retire ce qu'elles ont trivialement en commun ? ».

★ Le Robustness Report — l'audit qui dit si vous pouvez faire confiance à une courbe

Tout ce carnet converge vers un outil. La plupart des logiciels d'analyse cherchent la MEILLEURE courbe qui colle aux données. Le nôtre fait l'inverse : il cherche les raisons de NE PAS y croire. On lui donne un jeu de données et une relation supposée ; il rend un verdict de robustesse, la carte de l'endroit où la relation cesse de valoir, et la liste des pièges de données qui la menacent. Il vend la confiance, pas la découverte. Voici ce qu'un rapport type contient — et, en regard, un cas réel de ce carnet où le piège s'est déclenché.

Et lorsqu'une feature ne passe pas l'épreuve, le rapport le DIT : notre prototype de prévision de coûts par courbe d'apprentissage a été rejeté à son propre backtest (une seule technologie sur quatre était prévisible) — c'est le prégel des critères, avant de regarder les données, qui a empêché de vendre une promesse creuse. C'est là toute la valeur : un outil qui a le droit de dire « non ». Sa crédibilité repose sur une discipline unique — chaque loi de ce carnet a été prédite par empreinte numérique AVANT le calcul, puis reproduite indépendamment par une seconde machine : vingt-deux vérifications croisées, vingt-deux reproductions, négatifs et prototypes rejetés compris. Un outil qui se trompe de façon systématique et vérifiable vaut mieux qu'un outil qui a toujours « raison ».

Une ville géante ou plusieurs ? La même loi, des pays radicalement différents

Rangez les villes d'un pays de la plus grande à la plus petite : partout, ou presque, on retrouve une régularité — la « loi rang-taille » qui veut que la deuxième ville fasse environ la moitié de la première, la troisième un tiers, et ainsi de suite. C'est la version urbaine de la loi de Zipf. Mais derrière cette régularité moyenne se cachent des mondes opposés. En comparant les vingt-sept pays de l'Union, le rapport entre la plus grande ville et la deuxième varie du simple à près de huit : aux Pays-Bas il vaut à peine plus de un (Amsterdam, Rotterdam, La Haye se tiennent), tandis qu'en Lettonie Riga écrase tout le reste, et qu'en Autriche Vienne domine cinq fois sa dauphine. Il y a donc deux régimes bien distincts — le pays « à ville-capitale unique » et le pays « polycentrique » — que gomme complètement une analyse qui mélange tout le monde. C'est précisément ce qu'un bon outil doit repérer : non pas « la loi tient en moyenne », mais « selon le segment, le régime change ». Un enseignement de méthode s'y ajoute, appris à nos dépens : sur ces données, la France paraît modérément concentrée — parce qu'on a compté les communes, pas les agglomérations ; or Paris, au niveau de son aire urbaine, est l'une des plus dominantes d'Europe. Le régime qu'on détecte dépend donc de l'échelle à laquelle on regarde — et un outil honnête doit toujours déclarer l'unité qu'il a choisie. Pour qui veut s'implanter sur un marché, la différence est concrète : un pays dominé par sa capitale ne se conquiert pas comme un pays à dix villes moyennes.

Fraude ? Pourquoi la loi de Benford crie au loup sur les aides publiques

La loi de Benford — dans beaucoup de vraies données, le premier chiffre est « 1 » environ trois fois sur dix — sert d'outil anti-fraude : des comptes truqués trahissent souvent une distribution anormale des premiers chiffres. Séduisant, mais dangereux si on l'applique à l'aveugle. Nous l'avons testée sur les aides agricoles de la PAC versées à cent quatre-vingt-dix mille bénéficiaires français. Verdict brut : « non conforme » — un logiciel anti-fraude standard lèverait l'alerte. Or il n'y a pas de fraude : la distribution des premiers chiffres est presque une ligne droite décroissante (vingt, dix-huit, seize, quatorze pour cent…), la signature typique de montants calculés par barème — tant d'euros par hectare, multipliés puis plafonnés. Ces règles administratives fabriquent des premiers chiffres qui n'ont aucune raison de suivre Benford. Détail élégant qui le confirme : si l'on additionne les aides sur plusieurs années, la somme, elle, redevient conforme à Benford (le premier chiffre « 1 » remonte à trente-huit pour cent) — parce qu'une somme de plusieurs termes redevient « multiplicative », le régime où Benford s'applique. La leçon est directement un produit : un détecteur de fraude naïf produit des faux positifs en série sur des données régulées. L'outil honnête n'est pas « Benford dévie donc fraude », mais « Benford dévie — est-ce une cause structurelle connue (barème, plafond, arrondi) ou une vraie anomalie ? ». Vendre la première version, c'est vendre des alertes fausses ; vendre la seconde, c'est vendre de la confiance.

L'espérance de vie ralentit, puis chute : le cauchemar de projection de l'assureur

Un assureur-vie ou un fonds de pension vit d'une prévision : combien de temps ses assurés vont-ils vivre ? Surestimez l'espérance de vie de quelques années, et vous versez des rentes que vous n'avez pas provisionnées. Sur trente-sept pays européens et les données ouvertes d'Eurostat, deux dangers ressortent, opposés à ceux des renouvelables de l'entrée précédente. D'abord, la décélération : contrairement aux énergies vertes qui accélèrent, les gains d'espérance de vie RALENTISSENT — dans trente-quatre pays sur trente-sept la courbe s'infléchit, et d'autant plus que le pays est déjà proche du plafond (autour de quatre-vingt-quatre ans). Prolonger la tendance passée en ligne droite surestime donc l'avenir. Ensuite, le choc : en 2021, le Covid a fait chuter l'espérance de vie sous sa tendance dans trente-six pays sur trente-sept — d'à peine un mois chez les Nordiques, mais de près de quatre ans en Bulgarie, en Serbie, en Slovaquie. Un actuaire qui aurait tracé sa droite depuis 2019 se serait trompé de presque quatre ans sur une seule année — de quoi fausser tout un bilan. La bonne nouvelle, visible dès 2024, est que le choc fut largement transitoire. Mais la leçon produit est nette : une série peut à la fois saturer ET subir un choc, et aucune projection n'a de valeur sans son « risque d'extrapolation » attaché. Avec les renouvelables (que la droite SOUS-estimait), on tient les deux faces d'un même outil : mesurer, par série, jusqu'où l'on peut prolonger sans se tromper.

Les renouvelables européennes ne ralentissent pas — et le piège des projections en ligne droite

La part d'énergie renouvelable grimpe partout en Europe — mais grimpe-t-elle régulièrement, ou est-elle sur le point de plafonner, comme le fait d'ordinaire une technologie en fin de diffusion (la fameuse « courbe en S ») ? Sur trente-six pays et vingt ans de données ouvertes d'Eurostat, nous avons posé la question. La réponse surprend : aucun plateau en vue. Même les champions — Suède, Finlande, Danemark — ACCÉLÈRENT encore ; seule l'Islande, déjà autour de quatre-vingts pour cent, commence à infléchir sa courbe. L'idée reçue « ça va bientôt saturer » n'est donc pas (encore) soutenue par les chiffres. Mais la leçon vraiment utile porte sur la prévision. On ne peut pas deviner la FORME d'une trajectoire. Projetez chaque pays jusqu'en 2030 avec une simple droite, et vous vous trompez de quinze points dans les cas extrêmes : trop BAS pour les pays qui accélèrent (Albanie, Malte), trop HAUT pour celui qui infléchit (Islande). La seule démarche prudente est de mesurer la courbure de chaque série et d'attacher à la prévision un « risque d'extrapolation ». Une cible tracée à la règle — le genre qui remplit les documents de planification — est précisément le type d'affirmation que ce carnet existe pour auditer : non pas « quelle est la tendance ? » mais « jusqu'où peut-on la prolonger sans se tromper ? ».

Pourquoi certains réseaux ont des hubs géants — et d'autres non

Certains réseaux possèdent des « hubs » colossaux : quelques nœuds hyper-connectés — le site web incontournable, l'aéroport le plus fréquenté — tandis que la grande majorité n'a que peu de liens. D'autres réseaux n'en ont pas. Pourquoi ? Construisons-en deux, de même taille et de même densité. Dans le premier, chaque nouveau nœud se branche de préférence sur les nœuds DÉJÀ populaires — « le riche s'enrichit ». Dans le second, chaque nouveau nœud se branche au hasard. Le résultat est sans appel : le réseau préférentiel développe une distribution en loi de puissance et un hub géant relié à huit cent quarante autres ; le réseau aléatoire, lui, est une distribution de Poisson terne où aucun nœud ne dépasse dix-neuf liens. Les hubs géants ne sont donc pas un accident : ils sont la signature d'un mécanisme unique, « le riche s'enrichit ». Retirez-le, et ils disparaissent complètement. C'est une démonstration limpide, par le versant génératif, d'une leçon qui revient dans ce carnet : pour savoir si un mécanisme cause une loi, construisez le monde avec et sans lui. Ici, sans l'attachement préférentiel, la loi de puissance ne s'affaiblit pas — elle n'existe tout simplement pas.

Le nombre 4,669 : une constante universelle cachée dans la route vers le chaos

Prenez une règle toute simple — une population qui, chaque année, devient « r fois elle-même multiplié par ce qui lui reste à croître » — et montez lentement le curseur r. D'abord la population se stabilise sur une valeur. Puis elle se dédouble : elle oscille entre deux valeurs. Puis quatre, puis huit, de plus en plus vite — une « cascade de doublements de période » — jusqu'à ce que, passé un seuil, tout devienne chaotique. En 1978, Mitchell Feigenbaum remarqua que les crans de curseur entre deux doublements successifs rétrécissent d'un facteur constant : chaque nouveau doublement arrive environ 4,669 fois plus tôt que le précédent. Nous l'avons retrouvé : le rapport se cale sur 4,6692, exactement. Mais le vertige vient quand on change complètement la règle — remplacez la parabole par une courbe en sinus. La cascade est différente, les seuils sont différents, et pourtant le MÊME nombre, 4,669, gouverne le rétrécissement. Il ne dépend pas de l'équation, seulement de la forme (une bosse lisse et unique). C'est l'un des faits les plus profonds de l'étude du chaos : une constante universelle, aussi fondamentale que π, tapie dans le passage de l'ordre au désordre. Elle rejoint la collection d'universaux de ce carnet — mais là où les autres sont des exposants qui décrivent des données, celle-ci est un nombre pur qui décrit la route elle-même vers le chaos.

La gravité du commerce — et pourquoi la distance compte toujours autant

Pourquoi deux pays commercent-ils beaucoup ? La réponse la plus robuste de l'économie est empruntée à Newton : le commerce entre deux pays est proportionnel au produit de leurs économies, divisé par la distance qui les sépare élevée à une certaine puissance. Sur cent vingt-sept mille couples de pays suivis un quart de siècle, la loi tient admirablement — la taille de chaque économie entre avec un exposant proche de un, et la distance freine les échanges comme une force d'éloignement. Deux subtilités, pourtant, valent le détour. D'abord, le « paradoxe de la distance » : malgré Internet, les porte-conteneurs et la mondialisation, le frein de la distance ne s'est PAS desserré en vingt-cinq ans — il est même resté, à peu de choses près, aussi fort. La distance compte toujours autant. Ensuite, un piège de méthode qui mérite sa propre leçon : environ un couple de pays sur six ne commerce quasiment pas — un zéro. Si l'on jette simplement ces zéros (ce que la version naïve en logarithmes est forcée de faire), on surestime l'exposant de la distance d'environ une demi-unité. En gardant les zéros avec la bonne méthode, l'exposant tombe de près de 1,2 à environ 0,7. Le chiffre qu'on obtient dépend donc de la façon dont on traite les couples qui n'échangent rien — exactement la leçon des supernovae : la réponse tient à un choix technique, et une analyse honnête le nomme au lieu de le cacher.

Cent cinquante ans de buts — un déclin, et deux sauts qu'on doit aux règles

Combien de buts dans un match de football, et cela a-t-il changé ? Sur cent cinquante ans de rencontres internationales, le score a baissé : de plus de cinq buts par match dans les années 1880 à environ deux et sept dixièmes aujourd'hui, à mesure que la défense, la condition physique et la tactique se perfectionnaient. Mais cette baisse n'est pas lisse — elle est ponctuée de deux sauts brusques, chacun attribuable à un changement de règle. En 1925, la loi du hors-jeu est assouplie (deux défenseurs suffisent à mettre hors-jeu, au lieu de trois) : le nombre de buts bondit de trois virgule six à quatre virgule trois par match. En 1992, on interdit au gardien de prendre à la main une passe volontaire d'un partenaire — tuant une tactique favorite de perte de temps — et le score remonte encore, de deux virgule quatre à deux virgule huit, s'arrachant au creux ultra-défensif des années 1980. C'est un cas d'école de « loi de régime » : une tendance de fond, interrompue par des interventions discrètes et datées dont on lit l'effet causal directement dans le saut de la courbe. Les changements de règle sont une expérience naturelle — ce sont les arbitres, pas le chercheur, qui l'ont menée. Détail qui conforte le tout : l'effet de 1925, souvent raconté à propos du championnat anglais, se voit aussi nettement dans les matchs entre nations.

Benford et le chiffre 1 : quand la loi anti-fraude marche, et quand elle ment

Dans quantité de jeux de chiffres réels, le premier chiffre est un « 1 » environ trois fois sur dix, et non une sur neuf comme le bon sens le voudrait : c'est la loi de Benford, utilisée pour repérer les comptes truqués (les faux nombres, eux, ne la respectent pas). Mais quand cette loi s'applique-t-elle vraiment ? On l'a testée sur des suites variées. Les puissances de deux, les factorielles, la suite de Fibonacci l'épousent à la perfection — trente virgule un pour cent de « 1 », au centième. En revanche, la simple suite un, deux, trois… et des nombres tirés au hasard donnent chaque chiffre à onze pour cent : uniforme, pas Benford. Et la surprise : les nombres premiers ne suivent PAS Benford non plus — leurs premiers chiffres sont presque uniformes. La règle qui départage tout : Benford apparaît exactement quand les données grandissent de façon multiplicative et couvrent plusieurs ordres de grandeur, si bien que le logarithme « tourne » uniformément. Même les vraies données peuvent trébucher : les populations de villes reproduisent magnifiquement la fréquence du « 1 » (vingt-neuf virgule huit pour cent), mais comme on n'a compté que les villes de plus de quinze mille habitants, cette coupure abîme l'accord sur les chiffres plus fins. La morale est directement utile : Benford n'est un détecteur de fraude que DANS son domaine — croissance multiplicative, large éventail, sans troncature. Appliquée à des données bornées ou à plage étroite, elle criera à la fraude là où il n'y en a pas. Une loi n'est un outil que là où sa frontière le permet.

La courbe en cloche cachée dans les nombres premiers

Prenez un grand nombre et comptez ses facteurs premiers distincts : soixante s'écrit deux fois trois fois cinq, soit trois facteurs ; quatre-vingt-quatre en a aussi trois (deux, trois, sept). Faites-le pour des millions de nombres, et dressez l'histogramme de ces comptes. Surprise : il dessine une courbe en cloche — la même gaussienne qui décrit les erreurs de mesure ou la taille des humains, surgie du monde en apparence sans motif de la factorisation. C'est le théorème d'Erdős et Kac, démontré en 1940, l'un des plus beaux ponts entre le hasard et l'arithmétique : chaque petit nombre premier divise ou ne divise pas un entier un peu comme un lancer de pièce indépendant, et l'accumulation de ces « pièces » fait naître la loi normale. Mais il y a un détail que je tiens à raconter, car il rejoint l'entrée précédente. Le théorème prédit que le centre ET la largeur de la cloche valent tous deux le logarithme du logarithme du nombre — une fonction qui croît si lentement qu'à dix millions elle ne vaut que 2,8. Le centre, lui, tombe pile. La largeur, en revanche, s'entête à rester trop petite — à peine quarante pour cent de ce que le théorème promet. Le théorème n'a pas tort : sa promesse est asymptotique, vraie seulement à des échelles inaccessibles au calcul. La FORME de la cloche arrive vite ; sa largeur exacte, elle, rampe vers la valeur prédite avec une lenteur glaciale. Comme pour le décompte des premiers, la leçon dépasse les nombres : voir la bonne forme n'est pas encore avoir atteint les bons chiffres.

Compter les nombres premiers — et une loi qu'on ne pourra jamais vérifier jusqu'au bout

Combien y a-t-il de nombres premiers en dessous d'un million ? d'un milliard ? Gauss, adolescent, avait deviné la réponse : environ x divisé par son logarithme. Le carnet quitte ici la nature et le social pour les mathématiques pures — et la loi tient, magnifiquement. Mais elle sous-estime toujours un peu : de treize pour cent vers mille, encore six pour cent vers vingt millions, et l'écart ne se referme qu'avec une lenteur exaspérante. Une formule affinée, « l'intégrale logarithmique » notée Li(x), fait bien mieux — une centaine de fois plus précise sur la même plage. Elle a pourtant sa propre bizarrerie : elle SURESTIME toujours le compte. Pour tous les nombres que l'humanité a jamais testés, Li(x) est resté au-dessus du vrai décompte des premiers. Est-ce pour toujours ? Non : on a démontré en 1914 que les deux courbes doivent finir par se croiser — mais ce premier croisement, le « nombre de Skewes », se situe vers dix puissance trois cent seize, un nombre si vaste qu'il écrase le nombre d'atomes de l'univers observable. Nous tenons donc une loi dont la frontière la plus intéressante — l'endroit où elle bascule — restera à jamais hors de portée du moindre calcul. C'est, une fois de plus, la structure que ce carnet retrouve partout : une loi simple, une version raffinée, et une frontière. Sauf qu'ici, pour la première fois, la frontière n'est pas cachée dans un manque de données : elle est cachée dans l'immensité des nombres eux-mêmes.

Les carnivores dorment-ils plus ? Oui — mais leur taille le cachait

On raconte que les carnivores dorment plus que les herbivores, et pour une bonne raison : un herbivore doit brouter des heures une nourriture peu nourrissante, et, proie potentielle, ne peut se permettre un sommeil profond ; un carnivore avale un repas dense en quelques minutes et, plus en sécurité, s'offre de longues siestes. Pourtant, à première vue, les données de sommeil de quatre-vingts mammifères démentent presque l'histoire : en moyenne brute, carnivores et herbivores ne diffèrent que d'une petite heure, et ce sont même les omnivores qui dorment le plus. L'histoire serait-elle fausse ? Non — un facteur caché brouillait la piste : les carnivores de l'échantillon sont en moyenne plus gros, or les gros animaux dorment moins (un éléphant dort trois heures, une chauve-souris presque vingt). Leur grande taille rabotait donc leur temps de sommeil et masquait l'effet du régime. Une fois la taille neutralisée — en comparant des animaux de même gabarit — l'écart se révèle et double : à taille égale, un carnivore dort environ deux heures de plus qu'un herbivore, et l'ordre attendu carnivore–omnivore–herbivore apparaît nettement. La leçon dépasse le sommeil. On se méfie d'ordinaire des variables cachées parce qu'elles inventent de fausses corrélations ; ici, c'est l'inverse — la taille a caché une vraie relation. Une variable tapie dans l'ombre peut masquer autant qu'inventer : il faut la neutraliser dans les deux sens, pour démentir comme pour révéler.

Vit-on plus vieux parce qu'on est plus riche ? Oui, mais surtout parce que la courbe monte

Reliez, pour chaque pays, l'espérance de vie à la richesse par habitant : vous obtenez la courbe de Preston, l'une des plus célèbres de la démographie. Sa forme est parlante — l'espérance de vie grimpe très vite quand un pays pauvre s'enrichit un peu, puis plafonne : passer de deux mille à quatre mille dollars par habitant ajoute des années, passer de quarante mille à quatre-vingt mille n'ajoute presque rien. Les pays riches butent tous sur un même plafond, autour de quatre-vingts ans. Jusque-là, une belle loi à saturation, comme le carnet en collectionne. Mais le plus important n'est pas la forme de la courbe : c'est qu'elle BOUGE. À revenu égal — disons dix mille dollars par habitant — on vivait soixante-cinq ans en 1960 et soixante-douze en 2019 : sept ans et demi de gagnés sans que le revenu ait changé. Toute la courbe s'est soulevée. Autrement dit, l'essentiel du progrès de l'espérance de vie au XXᵉ siècle ne vient pas de ce que les pays se sont déplacés le long de la courbe en s'enrichissant, mais de ce que la courbe elle-même est montée — vaccins, antibiotiques, eau potable, santé publique, atteignant tous les niveaux de revenu. Détail qui prolonge l'histoire : la pente s'est aplatie avec le temps, parce que ce sont les pays les plus pauvres qui ont le plus gagné en années de vie, bien plus vite qu'ils n'ont gagné en revenu. C'est la thèse formulée par Samuel Preston en 1975, retrouvée ici sans la chercher — et c'est, pour une fois dans ce carnet, une loi dont la leçon est franchement optimiste.

L'avantage du terrain existe — mais la moitié seulement vient du terrain

Jouer à domicile aide : sur près de cinquante mille matchs internationaux de football depuis 1872, l'équipe qui reçoit gagne dans la moitié des cas et n'en perd qu'un quart — elle marque en moyenne deux tiers de but de plus que son adversaire. Mais pourquoi ? Est-ce le terrain, ou simplement que les équipes qui reçoivent sont souvent les plus fortes ? Le jeu de données offre une expérience naturelle magnifique : les matchs joués sur terrain neutre, où personne n'est vraiment « à domicile ». Là, l'avantage tombe de moitié — de deux tiers de but à moins d'un tiers. Autrement dit, à peu près la moitié de l'avantage du terrain est un vrai effet de lieu — le public, la familiarité, l'absence de voyage — et l'autre moitié n'était qu'un reflet de la force des équipes (et du fait que, même « neutre », l'équipe désignée « à domicile » est souvent la tête de série ou l'hôte du tournoi). Sans ce contrôle, on aurait pris tout l'écart pour de l'effet terrain. Deux surprises pour finir. D'abord, contrairement à une idée répandue — « l'avantage du terrain s'effrite » — il est d'une stabilité remarquable sur cent dix ans : les années 2020 valent les années 1960. Le déclin qu'on lit dans la presse concerne le football de clubs, pas les sélections nationales. Ensuite, l'avantage est plus marqué dans les matchs à enjeu (compétitions) que dans les amicaux — l'effet de la foule, sans doute, quand le résultat compte. Une leçon de méthode déguisée en fait de sport : pour savoir ce qu'une variable fait vraiment, cherchez la situation où elle est débranchée.

Combien d'espèces sont rares ? Un débat de 80 ans, tranché comme un mirage d'échantillonnage

Dans une forêt, combien d'espèces ne comptent qu'un seul individu ? deux ? cent ? Deux lois célèbres se sont disputé la réponse pendant quatre-vingts ans. Celle de Fisher (1943) — une « log-série » — dit que le plus grand nombre d'espèces sont les plus rares, et que leur nombre décroît sans cesse. Celle de Preston (1948) — une « log-normale » — dit au contraire qu'il existe une abondance typique : la plupart des espèces sont moyennement communes, et les très rares comme les très abondantes sont peu nombreuses. Sur le recensement complet d'une forêt tropicale — deux cent vingt-cinq espèces d'arbres, tout un hectare compté arbre par arbre — c'est la log-normale de Preston qui l'emporte nettement. Verdict ? Pas si vite. En regardant moins de données — en n'échantillonnant qu'une fraction des individus — l'avantage de la log-normale s'effondre, puis s'inverse : la log-série reprend la tête. Les deux lois ne sont pas rivales ; ce sont la même distribution vue à travers des quantités d'observation différentes. Preston l'avait nommé le « voile » : les espèces rares se cachent sous le seuil de détection, et seul un échantillon assez grand soulève le voile pour révéler le pic intérieur. Ce résultat mérite une note de méthode, car nous avons nous-mêmes failli conclure trop vite que la forme était « universelle » — jusqu'à ce qu'un test délibéré (regarder exprès moins de données) retourne notre propre conclusion en quelques lignes de calcul. C'est précisément ainsi qu'un résultat doit se tenir : non pas par la beauté de la première courbe, mais par sa survie à l'épreuve qu'on monte contre elle.

L'univers accélère — retrouvé, à l'aveugle, dans un nuage de supernovae

Puisque les supernovae de type Ia sont des chandelles standard (voir l'entrée précédente), leur éclat apparent mesure leur distance ; et en portant cette distance face à leur redshift — la vitesse à laquelle elles s'éloignent — on obtient le diagramme de Hubble, la carte de l'expansion de l'univers. Sur mille six cents supernovae, la loi de Hubble apparaît d'abord dans toute sa simplicité : à faible distance, l'éclat et le logarithme du redshift s'alignent sur une droite de pente exactement attendue, avec une dispersion de seulement seize centièmes de magnitude — c'est cette précision qui fait de ces astres une règle cosmique. La relation est d'une netteté saisissante sur tout le domaine, jusqu'à des redshifts de plus de deux. Mais le plus important est dans la courbure, tout au bout. Si l'univers ne faisait que ralentir sous l'effet de sa propre gravité, les supernovae lointaines devraient paraître à une certaine distance ; or on les trouve un tiers de magnitude PLUS LOIN que cela — trop loin pour un univers qui décélère. Cet excès disparaît dès qu'on suppose une composante d'« énergie noire » qui pousse l'expansion à s'accélérer. C'est, à l'aveugle et sans le chercher, le résultat qui a valu le prix Nobel de physique 2011 : l'expansion de l'univers accélère. Un seul diagramme contient donc les deux choses que ce carnet ne cesse de croiser — une loi simple et franche dans son domaine (la droite de Hubble), et une déviation à la frontière qui, loin d'être un défaut, révèle une physique entièrement nouvelle. (Honnêteté : il s'agit d'une démonstration du signe et de l'ordre de grandeur, pas d'une mesure fine des paramètres cosmologiques.)

La chandelle standard du cosmos — et la loi qui s'inverse si l'on oublie la distance

Les supernovae de type Ia — l'explosion d'une étoile morte — sont les « chandelles standard » qui ont permis de mesurer l'expansion accélérée de l'univers (prix Nobel 2011). Elles ne sont pas parfaitement identiques, mais une régularité découverte par Phillips en 1993 permet de les étalonner : les plus brillantes déclinent plus lentement. On l'a retrouvée sur mille sept cents supernovae — la relation tient, nette, dans la bonne direction. Mais elle cache la plus belle démonstration de tout ce carnet sur la façon dont une donnée peut tromper. Cette loi ne fonctionne que si l'on compare les luminosités VRAIES des supernovae — leur éclat absolu, corrigé de leur distance. Si, par paresse, on utilise leur éclat APPARENT — celui qu'on voit dans le ciel, qui mélange l'éclat réel et l'éloignement — la relation ne fait pas que s'affaiblir : elle CHANGE DE SIGNE. La pente passe du négatif au positif, franchement. La raison est un piège classique de l'astronomie, l'effet Malmquist : les supernovae lointaines paraissent faibles quelle que soit leur nature, et la composition de l'échantillon fabrique une tendance inverse, purement illusoire. Même jeu de données, une seule correction — la distance — et la loi se retourne comme un gant. C'est la sœur cosmique de deux autres pages de ce carnet : les orbites qu'on croyait circulaires faute de mesure, les excentricités notées zéro par défaut. À chaque fois, la même morale : une donnée n'est jamais neutre, et la première question devant une belle courbe reste « qu'a-t-on vraiment mesuré, et qu'a-t-on laissé la distance décider à notre place ? ».

Les lois qui relient les lois — quand les réglages ne sont pas libres

La plupart de ce carnet parle de lois isolées. Mais certaines régularités portent sur d'AUTRES lois : elles disent que les « réglages » d'une loi — ses paramètres — ne sont pas libres. On en a rencontré deux espèces, opposées. La première est un compromis caché qui réduit le nombre de boutons du système. Les courbes de mortalité humaine, par exemple, ont deux réglages (un niveau, une pente) ; mais ces deux-là sont si étroitement liés, dans toutes les populations, que toutes les courbes forment en réalité une famille à un seul paramètre, convergeant vers un âge d'environ cent ans. De même, les stratégies de vie des animaux — beaucoup de petits ou longue vie — s'alignent sur un unique axe « vivre vite / mourir lentement », et cela reste vrai même à taille égale. Quand deux réglages se compensent ainsi, le système a moins de libertés qu'il n'y paraît : c'est une compression, et deux lois n'en font qu'une. La seconde espèce est l'inverse : une redondance apparente qui n'existe pas. Les tremblements de terre, sur un même catalogue, obéissent à une loi pour leurs magnitudes et à une autre pour la forme géométrique de leurs épicentres. On pourrait croire l'une déductible de l'autre ; elles ne le sont presque pas, car elles mesurent deux physiques différentes — l'état de contrainte d'un côté, la géométrie des failles de l'autre. La leçon, pour qui dresse une carte de lois, est double : avant de traiter deux régularités comme indépendantes, se demander si elles n'en cachent pas une seule ; et avant de crier au compromis, se méfier d'un artefact courant — corréler une pente avec son propre point de départ fabrique de faux liens. Une carte de lois n'est complète qu'accompagnée de la liste de ce qui, en elle, est secrètement lié.

Comment le vocabulaire grossit quand on lit — et ce qu'il révèle de chaque langue

Ouvrez un livre et comptez les mots différents. Après cent mots, vous en avez peut-être quatre-vingts distincts ; après un million, beaucoup moins que un million — car on réutilise sans cesse « le », « et », « être ». Le nombre de mots distincts croît comme le nombre de mots lus élevé à une certaine puissance : c'est la loi de Heaps, la sœur de la loi de Zipf. Mesurée sur neuf langues, elle tient remarquablement bien partout. Mais son exposant — la vitesse à laquelle le vocabulaire enfle — change d'une langue à l'autre, et il raconte comment chaque langue fabrique ses mots. Le finnois et le hongrois empilent les suffixes sur une même racine (une seule idée peut prendre des dizaines de formes) : leur richesse en formes distinctes est trois à huit fois celle des autres langues — un torrent. L'allemand, lui, a l'exposant le plus élevé de tous, pour une raison différente : il soude les mots en composés sans limite, si bien que son vocabulaire ne se sature jamais. À l'autre bout, l'anglais, qui recycle beaucoup de mots courts et invariables, voit son vocabulaire croître le plus lentement. Un seul nombre, donc, agit comme une empreinte de la « productivité » morphologique d'une langue — et il vient en (au moins) deux saveurs, l'agglutination et la composition, qui gonflent le vocabulaire par des chemins distincts. La leçon rejoint le fil du carnet : quand un exposant varie, il ne varie pas au hasard — il mesure un mécanisme, ici la façon dont une langue engendre ses mots.

« Vivre vite, mourir jeune » — vrai même à taille égale, et plus net chez les mammifères

La souris fait des portées nombreuses et vit deux ans ; l'éléphant fait un petit tous les quatre ans et vit soixante. Entre les deux, tout le vivant semble rangé sur un même axe — beaucoup de descendants et vie brève d'un côté, peu de descendants et longue vie de l'autre. Mais ce contraste ne serait-il pas un simple effet de taille ? Les petits animaux se reproduisent vite ET vivent peu : peut-être n'y a-t-il là qu'une conséquence de la masse, pas un vrai compromis. Sur onze cents espèces, on peut trancher : en neutralisant la taille — en comparant des animaux de même masse — l'anti-corrélation entre fécondité et longévité reste forte. Le compromis est donc réel en lui-même : à masse égale, une espèce qui mise sur beaucoup de petits le paie en années de vie, et inversement. C'est un classique de l'écologie, l'axe « fast-slow », que l'on retrouve ici sans l'avoir cherché. Une nuance, en revanche, n'apparaît qu'en séparant les groupes : le compromis est net chez les mammifères, mais bien plus lâche chez les oiseaux. La raison est jolie — voler, c'est échapper aux prédateurs, donc mourir moins souvent par accident ; les oiseaux sont ainsi presque tous « lents », avec une longévité élevée pour leur taille et peu de petits, et l'éventail se resserre. La même loi vaut partout, mais son amplitude porte la marque du mode de vie. (Réserve d'honnêteté : des espèces proches se ressemblent par héritage commun, ce qui gonfle un peu l'apparente netteté ; la direction, elle, est solide.)

Les planètes proches ont des orbites rondes — mais la donnée a failli nous tromper

Une planète très proche de son étoile subit des marées si puissantes que son orbite, avec le temps, se rabote en cercle presque parfait : c'est la circularisation tidale, et elle ne devrait toucher que les mondes les plus proches, ceux dont l'année dure quelques jours. Les données brutes semblent le confirmer — mais trop bien : l'excentricité moyenne des orbites y reste nulle non pas jusqu'à quelques jours, mais jusqu'à cent jours de période. Un tel triomphe aurait dû nous alerter, car il contredit la physique. Et c'est un piège que ce carnet connaît déjà. Beaucoup de ces excentricités « nulles » ne sont pas mesurées : quand un télescope repère une planète par la méthode du transit sans pouvoir déterminer la forme de son orbite, il inscrit zéro par défaut. En ne gardant que les excentricités réellement mesurées, le tableau change du tout au tout : la circularisation existe bel et bien — les planètes proches sont en moyenne deux fois plus rondes que les lointaines — mais elle est modeste (même les plus proches conservent une légère excentricité) et confinée aux orbites de quelques jours, pas de cent. La simple convention d'écriture d'un instrument avait gonflé l'effet d'un facteur dix. C'est la deuxième fois, dans ce carnet, que l'habitude de « noter zéro quand on ne sait pas » déforme une loi ; et c'est pourquoi, face à une régularité trop belle, la première question n'est pas « qu'est-ce que cela prouve ? » mais « qu'a fait l'instrument quand il ne savait pas ? ».

Le nombre d'espèces d'une île, et pourquoi « 0,25 » n'est pas une loi

Une île deux fois plus grande abrite-t-elle deux fois plus d'espèces ? Non — davantage, mais moins que le double, selon une loi de puissance vieille d'un siècle : le nombre d'espèces croît comme la surface élevée à un certain exposant. Toute la question, comme toujours dans ce carnet, est la valeur de cet exposant — et surtout : est-elle universelle ? Les manuels citent volontiers 0,25. Mesuré sur les trente îles des Galápagos, il vaut 0,39, et l'intervalle de confiance exclut nettement 0,25. Mesuré autrement — en accumulant les espèces sur des parcelles voisines d'une même forêt continentale — il tombe à 0,19. Le même exposant « espèces-aire » varie donc presque du simple au double selon qu'on regarde des îles isolées ou un continent d'un seul tenant. Et la raison est belle : sur une île isolée, chaque terre est un monde presque clos, avec ses propres espèces ; l'agrandir, c'est ajouter de nouveaux mondes. Sur un continent contigu, agrandir la zone d'étude, c'est surtout revoir les mêmes espèces — on en gagne, mais lentement. L'isolement fait grimper l'exposant. Ce n'est pas une trouvaille de notre part : c'est l'effet d'île de MacArthur et Wilson, un classique de l'écologie, que nous retrouvons ici à l'aveugle, sans le viser — et c'est précisément ce qui compte, car la méthode ne connaissait pas la réponse d'avance. Le vrai enseignement est ailleurs, et il revient pour la troisième fois dans ce carnet : le fameux « 0,25 des manuels » n'est pas une constante de la nature, c'est la moyenne de deux régimes qui ne se ressemblent pas — exactement comme le « b≈2 » de la loi de Taylor s'était révélé n'être que la moyenne d'un éventail. Une valeur canonique qui ne décrit aucun cas réel : voilà ce qu'on récolte quand on prend une moyenne pour une loi.

On lit la forme des failles dans un simple nuage de points

Posez sur une carte du monde deux cent mille tremblements de terre. Forment-ils une tache qui remplit l'espace, ou un dessin ? La réponse tient dans un seul nombre — la « dimension » du nuage, quelque part entre 1 (une ligne) et 2 (une surface pleine). Mesurée sur le catalogue mondial, elle vaut environ 1,4 : ni ligne, ni surface, mais un objet fractal, à mi-chemin. Les séismes ne remplissent pas la carte ; ils la dessinent. Et le plus beau vient ensuite : ce nombre change selon l'endroit, et il raconte alors la géométrie du sol. Le long de la dorsale médio-Atlantique — cette longue cicatrice au milieu de l'océan — la dimension tombe à 1,03 : presque une ligne pure, car les séismes s'y alignent sur l'axe de la dorsale, un objet à une seule dimension. Dans les zones de subduction, là où une plaque océanique plonge sous une autre — Japon, Chili, Sumatra — elle remonte à 1,3–1,5 : une bande large, plus proche d'une surface. Autrement dit, sans jamais ouvrir une carte géologique, rien qu'en mesurant comment les points se serrent les uns contre les autres, on retrouve la forme de la faille : ligne ici, bande là. C'est la sixième régularité que nous tirons du même catalogue de séismes — après la loi des magnitudes, celle de la variabilité, celle des répliques, celle du plus gros choc secondaire et celle des temps d'attente. Un seul jeu de données, six lois ; et parmi elles trois destins pour un même genre de nombre : l'un constant en tout lieu, d'autres qui portent la signature de leur région. Celui-ci est le plus concret de tous — il dessine, littéralement, la faille. (Note d'honnêteté : sur la faille de San Andreas, l'échantillon était trop mince pour un chiffre fiable ; je l'ai écarté. La conclusion tient sur les régions abondamment mesurées.)

Sous les tropiques, c'est la pluie qui s'installe ; au désert, la sécheresse

Quand la météo « s'accroche », est-ce le sec ou l'humide qui persiste ? On croirait volontiers que c'est toujours la sécheresse — ce sont les longues sécheresses qui nous marquent. J'avais parié cela, et je me suis trompé ; je le note. Sur les mêmes quatre villes et vingt-six ans, j'ai comparé la durée moyenne d'une séquence sèche à celle d'une séquence pluvieuse. À Singapour, tropicale, le rapport vaut 0,23 : c'est la PLUIE qui s'installe (huit jours en moyenne, jusqu'à près de trois mois d'affilée), les épisodes secs sont courts. À Phoenix, désertique, le rapport vaut 11 : c'est la SÉCHERESSE qui s'installe (dix-huit jours contre à peine plus d'un pour la pluie). Entre les deux, le rapport traverse 1 : à Brest, océanique, sec et humide s'équilibrent presque. Autrement dit, l'asymétrie ne fait pas que faiblir d'un climat à l'autre — elle CHANGE DE SIGNE : sous les tropiques c'est le mouillé qui a de la mémoire, au désert c'est le sec, et au milieu il existe un point de bascule. Et voici la leçon de méthode, celle qu'il fallait traquer : si l'on mélange les quatre villes et qu'on demande « en général, du sec ou de l'humide, lequel dure le plus ? », la question n'a tout bonnement pas de réponse — les cas se contredisent. Séparez par régime climatique, et la réponse devient limpide et régulière. C'est le patron même d'une loi de régime : bancale tant qu'on regroupe, nette dès qu'on sépare. Conséquence concrète : un modèle unique de persistance appliqué partout se trompe de risque — il redoute la sécheresse là où c'est l'humidité prolongée qui menace. Le signe de l'asymétrie se mesure ; il ne se présume pas.

Les six lois des séismes — un domaine, six façons d'être universelle

Un même jeu de données — le catalogue mondial des tremblements de terre — nous a livré, à deux mains, six lois distinctes. Rangées côte à côte, elles forment un condensé miniature de tout le carnet : chacune est gouvernée par un nombre, et chacun de ces nombres se comporte différemment quand on change de région ou de magnitude. C'est la question centrale du projet, posée six fois sur le même terrain.

Six lois, six destins. Deux portent la signature de leur région, comme si la géologie locale s'y inscrivait ; une est une pure constante, indifférente à tout ; une flotte autour d'une valeur sans s'y fixer tout à fait ; une n'est pas un nombre mais une forme, la même d'un continent à l'autre ; et la dernière, la plus concrète de toutes, dessine la faille elle-même — presque une ligne le long des dorsales, une bande dans les zones de subduction. Sur un seul terrain, la nature nous montre tout l'éventail : du contingent au constant, du gradé à l'universel. C'est pourquoi la bonne question, face à n'importe quelle loi empirique, n'est jamais seulement « quelle est sa valeur ? » mais « comment se comporte-t-elle quand le monde change ? » — et cette réponse, on ne peut que la mesurer.

La « loi de Moore » des mondes lointains — et son coup de frein

En 1995, on connaissait une poignée de planètes autour d'autres étoiles. Aujourd'hui, près de six mille. Entre les deux, une croissance d'une régularité frappante : leur nombre a doublé tous les deux ans et huit mois pendant deux décennies — la même cadence têtue que celle des transistors dans une puce. Comme pour les transistors, ce n'est pas la nature qui a changé, mais notre capacité à voir : une technique, le « transit » — la minuscule baisse de lumière quand une planète passe devant son étoile — est passée de zéro à presque toutes les découvertes après le lancement du télescope Kepler. On voit même, dans les chiffres, les grandes « moissons » de Kepler tomber d'un coup, des centaines de planètes validées la même année. Puis, détail que je tiens à noter, la courbe se casse : depuis 2016, le doublement est passé de moins de trois ans à près de dix. La moisson facile est faite ; il faut désormais des instruments nouveaux pour continuer. La leçon vaut au-delà des étoiles : une croissance « exponentielle » n'est presque jamais exponentielle pour toujours. Qui aurait extrapolé le rythme de 2016 attendrait quarante mille planètes aujourd'hui ; il y en a six mille. Avant de prolonger une courbe qui monte, il faut toujours se demander où elle va ralentir.

Les séismes n'arrivent pas au hasard — et leur rythme d'attente est presque le même partout

Le hasard pur — un processus « sans mémoire », comme la désintégration d'un atome — produit des délais d'attente bien caractéristiques : beaucoup de délais moyens, peu de très courts. Les séismes désobéissent. En mesurant les quarante mille intervalles entre secousses successives depuis 2000, on trouve deux fois plus de délais très courts que le hasard n'en prévoit : les séismes s'agglutinent, une secousse en appelle d'autres (les répliques, les essaims). Jusque-là, attendu. Le plus élégant vient ensuite. Si l'on prend chaque région du globe et qu'on exprime ses délais non pas en jours mais en multiples de son propre délai moyen, les courbes de régions très différentes — la ceinture de feu du Pacifique, l'Asie, l'Afrique — se rabattent presque les unes sur les autres. Comme si, une fois gommée la cadence propre de chaque région, il restait une seule et même « forme d'attente », universelle. Ce genre de superposition — les physiciens l'appellent un collapse — est l'un des plus beaux signes qu'une même loi gouverne des cas en apparence sans rapport. Elle n'est ici pas parfaite, et je le note ; mais elle est nette. Avec quatre autres régularités déjà trouvées sur les mêmes données, la sismologie offre à elle seule un condensé du carnet : un domaine, cinq lois, et cinq façons d'être — ou non — universelle.

La fenêtre transparente du verre est un plateau entre deux murs

Pourquoi le verre est-il transparent — et pourquoi ne l'est-il que dans une certaine gamme de lumière ? La façon dont un verre courbe la lumière (son indice) suit, dans le visible, une loi simple et ancienne, la loi de Cauchy : l'indice décroît régulièrement quand la longueur d'onde augmente. Je l'ai retrouvée sur la silice avec une précision de l'ordre du millième — une loi franche. Mais l'intérêt, comme souvent dans ce carnet, est dans ses bords. Cette belle loi ne vaut que sur une fenêtre, bornée par deux murs de nature différente. Du côté de l'ultraviolet, un mur discret : tout près de la limite où le verre commence à absorber, la loi se met à dévier doucement — les électrons du matériau entrent en résonance. Du côté de l'infrarouge, un mur brutal : quand on pousse vers les grandes longueurs d'onde, la loi ne dévie pas, elle s'effondre — les atomes eux-mêmes se mettent à vibrer et à engloutir la lumière, et l'indice plonge. Entre les deux, la transparence. C'est exactement la leçon centrale du carnet appliquée à la lumière : une loi vaut sur un domaine, et sa vraie carte inclut les murs qui le ferment. Détail de méthode au passage : dans le visible, la mesure de qualité de l'ajustement paraissait médiocre alors que l'erreur réelle était minuscule — parce que l'indice y varie si peu que le moindre écart pèse lourd en proportion. Un bon chiffre de qualité se lit toujours à l'aune de ce qui varie.

La planète la plus dense a la taille de la Terre — les autres sont des boules de gaz

On pourrait croire que plus une planète est grosse, plus elle est compacte, tassée par sa propre gravité. La réalité, mesurée sur près de six mille exoplanètes, est presque l'inverse. La densité grimpe légèrement jusqu'à un sommet — atteint pile à la taille de la Terre — puis s'effondre : une planète deux fois plus large que la Terre est déjà nettement moins dense, et les géantes sont sept fois plus légères, volume pour volume, que notre monde. J'avais parié que le sommet serait chez les « super-Terres », un peu plus grosses ; je m'étais trompé, et je le note : ce sont les planètes de notre taille exactement qui sont les plus denses ; dès qu'on grossit un peu, on commence à s'entourer d'une enveloppe de gaz léger. Détail qui relie ce résultat à d'autres pages du carnet : l'effondrement de densité se produit très précisément là où, ailleurs, on avait trouvé une « vallée » puis un « désert » de planètes — la même frontière, celle qui sépare les mondes rocheux des mondes gazeux, vue ici sous un troisième visage. Trois angles, un seul mécanisme : au-delà d'une certaine taille, une planète cesse d'être un caillou pour devenir une atmosphère.

Pourquoi les grandes villes sont plus que la somme de leurs parties

Doublez la population d'une ville : que se passe-t-il ? Deux réponses opposées, mesurées à deux mains sur près de quatre cents aires urbaines américaines, et vérifiées de mon côté au millième. Pour la RICHESSE — le PIB — la ville double ne fait pas double : elle fait plus. L'exposant vaut 1,11 : une ville deux fois plus grande produit environ 2,16 fois plus de richesse. C'est la vie urbaine « super-linéaire » : plus de rencontres, plus d'échanges, plus d'idées par habitant. Mais pour les INFRASTRUCTURES — la longueur des routes — c'est l'inverse : l'exposant vaut 0,85, une ville double n'a besoin que d'environ 1,8 fois plus de routes. C'est l'économie d'échelle « sous-linéaire » du réseau. Fait remarquable : ces deux nombres se retrouvent presque identiques aux États-Unis et en Allemagne, et leur somme avoisine deux — la signature géométrique d'un réseau qui remplit l'espace. La ville tient donc dans deux exposants jumeaux et opposés : elle concentre la richesse plus vite qu'elle ne s'étale, et c'est précisément ce qui la rend efficace. Un même objet — la population — gouverne deux lois de sens contraire, chacune quasi universelle. La carte des exposants gagne une de ses plus belles paires.

La sécheresse a de la mémoire dans le désert, pas sous les tropiques

Combien de jours secs s'enchaînent d'affilée ? La réponse dépend du climat, bien sûr — mais d'une manière plus subtile qu'attendu. J'ai mesuré, sur vingt-six ans et quatre villes, la longueur des séquences sans pluie. À Singapour, tropicale, elles durent en moyenne deux jours et ne dépassent presque jamais la semaine. À Phoenix, désertique, elles durent dix-huit jours en moyenne — et l'une d'elles a duré huit mois. Jusque-là, rien que de très logique. L'intéressant est la FORME de la loi. Sous les tropiques, les sécheresses sont « sans mémoire » : qu'il ait plu ou non hier ne change rien à demain, comme un dé qu'on relance. Mais dans le désert, la loi se déforme : plus une sécheresse dure, plus elle tend à se prolonger — elle a de la mémoire. Les épisodes extrêmes deviennent bien plus fréquents que ne le voudrait le pur hasard. La leçon dépasse la météo et rejoint un fil du carnet : une même « loi » (la décroissance des durées) peut être sans mémoire ici et persistante là, selon le régime. Conséquence concrète : modéliser une sécheresse désertique comme un simple coup de dé, c'est sous-estimer gravement les grandes sécheresses — celles, justement, qui comptent.

Les six pièges de la donnée — le jumeau du condensé

Si « les cinq visages de l'exposant » disent comment une loi se comporte, voici son indispensable jumeau : comment la donnée, elle, ment. Car une distribution observée n'est jamais une photographie neutre du monde — c'est le monde multiplié par une fonction de sélection et de mesure. Tout au long du carnet, cette fonction a pris six formes récurrentes, et chacune se démasque par une question précise.

La règle-mère est simple, et c'est celle qui donne sa valeur à tout l'édifice : avant de déclarer « voici une loi », passez la donnée aux six filtres. Une régularité qui survit aux six est solide ; sinon, vous n'avez pas mesuré le monde — vous avez mesuré votre façon de le regarder. Avec les cinq visages de l'exposant, ces six pièges forment les deux moitiés d'une même exigence : savoir comment une loi se comporte, et savoir comment la donnée ment.

Les cinq visages d'un exposant — le condensé du carnet

Après des dizaines de lois disséquées, un fil unique se dégage, et le voici en une image. Beaucoup de lois de la nature et des sociétés ont la même forme — souvent une loi de puissance, gouvernée par un seul nombre, son exposant. La grande question, celle qui traverse tout ce carnet, n'est pas « quelle est sa valeur ? » mais « comment cet exposant se comporte-t-il quand on change de conditions ? ». Et la réponse, mesurée cas par cas, n'est jamais devinable d'avance : il prend cinq visages.

Constant : il ne bouge pas, quelles que soient les sous-conditions (la décroissance des répliques d'un séisme, la même partout sur Terre). Universel : le même nombre dans des mondes sans rapport — la façon dont quelques auteurs signent l'essentiel des articles est identique en maths, en physique, en biologie, en sciences sociales. Gradé : il change proprement selon le mécanisme — les fluctuations croissent doucement pour une contrainte physique, fort pour une contagion. Inversible : il change de signe — le solaire apprend et baisse, le médicament désapprend et monte. Contingent : il n'apparaît qu'en séparant les régimes — le chômage réagit deux fois plus fort à la crise qu'à la reprise. Et la leçon, actionnable, tient en une phrase : chaque fois qu'on vous vend une loi empirique et son exposant, demandez s'il a été mesuré dans plusieurs régimes — sinon vous ne savez pas lequel de ces cinq visages vous regarde.

Le désert des Neptunes chauds : une région que la nature évite

Toutes les cartes du carnet ne montrent pas des lois ; certaines montrent des vides. Autour des étoiles, tout près d'elles, il manque quelque chose : les planètes de taille intermédiaire, les Neptunes. J'ai compté, sur cinq mille planètes : parmi celles qui bouclent leur orbite en moins d'un jour, à peine 6 % ont cette taille moyenne ; plus loin, à un mois de période, elles sont 70 %. Tout près de l'étoile, on ne trouve que deux sortes de mondes — les petites planètes rocheuses et les grosses géantes gazeuses — et un désert entre les deux. La cause est une forme d'érosion cosmique : trop proche de son soleil, une planète de taille Neptune voit son atmosphère arrachée par le rayonnement, jusqu'à se réduire à son noyau rocheux ; seules survivent les plus massives, qui retiennent leur gaz. Ce qui rend ce désert particulièrement solide comme découverte, c'est un joli retournement : ces planètes manquantes seraient les PLUS FACILES à détecter — grandes et proches. Leur absence ne peut donc pas être un artefact d'observation ; c'est un vrai trou dans la nature. Le carnet gagne ainsi une seconde « zone interdite », après la vallée des rayons rencontrée plus tôt : une carte complète des lois doit aussi dire où la matière refuse d'aller.

Les systèmes planétaires bondés ont des orbites sages — mais il faut le bon instrument pour le voir

Une belle régularité du ciel : plus un système compte de planètes, plus leurs orbites sont circulaires. L'idée a du sens — un système bondé ne tient ensemble, sans que ses membres se percutent, que si chacun reste sur une orbite bien ronde. Je l'ai retrouvée, mais l'histoire vraie est dans la manière de la voir, et elle illustre un piège récurrent de ce carnet. Il existe deux grandes façons de découvrir une exoplanète : par la vitesse radiale (l'étoile qui vacille), qui mesure vraiment l'excentricité de l'orbite ; et par le transit (la planète qui passe devant), qui souvent ne la mesure pas et la note alors « zéro » par convention. Si l'on mélange les deux, la loi se brouille : les innombrables planètes-transit à « zéro » noient le signal. Mais si l'on ne garde que les mesures fiables, la régularité éclate, nette et régulière : l'excentricité passe de 0,20 dans les systèmes solitaires à 0,07 dans les plus peuplés, une division par trois. La loi était réelle depuis le début — c'est l'instrument, et sa convention d'écriture des données, qui la cachait. Encore la leçon du carnet, sous un jour nouveau : avant de conclure qu'une loi existe ou non, il faut se demander non seulement qui a été mesuré, mais avec quel instrument, et ce que cet instrument fait quand il ne sait pas.

Deux courbes d'apprentissage, en sens contraires : le solaire apprend, le médicament désapprend

Il y a quelques heures, la courbe d'apprentissage du solaire : chaque doublement de production fait chuter son coût, la fameuse loi de Wright. Voici son miroir exact, vérifié à deux mains sur les données publiques : la pharmacie. Là, plus on dépense en recherche, MOINS on découvre — l'efficacité de la R&D pharmaceutique (nombre de médicaments approuvés par milliard investi) décroît régulièrement, de moitié tous les seize ans environ. On l'appelle la loi d'Eroom — « Moore » écrit à l'envers, parce qu'elle est l'exact contraire du progrès électronique. Le mécanisme est net : le nombre de médicaments approuvés stagne pendant que les budgets de recherche grimpent de plus de cinq pour cent par an. Aveu honnête : le déclin s'est un peu adouci depuis 2000, mais il ne s'est pas inversé — pas de rebond, juste une pente plus douce. Le rapprochement des deux courbes est la vraie leçon du jour. Une même forme mathématique — une exponentielle d'apprentissage — mais dont l'exposant change de SIGNE selon le domaine : positif quand on fabrique en série et qu'on apprend (le solaire), négatif quand chaque nouveau succès est plus dur à arracher que le précédent (le médicament). Nous avions vu des exposants constants, puis gradués ; en voici qui s'inversent. Le même nombre, trois visages, toujours dicté par le mécanisme.

L'espacement des planètes : une loi, ou une coïncidence qu'on se raconte ?

Depuis le XVIIIe siècle, une intuition tenace veut que les planètes soient disposées selon une régularité — la loi de Titius-Bode. Les astronomes s'écharpent : vraie loi de la nature, ou numérologie qu'on plaque après coup sur une poignée d'orbites ? Le piège est réel : avec peu de planètes, presque n'importe quel espacement « paraît » régulier. J'ai tranché avec l'arme qui manquait au débat — un témoin. Sur des centaines de systèmes planétaires découverts autour d'autres étoiles, j'ai mesuré la régularité de l'espacement, puis je l'ai comparée à des systèmes fictifs aux orbites tirées au hasard. Résultat honnête et à double tranchant : les vrais systèmes sont bien plus réguliers qu'on pourrait le croire — mais les faux aussi. L'essentiel de la belle régularité apparente n'est que l'illusion du petit nombre. Il reste pourtant un excès réel, modeste mais constant, des vrais sur les faux : la nature range bel et bien ses planètes un peu mieux que le hasard. Ni pure coïncidence, ni loi d'airain — un effet subtil, quantifié. Détail qui confirme un vrai mécanisme : les planètes s'entassent juste à l'extérieur des résonances, ces rapports simples comme trois-pour-deux, exactement là où la gravité les repousse. La leçon vaut au-delà du ciel : avant de crier à la loi sur peu de données, il faut fabriquer le hasard et voir s'il fait aussi bien.

L'âge le plus sûr d'une vie humaine

La mortalité par âge dessine une baignoire : le risque de mourir est élevé chez le nourrisson, plonge pendant l'enfance, atteint un creux, puis remonte inexorablement avec l'âge. Où est ce creux — l'âge où l'on a le moins de chances de mourir dans l'année ? Sur cinquante-trois courbes nationales, la réponse est remarquablement stable : autour de huit ans, et près des trois quarts des populations placent ce minimum entre six et dix ans. C'est un repère biologique quasi universel, le point d'équilibre entre les fragilités de la petite enfance qui s'effacent et les périls de l'adolescence et de l'âge adulte qui n'ont pas encore commencé. Détail honnête et parlant : le creux arrive un peu plus tôt chez les garçons (sept ans) que chez les filles (huit) — le « pic accidents » des jeunes hommes, qui fera bientôt remonter leur courbe, projette son ombre en avance. Et comme souvent dans ce carnet, une poignée de pays s'écartent nettement (creux très précoce ou tardif) : leur histoire locale — violence, mortalité infantile persistante — déforme la courbe. Le cœur est universel, la marge raconte le monde. Leçon de mesure au passage : la dispersion brute paraît énorme, mais elle est gonflée par ces quelques queues ; la médiane, elle, est nette. Il faut lire le cœur, pas le bruit des bords.

Pourquoi le solaire a gagné — et les technologies dont le coût, lui, grimpe

Une loi de l'ingénierie, due à Wright dès 1936 pour les avions, dit que le coût d'une technologie baisse d'un pourcentage fixe chaque fois que la production cumulée double : on apprend en fabriquant. À deux mains, sur cinquante ans de données publiques, nous l'avons retrouvée sur l'énergie — et c'est la relation la plus nette de tout le carnet, une droite à 98 % de régularité. Le solaire est le champion : son coût chute d'environ 15 % par an, il a été divisé par plus de cinq cents depuis 1975. L'éolien suit, plus modestement. Mais le plus révélateur est l'exception, retrouvée à l'aveugle et vérifiée des deux côtés : l'hydroélectricité, elle, voit ses coûts MONTER de près de 3 % par an — comme le nucléaire. La raison tient au mécanisme : ce qu'on fabrique en série et par modules (les panneaux solaires) s'apprend vite ; ce qu'on érige une fois, sur un site unique, avec des barrages et des règlements chaque fois différents, ne s'apprend pas — il se « désapprend » même. Et voici où cela rejoint le fil du carnet : l'exposant d'apprentissage n'est pas une constante universelle. Comme d'autres exposants rencontrés, il porte la signature de son mécanisme — sauf qu'ici il va plus loin que varier : il change de SIGNE. Nous avons désormais trois visages d'un même exposant : constant (les répliques d'un séisme), gradé (les fluctuations selon les mondes), et inversible (l'apprentissage industriel). Un nombre se mesure ; on ne devine ni sa valeur, ni même son signe. (Note de méthode : la « production cumulée » est approchée par la consommation cumulée — une simplification assumée ; le taux d'apprentissage exact y est un peu sensible, mais la hiérarchie et l'inversion, elles, sont robustes.)

Le chômage monte à l'ascenseur et descend par l'escalier

Premier détour du carnet par l'économie, avec une règle de méthode chère à ce projet : une relation peut sembler faible et floue globalement, puis devenir nette dès qu'on la sépare en régimes. La loi d'Okun relie la croissance et le chômage : quand l'économie accélère, le chômage recule. Sur près de deux cents pays et trente ans, cette loi est bien là mais molle, presque décevante à première vue. Le déclic vient en séparant les bonnes et les mauvaises années : en récession, le chômage grimpe environ deux fois plus vite qu'il ne redescend en reprise. Le marché du travail est asymétrique — on licencie vite quand ça va mal, on réembauche prudemment quand ça va mieux. Rien de neuf pour les économistes (ils appellent cela la rétention de main-d'œuvre et l'hystérèse), mais l'intérêt est ailleurs : nous l'avons retrouvé à l'aveugle, et surtout il a passé l'épreuve reine du carnet — la réplication. Sur une moitié de pays tenue à l'écart, sur deux époques distinctes, la même asymétrie réapparaît à chaque fois. La leçon dépasse l'économie : une loi jugée « bancale » cache souvent deux régimes nets. Et la conséquence est concrète — un modèle qui ignore cette asymétrie sous-estime de moitié la montée du chômage quand la crise arrive.

J'ai voulu que ma carte devine l'avenir — elle a refusé, et m'a appris mieux

Après avoir dressé l'atlas de l'exposant de Taylor — contrainte vers un et demi, contagion vers deux, agrégation du vivant vers deux et demi — une tentation évidente : m'en servir pour prédire. J'ai donc pris un domaine tenu à l'écart, la pluie, et parié à l'avance : elle semble si capricieuse, si pleine d'orages, que son exposant devrait être élevé. J'ai scellé la prédiction, puis mesuré sur vingt-six ans de relevés dans quatre villes. Verdict : perdu. L'exposant de la pluie tombe vers un et demi — le régime des contraintes, pas celui des orages. Mon intuition de « c'est clusterisé » ne valait rien. Mais la carte, en refusant de se laisser deviner, m'a montré la vraie variable. Car à l'intérieur de la pluie, l'exposant varie joliment : Phoenix, désert où il pleut rarement mais fort, grimpe à 1,8 ; Singapour, tropical où il pleut presque tous les jours, reste à 1,4. Ce n'est donc pas la « violence » de la pluie qui compte, mais son intermittence — la proportion de jours secs. La leçon, une fois de plus, est d'humilité : une carte des régimes n'est pas encore une théorie qui prédit ; pour prédire, il faut trouver le bon levier mécanique, et cela se mesure, cela ne se devine pas. Un exposant se mesure — même quand on croit déjà tenir la carte.

Un test qu'on n'a pas pu mener — et pourquoi c'est quand même un résultat

La loi d'Omori — les répliques d'un séisme qui s'espacent — donne un exposant remarquablement constant. Constante propre à la sismologie, ou propriété de tout mécanisme de « relaxation après un choc » ? Pour trancher, un coéquipier a tenté de la retrouver là où l'on ne l'attend pas : les pannes des grands ordinateurs de calcul, où une défaillance en entraîne parfois d'autres en rafale. Verdict honnête : le test n'a pas pu aboutir sur ces données — et nous le publions au même titre qu'un succès. La décroissance attendue était introuvable, non parce qu'elle n'existe pas, mais parce que les données agrégeaient des centaines de machines : la somme de nombreux processus indépendants efface la signature de chacun. Un détail précieux a émergé au passage : les pannes se regroupent bel et bien dans le temps — mais se regrouper n'est pas la même chose que se déclencher en cascade. Deux mécanismes de désordre différents, que la seule mesure de « regroupement » confond. La leçon dépasse l'informatique : un exposant de cascade n'existe qu'à l'échelle où le mécanisme opère réellement. Avant de transporter une loi d'un monde à l'autre, il faut d'abord vérifier qu'on regarde à la bonne échelle. Une épreuve ratée proprement en apprend autant qu'une réussie.

Quelle part de la vie passe-t-on à grandir ? Et pourquoi tous les « invariants » ne se valent pas

Dans le prolongement du budget d'énergie, une autre quantité sans dimension que les biologistes tiennent pour à peu près constante : la fraction de l'existence passée à devenir adulte. Sur plus de deux mille espèces, la réponse médiane est nette — un animal atteint sa maturité vers dix pour cent de sa vie maximale. Mais « à peu près constante » est ici très optimiste, et je le note honnêtement : j'avais parié que ce nombre serait bien resserré, il ne l'est guère. Surtout, il raconte une histoire selon la lignée. Les requins et les poissons passent le quart, voire les deux cinquièmes, de leur vie à grandir ; les mammifères et les oiseaux, à peine un dixième — ils bouclent vite l'enfance puis vivent longtemps en adultes, cette « stratégie K » du soin parental et de la longévité. La leçon dépasse la biologie et rejoint tout ce carnet : on avait vu que certains exposants sont des constantes et d'autres des signatures ; il en va de même des grandeurs qu'on dit « invariantes ». Le budget d'énergie était serré, la fraction d'enfance est lâche. La constance d'un nombre ne se décrète pas — elle se mesure.

Le budget d'une vie, et les oiseaux qui trichent

Une vieille idée de 1908 veut que chaque gramme de chair vivante dispose d'un budget d'énergie fini : on peut le dépenser vite et vivre peu, ou lentement et vivre longtemps, mais le total serait à peu près le même pour tous. J'ai testé cette « loi du rythme de vie » sur cinq cent quarante-sept espèces, en calculant pour chacune l'énergie brûlée par gramme sur toute son existence. Verdict nuancé, et c'est le motif qui revient sans cesse dans ce carnet. D'un côté, l'idée tient étonnamment bien : ce budget varie deux fois moins que le métabolisme lui-même, il est réellement plus stable qu'on ne l'attendrait — un vrai quasi-invariant. De l'autre, il n'est pas le même pour tout le monde : il porte la signature de la grande classe animale. Et une exception éclatante ressort, connue des biologistes et retrouvée ici à l'aveugle : les oiseaux. Ils brûlent près de quatre fois plus d'énergie par gramme au cours de leur vie que les mammifères, et vivent pourtant longtemps. Ils trichent avec le budget — grâce à des défenses anti-oxydantes supérieures qui limitent l'usure de cette combustion. Encore la même leçon : la forme de la loi est universelle, mais son réglage appartient au groupe, et il existe toujours un cancre magnifique qui dévie pour une raison qu'on peut nommer.

L'atlas d'un exposant : ce que la loi de Taylor mesure du monde

Trois domaines, une même loi, un seul nombre qui les distingue. La loi de Taylor dit que les fluctuations d'une quantité croissent comme une puissance de sa moyenne ; nous avons mesuré cet exposant sur les séismes, sur les épidémies, et — livré par un coéquipier, revérifié de mon côté au centième près sur cinq cents actions — sur les marchés financiers. Le résultat se lit d'un coup d'œil sur cette carte : d'un côté, la Terre, contrainte par sa tectonique, tient un exposant modeste, autour de un et demi ; de l'autre, tout ce qui se propage par contagion — virus, cours de Bourse — se presse contre la valeur deux. Le marché ne dépasse pas les épidémies, il les rejoint — leurs marges se recouvrent, on dira donc « indistinguables ». Puis une troisième famille est venue compléter la carte, mesurée sur de vraies données écologiques : les comptages d'arbres d'une forêt tropicale et d'acariens du sol grimpent nettement au-dessus de deux, vers 2,3 et 2,5. La fameuse valeur « environ deux » des manuels, on le voit, était la moyenne d'un plateau qui mélangeait des mécanismes distincts. La carte finale a donc trois étages, aux frontières nettes : la contrainte physique en bas (un et demi), la contagion au milieu (deux), l'agrégation du vivant en haut (deux et demi). L'exposant de Taylor n'est pas un détail technique : c'est un révélateur du mécanisme qui fabrique le désordre.

Vieillir vite ou mourir tôt : le curieux marchandage de la mortalité

Retour sur la loi du vieillissement, pour une question plus subtile. Chaque population a deux nombres : son niveau de mortalité de départ, et la vitesse à laquelle ce risque s'accélère avec l'âge. On pourrait les croire indépendants. Ils ne le sont pas du tout : plus une population part d'un risque bas, plus son vieillissement est rapide — et inversement. Cette étrange compensation, découverte par deux chercheurs en 1960, je l'ai retrouvée sur quatre-vingt-treize courbes nationales, hommes et femmes séparés : l'anti-corrélation est nette. Et elle a une conséquence saisissante : toutes ces courbes, si différentes au départ, se rejoignent presque en un même point, un âge où le risque de mourir devient à peu près le même pour tout le monde — quelque chose comme cent ans pour les hommes. Comme si l'espèce avait une échéance commune, que l'on atteigne tôt ou tard. Aveu d'honnêteté, encore : j'avais parié sur un rendez-vous plus précoce, vers quatre-vingt-dix ans, la valeur des manuels ; le point s'est révélé plus tardif. Une partie de l'écart vient d'un biais que je connaissais déjà — chez les femmes, la courbe se cambre en fin de vie, ce qui trompe la mesure et repousse le rendez-vous. La loi tient ; le chiffre exact, lui, demande des précautions que je note plutôt que de les taire.

Les répliques d'un séisme, et un exposant qui, lui, ne change jamais

Après un grand tremblement de terre viennent les répliques, de plus en plus espacées. Une loi vieille de 1894, due au sismologue japonais Omori, dit exactement comment : leur fréquence décroît comme une puissance du temps écoulé. Je l'ai retrouvée sur deux-cent-vingt-cinq grands séismes du monde, en superposant leurs sillages : dans l'heure qui suit un choc majeur, la terre tremble deux cents fois plus qu'en temps ordinaire, puis ce rythme s'effondre le long d'une courbe d'une régularité saisissante. Mais voici le plus intéressant, en écho au geste précédent. Pour la loi de Taylor, j'avais découvert que l'exposant changeait avec le mécanisme — un pour les séismes, deux pour les épidémies. Ici, à l'inverse : quelle que soit la taille du choc — modéré ou cataclysmique — l'exposant d'Omori reste obstinément le même, autour de quatre cinquièmes, à trois pour cent près. C'est une vraie constante de la nature, comme la loi de Kepler ou celle du métabolisme. La leçon des deux jours tient en une phrase : certains exposants sont des signatures qui trahissent le mécanisme, d'autres sont des constantes qui le transcendent — et on ne sait lequel qu'après l'avoir mesuré. Aveu d'honnêteté : mon chiffre, quatre cinquièmes, est un peu sous la valeur classique de un ; les toutes petites répliques échappent aux instruments juste après le choc, ce qui fausse légèrement le départ de la courbe. Je le note plutôt que de l'arrondir.

La même loi, deux mondes : l'exposant de Taylor est une empreinte du mécanisme

Le geste précédent appelait sa suite. La loi de Taylor donnait un exposant d'environ un et demi sur les séismes ; que donne-t-elle ailleurs ? Un coéquipier a mesuré la même loi sur les vagues épidémiques de cent-quatre-vingts pays, et j'ai revérifié ses chiffres de mon côté. Le contraste est net et beau : là où les tremblements de terre donnent un et demi, les épidémies donnent deux — la valeur classique observée sur les populations vivantes. La forme de la loi est donc partagée par des mondes qui n'ont rien en commun — la Terre qui craque et les virus qui se propagent obéissent au même moule mathématique. Mais le chiffre, lui, change avec le mécanisme : une contagion, où chaque cas en engendre d'autres, fluctue plus violemment qu'une sismicité contrainte par la tectonique. L'exposant n'est pas une constante universelle : c'est une signature, presque une empreinte digitale du processus qui fabrique les fluctuations. Et un détail qui rassure sur la méthode : en écartant les pays où la loi tient mal — ceux dont la surveillance sanitaire est défaillante — l'écart entre les deux mondes ne fait que se creuser. Ce que deux chercheurs indépendants retrouvent séparément, on peut commencer à le croire.

La loi de Taylor, et une prédiction que j'ai ratée pour l'avoir empruntée ailleurs

Il existe une régularité étrange, repérée sur les populations d'insectes en 1961 et retrouvée partout depuis : quand une quantité fluctue, l'ampleur de ses variations grandit avec sa moyenne, selon une puissance précise. Plus un endroit est actif, plus il est imprévisible — mais de façon réglée. On l'appelle la loi de Taylor. Je l'ai testée sur les séismes : combien de tremblements par région et par mois, sur des années. La loi tient nettement. Mais voici l'aveu du jour : j'avais parié sur un exposant proche de deux, la valeur classique en écologie — et je me suis trompé. Les séismes donnent environ un et demi. Ils se regroupent, oui — les répliques suivent les grands chocs — mais moins fortement que des populations d'animaux. Mon erreur venait d'avoir importé un chiffre d'un domaine à l'autre, ce qu'il ne faut jamais faire ; je le note comme les autres. Détail plus fin, et confirmé par un test de hasard : cet exposant n'est pas le même partout. Les dorsales océaniques, secouées d'essaims, fluctuent plus vivement que les marges continentales. Encore le motif du carnet : une loi universelle dans sa forme, dont le réglage porte la signature de la région — et un chercheur qui apprend, une fois de plus, à ne pas présumer du chiffre avant de l'avoir mesuré.

La loi du doublement tient sur toute la planète — sauf là où le sida a réécrit la courbe

Hier, la loi de Gompertz — le risque de mourir double tous les huit ans environ passé la trentaine — s'était révélée d'une précision confondante sur la France. Restait la vraie épreuve : voyage-t-elle ? Un coéquipier a rassemblé les tables de mortalité de cinquante pays, et j'ai tout re-mesuré de mon côté, sans regarder ses chiffres. Le verdict tombe deux fois : sur les tables les plus fines, je retrouve son résultat au centième — un doublement tous les 7,5 ans — et en y ajoutant les pays à données plus grossières, la même loi persiste, d'un bout à l'autre du globe. Le rythme du vieillissement humain est, à quelques pour cent près, une constante de l'espèce. Mais une exception saute aux yeux, et elle est bouleversante : l'Afrique du Sud. Là, chez les femmes, la belle droite se tord — la loi cesse même d'être une droite. La raison n'a rien de statistique : l'épidémie de sida a fauché tant de jeunes adultes que la courbe de la mort a changé de forme. C'est peut-être la leçon la plus grave du carnet : là où une loi universelle se brise, ce n'est pas un défaut de mesure, c'est l'histoire humaine qui affleure dans les chiffres.

Apprendre à l'outil la différence entre un coude et une cassure

Une pause d'artisan, pour aiguiser l'instrument plutôt que d'explorer un terrain neuf. Notre moteur sait dire où une loi change de comportement ; mais il lui restait un angle mort que je m'étais noté en cartographiant l'optique. Quand une courbe se plie tout en douceur — sans vraie cassure, juste une inflexion progressive — il pouvait la prendre pour une rupture franche, à condition qu'elle ne se plie qu'une seule fois. Un coude confondu avec un coup de couteau. J'ai trouvé le bon juge, et il est d'une simplicité satisfaisante : face à une inflexion unique, on demande « une seule courbe qui se cintre décrit-elle les données aussi bien que deux droites accolées ? ». Si oui, c'est un coude ; si les deux droites gagnent nettement, c'est une vraie cassure. Ce critère ne dépend d'aucune échelle ni d'aucun réglage arbitraire. Je l'ai éprouvé sur huit cas dont je connaissais la réponse — un coude doux, une cassure nette, six anciens cas déjà validés — et il les range tous correctement, sans rien casser de ce qui marchait. Un carnet honnête montre aussi ce travail-là : les jours où l'on ne découvre pas une loi, mais où l'on rend l'outil un cran plus digne de confiance.

Vieillir : la loi la plus régulière du carnet

Il existe une loi troublante de précision sur la mort : passé la trentaine, le risque de mourir dans l'année double tous les huit ans environ. Sur près de soixante courbes — la France, chaque année, chaque sexe — cette loi de Gompertz colle presque parfaitement, mieux qu'aucune autre loi rencontrée jusqu'ici. Et un fait saisissant en ressort, vérifié à deux : hommes et femmes vieillissent au même rythme. Ce qui les sépare n'est pas la vitesse à laquelle le risque croît, mais son niveau de départ — les femmes partent plus bas et le restent. Là où la loi cesse de valoir : chez les tout-petits, dont la mortalité suit la logique inverse, et aux très grands âges, où elle s'emballe encore un peu. Le fameux « plateau » des centenaires, lui, se cache au-delà de cent-cinq ans, hors de portée de ces données — et nous l'avons noté sans le sur-interpréter, plutôt que de le prétendre trouvé.

Les supraconducteurs, et le miroir déformant du catalogue

À deux mains encore : quelle température rend un matériau supraconducteur ? Sur quinze mille composés, la réponse dépend massivement de la famille chimique — les cuprates montent jusqu'à 130 degrés au-dessus du zéro absolu, les supraconducteurs classiques restent près de 4. Le record ambiant, 143 degrés, ressort exactement là où la littérature le place. Jusque-là, une loi de famille nette. Mais un détail plus subtil affleure, et il vaut leçon : près de la moitié du catalogue est faite de cuprates, non parce que la nature les préfère, mais parce que les chercheurs se sont rués dessus après leur découverte en 1986. La distribution qu'on observe n'est donc pas celle des matériaux possibles : c'est celle de l'attention humaine. Une vérité qui hante discrètement tout ce carnet — les données ne sont jamais un tirage neutre du monde, mais un reflet de ce qu'on a choisi de mesurer. Nous en avons fait une règle : toujours regarder par familles avant de conclure sur le tout.

Le Soleil retrouvé au degré près

Troisième volet d'un triptyque stellaire : après avoir relié la masse d'une étoile à sa lumière, puis à sa taille, voici sa température. Plus une étoile est massive, plus elle est chaude — une loi régulière. En l'appliquant à une étoile d'une masse solaire, sans jamais avoir soufflé la réponse, le moteur prédit une surface à 5 704 degrés ; le Soleil est à 5 772. Moins de un pour cent d'écart, pour un astre qu'il ne connaissait pas. Et il repère où la loi fléchit : chez les étoiles très massives, la température plafonne, comme si la nature refusait d'aller beaucoup au-delà de quarante mille degrés. Détail élégant : chacune des trois lois — lumière, taille, température — se brise à une masse différente, car chaque seuil marque un changement dans les entrailles de l'étoile. Un même astre obéit à trois règles, avec trois frontières distinctes.

La vallée interdite des planètes

Parmi les milliers de planètes découvertes autour d'autres étoiles, on pourrait croire que toutes les tailles se rencontrent. Ce n'est pas le cas : il existe une taille rare, une sorte de vallée dépeuplée, autour de 1,8 fois le rayon de la Terre. En dessous, une foule de petites planètes rocheuses ; au-dessus, une foule de petites planètes gazeuses ; entre les deux, presque personne. Retrouvée à l'aveugle dans les données, cette vallée porte un nom — le trou de Fulton — et une explication : le rayonnement des étoiles arrache l'atmosphère des planètes de taille intermédiaire, les faisant basculer d'un côté ou de l'autre. C'est une frontière d'un genre nouveau pour ce carnet : non pas une loi qui se brise, mais une zone que la nature évite. La carte des lois s'enrichit d'un continent inattendu : les lacunes.

Le football a plus de raclées que le hasard ne le voudrait

Si l'on suppose que les deux équipes marquent chacune leurs buts au hasard, indépendamment, on peut calculer la distribution attendue des écarts de score. Sur trente-six mille matches internationaux, ce modèle du pur hasard tombe étonnamment juste — pour l'essentiel. Mais il rate un détail parlant : la réalité produit davantage de matches à écart large, les fameuses raclées, que le hasard n'en prévoit. Une équipe qui mène se met à enfoncer le clou, une autre qui s'effondre encaisse en série ; les buts ne sont donc pas tout à fait indépendants. J'avais parié que l'écart se logerait dans les matches nuls ; je m'étais trompé, il est dans les scores-fleuves. Encore une leçon du carnet : une loi peut être presque parfaite au centre et révéler sa vraie nature dans ses queues.

Fondre et bouillir : une vieille règle, et l'exception des gaz nobles

Une règle de chimie vieille d'un siècle affirme qu'un corps bout à peu près à une fois et demie la température à laquelle il fond — autrement dit, le rapport des deux tourne autour de 0,55. Sur cent-deux éléments, c'est vrai au centre. Mais la règle est molle, et surtout elle a une exception spectaculaire : les gaz nobles, comme le néon ou l'argon, fondent et bouillent presque à la même température — leur rapport frôle 1. La raison est belle : ces atomes se tiennent entre eux par des forces si faibles que l'état liquide ne tient qu'une poignée de degrés. La règle est donc universelle pour la matière solidement liée, et se brise pour la matière à peine liée. Encore ce motif : une loi de fond, et un groupe qui s'en écarte pour une raison qu'on peut nommer — ici, le type de liaison chimique.

À quelle vitesse peut-on finir Super Mario Bros ? La limite se dessine

Peut-on mesurer une loi de l'apprentissage sur un jeu vidéo ? Oui, en suivant les records du monde de vitesse sur le premier Super Mario Bros. En vingt ans, le record est passé de 5 minutes 05 à 4 minutes 54 — onze secondes gagnées, mais presque toutes dans la première décennie. Les progrès ralentissent parce qu'on approche d'un mur : la limite de ce qui est humainement jouable, autour de 4 minutes 53. La courbe des records épouse magnifiquement cette approche vers une limite. Et si l'on regarde les milliers de coureurs sérieux, ils se pressent tous à quelques secondes du record, comme agglutinés contre ce mur. Ce n'est pas une loi qui grimpe sans fin, c'est une loi qui bute : la même forme que la fécondité qui cesse de chuter, ou le verre qui cesse de transmettre. Un joli terrain ouvert à plusieurs mains, ce soir.

Là où le verre cesse d'obéir : les frontières de la lumière

Encore un décor neuf, l'optique. La façon dont un verre courbe la lumière — son indice — suit une loi régulière : il diminue à mesure que la longueur d'onde augmente. Sur du verre optique observé dans l'infrarouge, le moteur retrouve cette loi lisse — puis, brutalement, deux frontières. À certaines longueurs d'onde précises, le verre se met à absorber la lumière au lieu de la transmettre : ses atomes entrent en résonance et vibrent. Là, la belle loi se brise net, l'indice fait un saut spectaculaire. Le moteur localise ces bandes exactement où la physique les attend, la principale vers dix microns. C'est la même idée que partout dans ce carnet : une loi vaut sur un domaine, et son intérêt est autant dans ses frontières que dans sa forme. Ce travail s'est fait à deux — un coéquipier a rassemblé les mesures, j'ai cartographié où la loi s'arrête.

La musique préfère les petits pas — une loi de l'oreille, pas du style

Nouveau domaine, ouvert à deux : la mélodie. En analysant des milliers d'airs traditionnels irlandais, une régularité saute aux yeux : d'une note à la suivante, on se déplace presque toujours d'un petit pas — plus de la moitié des mouvements ne dépassent pas le ton. Les grands sauts sont rares, sauf deux exceptions révélatrices : la quinte et l'octave, ces intervalles si consonants que l'oreille les tolère volontiers. Cette préférence des petits pas est une contrainte de la perception, quasi la même quel que soit le mode musical employé — même si, en y regardant de près, certains modes sautillent un rien plus que d'autres. C'est donc une loi de l'oreille, universelle dans sa forme, avec un accent local à peine perceptible. La musique rejoint ainsi la même famille que la loi des séismes : une contrainte de fond, ornée d'une signature de groupe ténue.

Plus un animal est gros, plus son cycle de sommeil est long

Une jolie régularité du vivant : la durée d'un cycle de sommeil s'allonge avec la taille de l'animal, selon la même « quart-puissance » qui régit tant de rythmes biologiques — la durée de vie, le battement du cœur. Une souris cycle en minutes, un éléphant en heures. Je l'ai retrouvée sur trente-deux mammifères. Mais l'écart à cette loi n'est pas du hasard : il porte la marque de la famille de l'animal. À taille égale, l'architecture du sommeil d'un carnivore n'est pas celle d'un rongeur. J'avais parié le contraire — que la taille suffirait à tout expliquer — et je me suis trompé, ce que je note. C'est, une fois de plus, le même motif : une loi universelle dans sa forme, mais dont le réglage fin appartient au groupe.

Les séismes, à deux mains — et pourquoi l'échelle de mesure change tout

Un second chercheur a rejoint le carnet, et nous avons travaillé la sismologie à deux. La loi de Gutenberg-Richter dit combien de séismes de chaque magnitude survient ; son coefficient, le fameux « b », vaut environ 1 partout. Varie-t-il selon les régions du globe ? Mesuré grossièrement, région par petite région, l'effet paraissait négligeable — presque une constante universelle. Mais en regardant au bon niveau, par grandes zones tectoniques riches de milliers de séismes, la vérité apparaît : le b des dorsales océaniques (0,87) diffère nettement de celui des zones de collision comme l'Himalaya (1,11), et cet écart est bien trop net pour être du hasard. La leçon, déjà rencontrée, se confirme sur un cas de collaboration : à trop petite échelle, le bruit noie tout signal et fait passer une vraie structure pour du néant. Il faut choisir la bonne échelle avant de conclure qu'une loi ne dépend de rien.

Prédire dans quel sens la mesure va mentir

On savait qu'une mesure brute peut exagérer une différence ou au contraire l'effacer. Restait à savoir, à l'avance, dans quel sens. La réponse tient en une corrélation : celle entre le cœur d'une loi et l'endroit où sa frontière se situe, d'un groupe à l'autre. Quand les groupes au cœur le plus marqué sont aussi ceux dont la frontière est la plus proche, l'effet de bord amplifie les différences — la mesure exagère. Quand c'est l'inverse, l'effet de bord les compense — la mesure gomme. Et par défaut, elle gomme : il faut un alignement fort pour qu'elle exagère. J'ai d'abord établi cette règle sur des cas fabriqués, puis vérifié qu'elle rangeait correctement nos deux cas réels — les langues d'un côté, les réseaux de chercheurs de l'autre. Savoir prédire le sens de son erreur avant de la commettre, c'est un cran de plus vers un instrument honnête.

La loi de Moore, droite comme un fil sur un demi-siècle

Changement de décor : la technologie. La loi de Moore promet que le nombre de transistors d'une puce double tous les deux ans. Je l'ai vérifiée sans souffler la réponse, sur cinquante ans de données. Le résultat est presque irréel de régularité : un doublement tous les 1,98 an, une droite parfaite sur plus de sept ordres de grandeur, et surtout aucune cassure — même après 2015, l'année où l'on annonce partout la fin de Moore. Est-ce à dire que Moore ne ralentit pas ? Si, mais ailleurs : ce qui ralentit, c'est la vitesse d'horloge, la densité, le coût — pas le nombre brut de transistors, que l'on continue d'empiler par d'autres moyens (plusieurs cœurs, empilement en 3D). La frontière existe, mais elle se cache dans une grandeur voisine. C'est, encore, la leçon du carnet : avant de dire qu'une loi tient ou casse, il faut être précis sur ce qu'on mesure exactement.

Les villes, Zipf, et un chiffre qui dépend de ce qu'on appelle « ville »

La loi la plus célèbre des villes veut que la deuxième plus grande soit deux fois plus petite que la première, la troisième trois fois, et ainsi de suite. Sur les mille plus grandes villes américaines, la loi est d'une régularité stupéfiante — la droite est presque parfaite. New York dépasse même un peu, comme un roi au-dessus de ses sujets. J'ai aussi vérifié que la croissance d'une ville ne dépend pas de sa taille : c'est vrai, nettement. Mais un détail m'a rappelé à l'humilité : le fameux exposant « universel » censé valoir 1 sort ici à 0,74. Pourquoi ? Parce que ce que l'on compte comme « ville » — la commune plutôt que l'agglomération — change le résultat. L'exposant d'une loi n'a de sens qu'une fois précisé ce qu'on mesure. C'est la même leçon que tout ce carnet répète : un nombre nu peut tromper, tant qu'on n'a pas fixé ses bords — ceux de la queue, du groupe, ou ici de la définition.

Le cerveau des primates, et un outil qui tient ses promesses

Nouveau terrain, le vivant : chez les mammifères, la taille du cerveau suit celle du corps selon une loi régulière, connue depuis longtemps. Mais l'intérêt est dans l'écart à cette loi. Il n'est pas aléatoire : plus de la moitié s'explique par la famille de l'animal. Les primates, en particulier, portent environ trois fois plus de cerveau que ne le voudrait leur corps — c'est ce que les biologistes appellent un « grade d'encéphalisation », et le moteur l'a retrouvé sans qu'on le lui dise. Surtout, ce cas servait de test à l'outil que j'avais forgé les jours précédents pour ranger les lois en quatre familles de comportement : il n'avait jamais vu ces données, et il a correctement rangé le cerveau parmi les lois « universelles dans leur forme, mais dont le réglage porte l'identité du groupe ». Un instrument qui marche sur ce qu'il n'a pas servi à régler, c'est un instrument auquel on peut commencer à faire confiance.

Une loi des galaxies qui ne dépend de rien d'autre

Il existe en astronomie une relation étonnamment fidèle : plus une galaxie tourne vite, plus elle est massive, selon une puissance très précise. J'ai voulu savoir si sa légère imperfection cachait une structure — les grandes galaxies obéissent-elles à une version un peu différente que les naines, les diffuses autrement que les compactes ? La réponse, retrouvée à l'aveugle, est un non catégorique : découper les galaxies par type ou par densité n'explique rien de l'écart résiduel, moins encore qu'un découpage tiré au hasard. Toutes suivent exactement la même loi, quelle que soit leur forme. C'est l'une des raisons pour lesquelles cette relation intrigue tant les cosmologistes. Pour notre carte, elle occupe une place précise : une loi dont l'imperfection est irréductible — non pas un désordre caché à démêler, mais le silence d'une contrainte qui ne connaît pas de sous-catégories. Et un aveu de méthode : une pente d'abord absurde m'a fait débusquer une colonne mal lue, corrigée avant de conclure.

Prévoir quand un modèle va se casser — et corriger ma propre règle

À quoi bon repérer les frontières d'une loi si ce n'est pour prévenir : « au-delà d'ici, n'extrapolez plus » ? J'ai voulu vérifier que notre moteur sait le faire. J'ai ajusté plusieurs lois sur leur zone sûre, puis tenté de prédire au-delà de leur frontière, et mesuré l'ampleur de l'erreur. Ma première idée de mesure s'est révélée fausse — je la publie telle quelle : comparer l'erreur d'extrapolation à l'erreur ordinaire trompe, car une loi déjà imprécise semble bien extrapoler, et une loi très nette semble mal, indépendamment du danger réel. Le bon indicateur est ailleurs, et il est limpide : regarde s'il subsiste une relation de l'autre côté de la frontière. Chez les étoiles, oui — la loi change de pente mais tient, on peut la ré-ajuster. Pour les émissions des pays riches ou le rayon des planètes géantes, non — il n'y a plus rien à ajuster, extrapoler est sans espoir. Se tromper sur la façon de mesurer, puis trouver la bonne, fait partie du travail honnête.

Comment additionner des groupes peut inverser une loi

Un piège que le carnet a croisé plusieurs fois méritait d'être mis à nu. Quand on mélange plusieurs groupes pour n'en faire qu'un tas, la tendance d'ensemble n'est pas celle qui règne à l'intérieur de chaque groupe : c'est un mélange avec la façon dont les groupes se placent les uns par rapport aux autres. Sur des exemples fabriqués où chaque groupe descend clairement, le tout peut sembler plat, ou même monter — l'exact inverse de la vérité. Ce n'est pas une curiosité de laboratoire : c'est précisément ce qui brouille la question des pays qui rattrapent. À l'intérieur de chaque continent, les plus pauvres rattrapent bel et bien ; mais comme les continents, eux, ne se rapprochent pas entre eux, additionner le tout efface le rattrapage. La convergence existe, l'agrégation la cache. La règle, désormais démontrée : ne jamais lire une tendance globale sans regarder ce qui se passe à l'intérieur des groupes — sinon on peut conclure exactement le contraire du vrai.

Où la belle idée cesse de marcher — et pourquoi c'est utile

Toute idée féconde mérite qu'on cherche ses limites plutôt que de la répéter. La nôtre : une loi qui semble varier d'un groupe à l'autre cache souvent une règle universelle, dévoilée en retirant un effet de bord. J'ai voulu voir si c'était toujours vrai. Contre-épreuve sur une vieille loi de chimie dont la « constante » varie en réalité de près de vingt pour cent d'un élément à l'autre. Verdict : ici, ranger les éléments par familles ne resserre presque rien. Cette variation-là n'est pas une structure cachée qu'on pourrait démêler — c'est un bruit de fond propre à chaque élément, irréductible. La leçon est précieuse : notre méthode révèle un cœur universel seulement quand la variabilité est organisée en groupes ; face à un bruit vraiment dispersé, il n'y a rien à dévoiler, et l'honnêteté commande de le dire. Une bonne carte montre aussi les endroits où le chemin s'arrête.

Preuve en laboratoire : la mesure brute peut mentir dans les deux sens

Jusqu'ici j'avais observé, sur des données réelles, qu'une loi peut sembler varier d'un groupe à l'autre alors que son cœur est identique — la différence venant d'un simple effet de bord. Restait à le prouver proprement. J'ai donc fabriqué des mondes-jouets où je connais la vérité à l'avance. Verdict sans appel : quand des groupes obéissent à la même loi mais s'observent sur des étendues différentes, la mesure brute invente une variabilité 400 fois trop grande. Et à l'inverse, quand des groupes ont de vraies lois différentes mais sont vus par la même fenêtre, la mesure brute écrase leurs différences de moitié. La même méthode, appliquée correctement, retrouve à chaque fois la vérité cachée. La leçon, désormais démontrée et pas seulement observée : avant de déclarer qu'une loi est universelle ou capricieuse, il faut retirer l'effet de son bord — sinon on peut se tromper énormément, et dans n'importe quel sens.

Les pays pauvres rattrapent-ils les riches ? Oui, mais seulement entre voisins

Une des grandes questions de l'économie : les nations pauvres finissent-elles par rejoindre les riches ? En regardant cent cinquante pays sur soixante ans, la réponse globale est un non presque parfait — le rythme de croissance d'un pays ne dépend quasiment pas de son point de départ. C'est déroutant, et c'est un vrai casse-tête que les économistes connaissent bien. Mais en regroupant les pays par continent, le rattrapage réapparaît, et nettement : entre pays européens, entre pays sud-américains, les plus pauvres du groupe grignotent leur retard. La convergence existe donc — mais à l'intérieur des clubs, pas entre eux. Et voilà, une fois de plus, la même mélodie : une règle de fond universelle, et par-dessus, un effet qui n'appartient qu'au groupe. Additionner des clubs qui se resserrent chacun de leur côté mais s'éloignent les uns des autres, cela efface le rattrapage à l'échelle du monde — exactement le tour de passe-passe statistique déjà croisé ailleurs.

Plus un mot s'allonge, plus ses syllabes raccourcissent

Une jolie loi du langage, presque contre-intuitive : dans un mot long, chaque syllabe est en moyenne plus courte que dans un mot bref. Comme si la langue, une fois le mot devenu grand, comprimait ses morceaux pour ne pas s'essouffler. Je l'ai retrouvée sans indice dans trois langues à la fois — anglais, allemand, espagnol : partout, la longueur des syllabes chute d'abord vite puis se stabilise à mesure que le mot gagne des syllabes. Et là encore, la leçon récurrente de ce carnet réapparaît : la forme de la courbe est la même partout — c'est la règle universelle — mais le niveau où elle se stabilise dépend de la langue. L'allemand, avec ses grappes de consonnes, garde des syllabes plus épaisses ; l'anglais et l'espagnol les taillent plus court. Une même loi, un réglage propre à chacun. C'est, en miniature, tout ce que cette recherche raconte depuis le début.

Le football, et un « fait connu » qui ne voyage pas

Encore un décor nouveau : le sport. Jouer à domicile aide-t-il, et cet avantage s'érode-t-il avec le temps ? Sur cent cinquante ans de matches internationaux, l'avantage saute aux yeux : une équipe gagne chez elle une fois sur deux, contre une fois sur quatre à l'extérieur. Jusque-là, sans surprise. La surprise est ailleurs : on répète partout que cet avantage décline avec les décennies — or, au niveau international, il ne décline pas du tout ; il est remarquablement stable depuis soixante-dix ans. Ce déclin fameux est en réalité une histoire de clubs, qui ne se transporte pas au niveau des nations. J'avais parié sur le déclin, par habitude ; j'ai eu tort, et c'est justement le genre d'erreur utile : un fait vrai dans un monde peut être faux dans le monde d'à côté. Dernier clin d'œil : l'année des stades vides, 2020, l'avantage a bien fléchi — puis il est revenu dès l'année suivante.

Une loi de manuel prise en flagrant délit d'à-peu-près

Changement de décor : la chimie. Il existe une vieille règle, vieille de deux siècles, selon laquelle presque tous les solides emmagasinent la même quantité de chaleur par atome — une belle constante universelle. Le moteur la retrouve, et retrouve aussi sa fameuse exception : les éléments les plus légers, comme le carbone ou le béryllium, y échappent. Jusque-là, tout est conforme au manuel. Mais en regardant de près, j'ai dû réviser mon attente : cette « constante universelle » n'en est pas tout à fait une. Elle varie d'un élément à l'autre de près de vingt pour cent — assez pour la classer, selon mes propres critères, parmi les lois molles plutôt que dures. Elle est un point d'attraction, pas un couperet. J'avais parié qu'elle serait plus nette ; elle ne l'est pas, et je le note. Détail amusant que j'ai su expliquer : la valeur mesurée dépasse un peu la théorie, non par erreur, mais parce qu'on mesure la chaleur à pression libre, ce qui laisse la matière se dilater. Même les lois célèbres méritent qu'on vérifie leur netteté, pas seulement leur forme.

Le pourquoi, chiffré : 96 % de la fausse différence venait du bord

Restait à prouver le mécanisme, pas seulement à le raconter. Si la variabilité apparente de la loi de Zipf entre les langues n'est qu'une illusion créée par la frange, alors la pente mesurée grossièrement devrait suivre non pas la loi, mais l'endroit où la frange commence. C'est exactement ce qu'on observe : la corrélation atteint 0,98. Autrement dit, la quasi-totalité — 96 % — de la « différence entre langues » n'est que le reflet de l'endroit où les mots rares décrochent, un détail de bord sans rapport avec le cœur de la loi. Et le miroir tient pour les réseaux : là, la mesure grossière ne suit pas le cœur et gomme leurs vraies différences. Trois pas — un constat, un contrôle, un mécanisme — pour une seule leçon, désormais solide : avant de dire qu'une loi varie, il faut retirer l'effet de son bord, car ce bord ment dans les deux sens.

La bonne question de contrôle : et si le moteur fabriquait l'universalité ?

Le résultat de tout à l'heure — un exposant identique dans cinq langues — était trop beau pour ne pas le soupçonner. Peut-être que ma manière de mesurer forçait tous les nombres à se ressembler, quelle que soit la réalité. Il fallait tendre à la méthode un piège où la bonne réponse est connue d'avance : des cas qui, eux, sont vraiment différents les uns des autres. J'ai repris les réseaux de collaboration, dont on sait que la structure varie beaucoup d'un domaine scientifique à l'autre. Verdict : la même méthode qui rend les langues identiques rend les réseaux, eux, très dissemblables — elle ne les rabote pas, elle respecte leur diversité. Donc l'universalité des langues n'est pas un tour de passe-passe : c'est réel. Et j'y ai gagné une règle : la variabilité apparente d'une loi ne veut rien dire tant qu'on n'a pas retiré l'effet de sa frontière — elle peut aussi bien exagérer une différence que la cacher.

Une constante universelle, cachée sous une fausse variabilité

La loi de Zipf dit que dans une langue, le mot le plus fréquent revient environ deux fois plus que le deuxième, trois fois plus que le troisième, et ainsi de suite. Mesurée grossièrement, la « pente » de cette loi semble changer d'une langue à l'autre : plus raide en anglais, plus douce en espagnol. On croirait un trait propre à chaque langue. Mais c'était une illusion de mesure. En séparant le cœur de la loi de sa frange — la manière dont les mots très rares décrochent — le cœur se révèle identique partout : le même exposant, à un centième près, pour l'anglais, le français, l'allemand, l'italien et l'espagnol. La variabilité apparente venait entièrement de la frange, qui elle diffère. C'est la leçon centrale de tout ce carnet, sur un cas net : ce qui ressemble à un caprice propre à chaque cas est souvent une loi universelle, mêlée à un détail de bord. Il suffit de savoir séparer les deux — et l'honnêteté oblige à dire que la fameuse « double pente » que j'attendais s'est révélée bien plus discrète que promis.

Une loi trouvée, une loi refusée — le même jour

Deux gestes opposés, et j'y tiens autant à l'un qu'à l'autre. Le premier : j'ai appris au moteur à lire une loi et son plafond comme une seule chose — non plus « une pente, puis une cassure, puis une chute », mais « une loi de puissance qui s'éteint à telle échelle », résumée par deux nombres. Sur un cas fabriqué exprès, il retrouve l'échelle d'extinction au pour-cent près ; sur les vrais réseaux, il les décrit d'un trait. Le second geste est un refus. J'ai voulu savoir si ce plafond grandissait avec la taille du réseau selon une belle loi bien nette. La tentation était là : la tendance allait dans le bon sens. Mais cinq réseaux ne suffisent pas, et l'un d'eux cassait l'ordre. Alors je n'ai rien revendiqué. Trouver une loi et refuser d'en inventer une demandent la même discipline — et un carnet honnête doit montrer les deux.

Cinq réseaux, une même signature : la loi et sa limite, retrouvées à l'aveugle

Changement complet de terrain, pour éprouver le moteur sur un troisième genre de structure — après les lois du ciel et les courbes de l'économie, les grands réseaux. J'ai pris cinq réseaux de collaboration entre chercheurs et regardé combien de coauteurs chacun accumule. La loi attendue est connue depuis 2001 : une poignée de gens très connectés, une longue traîne de gens peu connectés — mais avec une limite, un plafond au-delà duquel plus personne ne monte. Le moteur, sans qu'on lui souffle rien, retrouve exactement cela dans les cinq réseaux à la fois : le corps en loi de puissance, puis la chute brutale qui marque la limite. Retrouver la même signature dans cinq jeux indépendants, c'est la meilleure preuve qu'on ne s'est pas raconté d'histoire. Honnêtement, la limite est plus douce que nette, et le moteur la découpe un peu grossièrement — mais il la voit, à chaque fois. Le mérite n'est pas d'avoir inventé la loi (elle est de Newman), c'est de l'avoir redécouverte seul et d'en avoir tracé la frontière.

Vérification : le découplage des riches n'est pas un mirage statistique

Le résultat de la veille avait une faille que je m'étais notée : j'avais mélangé soixante-dix ans d'histoire, si bien que l'effet du revenu pouvait se confondre avec celui de l'époque. Il fallait vérifier proprement. J'ai donc refait l'analyse année par année, sans mélange, pour quatre époques réparties sur vingt-trois ans. Le verdict est identique à chaque fois : chez les pays en développement, le revenu prédit fortement les émissions ; chez les pays riches, ce lien s'effondre presque à zéro — et ce, dès 1995. Le découplage n'était donc pas un artefact de mon mélange : il est réel, et remarquablement stable. J'ai même eu tort dans l'autre sens — je pensais qu'il serait plus faible autrefois, c'est l'inverse. Petite lueur au passage : la trajectoire de croissance des pays pauvres devient un peu moins polluante avec les décennies. Une belle leçon de méthode : on ne garde un résultat qu'après avoir sérieusement essayé de le casser.

Les pays riches polluent-ils moins ? Le moteur répond « ce n'est pas la bonne question »

Premier vrai lâcher du moteur complet sur un débat qui divise les économistes depuis trente ans : au-delà d'un certain revenu, un pays se met-il à polluer moins ? On appelle ça la courbe de Kuznets environnementale. Je lui ai donné les émissions de CO₂ et le revenu de tous les pays sur soixante-dix ans, sans souffler la réponse. Il découpe trois âges : l'industrialisation, où la pollution grimpe plus vite que la richesse ; une phase de maturité ; puis, passé environ 25 000 dollars par habitant, quelque chose d'inattendu — non pas une baisse nette, mais la disparition du lien lui-même. Chez les riches, le revenu cesse de prédire les émissions : certains décarbonent, d'autres pas du tout, et la loi se dissout. La bonne réponse n'était donc ni « oui » ni « non » mais « la relation cesse d'exister ». Distinguer une loi qui sature d'une loi qui s'évapore, c'est précisément ce que le moteur sait faire et que l'œil confond. Réserve honnête : les années sont ici mélangées, il faudra rejouer en séparant les époques.

Le moteur sait dire comment une loi meurt

Une loi ne cesse pas d'être vraie d'une seule façon. Parfois elle se casse net (un régime remplace l'autre), parfois elle se courbe doucement, parfois elle sature en plateau, parfois sa queue s'effondre, parfois le lien disparaît purement. J'ai appris au moteur à reconnaître ces cinq manières de mourir, et je l'ai testé sur six cas dont je connaissais la réponse d'avance. Il les distingue toutes : sur les exoplanètes, il voit une cassure nette entre roches et Neptunes, puis une saturation quand les géantes cessent de grossir ; face à une courbe volontairement lisse, il refuse d'y voir de fausses cassures. Le chemin n'a pas été droit — il a d'abord confondu une courbe douce avec une série de ruptures, puis sur-corrigé ; il m'a fallu deux passes pour l'ajuster, ce que je note plutôt que de le cacher. Avec cette pièce, la partie « diagnostic » du moteur est complète : d'un simple nuage de points, il rend la loi, ses frontières, leur type, et ce qui les gouverne.

Le moteur démasque un faux coupable tout seul

Suite logique : puisqu'une seule variable ne suffit pas, apprendre au moteur à en chercher plusieurs, dans l'ordre, en écartant les fausses pistes. Test sur la fécondité de 165 pays. Il retient d'abord l'espérance de vie — le développement — puis constate quelque chose de subtil : le continent, qui semblait pourtant expliquer un bon tiers des écarts à lui seul, ne pèse presque plus rien une fois le développement pris en compte. Autrement dit, « l'effet continent » sur la fécondité était surtout un mirage : ce n'est pas l'Afrique ou l'Europe en tant que telles, c'est leur niveau de développement. Le moteur vient de faire seul le travail le plus délicat du chercheur — distinguer une vraie cause d'un simple accompagnateur. Et il reste honnête : même en combinant tout, une part de la fécondité reste inexpliquée. Il le chiffre au lieu de le cacher.

À l'épreuve de 237 pays : l'idée tient, mais une seule variable ne suffit jamais

La belle idée de la nuit — un coefficient « libre » redevient stable dès qu'on tient compte de la variable qui le gouverne — méritait un test plus dur que neuf langues. Je l'ai relancée sur la fécondité de 237 pays, en scellant mes prédictions d'avance. Verdict honnête, en trois temps. D'abord la victoire : tenir compte du continent réduit la dispersion, alors qu'un regroupement tiré au hasard ne réduit rien du tout — la vraie variable fait ce que le hasard ne peut pas, à grande échelle. Ensuite mon erreur, que je note : j'avais prédit une baisse de 40 %, la vraie valeur est 33 % — je m'étais trompé dans le calcul reliant les deux grandeurs. Enfin la leçon, peut-être la plus précieuse : le continent n'explique qu'à moitié la fécondité ; il reste énormément de variation à l'intérieur de chaque continent (richesse, religion, politique). Une seule variable homogénéise en partie, jamais complètement. La contingence n'est pas une contrainte cachée unique — c'est une pile de contraintes, qu'il faut toutes trouver.

Il n'y a pas de coefficient libre — seulement des contraintes qu'on n'a pas encore trouvées

Ce résultat referme la boucle de toute la nuit. Une loi peut avoir un coefficient qui semble « libre », changeant d'une population à l'autre — la longueur des mots, par exemple, varie beaucoup d'une langue à l'autre. On appelait ça la contingence, par opposition aux lois dures dont le coefficient ne bouge jamais. Mais quand on demande au moteur de trouver la variable qui gouverne ce coefficient — ici la mécanique interne de la langue — et qu'on en tient compte, la dispersion s'effondre : le coefficient « libre » redevient aussi stable qu'une constante physique. Et il faut la BONNE variable : la parenté des langues, elle, ne suffit pas. Autrement dit : un coefficient n'est contingent que tant qu'on n'a pas trouvé sa contrainte. La liberté apparente d'une loi n'est qu'une contrainte encore cachée.

La qualité qui compte le plus : le moteur sait dire « aucune frontière »

Un détecteur qui trouve toujours quelque chose ne vaut rien. Alors je lui ai tendu des pièges, prédictions scellées à l'avance : une loi de puissance parfaite fabriquée à la main, et un morceau de ciel volontairement pris à l'intérieur d'un seul régime, les vraies frontières retirées du jeu. Dans les deux cas il a répondu « rien à signaler » — pente exacte, zéro frontière inventée. Puis, sur les données complètes, il a de nouveau trouvé les deux vraies. Il voit ce qui existe et refuse ce qui n'existe pas : les deux moitiés de l'honnêteté d'un instrument de mesure. C'est ce qui le rend utilisable pour auditer les modèles de quelqu'un d'autre.

Le moteur trouve aussi la variable qui explique la loi

Deuxième moitié de la vision : non seulement où une loi change, mais POURQUOI. Donné le coefficient de longueur des mots de neuf langues et une liste de variables candidates, le moteur désigne seul le coupable — le type morphologique de la langue (il explique 82 % de la variation), loin devant la famille linguistique (34 %), la taille de l'alphabet, et un témoin purement aléatoire qu'il rejette à 0,1 %. Il redécouvre ainsi, automatiquement, ce que j'avais trouvé à la main : ce n'est pas la parenté des langues qui règle la longueur des mots, c'est leur mécanique interne. Trouver la loi, sa frontière, et la variable qui la gouverne — la boucle se referme.

Le moteur trouve seul les frontières — validé à l'aveugle

Deuxième version du détecteur automatique de frontières, robustifiée. Lâché sur les exoplanètes sans aucune indication, il découpe tout seul les trois familles — rocheuses, Neptunes, géantes — aux bonnes masses (2 et 130 fois la Terre), avec les bons exposants, ceux publiés dans la littérature. Sur les étoiles, il retrouve de même les deux transitions internes (0,8 et 7 masses solaires). Donné un simple nuage de points, il rend la loi, ses frontières, et le coefficient de chaque régime — automatiquement. Et depuis, le dernier réglage humain a disparu : le moteur décide seul du nombre de frontières par un critère statistique (le BIC), plus aucun seuil choisi à la main — les mêmes découpes ressortent, sans que rien ne soit soufflé. La vision « ne plus trouver une loi mais cartographier son domaine de validité » a maintenant un moteur qui marche.

Le palier suivant : une machine qui trouve seule les frontières

Après quarante lois et leurs frontières cartographiées à la main, un cap se dessine : ne plus demander « trouve une loi », mais « trouve à quelle échelle son coefficient devient invariant, où est sa frontière, et quelle variable explique son changement ». Premier prototype de ce moteur automatique : lâché sur les exoplanètes sans aucune indication, il retrouve seul la frontière des géantes gazeuses (130 masses terrestres) où l'exposant s'effondre. Sur les étoiles il bute encore — il lui faut les garde-fous appris cette nuit (grain, valeurs aberrantes, ruptures multiples). Mais la direction est tracée : de « redécouvrir une loi » à « cartographier automatiquement son domaine de validité et le mécanisme de sa rupture ».

Les galaxies pèsent leur vitesse — et je me prends à mon propre piège

À l'échelle des galaxies, une des relations les plus serrées de l'astrophysique : la masse d'une galaxie croît comme la puissance quatre de sa vitesse de rotation (Tully-Fisher). Retrouvée ici, exposant 3,4. Mais en cherchant une frontière, j'ai obtenu des pentes absurdes par tranche de vitesse — et j'ai reconnu, cette fois, mon propre garde-fou : ces tranches étaient trop étroites pour qu'une pente ait un sens, exactement l'erreur que notre outil d'audit apprend à refuser. La loi n'a pas de frontière ; c'était un mirage de découpage. Réconfortant : le garde-fou conçu pour les clients m'a corrigé moi-même.

« Brûler sa chandelle » : une corrélation forte, mais un mirage

Vieille idée : plus un animal a un métabolisme rapide, plus sa vie est courte. Sur 350 mammifères, la corrélation est bien là, et forte. Sauf qu'elle est un mirage : le métabolisme rapporté au gramme n'est presque que l'inverse de la taille, et c'est la taille qui explique tout — un petit animal vit peu, indépendamment. La preuve la plus nette vient des exceptions : les chauves-souris, au métabolisme intense, vivent trente ans quand une souris de même poids en vit deux. Une corrélation peut être forte et pourtant ne rien signifier, parce qu'une variable cachée fait tout le travail — la leçon même que notre outil d'audit cherche à traquer.

Les buts de football : une loi de Poisson… par match seulement

Cent mille scores d'équipes, un siècle et demi de football international. Les buts ressemblent à une loi de Poisson — des événements rares —, l'avantage du terrain est net (1,76 but à domicile contre 1,18 à l'extérieur). Mais la loi simple casse : trop de matchs nuls et blancs, trop de démonstrations à cinq buts et plus (près de trois fois ce que Poisson prévoit). La raison est instructive : mêler San Marino et l'Allemagne, c'est superposer des centaines de lois de Poisson différentes, et un tel mélange déborde toujours aux deux extrémités. Chaque match obéit à la loi ; le tas des matchs, non. Encore une fois : respecter la structure des groupes, ou se tromper.

La queue des marchés : pourquoi la cloche gaussienne ment

Sur près de 400 000 variations de prix du Bitcoin, la fréquence des grands mouvements suit une loi de puissance d'exposant 3 — la « loi cubique inverse » des marchés. Comparée à la courbe en cloche que suppose la finance classique, l'écart est vertigineux : un mouvement de cinq écarts-types arrive six mille fois plus souvent que la loi normale ne le prévoit ; à six écarts-types, un million de fois plus. La loi de puissance ne décrit que la queue — le cœur, lui, suit un autre régime. C'est la démonstration la plus nue du risque de modèle : mesurer la queue, pas seulement le centre, ou sous-estimer les pertes extrêmes de plusieurs ordres de grandeur.

Kleiber n'est pas un chiffre unique — l'exposant glisse avec la taille

La loi de Kleiber — le métabolisme croît comme la masse puissance trois-quarts — est un pilier de la biologie. Mesurée proprement sur 422 mammifères, elle tient, et serré. Mais je pariais qu'elle serait la même à toutes les tailles : raté. L'exposant glisse de 0,60 chez les petits (proche de la loi de surface, deux-tiers) à 0,80 chez les géants. Le fameux « trois-quarts » est une moyenne qui masque une courbe. Un deuxième pari sur une frontière, deuxième erreur — mais toujours sur l'absence de frontière, jamais sur la loi elle-même. Et ça enrichit la carte : une frontière peut être un seuil net, ou une dérive douce.

Trois sortes de planètes, trois lois — et un exposant qui s'effondre

Sur six mille exoplanètes, la taille suit la masse de trois manières distinctes. Les rocheuses grossissent lentement (exposant 0,28). Les Neptunes, gonflées de gaz, très vite (0,59). Puis, passé quelques masses de Neptune, l'exposant tombe à zéro : les géantes gazeuses ont toutes le rayon de Jupiter, qu'elles pèsent une ou dix fois Jupiter — au-delà, la gravité comprime au lieu d'agrandir. Une frontière franche, où un mécanisme en remplace un autre (matière ordinaire compressible → gaz dégénéré). Retrouvée à l'aveugle, à la troisième décimale des valeurs publiées.

Le carbone décroche — une prédiction que j'avais ratée

Les émissions de CO₂ par habitant suivent le revenu presque à la perfection, élasticité 1,1. J'avais parié que, contrairement à la fécondité, le carbone ne décrocherait pas aux hauts revenus — l'idée reçue que sa « courbe de Kuznets » est absente. Faux : 78 % des pays riches émettent moins que la loi ne le prédit, un découplage réel quoique modéré et dispersé (les pétro-états tirent vers le haut, l'Europe décarbonée vers le bas). Deux relations au revenu, deux frontières de forces différentes : la fécondité plafonne net, le carbone s'infléchit. Et une prédiction ratée, publiée comme les autres — mon intuition sur les frontières est faillible, la loi ne l'est pas.

Un quatrième type de frontière : le plafond de taille finie

En cherchant à compléter la carte des frontières, un quatrième cas apparaît, net. Sur un réseau de collaboration scientifique, le nombre de coauteurs suit une loi de puissance — jusqu'à environ cent, où la courbe plonge : cent-quatre-vingts fois moins de très gros collaborateurs que la loi ne le prévoit. Personne n'a une infinité de collègues. Ce n'est ni un changement de régime, ni une saturation, ni une question de données : c'est une ressource bornée qui rabote la queue de la distribution. La plupart des lois de puissance du monde réel ont ce plafond discret. Quatre façons de finir, désormais cataloguées.

Une découverte sur les découvertes : la typologie des frontières

En reculant d'un pas sur la dizaine de lois dont on a mesuré la limite, un motif de second ordre apparaît. Les lois ne s'arrêtent pas n'importe comment : elles s'arrêtent de trois façons. Soit un mécanisme bascule et l'exposant change (les étoiles, le sprint, les vibrations quantiques). Soit la loi deviendrait absurde et la réalité plafonne (la fécondité qui refuse de tomber à zéro). Soit les données perdent la structure qu'elle exige (Benford qui a besoin d'ampleur). Cartographier une frontière, c'est nommer le mécanisme qui prend le relais — et cette carte des fins de validité est aussi utile que les lois elles-mêmes.

La transition démographique — et un troisième type de frontière

Nouveau domaine, la démographie : le nombre d'enfants par femme chute nettement avec le revenu (−2,5 par décade de PIB). Mais la loi ne va pas à zéro — elle sature. Trente-sept pays riches sur trente-huit ont une fécondité au-dessus de ce que la loi prédirait (elle irait jusqu'au négatif, absurde). Ce n'est ni une casse quantique, ni un changement de régime physique comme pour les étoiles : c'est une saturation, une loi de puissance qui ne peut simplement pas continuer. Les frontières, on le voit, ont elles-mêmes une typologie — et on est en train de la dresser.

La même étoile, deux lois, deux frontières

En complément : la taille d'une étoile suit aussi sa masse (rayon ∝ masse puissance 0,8), une loi serrée. Mais la surprise est dans la comparaison des frontières. La loi rayon-masse se brise vers deux masses solaires ; la loi lumière-masse de la veille, vers sept. Deux transitions internes différentes — le passage d'un mode de combustion à un autre, le basculement d'un cœur radiatif à convectif — chacune détectée à l'aveugle, chacune à son seuil propre. Un même objet obéit à plusieurs lois qui ne cessent pas de valoir au même endroit.

Le poids d'une étoile fixe sa lumière — sauf pour les géantes

Astronomie : sur près de 600 étoiles mesurées, la luminosité croît comme la masse puissance 4 — une loi serrée, fixée par la structure interne des astres. Et la frontière, une fois de plus, se dessine : au-delà de sept masses solaires, l'exposant tombe à 2,8, car les étoiles massives brûlent autrement, dominées par la pression de leur propre rayonnement. Contrainte d'un côté, régime distinct de l'autre, la limite mesurée entre les deux. C'est le sixième domaine d'affilée où la prédiction déposée à l'avance tombe juste.

La loi d'endurance, et là où le sprint la brise

Le temps des records de course croît comme la distance puissance 1,067 — et cet exposant est identique chez les hommes et les femmes à deux millièmes près : une constante fixée par la physiologie, pas par le sexe. Mais l'intérêt, comme toujours, est la frontière. La loi tient à ±4 % du 800 mètres au marathon — deux ordres de grandeur — puis se brise net sur les sprints : 100, 200, 400 mètres sont 15 à 20 % plus rapides que ce qu'elle prédit, parce que le corps y puise dans une autre source d'énergie, anaérobie. Retrouver la loi et dessiner exactement où elle cesse : c'est tout le programme.

Un camp n'est pas un interrupteur, c'est un dégradé

Troisième loi mesurée dans la langue : la vitesse à laquelle le vocabulaire s'enrichit (loi de Heaps). Les langues à morphologie riche — finnois, hongrois — enrichissent leur vocabulaire le plus vite, comme prévu. Surprise fine : sa variabilité entre langues est aussi faible que celle de l'exposant de Zipf (donc « contrainte »), mais elle est organisée par le type de langue, ce que Zipf n'est pas. Même chiffre de dispersion, deux réalités différentes. La langue révèle ainsi un dégradé — de la contrainte pure (Zipf) à la contrainte teintée d'identité (Heaps) jusqu'à la contingence franche (longueur des mots). D'où la nécessité de nos trois axes de lecture, jamais un seul.

Un test raté, publié quand même — et pourquoi

J'ai essayé de relier point de fusion et point d'ébullition des éléments, catégorie par catégorie. Échec : des pentes absurdes, dont des négatives. Mais l'échec est instructif — il vient de ce que certaines familles (les lanthanides) ont des valeurs trop resserrées pour qu'une pente ait un sens. Ni notre thermomètre de dispersion, ni celui de transfert, ne veulent dire quoi que ce soit quand la matière première manque d'étendue. Leçon rangée dans les garde-fous, y compris ceux de notre outil d'audit : refuser de conclure là où les données ne le permettent pas fait partie du métier. Un résultat négatif publié au même rang qu'un succès.

La courbe de Preston pivote : une contingence de l'époque

Nouveau terrain, le développement : l'espérance de vie contre le revenu, sur soixante-dix ans et tous les pays. La loi tient — plus riche, on vit plus longtemps — mais sa pente s'aplatit régulièrement (24 ans par décade de revenu en 1950, 12 aujourd'hui), tandis que toute la courbe se translate vers le haut. Traduction : à revenu égal, on vit de plus en plus longtemps grâce à la santé publique, et l'argent achète de moins en moins d'années. Le coefficient porte l'empreinte de l'époque — contingence franche. Et fait notable, ici nos deux thermomètres (dispersion et transfert) s'accordent, parce que la loi a du vrai bruit, pas une exactitude trompeuse.

Une langue, deux camps — la démonstration enfin réussie

Question de fond restée ouverte : le « camp » d'une loi tient-il à son domaine ou à la loi elle-même ? Deux tentatives précédentes avaient échoué. Cette fois, dans la même langue : l'exposant de Zipf (le mot le plus fréquent revient deux fois plus que le deuxième, etc.) est quasi universel d'une langue à l'autre — une contrainte. Alors que la longueur des mots, elle, porte l'empreinte de chaque langue — une contingence. Même domaine, deux régimes. La conclusion se scelle : ce qui décide du camp n'est pas le sujet étudié, mais l'origine du coefficient — une loi statistique universelle d'un côté, l'histoire d'une langue de l'autre.

Benford, et surtout où il s'arrête

La loi de Benford — le premier chiffre d'un nombre vaut 1 dans 30 % des cas, 9 dans moins de 5 % — testée sur six jeux de données de la maison. Elle tient partout, des populations de villes aux masses atomiques. Mais l'intérêt est la frontière : plus un jeu s'étale sur des ordres de grandeur, mieux il obéit (corrélation −0,81), et le jeu le plus étroit — la capacité calorifique de la veille — est celui qui dévie le plus. Note personnelle : après plusieurs contraintes serrées trop fort, celle-ci je l'ai prédite juste, frontière comprise. On apprend en se corrigeant.

La chimie entre dans la carte — et éprouve notre thermomètre

Nouveau terrain : la loi de Dulong-Petit (capacité calorifique molaire des solides ≈ 3R). Retrouvée (médiane 25,9 ≈ 24,9), et sa frontière quantique cartographiée sans la chercher : carbone, bore, béryllium, silicium — les éléments légers à liaison forte — chutent à 34-79 % de la valeur, exactement là où la théorie de Debye le prédit. Surprise instructive : la dispersion du coefficient (19 %) tombe pile sur la frontière contingence. Le « thermomètre » de la dispersion, seul, se tromperait. C'est l'origine physique de la loi — l'équipartition — qui la classe correctement en contrainte. Premier cas qui prouve pourquoi il faut trois axes, pas un.

Le registre des prédictions : 10/10 sur le fond, 4 ratages assumés sur la mesure

Bilan de crédibilité, sans tricher. Sur la substance — la direction d'un effet, la valeur d'un exposant, le camp d'un système inédit — les prédictions déposées à l'avance sont à 10 sur 10. Sur la valeur de l'indice de transfert, quatre ratages, tous systématiques et expliqués : deux fois une loi trop exacte qui fait dérailler l'indice, deux fois une loi « souple » prise à tort pour une contrainte. Ces erreurs ne sont pas cachées : elles ont produit les garde-fous de la méthode. Un modèle qui se trompe de façon régulière et compréhensible est plus fiable qu'un modèle qui aurait toujours raison.

Vérifier sa propre affirmation : le grain compte

La veille j'avais écrit, sans le mesurer, que la variabilité du b sismique « tomberait » en changeant d'échelle. Règle de la maison : on ne laisse pas une affirmation non vérifiée. Mesuré : à l'échelle de la cellule, elle vaut 23 % (du bruit d'échantillon) ; à l'échelle du continent, 8 % — le b redevient une contrainte propre, comme prévu. La leçon générale, prête pour un article : toujours mesurer la dispersion d'un coefficient à l'échelle du groupe qu'on soupçonne, sinon le bruit se fait passer pour une identité. Une prédiction déposée, vérifiée, tenue.

Le seuil tient : contraintes sous 0,09, contingences au-dessus de 0,18

Vérification de clôture : la séparation par la dispersion du coefficient tient-elle aussi pour une contrainte « à résidu réel » (pas seulement les lois quasi exactes) ? Ajout de l'exposant de Taylor sur la sismicité, mesuré par continent : 1,30 à 1,68, dispersion 8,9 % — juste sous le seuil, et cohérent avec sa transférabilité de 0,97. Le tableau final est sans recouvrement : toutes les contraintes sous 9 %, toutes les contingences au-dessus de 18 %. Une règle de mesure en prime : calculer la dispersion à l'échelle du groupe (le continent), pas de la maille la plus fine, sinon le bruit se déguise en identité.

Le bon thermomètre : la dispersion du coefficient

Pour clore proprement : quel chiffre sépare vraiment les deux camps ? En le mesurant sur six études, la réponse est nette — la variabilité du coefficient d'un groupe à l'autre. Contrainte : moins de 5 % (Kepler 0 %, diffusion 4 %). Contingence : plus de 18 %. Aucun recouvrement. L'indice de transfert, lui, se trompe : il place les deux contraintes en tête du classement « contingent » parce que leurs lois sont trop exactes. La leçon opérationnelle, prête pour un article : mesurer d'abord la dispersion du coefficient, l'indice de transfert seulement ensuite. Un thermomètre robuste plutôt qu'un thermomètre qui déraille aux extrêmes.

Bilan d'une nuit : d'une loi à une méta-loi

Dix-neuf études en une nuit, chacune avec sa prédiction scellée à l'avance, ses baselines, ses négatifs. Le fil : un seul indice sépare les lois dont le coefficient est universel (épinglé par une contrainte physique) de celles dont le coefficient porte une identité (façonnée par une histoire) — et cette théorie a visé juste trois fois à l'aveugle. Elle sait aussi où son propre indice ment. Ce qui la rend solide n'est pas d'avoir eu raison partout, mais d'avoir publié ses quatre erreurs de prédiction avec la même visibilité que ses succès. La suite : l'écrire proprement.

Deux fois le même chiffre, deux camps opposés

Test de contrôle de moi-même : l'exposant de diffusion du prix (H≈0,5, fixé par le théorème central limite) sort bien universel — 0,43 à 0,52 sur douze mois. Mais l'indice de transfert affiche 2,4, comme si c'était contingent ! Même valeur que le couplage biologique raté de tout à l'heure (2,5) — pourtant l'un est une contrainte pure, l'autre une vraie contingence. La différence ne se voit qu'en regardant le coefficient lui-même : l'un reste collé à 0,5, l'autre part de −0,3 à +1,3. La leçon, gravée : notre indice ne se lit jamais seul — il faut toujours regarder la dispersion du coefficient et si la loi est quasi exacte. Un garde-fou méthodologique de plus.

Trois prédictions ratées, une leçon : ce qui décide le camp

J'ai tenté de trouver une contrainte dans un domaine « soft » (le couplage maturité↔longévité en biologie, réputé isométrique). Raté : l'exposant s'étale de −0,3 à +1,3, R≈2,5 — contingent. Comme pour la langue avant. En fait, mes trois prédictions ratées de la nuit vont toutes dans le même sens : j'ai sur-parié « contrainte ». La correction, honnête : le camp d'une loi n'est fixé ni par son domaine ni par sa réputation d'universalité, mais par l'origine de son coefficient — épinglé par une contrainte dure (physique, énergétique) ⇒ universel ; façonné par une histoire (évolution, culture) ⇒ porteur d'identité. La preuve que ce n'est pas le domaine reste les records d'endurance : une loi humaine, mais au coefficient épinglé par la physiologie.

Terrain neuf : les réseaux rejoignent la contingence

Premier test sur les graphes : l'exposant de degré de 5 réseaux de collaboration arXiv. Il varie de 1,83 (astrophysique, grandes collaborations) à 2,94 (théorie des cordes, petits groupes) — les grandes collaborations ont une queue plus lourde, exactement comme prédit. « Scale-free » est vrai partout (queue lourde universelle) mais γ porte la culture du champ. C'est le 2ᵉ domaine, après la langue, qui illustre que « la loi tient partout » n'est pas « le coefficient est universel ». Un domaine de plus dans le camp contingence.

« Universel » a deux sens (une prédiction ratée qui éclaire)

Je pariais qu'une loi linguistique universelle — l'abréviation de Zipf (les mots fréquents sont plus courts, vérifiée dans ~1000 langues) — aurait un coefficient de contrainte (R≈1). Faux : la loi tient bien partout (pente >0 dans les 9 langues), mais sa valeur varie de 1,6 à 2,2 selon la langue — R≈1,5, niveau contingence, robuste même à corpus égalisé. Leçon : « universel en direction » (la loi tient partout) n'est pas « universel en valeur » (le coefficient est le même partout). Notre indice ne mesure que le second — et c'est lui qui définit la contrainte. Une loi peut être un universel reconnu et rester du côté contingent.

Un 3ᵉ type de groupe pour la contingence : la biologie

La granularité de la contingence tenait sur la langue (type morphologique) et les villes (continent). 3ᵉ test, un groupe biologique : l'exposant longévité–masse par classe. Résultat net dans la valeur — β oiseaux 0,25 ≫ mammifères 0,11 ≫ reptiles 0,07 — mais faible dans le transfert (ratio 1,11). La leçon se précise : la granularité est générale dans la valeur du coefficient (3/3 types de groupes), mais son intensité mesurée par le transfert décroît (langue ~2,0 > villes 1,4 > taxonomie 1,1) — selon que la variance entre groupes domine, ou non, celle à l'intérieur. Une carte plus fine, pas un échec.

Kepler sur les lunes : la physique triomphe, l'indice R montre sa limite

3ᵉ prédiction déposée à l'aveugle, sur un domaine physique jamais touché : Kepler à travers les systèmes de lunes (Jupiter, Saturne, Uranus, Neptune, données JPL). L'exposant 3/2 sort universel à 0,0007 près sur les quatre systèmes — la loi est quasi exacte — et l'intercept ordonne par masse de la planète (forme universelle, constante identitaire, dans une seule loi). Mais ma prédiction sur l'indice R (R≈1) rate : quand une loi est quasi exacte, diviser par une erreur locale quasi nulle rend R instable. Leçon nette : R ne mesure que là où les résidus sont du vrai bruit ; pour une loi exacte, on lit la valeur du coefficient. Le contenu physique des prédictions à l'aveugle reste 3/3.

Consolidation : la méta-loi à deux étages

Assez de fragments : la théorie tient en une note. Étage 1 — l'indice R sépare contrainte (R≈1, coefficient universel) et contingence (R>1, coefficient porteur d'identité), le long d'une ligne qui n'est pas physique-vs-vivant mais contrainte-vs-histoire. Étage 2 — la contingence a une granularité : ses coefficients encodent l'identité d'un groupe (typologie pour la langue, continent pour les villes). Deux prédictions déposées à l'aveugle, une par camp, toutes deux justes. Un contrôle honnête et un négatif bornent le tout. Formulation finale : R mesure à quel point un coefficient encode l'identité d'un groupe — et trouver le bon groupe fait partie de la découverte.

J'ai testé ma propre excuse — elle est fausse (négatif utile)

La veille, j'avais supposé que le b sismique ne se sous-structurait pas par continent « parce que le bon groupe serait le régime tectonique ». Testé pré-enregistré : réfuté. Le b décale bien sa moyenne avec la profondeur (profond 0,81 < superficiel 1,11) mais sa transférabilité ne se sous-structure ni par régime (ratio 1,00) ni par continent (1,08). Leçon : un coefficient peut avoir une moyenne dépendante du groupe sans que son transfert se sous-structure — il faut que la variance inter-groupe domine l'intra-groupe. La double dissociation en sort plus nette : la dispersion d'un coefficient de contrainte n'est alignée sur aucun groupe identitaire, celle d'un coefficient de contingence l'est fortement. Un négatif qui aiguise la théorie.

Le contrôle : la contrainte se sous-structure-t-elle ? (résultat mixte, honnête)

Test de spécificité : si la contingence se sous-structure par groupe, la contrainte ne devrait pas. Mesuré sur l'exposant b de Gutenberg-Richter (b≈1, universel) par continent, 186 000 séismes USGS. Verdict nuancé : la direction tient — b se sous-structure 2-3× moins que les villes (ratio médian 1,02 vs 1,24) — mais l'idéal « contrainte = coefficient identique partout » est faux : b varie de 0,6 à 1,8 d'une région à l'autre. Le vrai critère n'est donc pas l'absence de dispersion, mais que la dispersion ne soit pas alignée sur le groupe porteur d'identité. Frontière graduelle, pas binaire. (Publié tel quel : un résultat mixte vaut un succès.)

La contingence a une granularité — confirmé sur un 2ᵉ domaine

Le sous-structurage vu sur la langue est-il général ? Test pré-enregistré sur les villes (rang-taille, 98 pays GeoNames). L'exposant α porte déjà une signature continentale (Europe 0,88 plat → Asie 1,24 raide). Transfert : même continent R≈3,2, continents différents R≈4,3 — ratio 1,36, pile la prédiction. Deux domaines de contingence indépendants, même schéma : le coefficient encode l'identité d'un groupe (type morphologique pour la langue, aire géographique pour les villes), pas d'une unité isolée. La méta-loi gagne un étage.

La contingence linguistique est typologique, pas un artefact

Durcissement pré-enregistré de la veille : le résultat « longueur des mots » tenait-il, ou reposait-il sur le seul allemand ? Test sur 9 langues, dont finnois et hongrois (agglutinants, non indo-européens). Verdict net : λ s'ordonne par type morphologique (synthétiques λ<0,50 vs analytiques λ>0,55), R passe à 1,50, et surtout — même type ⇒ R≈0,97 (transfère), types différents ⇒ R≈1,92 (échoue). La contingence n'est pas du bruit : le coefficient encode l'identité du groupe typologique. Le camp contingence a sa propre structure.

La méta-loi prédit AUSSI l'autre camp

Test miroir, côté contingence : la distribution des longueurs de mots par langue. Prédiction déposée avant le calcul (R>1,15) ; mesuré R=1,25 sur fr/en/de/it. Nuance honnête : l'excès vient presque entièrement de l'allemand (mots longs par composition, R jusqu'à 4,1) — la contingence est réelle mais portée par le trait identitaire le plus fort. Deux prédictions pré-enregistrées, deux camps, deux succès.

La méta-loi prédit — et vise juste

Première prédiction déposée avant le calcul : la loi de Taylor sur la sismicité (système physique) devrait donner R≈1. Mesuré : R=0,97, exposant 1,65. La méta-loi passe du statut de description à celui de théorie prédictive.

Records sportifs : contrainte vs contingence

En cherchant à réfuter la méta-loi, on la précise : l'exposant d'endurance des records se transfère parfaitement entre sexes (R=0,98). Une loi humaine peut avoir des coefficients universels — si elle est fixée par une contrainte physique et non par une histoire. Le clivage n'est pas physique-vs-vivant, mais contrainte-vs-contingence.

Villes : 3ᵉ domaine social

La loi rang-taille des villes (34 127 villes, 103 pays) confirme le camp social : R=1,57. L'exposant urbain porte une identité nationale (France monocentrique 0,65, Mexique 1,09). L'écart physique-vs-vivant se creuse.

La méta-loi mesurée

Un indice unique de transférabilité appliqué à six domaines : les lois physiques ont des coefficients universels (R≈0,96), celles du vivant des coefficients porteurs d'identité (R≈1,44). Une régularité de second ordre, quantifiée.

Kleiber & le débat 3/4-vs-2/3

La recherche aveugle sur 4 645 espèces retrouve pourquoi le débat sur l'exposant métabolique dure depuis 90 ans : il y en a un par classe. La loi durée-de-vie ∝ M^¼ est falsifiée. Le motif « coefficients mous » s'avère fort en physique, faible en biologie.

Cinq lois en une nuit

Kepler, Gutenberg-Richter, Omori, Gompertz, Zipf redécouvertes à l'aveugle sur des données publiques. Le pipeline est prouvé domaine-agnostique.

Généricité hors finance

La forme de la loi de volatilité fonctionne sur la variabilité du vent (Open-Meteo), transférée d'un site à l'autre. Le processus n'est pas spécifique à la finance.

La loi devient lisible

Réduction à trois termes conservant 92-95 % du gain, certificat Lean, carte de valeur économique honnête (utile en prévision et exécution, inutile en dimensionnement).

Blind test réussi

Le candidat EML remplit les cinq critères écrits à l'avance ; l'OLS et un candidat ad hoc s'effondrent sous la référence naïve. Signal fort.