Lorsque les données sont rares, nous veillons à ne pas tirer de conclusions hâtives. Pourtant, lorsque de grandes quantités de chiffres et de relevés s’accumulent, il devient facile de penser : « Avec autant d’éléments, la réponse doit être évidente. » Davantage d’observations augmentent certes ce que nous pouvons savoir. Mais l’augmentation de la quantité de données ne signifie pas que leur signification devient unique. Les explications que l’on peut tirer des mêmes données varient selon ce qui a été mesuré, ce qui ne l’a pas été et la période examinée.
Supposons, par exemple, que le temps d’utilisation d’un service augmente sur un mois. Nous pourrions vouloir l’expliquer en disant que « la satisfaction des utilisateurs a augmenté ». Pourtant, si l’augmentation du temps d’utilisation peut être observée, les chiffres seuls n’en établissent pas la raison. Une nouvelle fonctionnalité a peut-être été pratique, ou l’interface est peut-être devenue plus complexe et a demandé davantage de temps. Le simple fait de séparer le changement observé de l’explication de ce changement modifie considérablement la question de recherche suivante.
Dans la recherche, passer de l’observation à l’hypothèse est en soi nécessaire. Le problème n’est pas d’avoir des hypothèses, mais de laisser une hypothèse acquérir, sans que l’on s’en aperçoive, le même statut qu’un fait observé. Dès que nous décidons que « c’est la cause », nous sommes plus enclins à lire les données ultérieures d’une manière qui corresponde à cette explication. La place laissée à d’autres explications se réduit, et les éléments de preuve contraires peuvent être traités comme des exceptions. Une certitude prématurée peut non seulement mettre fin à une enquête, mais aussi biaiser ce que nous choisissons d’observer ensuite.
Ce problème devient encore plus important lorsque l’IA soutient la recherche et les enquêtes. L’IA peut organiser de grandes quantités de documents, en dégager les points communs et présenter rapidement des explications possibles. Cette capacité est utile, mais plus une explication organisée paraît fluide, plus une hypothèse peut sembler être une conclusion déjà vérifiée. Le fait que l’IA ait traité une grande quantité d’informations ne signifie pas que son interprétation soit la seule possible. Le volume de traitement et le degré de certitude d’une conclusion doivent être considérés séparément.
Il est donc utile de traiter l’observation, l’interprétation, l’hypothèse et les résultats de vérification comme des étapes distinctes. L’observation montre ce qui a été enregistré ; l’interprétation montre comment cet enregistrement est lu. Une hypothèse est une explication possible de plusieurs observations, et la vérification examine dans quelle mesure cette possibilité est étayée. Si ces étapes ne sont pas confondues, même une hypothèse solide peut laisser ouverte la question : « Que reste-t-il encore à vérifier ? »
Maintenir une conclusion à titre provisoire ne signifie pas éviter indéfiniment de prendre des décisions. Selon l’objectif d’une enquête, il peut être nécessaire de choisir une action avec des informations limitées. Même alors, dire « cette explication est la mieux étayée par les éléments de preuve actuels » n’est pas la même chose que dire « c’est la seule vérité ». Préserver le caractère provisoire permet de réviser le jugement lorsque de nouveaux éléments apparaissent. Le degré de certitude doit correspondre à l’état des éléments de preuve.
Pour les humains comme pour l’IA, laisser certaines zones inconnues demande du courage. Une explication achevée rassure, mais la valeur de la recherche ne réside pas dans la rapidité avec laquelle elle nous rassure, mais dans la capacité d’une explication à résister à la réalité. Si une hypothèse s’effondrerait face à des éléments de preuve contraires, mieux vaut ne pas dissimuler cette possibilité. Maintenir quelque chose dans un état vérifiable ne rend pas la conclusion faible ; cela rend explicite le fondement de sa solidité.
Lorsque Sai＊aus soutient une enquête, l’objectif n’est pas non plus seulement de produire rapidement une conclusion unique à partir de grandes quantités d’informations. S’il est possible de distinguer ce qui a été observé, l’endroit où une interprétation a été ajoutée et ce qui reste une hypothèse, les humains peuvent choisir ce qu’il faut vérifier ensuite. La capacité de l’IA à organiser l’information peut servir non pas à clore les conclusions, mais à rendre visible l’entrée dans la vérification.
Davantage de données ne rendent pas automatiquement la vérité unique. Ce qui augmente, c’est la matière disponible pour vérifier la réalité. Des hypothèses de départ et des interprétations interviennent dans la manière dont les explications sont construites à partir de cette matière. La recherche exige donc non pas de mettre en doute les données elles-mêmes, mais de ne pas perdre de vue le chemin entre les données et la conclusion. En ne se hâtant pas de figer une conclusion comme étant la réalité et en la maintenant révisable par la vérification, l’abondance d’informations peut se transformer en profondeur de compréhension.
Pas des réponses. De la compréhension.