Modéliser les relations : une méthode pour résoudre les problèmes complexes

Face à un retard de projet, à une baisse de qualité de service ou à un conflit entre équipes, la première explication paraît souvent évidente. Pourtant, les problèmes complexes sont rarement causés par un seul facteur. Ils résultent plutôt d’interactions entre des règles, des ressources, des comportements, des contraintes de temps et des décisions passées. Modéliser ces relations consiste à rendre ces interactions visibles pour mieux agir.

Cette démarche ne promet pas une réponse automatique. Elle donne surtout une structure au raisonnement : quels éléments influencent la situation, qui est concerné, quels liens sont établis ou seulement supposés, et quelles conséquences une décision peut-elle produire ? À la date de publication de cet article, le 4 octobre 2024, cette approche s’appuie autant sur des méthodes collaboratives très simples que sur des outils de simulation et d’intelligence artificielle.

Modéliser les relations, qu’est-ce que cela veut dire ?

Un modèle est une représentation simplifiée d’une réalité. Il peut prendre la forme d’un schéma, d’une carte conceptuelle, d’un tableau de dépendances, d’un diagramme causal ou d’un programme informatique. Son but n’est pas de reproduire le monde dans tous ses détails. Il est de sélectionner les éléments pertinents pour comprendre une question précise.

Dans une modélisation relationnelle, l’attention porte sur les liens : une décision modifie-t-elle une ressource ? Une hausse de la charge de travail dégrade-t-elle la qualité ? La qualité influence-t-elle à son tour le volume de demandes reçues ? Ces relations peuvent former des chaînes, mais aussi des boucles. C’est précisément ce qui rend certains problèmes difficiles à résoudre : une action apparemment logique à court terme peut alimenter, à plus long terme, le phénomène qu’elle devait corriger.

Une carte relationnelle utile doit donc séparer trois niveaux : les faits observés, les hypothèses à vérifier et les choix de valeur qui appartiennent aux décideurs. Sans cette distinction, un schéma peut donner une impression trompeuse de certitude.

Commencer par définir le problème avec précision

La qualité du modèle dépend d’abord de la question posée. « Améliorer le fonctionnement de l’équipe » est trop vaste pour guider une analyse. Une formulation plus utile précise le phénomène, son périmètre, les personnes affectées et le résultat attendu. Par exemple : comprendre pourquoi les délais de traitement se sont allongés sur une étape donnée, malgré une charge de travail inchangée.

Cette phase impose de résister à une tentation fréquente : confondre immédiatement le problème et sa solution. Dire qu’il faut « automatiser » ou « recruter » exprime déjà une orientation. Avant de choisir un levier, il faut établir ce qui se passe réellement.

Le tableau suivant résume une séquence de travail adaptée à de nombreux contextes, de la gestion de projet à l’analyse d’un processus métier.

La collecte d’informations est indissociable de ce travail. Elle peut associer indicateurs opérationnels, entretiens, observations de terrain et retours des usagers. Les données chiffrées sont précieuses, mais elles ne suffisent pas toujours à interpréter un comportement ou à comprendre une contrainte locale. C’est là que l’empathie envers les parties prenantes devient une compétence méthodologique, et non un simple principe de communication.

Aller au-delà des symptômes grâce aux causes profondes

Le modèle de l’iceberg fournit une image simple pour organiser l’analyse. La partie visible correspond à l’événement ou au symptôme : une erreur, un retard, un conflit, une baisse de performance. Sous la surface se trouvent des régularités, des règles de fonctionnement, des incitations et parfois des croyances partagées qui contribuent à produire cet événement.

Considérer uniquement le symptôme conduit souvent à appliquer un correctif ponctuel. Chercher les mécanismes sous-jacents peut mener à une solution plus durable. Cela ne signifie pas qu’il existe toujours une cause unique, cachée quelque part. Dans un système complexe, plusieurs facteurs peuvent se renforcer, se neutraliser ou produire des effets différents selon le contexte.

La technique des cinq Pourquoi est une manière accessible d’approfondir une analyse. Elle consiste à demander successivement « pourquoi ? » à partir d’un fait constaté. L’objectif n’est pas d’atteindre mécaniquement cinq réponses, mais de remonter une chaîne causale jusqu’à un niveau sur lequel il devient possible d’agir.

Prenons un cas abstrait : un délai s’allonge. Pourquoi ? Parce qu’une étape est saturée. Pourquoi est-elle saturée ? Parce que des demandes incomplètes y reviennent fréquemment. Pourquoi sont-elles incomplètes ? Parce que les informations attendues ne sont pas clairement demandées au départ. Cette exploration peut révéler qu’un changement de formulaire ou de consigne aura davantage d’effet qu’une pression supplémentaire sur l’équipe chargée du contrôle.

La prudence reste nécessaire. Les cinq Pourquoi peuvent simplifier excessivement un problème ou suggérer une causalité directe là où plusieurs explications coexistent. Il est utile de compléter cette méthode par une carte qui représente les interactions et par une vérification auprès des personnes qui connaissent le terrain.

Recadrer le problème pour faire émerger des options

La façon dont une question est formulée détermine largement les solutions envisagées. Le frame-storming, ou recadrage collectif, propose d’explorer plusieurs formulations d’un même problème. Au lieu de demander seulement « comment réduire les coûts ? », un groupe peut aussi se demander « quelles dépenses ne créent pas de valeur ? », « quelles frictions font perdre du temps ? » ou « quels besoins des utilisateurs sont mal couverts ? ».

Ce déplacement du cadre mental évite de figer trop tôt le débat autour d’une solution unique. Il permet également de faire apparaître les intérêts parfois divergents des parties prenantes : responsables opérationnels, équipes techniques, clients, partenaires, citoyens ou usagers. Une solution techniquement cohérente peut échouer si elle ignore les contraintes concrètes de ceux qui devront l’appliquer.

L’empathie intervient ici de manière très pratique. Elle conduit à demander ce que chaque acteur voit, ce qu’il subit, ce qu’il cherche à protéger et ce qui l’empêche d’agir. Ces informations enrichissent le modèle, tout en réduisant le risque de bâtir une décision sur une compréhension abstraite ou incomplète du terrain.

De la carte relationnelle à la simulation informatique

Une carte causale est souvent qualitative : elle indique qu’un facteur influence un autre, sans nécessairement mesurer cette influence. La simulation va plus loin. Elle traduit certaines relations en règles ou en équations, puis fait évoluer le système selon différents scénarios. Elle peut ainsi aider à anticiper les effets possibles d’une décision avant sa mise en œuvre.

Dans des contextes dynamiques, comme les affaires ou le sport, cette capacité de projection est particulièrement recherchée. Les organisations peuvent comparer plusieurs stratégies, identifier des goulots d’étranglement ou estimer les conséquences d’un changement de ressources. Les algorithmes avancés permettent aussi d’optimiser certains paramètres lorsque les relations entre variables sont nombreuses.

L’algèbre matricielle est l’un des outils mathématiques employés pour représenter ces relations multiples. Une matrice peut organiser les liens entre variables dans un tableau de nombres, ce qui facilite les calculs sur un grand ensemble d’interactions. Il n’est toutefois pas nécessaire de maîtriser ces techniques pour commencer à modéliser : un schéma partagé et rigoureusement discuté constitue déjà une étape importante.

Une simulation ne doit pas être lue comme une prédiction certaine. Elle répond à une question conditionnelle : « si les hypothèses retenues sont correctes et si tels paramètres évoluent de telle manière, quel résultat le modèle produit-il ? » Des données insuffisantes, des relations mal définies ou des facteurs oubliés peuvent déformer le résultat. La transparence sur les hypothèses est donc aussi importante que la sophistication de l’outil.

Ce que l’intelligence artificielle apporte, et ce qu’elle ne décide pas

L’intelligence artificielle ouvre de nouvelles possibilités pour analyser des volumes importants de données et repérer des régularités difficiles à détecter manuellement. Elle peut assister la classification d’informations, l’exploration de scénarios, l’analyse de réseaux de relations ou la mise à jour de certains modèles à partir de nouvelles données.

Les données et les traces numériques générées dans les usages quotidiens peuvent notamment renseigner sur des comportements et des interactions. Elles exigent cependant une attention particulière à leur qualité, à leur origine, à la protection de la vie privée et aux biais qu’elles peuvent contenir. Une IA entraînée sur des données incomplètes risque de reproduire les angles morts de ces données avec une apparence de précision.

Dans les enjeux sociopolitiques complexes, y compris les réflexions sur le conflit israélo-palestinien, l’IA peut être envisagée pour organiser des informations ou explorer des conséquences possibles. Elle ne peut pas, à elle seule, définir une solution juste, établir la légitimité d’un compromis ou remplacer la responsabilité humaine. Ces questions dépendent de valeurs, de droits, d’expériences vécues et de choix politiques qui ne se réduisent pas à une optimisation mathématique.

Faire de la modélisation un travail collectif

La modélisation est aussi un outil de coordination. Lorsqu’une équipe dessine ensemble les dépendances entre tâches, ressources et décisions, elle rend visibles les désaccords qui seraient autrement restés implicites. Un responsable peut penser qu’un délai provient d’un manque de capacité, tandis qu’une personne de terrain l’attribue à des informations incomplètes en amont. La carte permet d’examiner ces deux hypothèses au lieu de les opposer abstraitement.

Les séances de brainstorming gagnent ainsi en efficacité lorsqu’elles ne se limitent pas à accumuler des idées. Elles peuvent suivre une discipline simple : décrire les faits, formuler les liens supposés, préciser ce qui manque pour les vérifier, puis choisir une expérience ou une action limitée. Cette démarche favorise l’intelligence collective sans faire disparaître les responsabilités de décision.

Pour rester utile, le modèle doit être révisé. Un changement de règle, d’outil ou de comportement peut modifier les relations initiales. La modélisation n’est pas un document figé destiné à valider une décision déjà prise. C’est un support d’apprentissage continu.

Ce qu’il faut surveiller dans les modèles de demain

L’essor de l’IA et des espaces numériques collaboratifs renforce l’intérêt des modèles relationnels, mais aussi les exigences qui les entourent. Plus un système agrège de données, d’acteurs et de décisions automatisées, plus il devient essentiel de savoir qui a défini ses variables, quelles données l’alimentent et comment ses résultats influencent l’action.

Les modèles les plus utiles seront probablement ceux qui combinent rigueur analytique et capacité de dialogue. Ils devront pouvoir intégrer des données nouvelles, signaler leurs incertitudes et laisser une place réelle à la contestation des hypothèses. Cette transparence est particulièrement importante lorsque les résultats d’une modélisation affectent des personnes, des emplois, des services publics ou des choix sensibles.

La promesse n’est donc pas de déléguer les problèmes complexes à une machine. Elle est de mieux voir les relations qui les composent, de tester les effets des décisions avec méthode et de construire des réponses plus informées, plus robustes et plus attentives aux personnes concernées.