Lorsque les équipes utilisent l’intelligence artificielle générative au travail, un schéma répétitif s’impose : un décideur face à un choix crucial — quel modèle déployer, quelle architecture adopter, quelle politique mettre en œuvre — sollicite un LLM, formule une requête simple, lit la réponse fluide, l’ajuste légèrement, puis l’emporte comme solution unique. Six mois plus tard, lorsqu’un dysfonctionnement survient, il n’existe aucune trace des alternatives examinées, de l’incertitude réelle du groupe, ni des raisons pour lesquelles ce choix a été retenu. Il ne reste qu’un paragraphe convaincant, mais sans fondement. Ce qui manque, ce n’est pas plus de puissance d’IA, mais le geste conscient de la réflexion humaine. C’est là qu’intervient le raisonnement probabiliste à variantes multiples (PMR), une pratique que l’auteur met en œuvre et enseigne dans son travail. Ce n’est pas une théorie mathématique ni un algorithme, mais un cadre pratique pour raisonner avec les modèles génératifs : une méthode disciplinée pour explorer plusieurs scénarios plausibles, quantifier l’incertitude, évaluer les conséquences, et décider seulement après avoir réfléchi. Le PMR s’adresse à ceux qui prennent des décisions complexes avec l’aide de l’IA, notamment dans la conception de systèmes ou la gestion des risques. L’IA rend cette démarche rapide et peu coûteuse, mais le cœur du processus reste humain. Le PMR repose sur un changement fondamental : transformer le LLM d’un « machine à réponses » en un « générateur de scénarios pondérés ». Au lieu d’attendre une seule réponse, on demande plusieurs options distinctes, des probabilités brutes, des évaluations des coûts, risques et bénéfices en langage clair. On discute ensuite ces éléments, on les ajuste selon les réalités du contexte, et seulement alors on choisit. L’IA reste un moteur de propositions, l’humain, le décideur. Derrière cette pratique, des intuitions bien connues : une touche de bayésianisme (mettre à jour ses croyances à partir de nouvelles informations), un soupçon de théorie des décisions (le risque et la valeur attendue sont plus importants que la simple probabilité), et une inspiration des ensembles (combiner plusieurs vues imparfaites pour mieux comprendre). Le PMR n’est pas une application rigoureuse de ces théories, mais leur esprit, rendu accessible pour le travail quotidien. Un exemple simple illustre son efficacité : choisir entre trois modèles pour une détection de fraude. Un modèle simple (A) a 60 % de chances de réussir, mais peu de complexité. Un modèle intermédiaire (B) a 75 % de chances, mais plus de charge opérationnelle. Un modèle avancé (C) a 85 % de chances, mais un coût de défaillance élevé. Sans PMR, on pourrait choisir C par son taux de succès élevé. Avec PMR, on voit que le risque de défaillance de C — coûteux à corriger — peut dominer les bénéfices. Le choix optimal devient B, équilibré entre performance et robustesse. Dans deux cas concrets — la sélection d’un modèle de prédiction de churn ou la conception d’un bus d’événements multi-région — le PMR permet de sortir du piège du « meilleur design selon l’IA » pour entrer dans une discussion structurée. Les équipes ne suivent plus la tendance, mais prennent des décisions fondées sur leurs contraintes réelles : compétences, historique, budget. Le résultat est un dossier de décision clair, reproductible, et justifiable. Cependant, le PMR n’est pas sans failles. Il peut engendrer une fausse précision (des probabilités arbitraires prises pour des faits), servir de couverture à des préférences préexistantes, produire des options biaisées si la question initiale est mal posée, ou ignorer des scénarios critiques. Il faut donc poser des questions adverses, vérifier les sources des données, impliquer des experts, et rester vigilant contre les « récits réutilisés » par l’IA. Enfin, le PMR demande un effort cognitif. Il ne convient pas à toutes les décisions. Il doit être adapté : une version légère pour les choix quotidiens, une version complète pour les décisions stratégiques. Le plus important ? Rester maître du raisonnement. L’IA peut être fluide, mais ce n’est pas elle qui doit décider. Le PMR n’est pas une solution miracle, mais une habitude essentielle : reconnaître qu’il existe toujours plusieurs futurs plausibles, que l’incertitude a une forme, et que c’est à nous de raisonner avec elle.