La nature est complexe et chaotique

Avant que la théorie de la complexité ne couvre tous les aspects, nous devons maintenant ajouter la théorie du chaos

La nature a toujours été complexe (Bak et Paczuski 1993). Maintenant, c’est chaotique (Bernardini et al. 2025, Rockström 2009, Sakschewski 2025).

« Plus des trois quarts des systèmes de soutien de la Terre ne sont pas dans la zone sûre. L’humanité pousse au-delà des limites d’un espace d’action sûr, ce qui augmente de plus en plus le risque de déstabiliser la planète. » — Johan Rockström, 2025

Nous sommes maintenant dans le domaine des « cygnes noirs » (Sornette 2009), avec des événements météorologiques chaotiques de plus en plus probables (IPCC 2021).

L’IA élargit notre horizon cognitif. C’est un vrai outil pour traiter ce problème, mais il ne nous sauvera pas. Il ne résoudra pas le problème à notre place.

L’apprentissage automatique (ML) est une IA de reconnaissance de motifs. Cela veut dire qu’il est particulièrement sujet aux erreurs dans ce contexte, pour les mêmes raisons décrites dans le travail récompensé par le prix Nobel qui sert de base au livre Thinking Fast and Slow sur les raisons pour lesquelles l’intuition humaine échoue dans certains problèmes structurés (Tversky & Kahneman 1974). Le ML reconnaît des motifs, ce qui veut dire qu’il ne fonctionne pas quand le motif se rompt.

Une prédiction à long terme faite avec l’IA peut échouer de façon catastrophique quelle que soit la quantité de données disponibles (Fan et al. 2020). Dans ce monde, de notre vivant, et de votre vivant si vous lisez ceci, les prédictions fondées sur le passé, aussi coûteuses ou détaillées soient-elles, sont de plus en plus peu fiables.

Figure J. La théorie du chaos et de la complexité produit des erreurs dans les données des systèmes naturels et l’analyse statistique

Quand les données sont linéaires, les points se placent bien sur une droite. Comme ceci.

Avec des données non linéaires, nos statistiques commencent à échouer. La droite passe au milieu. Mais elle manque les deux extrémités. Les données ne sont pas linéaires.

Parfois, les modèles linéaires fonctionnent près de zéro. La queue est là où se trouve la réalité. Et la réalité est plus grande que la droite.

La nature ne fait même pas semblant de suivre ces règles. Ce sont de vraies données, d’un vrai système. Il Y A un motif. Il est juste plus intelligent que nous.

Approchez, et le chaos contient de l’ordre. Approchez de cet ordre, et il y a encore plus de chaos. À tous les niveaux.

Quelques notions de base sur les systèmes complexes

Les systèmes complexes ne sont pas seulement difficiles à mesurer — ils sont impossibles à quantifier complètement (Anderson 1972). C’est une propriété de la complexité elle-même, pas un problème d’outil.

• Émergence — les propriétés au niveau du système n’existent pas au niveau des composants ; le tout a des comportements que les parties n’ont pas (Anderson 1972).
• Non-linéarité — les résultats ne sont pas proportionnels aux entrées ; de petites perturbations peuvent se propager en cascade, les grandes peuvent se dissiper (Strogatz 2015).
• Boucles de rétroaction — les composants se façonnent mutuellement ; la cause et l’effet tournent en rond, pas en ligne (Meadows 2008).
• Sensibilité aux conditions initiales — de minuscules différences dans l’état initial divergent de façon exponentielle avec le temps ; c’est la définition formelle du chaos (Lorenz 1963).
• Points de bascule — les systèmes restent dans des régimes stables jusqu’à ce qu’un seuil soit franchi, puis basculent brusquement vers un nouveau régime (Scheffer et al. 2009).

La grande majorité des scientifiques autochtones avec qui nous avons parlé se sont moqués de l’état d’esprit réductionniste envers la nature. Ce n’est pas un manque de compréhension du réductionnisme ; c’est un rejet clair de cette approche comme le mauvais outil pour le travail.

« Avec tout le respect, mais sans bagage, nous disons que nous comprenons, mais nous déplorons la logique selon laquelle ceux qui détiennent le pouvoir technologique et le pouvoir économique contrôlent le monde ; parce que dans cette voie, le pouvoir est devenu une obsession des nations puissantes, qui ont aveuglé leur essence d’enfants de la terre et sont devenues maîtres de la planète. Dans cette logique utilitaire, ils ont transformé le monde en objet et marchandisé tout ce qui existe, et c’est maintenant la base du système que les États ont adopté aujourd’hui. » - Miguel Chindoy, La voix des Peuples Autochtones du monde sur l’urgence environnementale planétaire

Quelques notions de base sur les systèmes chaotiques

La distinction simple entre complexe et chaotique est que les systèmes complexes peuvent être stables. Les systèmes chaotiques ne le peuvent pas. La complexité est une structure ; le chaos est ce qui se produit quand cette structure bascule dans l’instabilité.

• Déterministe mais imprévisible — les règles sont entièrement connues, mais l’avenir ne l’est toujours pas (Lorenz 1963).
• Dépendance sensible aux conditions initiales — l’effet papillon ; de petites causes, de vastes conséquences (Lorenz 1963).
• Borné mais jamais répétitif — les trajectoires chaotiques ne s’envolent pas vers l’infini, mais elles ne retracent jamais exactement leur chemin. Elles dessinent un « attracteur étrange » — une forme dans l’espace des possibilités que le système parcourt sans fin sans se répéter (Ruelle & Takens 1971).
• Les horizons de prédiction sont finis par nécessité mathématique — au-delà d’un certain point, aucune précision de mesure ni puissance de calcul n’aide. L’erreur s’amplifie plus vite que les données n’informent (Palmer 2000).
• Les statistiques survivent ; pas les trajectoires — vous pouvez caractériser la forme du chaos (moyennes, intervalles, fréquences des régimes), même quand vous ne pouvez prédire aucun chemin précis (Eckmann & Ruelle 1985).

C’est pourquoi le ML échoue précisément sur les systèmes chaotiques : le ML apprend à partir des trajectoires, mais dans le chaos, la trajectoire est la partie qui ne peut pas être généralisée. Seule l’enveloppe statistique peut l’être.

Comment travailler dans les systèmes complexes et chaotiques

Le but de travailler dans ces systèmes est de travailler plus intelligemment, pas plus durement. Autrement dit, nous devons écouter les meilleurs scientifiques du monde (ci-dessus) et travailler dans le cadre des contraintes.

• N’essayez pas de tout mesurer (même avec l’IA, surtout avec l’IA !). Choisissez des dimensions orthogonales et concrètes ; échantillonnez, n’énumérez pas. L’exhaustivité est impossible. Le but est un signal qui ne peut pas être manipulé.
• N’essayez pas de prédire l’avenir trop à l’avance. Les horizons de prédiction sont mathématiques, pas techniques — aucune quantité de données ne réduit l’écart au-delà d’un certain point. Utilisez des boucles de rétroaction courtes au lieu de prévisions longues.
• Optimisez pour les effets papillon. Dans un système chaotique, le levier se trouve aux points de bascule — de petites entrées au bon endroit produisent des résultats disproportionnés. La structure de paiement #SexyTrees ($1 plant / $0.50 alive at 6mo / $0.50 alive at 12mo) est un effet papillon : un petit paiement par arbre qui change le comportement des agriculteurs à grande échelle.
• N’assumez pas que vous savez ce qui va arriver. Regardez ce qui s’est réellement passé. Mesure ex post seulement. Les modèles sont des cartes ; quand ils contredisent le terrain, faites confiance au terrain.