📈 economics

Sequential Non-Bayesian Persuasion

Cet article démontre que lorsque la règle de mise à jour des croyances d'un récepteur dévie systématiquement de la rationalité bayésienne, un émetteur peut tirer un bénéfice stratégique de la fourniture d'informations de manière séquentielle, un résultat qui contraste avec la conclusion classique selon laquelle la persuasion séquentielle n'offre aucun avantage dans les contextes bayésiens standards.

Auteurs originaux : Yaron Azrieli, Rachana Das

Publié 2026-08-06

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yaron Azrieli, Rachana Das

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de convaincre un ami de prendre une action spécifique, comme acheter un billet pour un concert ou voter pour un candidat. Dans le monde de l'économie, cela s'appelle la « persuasion ». Pendant des décennies, le manuel de règles standard de ce jeu supposait que les individus étaient des calculateurs parfaits. Si vous leur présentiez de nouveaux faits, ils mettraient instantanément et parfaitement à jour leurs croyances en utilisant une formule mathématique stricte appelée « règle de Bayes ». Sous cette ancienne règle, il y avait un retournement de situation surprenant : si vous vouliez convaincre quelqu'un, peu importait que vous lui donniez toutes les informations d'un coup ou que vous les lui fassiez parvenir progressivement dans le temps. Un calculateur intelligent et parfait aurait la même opinion finale de toute façon, donc une révélation « en une seule fois » était tout aussi efficace qu'une campagne longue et étirée.

Mais les vrais humains ne sont pas des calculateurs parfaits. Nous avons des biais. Parfois, nous ignorons de nouvelles preuves parce qu'elles semblent trop choquantes (nous sommes « conservateurs »), et parfois, nous restons bloqués sur notre première impression. Cet article explore ce qui se passe lorsque la personne que vous essayez de convaincre possède ces particularités humaines. Les chercheurs posent une question simple mais puissante : si votre ami met à jour ses croyances de manière désordonnée et biaisée, est-il avantageux de lui donner les choses lentement, morceau par morceau, plutôt que tout d'un coup ? La réponse s'avère être un « oui » retentissant, mais seulement sous certaines conditions. L'article prouve qu'en calibrant soigneusement la transmission de l'information, vous pouvez réellement guider une personne biaisée vers une décision qu'elle n'aurait jamais prise si vous lui aviez simplement jeté les faits en une seule fois.

Le jeu du « Convaincs-moi »

Préparons le terrain avec un jeu simple. Il y a deux joueurs : l'Émetteur (vous, le persuasif) et le Récepteur (votre ami, le décideur). Le monde possède différents « états » possibles (comme « le concert est génial » ou « le concert est terrible »), mais votre ami ne sait pas lequel est vrai. Il commence avec une supposition, appelée un « a priori ». Vous connaissez la vérité, et vous voulez qu'il prenne une action spécifique, comme acheter un billet.

Dans la version classique de ce jeu, le Récepteur est un penseur « bayésien ». Cela signifie qu'il est comme un robot sans faille. Si vous lui montrez une preuve, il la mélange instantanément avec son ancienne supposition pour former une nouvelle opinion parfaite. La grande découverte des recherches précédentes est que, pour ces robots parfaits, le timing n'a pas d'importance. Que vous présentiez un grand rapport ou mille petits indices, la distribution finale de leurs opinions est la même. On ne peut pas tromper un calculateur parfait en étirant la conversation.

Cependant, cet article suppose que le Récepteur est biaisé. Il ne met pas à jour ses croyances parfaitement. Au lieu de cela, il possède une « fonction de biais » qui déforme la vérité. Un exemple courant utilisé dans l'article est le « Bayésianisme Conservateur ». Imaginez une personne très têtue. Lorsqu'elle voit une nouvelle preuve, elle ne met à jour sa croyance que très légèrement, tirant légèrement sa croyance vers la nouvelle vérité, mais restant principalement ancrée sur son ancienne supposition. Elle ne rejette jamais totalement une possibilité, peu importe la quantité de preuves que vous accumulez ; elle devient simplement un peu plus convaincue.

La magie de la diffusion lente

Les auteurs de cet article ont découvert que lorsque le Récepteur est ce genre de personne têtue et biaisée, la persuasion séquentielle (lui dire les choses au fil du temps) devient un superpouvoir.

Voici le tour de magie :

La limite du coup unique : Si vous essayez de convaincre l'ami têtu avec un seul gros morceau d'information, son biais agit comme un élastique. Il ramène la nouvelle preuve vers sa croyance initiale. Si la preuve doit être extrême pour changer son avis, l'élastique le ramène en arrière avant même qu'il ne prenne l'action que vous souhaitez.
La dérive séquentielle : Mais si vous lui donnez l'information par étapes, vous pouvez utiliser sa propre entêtement contre lui. Vous lui donnez un petit indice. Il met à jour sa pensée un peu. Ensuite, vous lui donnez un autre indice basé sur sa nouvelle (légèrement mise à jour) croyance. Parce qu'il met à jour sa pensée à partir d'un point de départ légèrement différent à chaque fois, sa croyance peut « dériver » de plus en plus loin de sa supposition originale.

Imaginez que vous poussez un rocher lourd en haut d'une colline. Si vous essayez de le pousser en une seule poussée géante, il pourrait ne pas bouger à cause de la friction (le biais). Mais si vous le poussez un peu, que vous le laissez se stabiliser, puis que vous le poussez à nouveau depuis sa nouvelle position, vous pouvez finalement l'amener au sommet. L'article montre qu'en répétant le processus, la croyance du Récepteur peut dériver si loin qu'il finit par choisir l'action que l'Émetteur souhaite, une action qu'il aurait refusée si l'information avait été présentée d'un seul bloc.

Ce que l'article prouve réellement

Les auteurs n'ont pas seulement deviné cela ; ils ont construit une preuve mathématique pour montrer exactement quand ce tour fonctionne. Ils ont examiné plusieurs scénarios classiques trouvés dans les manuels d'économie :

Le scénario des deux choix : Imaginez un juge décidant si un accusé est coupable ou innocent. Le procureur (Émetteur) veut une condamnation. Si le juge est un « Bayésien Conservateur » (têtu), le procureur ne peut pas simplement présenter un élément de preuve pour obtenir une condamnation si la croyance initiale est trop basse. Cependant, l'article prouve que si le biais du juge est « faiblement bayésien plausible » (une façon technique de dire que son entêtement n'est pas trop étrange ou extrême), le procureur peut utiliser une séquence de signaux pour finalement pousser la croyance du juge au-delà de la limite et obtenir cette condamnation.
Le scénario linéaire : Imaginez un gestionnaire (Émetteur) essayant d'amener un employé (Récepteur) à fixer un prix. Si l'employé est biaisé, le gestionnaire ne peut pas simplement donner un rapport. Mais en révélant l'information étape par étape, le gestionnaire peut guider l'employé vers un prix qui génère un profit plus élevé que n'importe quel rapport unique ne pourrait le faire.
Le scénario « Crawford-Sobel » : C'est un modèle célèbre où l'Émetteur et le Récepteur ont des objectifs légèrement différents (comme un politicien et un électeur). L'article prouve que même ici, si le Récepteur est biaisé de manière « équilibrée » (ce qui signifie que son biais ne pousse pas toujours dans la même direction), l'Émetteur peut gagner en utilisant une stratégie à plusieurs étapes.

Les limites du tour

Il est important de noter ce que cet article ne dit pas. Il ne prétend pas que vous pouvez convaincre une personne biaisée de faire tout ce que vous voulez. Il existe des limites.

Les auteurs montrent que même avec une quantité infinie de temps et d'informations, un Émetteur ne peut pas toujours atteindre son résultat « premier meilleur » (le résultat absolument parfait). Par exemple, si le Récepteur est têtu, il existe un plafond mathématique sur la distance vers laquelle sa croyance peut dériver dans une direction spécifique. L'article fournit un exemple précis où le gain maximal possible de l'Émetteur est strictement inférieur à ce qu'il obtiendrait si le Récepteur était un calculateur parfait et non biaisé. Ainsi, bien que la persuasion séquentielle soit un outil puissant, ce n'est pas une baguette magique qui brise toutes les règles de la logique.

Pourquoi cela importe

Cette recherche est une preuve constructive, ce qui signifie que les auteurs n'ont pas seulement dit « c'est possible » ; ils ont montré comment le faire. Ils ont démontré que l'interaction entre le type spécifique de biais du Récepteur et la stratégie de l'Émetteur crée une nouvelle dynamique.

L'idée clé est que la structure de l'information importe lorsque les gens sont imparfaits. Dans un monde de robots parfaits, le moment de l'information est sans importance. Mais dans un monde d'humains, qui mettent à jour leurs croyances avec un mélange de logique et d'entêtement, la façon dont vous racontez l'histoire compte autant que les faits que vous présentez. En décomposant une grande vérité en morceaux plus petits et séquentiels, un persuasif peut naviguer autour des biais d'une personne et la guider vers une décision qu'un fait unique et accablant ne pourrait jamais accomplir. L'article confirme que dans de nombreuses situations économiques courantes, l'ancienne règle selon laquelle « le timing n'a pas d'importance » est brisée, et l'art de la diffusion lente est une stratégie de succès mathématiquement prouvée.

Résumé technique : Persuasion séquentielle non bayésienne

1. Énoncé du problème

Cet article étudie un modèle de transmission stratégique d'information (persuasion) où la règle de mise à jour des croyances du récepteur dévie systématiquement de la règle de Bayes. Les auteurs s'appuient sur le cadre de De Clippel et Zhang [2022], qui a établi que la méthode de concavification de la persuasion bayésienne (BP) standard s'applique même lorsque les récepteurs ont des croyances biaisées, à condition que le biais soit une fonction de la croyance a priori et du postérieur bayésien correct.

La question centrale abordée est de savoir si la persuasion séquentielle — où un émetteur peut fournir de l'information sur plusieurs périodes, en conditionnant les signaux futurs aux réalisations passées — offre une valeur ajoutée à l'émetteur lorsque le récepteur est non bayésien. Dans le cadre classique bayésien (Kamenica et Gentzkow [2009]), la persuasion séquentielle est redondante ; toute stratégie séquentielle peut être reproduite par une structure d'information unique induisant la même distribution de postérieurs. Les auteurs soutiennent qu'une rupture avec le bayésianisme peut expliquer pourquoi la persuasion séquentielle pourrait être plus efficace qu'une libération d'information en une seule étape.

2. Méthodologie et configuration du modèle

L'environnement

Le modèle implique un Émetteur ( $S$ ) et un Récepteur ( $R$ ) avec un espace d'états fini $\Omega$ et une croyance a priori commune à support complet $\mu_0$ .

Émetteur : Choisit une structure d'information (expérience) pour influencer l'action de $R$ . L'utilité de $S$ est $v(\omega, a)$ .
Récepteur : Choisit une action $a \in A$ pour maximiser son utilité attendue $u(\omega, a)$ .
Biais : Le récepteur ne met pas à jour via la règle de Bayes. Au lieu de cela, une fonction de biais $D: \Delta_{op}(\Omega) \times \Delta(\Omega) \to \Delta(\Omega)$ associe la croyance a priori $\nu$ et le postérieur bayésien correct $\nu^1$ au postérieur biaisé $D(\nu, \nu^1)$ .

Propriétés clés du biais

L'analyse repose sur deux propriétés spécifiques de la fonction de biais $D$ :

Intériorité : Le récepteur n'élimine jamais complètement un état. Formellement, $\text{Supp}(D(\nu, \nu^1)) = \Omega$ pour tous les a priori et postérieurs. Cela distingue le modèle de la mise à jour bayésienne standard où des postérieurs extrêmes peuvent être atteints.
Apprentissage éventuel : Si le récepteur est présenté de manière répétée à une information induisant un postérieur bayésien fixe $\nu^1$ , sa croyance converge vers $\nu^1$ . Formellement, $\lim_{n \to \infty} D^n(\nu, \nu^1) = \nu^1$ .

Mécanisme de persuasion séquentielle

Dans une stratégie séquentielle, $S$ choisit une structure d'information à la période 1. En observant un signal, $R$ met à jour sa croyance via $D$ . Dans les périodes suivantes, $S$ peut choisir une nouvelle structure d'information basée sur l'historique des signaux. Crucialement, le processus de mise à jour est récursif : la croyance à la fin de la période $n-1$ sert de croyance a priori pour la période $n$ .

Échec de la concavification : Contrairement au cas statique, la persuasion séquentielle brise la correspondance biunivoque entre le postérieur bayésien de l'émetteur et le postérieur biaisé du récepteur. Différentes séquences de signaux peuvent conduire au même postérieur bayésien pour $S$ mais à des postérieurs biaisés différents pour $R$ . Par conséquent, la méthode de concavification standard (utilisée pour résoudre la BP statique) n'est pas applicable pour caractériser le gain séquentiel optimal.

Exemple spécifique de biais : Le bayésianisme conservateur

Pour illustrer les résultats, les auteurs utilisent une famille paramétrique de biais connue sous le nom de « bayésianisme conservateur » :
$D_\alpha(\nu, \nu^1) = \alpha \nu + (1-\alpha)\nu^1$
où $\alpha \in (0,1)$ représente la force du biais (sous-mise à jour). Cette règle est intérieure et satisfait l'apprentissage éventuel.

3. Contributions clés et résultats

L'article fournit des preuves constructives démontrant que l'émetteur gagne de la persuasion séquentielle (c'est-à-dire qu'il obtient un gain strictement supérieur à la stratégie en une seule étape) dans plusieurs environnements classiques, à condition que le biais satisfasse des propriétés spécifiques.

A. Environnements à deux actions (Proposition 1)

Contexte : Le récepteur a deux actions, et l'émetteur a des préférences indépendantes de l'état (motifs transparents), comme l'exemple « Procureur-Juge ».
Condition : L'émetteur gagne de la persuasion séquentielle si et seulement si le biais est faiblement bayésien plausible. Cette propriété exige que pour tout ensemble de postérieurs bayésiens dont l'enveloppe convexe contient l'a priori, l'enveloppe convexe des postérieurs biaisés correspondants contienne également l'a priori.
Résultat : Le bayésianisme conservateur est faiblement bayésien plausible. Ainsi, dans ces environnements, l'émetteur peut exploiter le fait que la croyance du récepteur reste intérieure. Même si un signal unique induit un postérieur qui amène le récepteur à choisir l'action moins préférée par l'émetteur, l'émetteur peut continuer à fournir de l'information pour faire « dériver » la croyance du récepteur vers l'action préférée.

B. Préférences linéaires (Proposition 2)

Contexte : L'action optimale du récepteur est la moyenne de sa croyance (ex: $A = \mathbb{R}^k$ ), et l'émetteur a des préférences linéaires et indépendantes de l'état.
Condition : L'émetteur gagne de la persuasion séquentielle si le biais est intérieur, satisfait l'apprentissage éventuel des états, et est équilibré.
Équilibre (Balancedness) : Cette propriété restreint les directions du biais. Elle exige que les vecteurs pointant des postérieurs bayésiens vers les postérieurs biaisés (donné un a priori) ne soient pas unidirectionnels ; leur enveloppe convexe doit contenir le vecteur nul. Le bayésianisme conservateur est équilibré.
Résultat : Dans les environnements linéaires, la persuasion en une seule étape ne produit aucun gain pour l'émetteur si le récepteur est bayésien (en raison de la plausibilité bayésienne). Cependant, avec un biais équilibré et intérieur, la persuasion séquentielle permet à l'émetteur de manipuler la distribution des actions pour augmenter son gain, car l'émetteur et le récepteur divergent dans leurs croyances après le premier signal.

C. Préférences communes (Proposition 3)

Contexte : L'émetteur et le récepteur ont des préférences identiques (émetteur bienveillant).
Condition : L'émetteur gagne de la persuasion séquentielle si et seulement si le gain optimal en une seule étape est strictement inférieur au gain en pleine information.
Résultat : Puisque le biais satisfait l'apprentissage éventuel, l'émetteur peut approcher le gain de pleine information en envoyant de manière répétée des signaux totalement révélateurs. Si la contrainte de l'étape unique empêche d'atteindre ce gain, la persuasion séquentielle est strictement précieuse.

D. Préférences de Crawford-Sobel (Proposition 4)

Contexte : Les préférences sont désalignées par un terme de biais constant $b$ (modèle standard de Crawford-Sobel).
Condition : L'émetters gagne de la persuasion séquentielle si le biais est intérieur, satisfait l'apprentissage éventuel des états, et est équilibré.
Résultat : Partant d'une stratégie optimale en une seule étape, l'émetteur peut améliorer son gain en envoyant une information supplémentaire si un postérieur spécifique est réalisé, poussant ainsi efficacement la croyance du récepteur davantage dans la direction qui bénéficie à l'émetteur.

4. Mécanismes pilotant les résultats

L'article identifie trois mécanismes principaux par lesquels la persuasion séquentielle surpasse la persuasion statique en présence de biais :

Dérive de la croyance (Belief Drift) : Avec un seul signal, le postérieur biaisé du récepteur ne peut pas trop s'écarter de l'a priori. En répétant l'information, l'émetteur peut induire une « dérive » où la croyance s'éloigne, finissant par franchir le seuil requis pour que le récepteur choisisse l'action préférée par l'émetteur.
Continuation conditionnelle : Même si un signal unique induit l'action préférée, l'émetteur peut augmenter la probabilité de cette action en fournissant une information supplémentaire uniquement lorsque la réalisation du signal initial mène à une action non préférée.
Violation de la plausibilité bayésienne : Dans la persuasion statique, la distribution des postérieurs biaisés doit être bayésien plausible (l'a priori est dans l'enveloppe convexe). Dans la persuasion séquentielle, parce que l'émetteur et le récepteur détiennent des croyances différentes après le premier signal, la distribution des postérieurs biaisés sur l'ensemble de la séquence n'est plus contrainte par l'a priori initial de la même manière, permettant de nouvelles distributions d'actions préférées par l'émetteur.

5. Signification et limites

Les auteurs affirment que leur travail démontre la valeur de la conception d'information dynamique dans des environnements économiquement pertinents où les récepteurs présentent des biais systématiques. Les preuves sont constructives, révélant comment des propriétés spécifiques du biais (intériorité, apprentissage éventuel, équilibre) interagissent avec les structures de gains pour rendre la persuasion dynamique bénéfique.

Limites et portée :

Optimalité : L'article ne résout pas de manière générale la stratégie de persuasion séquentielle optimale. En raison de l'échec de la méthode de concavification, trouver l'optimum est difficile même dans des environnements simples. Les résultats se concentrent sur la preuve que certaine stratégie séquentielle produit un gain strictement supérieur à la meilleure stratégie statique.
Gain de premier rang (First-Best) : Les auteurs notent que la persuasion séquentielle ne permet généralement pas à l'émetteur d'atteindre son gain de « premier rang » (où le récepteur choisit l'action préférée de l'émetteur dans chaque état). Des limites existent ; par exemple, dans les environnements linéaires avec le bayésianisme conservateur, le gain de l'émetteur est borné strictement en dessous du premier rang en raison des propriétés de supermartingale du processus de croyance.
Comparaison avec la négligence de corrélation : L'article distingue son modèle de la « négligence de corrélation » (Levy et al. [2022]). Dans la négligence de corrélation, l'émetteur peut atteindre le premier rang en corrélant les signaux. Dans ce modèle, le biais est intrinsèque à la règle de mise à jour elle-même, et le pouvoir de l'émetteur est plus limité.
Procédures de mise à jour : Les résultats reposent sur une procédure de mise à jour récursive spécifique où le biais est appliqué à chaque étape en utilisant le postérieur actuel comme nouvel a priori. Les auteurs discutent brièvement de procédures alternatives (ex: ancrage à l'a priori original) mais notent que celles-ci peuvent produire des résultats différents et sont laissées à des travaux futurs.

En résumé, l'article établit qu'en présence d'une mise à jour des croyances non bayésienne et systématique, la capacité de fournir de l'information de manière séquentielle est un outil puissant pour les émetteurs, offrant des gains dans des contextes classiques où la persuasion statique serait inefficace ou sous-optimale.