La simulation de Monte-Carlo en gestion de projet : rendre les risques visibles

Une estimation est une affirmation sur l'avenir. « Cinq jours » paraît précis, mais passe sous silence que la même tâche dure huit jours un mauvais jour et trois un bon jour. Planifier avec une valeur fixe, c'est planifier avec une illusion. La simulation de Monte-Carlo prend cette illusion au sérieux et intègre la dispersion dans le calcul, au lieu de la gommer par une moyenne.

Qu'est-ce qu'une simulation de Monte-Carlo ?

Une simulation de Monte-Carlo modélise l'incertitude par un échantillonnage aléatoire répété. Au lieu de calculer avec une valeur fixe, par exemple « la tâche dure cinq jours », vous travaillez avec des distributions de probabilité et faites tourner le modèle des milliers de fois. Chaque itération tire des valeurs aléatoires dans ces distributions. Au bout du compte, il n'y a pas une estimation unique, mais une distribution de résultats possibles.

Le message central s'en trouve fondamentalement déplacé. « Le projet sera terminé le 30 septembre » devient « Terminé d'ici le 15 octobre avec 80 pour cent de probabilité ». La différence est tangible. L'un est une promesse que vous ne pouvez pas tenir. L'autre, une affirmation sur laquelle un donneur d'ordre peut réellement planifier.

Monte-Carlo en gestion de projet : étape par étape

En gestion de projet, la simulation suit un déroulement clair. Nous le parcourons étape par étape, de la tâche individuelle jusqu'à la courbe de probabilité finale.

Étape 1 : chaque tâche reçoit une plage. Au lieu d'un seul chiffre, vous en estimez trois : optimiste (O) si tout se déroule bien, probable (M) pour le cas normal et pessimiste (P) en cas de blocage. À partir de ces trois points, le modèle construit une distribution à trois points. La plupart des tirages tombent près de M, peu aux extrémités. Pour aller plus loin, on choisit la forme en connaissance de cause : une PERT-Bêta pondère davantage M, un triangle est plus grossier, mais plus facile à expliquer.

Étape 2 : une itération tire au sort chaque durée. Une itération tire pour chaque tâche exactement une durée aléatoire dans sa distribution et en déduit une fin de projet possible. C'est un avenir plausible, non pas une moyenne, mais un scénario concret, comme un unique lancer de dé pour tout le projet. Tantôt le résultat est de 27 jours, tantôt de 31. Prise isolément, une itération dit peu de chose. Elle n'est qu'une parmi beaucoup d'autres.

Étape 3 : c'est le réseau qui décide, pas la somme. Les durées ne s'additionnent pas simplement le long d'une ligne. Les dépendances du diagramme de réseau déterminent le chemin, et à un jalon vers lequel convergent plusieurs chemins, c'est le plus tardif qui compte, donc le maximum et non la moyenne. C'est la convergence des chemins : même si chaque chemin pris isolément est le plus souvent à l'heure, chaque chemin supplémentaire augmente la probabilité qu'au moins l'un d'eux arrive en retard. Imaginez une course de relais où le coureur le plus lent dicte le temps.

Étape 4 : 10 000 itérations donnent la probabilité. Vous répétez maintenant le lancer de dé, par exemple 10 000 fois. Chaque itération fournit une date de fin ; ensemble, elles produisent exactement la distribution vue plus haut. En triant les dates par ordre croissant, on obtient la courbe en S cumulative, sur laquelle vous lisez les niveaux de confiance. P80 signifie simplement : dans 80 des 100 mondes simulés, vous avez terminé à cette date. L'histogramme et la courbe en S sont deux regards sur les mêmes données ; c'est sur la courbe en S que vous vous engagez au final, lorsque vous promettez une date.

Pourquoi Monte-Carlo surpasse le chemin critique

C'est précisément la convergence des chemins de l'étape 3 qui explique pourquoi le chemin critique classique sous-estime systématiquement la durée du projet. Il calcule avec des durées fixes et ne considère que la branche la plus longue, mais ignore la probabilité que plusieurs tâches dérapent en même temps. Les dates en deviennent plus fragiles que ne le suggère un plan déterministe.

Diagramme en tornade : l'analyse de sensibilité

Comme effet secondaire, la simulation fournit une analyse de sensibilité. Un diagramme en tornade montre quelles tâches contribuent le plus à l'incertitude globale. Votre gestion des risques sait ainsi où agir, au lieu de surveiller partout à la fois.

Les trois composantes de l'incertitude

Avant de simuler, un coup d'œil au modèle mental s'impose. Il existe trois types d'incertitude, et ce ne sont pas des variantes concurrentes de Monte-Carlo entre lesquelles vous devriez choisir. Ce sont trois sources que vous modélisez, et un bon modèle les couvre toutes. La question n'est donc pas « quelle variante choisir », mais « quelles incertitudes recèle mon projet et comment représenter chacune d'elles ».

Variabilité : la dispersion quotidienne

Chaque tâche dure tantôt plus longtemps, tantôt moins. C'est la bande de plus ou moins X pour cent, le Monte-Carlo classique où chaque tâche reçoit une distribution. Ici, vous agissez délibérément sur tous les leviers à la fois, non sur un seul. Le point clé, c'est que de nombreuses petites dispersions s'additionnent à travers la logique du diagramme de réseau et se renforcent aux convergences de chemins.

Risques d'événement : les événements de risque discrets

Le fournisseur fait défaut ou non. La ressource est malade ou non. Ce n'est pas un « plus ou moins dix pour cent de durée », mais « avec une probabilité p, l'événement X survient, et alors Y se décale de Z jours ». Au lieu d'une bande autour de chaque valeur, vous placez ici un interrupteur marche/arrêt à quelques endroits critiques : avec une probabilité p, l'événement survient, sinon non.

Risques structurels : bifurcation et reprise

La troisième source ne réside pas dans la durée d'une tâche, mais dans la question de savoir si celle-ci se déroule bel et bien comme prévu. Une réception peut échouer, une autorisation être refusée, un point de contrôle ne pas être validé. La tâche n'est alors pas achevée du premier coup, mais entraîne une boucle de reprise : une tâche supplémentaire qui n'apparaît nulle part dans le plan idéal. Tandis qu'un risque d'événement allonge une durée existante, un risque structurel modifie le diagramme de réseau lui-même.

Dans la simulation, vous représentez cela comme une bifurcation probabiliste : à chaque itération, un interrupteur aléatoire décide, avec une probabilité p, si la boucle de reprise, dotée de sa propre distribution de durée, est insérée. Sur 10 000 itérations, cela se traduit par une seconde bosse à droite de la distribution, la signature typique d'un risque de reprise. Ce sont précisément ces cas qu'un plan ne connaissant que le déroulement sans accroc laisse passer.

Les meilleurs modèles combinent les trois : un bruit de fond sur toutes les tâches, quelques interrupteurs de risque discrets aux endroits où quelque chose peut réellement basculer, et une bifurcation là où une tâche peut échouer et déclencher une reprise.

La corrélation : la parenthèse autour des trois

Les trois composantes agissent rarement de manière indépendante, et c'est précisément ce que montre le cadre dans la figure ci-dessus. Le mauvais temps ne retarde pas une seule tâche extérieure, mais toutes en même temps ; un fournisseur surchargé touche chaque commande, pas une seule. C'est la corrélation : un facteur commun qui entraîne plusieurs tâches dans la même direction au cours d'une même itération.

La corrélation n'est pas une quatrième composante, mais une parenthèse autour des trois. Elle décide si de nombreuses petites dispersions s'annulent mutuellement en moyenne ou s'amplifient. Qui modélise à tort les risques comme indépendants sous-estime systématiquement l'amplitude, car les écarts non corrélés se compensent en moyenne, pas les écarts corrélés. Dans la pratique, c'est souvent le plus grand levier vers un P80 réaliste.

Les paramètres d'une simulation de Monte-Carlo

Au-delà de la question « que modéliser », il existe d'autres axes sur lesquels vous décidez réellement.

Forme de distribution par tâche. Le triangle (O, M, P) est simple, intuitif et idéal pour expliquer. La distribution PERT-Bêta pondère davantage la durée probable et présente un tracé plus lisse ; elle est la norme de fait en gestion de projet et notre recommandation. La distribution uniforme convient lorsque vous ne connaissez vraiment que le minimum et le maximum. La log-normale convient aux durées à longue queue vers le haut, car les tâches deviennent rarement beaucoup plus rapides, mais parfois nettement plus lentes.

Grandeur cible de la simulation. La question la plus fréquente est le délai (schedule risk) : à quelle date vous aurez terminé. Vient ensuite le risque de coût (cost risk) : ce que le projet coûtera au final. Les deux peuvent se coupler, car un retard génère des surcoûts, par exemple des pénalités ou des frais de stockage. C'est précisément ce que répond une question comme la comparaison de fournisseurs, où délai et prix se font face.

Reste le troisième axe : d'où viennent les chiffres pour ces distributions, c'est-à-dire l'incertitude d'entrée. C'est là que se décide si la simulation repose sur des données solides ou sur une intuition.

D'où vient l'incertitude d'entrée. La base la plus solide provient des données d'expérience, c'est-à-dire la fréquence empirique, par exemple un historique de livraisons. Vient ensuite l'estimation d'expert, le classique pronostic O/M/P lorsqu'aucune donnée n'est disponible. Et il y a la comparaison prévu/réalisé de Merlin Project : Merlin conserve les valeurs prévues et réalisées par tâche. Dans un projet en cours, vous mesurez la dispersion typique à partir de l'écart des tâches passées, au lieu de l'estimer. Votre simulation se nourrit ainsi de vraies données de projet et devient plus fiable à chaque tâche terminée.

De la théorie à la pratique

Longtemps, une simulation de Monte-Carlo était fastidieuse et réservée à des outils spécialisés, avec des estimations à trois points entretenues à la main. Avec le serveur MCP dans Merlin Project, une IA lit directement votre plan de projet et calcule la simulation sur demande. Vous demandez à Claude en une phrase de simuler 10 000 scénarios de projet à partir de votre plan, et vous recevez en retour la courbe en S ainsi que P50, P80 et P90 expliqués. Un outil spécialisé avec sa propre gestion de données se réduit à une phrase adressée à Claude.

À quoi cela ressemble concrètement, de la configuration aux exemples de prompts jusqu'à deux cas pratiques entièrement calculés, c'est ce que montre la partie pratique : Comment simuler Monte-Carlo avec Merlin Project et le serveur MCP.

À quel point une gestion des risques structurée est payante dans un projet, c'est ce que montre par ailleurs notre article sur Riskology, la méthode de Monte-Carlo de l'Atlantic Systems Guild.

Si vous avez des questions sur cet article de blog ou si vous souhaitez en discuter, nous attendons avec impatience votre contribution dans notre forum.