Gradient d'objectif

1932. Le béhavioriste américain Clark Hull formule l'hypothèse du gradient d'objectif : la tendance à approcher un but croît avec sa proximité. Pour la tester, il construit un couloir rectiligne équipé de contacts électriques mesurant le temps de course sur chaque section de six pieds : ses rats accélèrent régulièrement à l'approche de la nourriture. Brown confirme en 1948 avec un harnais dynamométrique — les rats arrêtés près de la récompense tirent plus fort que ceux arrêtés loin. Mais la démonstration reste animale : pendant sept décennies, aucune étude ne prouve de gradient comportemental systématique chez l'humain.

La résurrection vient du marketing. En février 2006, Ran Kivetz, Oleg Urminsky et Yuhuang Zheng publient dans le Journal of Marketing Research « The Goal-Gradient Hypothesis Resurrected », première preuve de terrain du phénomène chez l'humain — cartes de fidélité d'un vrai café et site de notation musicale à l'appui. L'article devient un classique de la recherche consommateur et le socle scientifique de toute la grammaire de la progression : barres d'avancement, séries, statuts, points bonus. Les programmes de fidélité cessent d'être de la comptabilité pour devenir de la psychologie appliquée.

Le terrain principal est un café du campus de Columbia : 949 cartes de fidélité à dix tampons menées à terme, près de 10 000 achats de café tracés. Résultat : l'intervalle entre deux achats se réduit de 0,7 jour entre le premier et le dernier tampon, soit une accélération de 20 % ; la carte est complétée en 24,6 jours au lieu des 29,4 projetés au rythme initial — près de cinq jours gagnés. Un groupe contrôle muni de cartes « transparentes », tamponnées mais sans récompense, décélère au contraire : c'est bien la proximité du but, et non l'habitude, qui fait accélérer. Après la récompense, le rythme retombe puis réaccélère vers la suivante — le « postreward resetting ».

L'apport le plus fécond est l'illusion de progrès : une carte de douze cases dont deux sont offertes d'emblée est complétée plus vite qu'une carte vierge de dix, alors que l'effort exigé — dix achats — est identique. La motivation dépend de la proportion perçue du chemin restant, pas de la distance réelle. Les auteurs généralisent sur un site de notation musicale : à l'approche du palier de récompense, les visites se rapprochent, les notations par session augmentent, la persistance s'accroît. Nuance documentée : les clients rachetés en cours de route (cartes incomplètes) ne montrent aucun gradient — sans motivation initiale pour la récompense, pas d'accélération.

Ce que l'étude de 2006 faisait une fois pour tous — pré-tamponner deux cases — l'IA le fait en continu et par individu. Les programmes de fidélité pilotés par les données, à l'image du moteur de personnalisation de Starbucks, calibrent des défis et des points bonus pour maintenir chaque client à distance motivante de son prochain palier : ni trop loin (découragement), ni trop près trop vite (coût). Même logique dans l'onboarding des produits : les checklists de démarrage pré-cochées et les jauges de progression générées dynamiquement appliquent le gradient aux parcours d'activation. Et les agents IA eux-mêmes l'adoptent : afficher les étapes accomplies d'une tâche longue maintient l'utilisateur engagé pendant le travail de la machine.

Le risque est celui du progrès fabriqué : une jauge qui n'avance pas au rythme réel, des paliers déplacés silencieusement, une « longueur d'avance » purement décorative relèvent de l'interface trompeuse — précisément ce que le cadre européen des dark patterns vise. La donnée de Kivetz et ses collègues fournit le garde-fou : l'illusion de progrès fonctionne parce qu'elle est crédible et honorée. Un client qui découvre que sa progression était fictive ne ralentit pas — il part, et le fameux « postreward resetting » devient une résiliation.