L’heuristique d’ancrage fait référence au processus par lequel un individu estime une valeur incertaine ou arrive à une conclusion à partir d’un point « d’ancrage ». Ce point d’ancrage initial peut être une valeur arbitraire, calculée de manière préliminaire ou une information connue au préalable. Par exemple, un consultant voulant estimer le nombre d’employé-es susceptibles de quitter leur emploi dans une boutique après une année difficile (estimation d’une quantité incertaine) pourrait viser juste en estimant que ce chiffre sera très près de celui d’une autre boutique similaire pour laquelle il a travaillé précédemment (le chiffre associé à l’autre boutique sert de point d’ancrage). Pour cette heuristique, nous explorons trois biais susceptibles d’influencer un diagnostic organisationnel.

Le biais de confirmation correspond à la tendance à interpréter une information disponible pour qu’elle concorde avec une hypothèse préétablie en ignorant d’autres possibilités. Par exemple, une employeure pourrait croire que la faible performance de ses employé-es est reliée à leur manque de formation. Cette dernière pourrait tout simplement rejeter le diagnostic d’un consultant qui lui indique qu’il s’agit plutôt d’un problème de communication entre les employé-es et les gestionnaires, malgré un sondage et des observations rigoureuses. Dans ce cas, on a affaire au biais de confirmation :  l’hypothèse de départ de l’employeure a préséance sur les hypothèses alternatives, car elles ne correspondent pas à ses croyances préalables. Dans ce cas de figure, la faible performance des employé-es donne l’illusion de confirmer l’hypothèse préalable de l’employeure, alors que d’autres informations susceptibles de contredire cette hypothèse sont ignorées.

Le biais d’automatisation s’avère également très fréquent en contexte organisationnel. Il consiste à avoir une confiance disproportionnée envers de l’information offerte par une machine, un outil ou un logiciel, au détriment de son sens critique. En diagnostic organisationnel, les analyses statistiques sont beaucoup utilisées. Par exemple, des analyses permettent de comparer des équipes de travail et de déterminer celles qui sont plus performantes que les autres. Toutefois, avant de réaliser ces analyses, il existe toute une série de vérifications pré-requises pour s’assurer que les données sont conformes pour être analysées. Le problème principalement rencontré avec les logiciels statistiques est que peu importe la qualité des données, le logiciel effectue les calculs et présente des conclusions, que les données soient conformes aux prérequis qui permettent de les analyser ou non. Dans notre exemple, un consultant débutant ou avec des connaissances limitées en statistiques pourrait ne pas savoir que des analyses prérequises sont nécessaires (ce qui est souvent le cas). En faisant confiance aux conclusions parce qu’elles proviennent d’un logiciel reconnu, il pourrait alors croire, possiblement à tort, qu’une des équipes se démarque des autres, alors qu’il n’en est rien, et ce en raison du biais d’automatisation.