Dans les années 1950, Paul Meehl mit en exergue le fait que des formules objectives sont souvent plus performantes que le jugement humain pour des décisions et des prédictions récurrentes. Par exemple, si une université dispose d'une base de données historiques comportant pour chaque étudiant des informations telles que ses résultats au lycée, son score à un test d'aptitude, son résultat final en première année, etc., un modèle statistique permettra de capturer les relations entre ces variables.

On peut alors montrer qu'un modèle basé seulement sur les résultats au lycée et le score à un test d'aptitude prédit mieux la réussite des étudiants qu'un conseiller scolaire. Depuis, les progrès technologiques ont donné à ce phénomène une tout autre dimension. D'un côté, l'explosion de la quantité d'informations disponibles fait que les bases de données historiques sont devenues gigantesques, ce que l'on appelle le big data. D'un autre côté, l'intelligence artificielle (IA) rend les outils automatisés de traitement de l'information toujours plus performants. Grâce à des techniques statistiques sophistiquées telles que l'apprentissage profond (le deep learning), les algorithmes actuels sont capables de capturer les régularités cachées dans de larges bases de données historiques. Ce couplage de l'IA et du big data tend à automatiser un nombre croissant de décisions humaines récurrentes dans tous les secteurs d'activités. Cette automatisation de décisions routinières - simples et répéti