La loi de Goodhart est un adage des sciences sociales qui décrit comment une mesure perd sa fiabilité dès qu'on en fait un objectif de pilotage. Elle doit son nom à l'économiste britannique Charles Goodhart, qui en formula le noyau dans un article de 1975 consacré à la politique monétaire au Royaume-Uni : « toute régularité statistique observée tend à s'effondrer dès qu'on exerce une pression sur elle à des fins de contrôle ». L'intuition naissait de l'analyse des difficultés de gestion monétaire britannique : les corrélations stables exploitées par les banques centrales comme leviers cessaient de tenir une fois instrumentalisées.

La formulation la plus répandue n'est cependant pas de Goodhart mais de l'anthropologue Marilyn Strathern, qui en proposa en 1997, dans un texte sur la redevabilité dans le système universitaire, la version généralisée et mémorable : « quand une mesure devient une cible, elle cesse d'être une bonne mesure ». Cette reformulation met l'accent sur la perte de valeur diagnostique d'une métrique lorsque les individus optimisent vers la mesure elle-même plutôt que vers l'objectif sous-jacent qu'elle est censée représenter.

toute régularité statistique observée tend à s'effondrer dès qu'on exerce une pression sur elle à des fins de contrôle

— Wikipedia contributors , en.wikipedia.org

L'idée s'inscrit dans une constellation de principes apparentés. La loi de Campbell (Donald T. Campbell, 1976) s'attache à la corruption des indicateurs sociaux quantitatifs utilisés pour la décision. La critique de Lucas (1976) en propose l'équivalent macroéconomique : on ne peut prédire les effets d'une politique à partir de relations historiques, car les agents s'y adaptent. S'y ajoutent l'effet cobra (une incitation récompensant le comportement contre-productif) et le sophisme de McNamara (rejeter le qualitatif parce qu'il échappe au chiffre). Plusieurs auteurs ont enrichi le corpus : Jerome Ravetz (1971), Keith Hoskin (1996), ou Jon Danielsson pour la modélisation du risque financier.

Les illustrations couvrent de nombreux domaines : en santé, réduire la durée de séjour comme cible provoque sorties prématurées et réadmissions ; en recherche, le h-index s'érode comme mesure de réputation à mesure qu'il devient critère d'évaluation ; en conservation, les classifications d'extinction de l'IUCN se sont durcies après avoir servi à retirer des protections ; en éducation, le No Child Left Behind a encouragé des passages de classe sans maîtrise ; pendant la pandémie, les objectifs de tests COVID britanniques ont confondu capacité et utilité diagnostique. Le principe reflète in fine la manière dont des acteurs rationnels optimisent à l'intérieur des systèmes mesurés — héritage des pratiques de redevabilité nées au XIXᵉ siècle. Aujourd'hui, il éclaire directement le reward hacking et la fragilité des métriques d'optimisation dans les systèmes d'IA.