L'analyse d'incertitudes a pour objet de quantifier le degré de connaissance affectant la valeur d'une quantité d'intérêt, caractéristique du fonctionnement d'un système physique, et liée à des enjeux décisionnels. La plupart des approches rencontrées en ingénierie font appel à l'inférence statistique, et se divisent en trois grandes classes. Les techniques dites "plug-in" fournissent une estimation ponctuelle de la quantité d'intérêt, valable uniquement en présence d'un grand nombre de données. Lorsque le nombre de données est réduit, il est préférable de faire appel aux procédures de Bayes, qui déduisent une valeur optimale de la grandeur d'intérêt d'une loi a priori décrivant l'incertitude sur les paramètres du modèle et d'une fonction de coût formalisant les enjeux décisionnels. Enfin, les approches purement descriptives visent à décrire l'incertitude sur la quantité d'intérêt, plutôt qu'à en fournir une estimation ponctuelle. De nombreuses heuristiques ont été proposées pour contourner le problème du choix d'une fonction de coût pour l'estimation de la quantité d'intérêt dans un cadre bayésien. Nous considérons en particulier celle qui consiste à remplacer dans la définition de la quantité d'intérêt la distribution réelle de la variable de sortie du système, qui est en général inconnue, par sa distribution prédictive. Nous montrons que cette approche amène implicitement à utiliser un estimateur bayésien, relatif à une fonction de coût qui dépend entièrement de l'expression de la quantité d'intérêt. Ce résultat démontre qu'une estimation ponctuelle sous incertitude repose nécessairement sur le choix, conscient ou non, d'une fonction de coût. Nous illustrons notre propos sur un jeu de données réelles de hauteurs et débits d'un cours d'eau, et discutons plus généralement la pertinence de chaque approche en fonction des enjeux de l'étude, et de la connaissance plus ou moins explicite dont dispose l'analyste.