Narayanan et Unger veulent réorienter l’IA vers le collectif

Arvind Narayanan et Gabriel Unger proposent une autre direction pour l’intelligence artificielle dans un essai publié le 14 octobre 2026. Les deux auteurs défendent une approche centrée sur la collaboration entre humains et modèles. Ils contestent l’idée selon laquelle l’IA suivrait naturellement une logique d’automatisation du travail humain. L’automatisation peut parfois produire des bénéfices, écrivent-ils, mais elle ne devrait pas constituer l’unique horizon de recherche. Leur proposition vise notamment à augmenter les capacités des travailleurs et la puissance collective des équipes. L’essai présente quatre problèmes techniques destinés à structurer un programme de recherche consacré aux agents collaboratifs. Lire l’essai complet pour consulter leur argumentation détaillée.

Une orientation minoritaire reste aujourd’hui confrontée à la domination du programme d’automatisation dans la Silicon Valley et dans une partie du monde universitaire. Narayanan et Unger relient ce biais aux incitations économiques, mais aussi à des facteurs intellectuels et culturels propres à l’informatique. Ils rappellent que l’histoire de l’interaction humain-machine contient déjà des racines pour cette approche. Selon eux, certaines entreprises commencent à s’y intéresser après des déceptions économiques liées aux premières tentatives d’automatisation. Leur objectif déclaré n’est pas de rejeter toute automatisation. Ils veulent plutôt formuler un projet positif, expérimental et collectif, capable d’orienter autrement la conception et le déploiement des systèmes.

Quatre problèmes pour collaborer

Les agents transparents constituent le premier axe proposé. Les systèmes actuels sont souvent évalués sur leur résultat final, sans exposer clairement leurs étapes intermédiaires. Les auteurs proposent des agents « white box » présentant leurs sources, leurs hypothèses, leurs méthodes, leurs incertitudes et leurs traces de travail. Cette lisibilité permettrait aux utilisateurs d’interagir directement avec le processus. Le développement de tels agents nécessite toutefois de recueillir davantage de traces dans des métiers comme le droit, la médecine et les sciences. Le codage bénéficie déjà de dépôts publics contenant de nombreuses étapes de production. Mercor et Meta sont cités comme des acteurs cherchant à capturer des traces professionnelles pour entraîner des modèles.

La vitesse d’interaction forme le deuxième axe. Les auteurs comparent une conversation humaine, qui exige une faible latence, aux agents capables de travailler longtemps avant de répondre. Les utilisateurs doivent actuellement choisir entre des chatbots rapides mais superficiels et des agents approfondis qui interrompent le fil de l’échange. Réduire cette latence pourrait impliquer l’inférence, la recherche d’informations, les interfaces, les navigateurs et les outils. Narayanan et Unger relient aussi cette question à l’état de flux, associé à un retour clair et immédiat. Ils rapportent que certains programmeurs disent perdre cet état en supervisant des agents de codage, avec une surcharge cognitive et un épuisement accrus.

Les équipes humain-IA changent

Le pilotage continu constitue le troisième problème. Dans le modèle de délégation, l’utilisateur donne une consigne, s’éloigne, puis vérifie le résultat. Les auteurs distinguent cette séquence d’une collaboration dans laquelle la personne oriente continuellement l’agent pendant son travail. Les agents de codage proposent déjà une forme élémentaire de pilotage, mais restent organisés autour d’échanges successifs. Une collaboration plus étroite nécessiterait des états visibles en évolution continue, des espaces de travail partagés et la gestion des interruptions. Elle devrait aussi permettre le travail parallèle et l’édition simultanée. Ces exigences deviennent importantes quand la tâche ne peut pas être définie précisément dès le départ.

L’évaluation collective représente le quatrième axe. La plupart des benchmarks mesurent la capacité d’un modèle à accomplir seul une tâche. Ils ne mesurent donc pas directement la qualité d’une équipe composée d’un humain et d’un système d’IA. Les auteurs soulignent plusieurs questions encore ouvertes pour construire ces évaluations. Il faut notamment déterminer le niveau de désaccord acceptable entre le modèle et la personne. Il faut aussi mesurer la déférence du système, le contrôle conservé par l’humain et la place de l’apprentissage réciproque. La réussite d’une équipe doit enfin être examinée à court et à long terme, plutôt que par la seule performance immédiate du modèle.

Le programme proposé doit encore rester expérimental, selon Narayanan et Unger. Les quatre axes ne constituent pas un plan d’exécution définitif, mais une base pour une recherche plus large et durable. Leur approche déplace l’attention depuis l’agent autonome vers l’architecture de l’interaction. Elle demande de traiter les processus intermédiaires, la latence, les interruptions et la mesure du travail conjoint. Les auteurs souhaitent aussi dépasser la critique du programme dominant en formulant une direction de recherche alternative. Leur essai s’inscrit dans des débats plus larges sur l’automatisation, l’économie et les politiques publiques. Les lecteurs peuvent également consulter les travaux de Gabriel Unger et les références rassemblées dans l’article original.