Deux millions d’agents IA ne font pas un génie collectif — et c’est une bonne nouvelle
Imaginez une salle de conférence où deux millions de personnes sont assises, chacune équipée des meilleurs outils de raisonnement disponibles, et où, face à un problème simple, aucune ne parvient à se coordonner. C’est exactement ce que des chercheurs viennent de constater sur MoltBook, une plateforme abritant plus de deux millions d’agents basés sur des grands modèles de langage. Le constat, publié sur arXiv sous le titre ‘Superminds Test’, est sans équivoque : la taille d’une population d’agents ne suffit pas à faire émerger une intelligence collective.
L’hypothèse qui ne tient pas
Depuis quelques années, une idée circule dans les laboratoires : si on multiplie le nombre d’agents IA, leur capacité combinée devrait dépasser celle d’un seul modèle, même de pointe. Le raisonnement est séduisant, presque intuitif — plus de cerveaux, plus de solutions. C’est le même principe qu’on invoque pour les ruches, les essaims ou les foules de citoyens.
Sauf que la réalité est plus sèche. L’équipe derrière Superminds Test a conçu un cadre hiérarchique en trois niveaux pour tester concrètement cette hypothèse : un premier niveau mesurant le raisonnement conjoint (les agents parviennent-ils à résoudre ensemble un problème que aucun ne résout seul ?), un second évaluant la synthèse d’information distribuée (chacun détient une pièce, reconstituent-ils l’ensemble ?), et un troisième, le plus basique, portant sur l’interaction simple (se répondent-ils correctement ?).
- Sur les tâches de raisonnement complexe, la société d’agents ne bat jamais un modèle frontière isolé.
- La synthèse d’information dispersée échoue dans la grande majorité des cas.
- Même les tâches de coordination triviales — se répondre, rester dans le sujet — peinent à fonctionner.
Pourquoi l’échec est-il si net ?
La réponse tient en une image : des millions de personnes dans un amphithéâtre, chacune murmurant dans sa direction, sans jamais lever la voix pour écouter son voisin. L’analyse à l’échelle de la plateforme MoltBook révèle que les interactions restent d’une superficialité frappante. Les fils de discussion dépassent rarement un seul échange, et la majorité des réponses sont génériques, hors-sujet ou purement décoratives.
En d’autres termes, le goulot d’étranglement n’est pas cognitif. Les agents individuels, pris isolément, disposent de capacités de raisonnement impressionnantes. Le problème est structurel : la densité d’interaction est si faible qu’aucun échange substantiel n’a lieu. Pas d’accumulation, pas de construction sur la réponse du prédécesseur, pas de divergence puis de convergence. Le tout reste une somme de monologues.
Ce résultat invalide, du moins en l’état, l’idée qu’on pourrait construire une ‘super-intelligence’ simplement en empilant des agents. Il oblige à repenser l’architecture même de ces sociétés : quels mécanismes de modération, de routage de l’information et d’incitation à la collaboration faudrait-il mettre en place pour que l’échange devienne réel ?
Que dit cet écho-lab pour les écosystèmes qui construisent leur stack IA ?
Pour les équipes africaines qui commencent à déployer des systèmes multi-agents — qu’il s’agisse de chaînes de traitement de données dans le secteur agricole, d’assistants conversationnels multilingues ou de pipelines d’analyse satellitaire pour la gestion des ressources naturelles — ce constat est un signal précieux. Il rappelle que la valeur ne réside pas dans le nombre de modèles mobilisés, mais dans la qualité du dialogue qu’on organise entre eux.
Un exemple concret : dans le contexte de la prévision des rendements agricoles en Afrique de l’Ouest, où plusieurs sources hétérogènes (données Météo-France, imagerie satellite, relevés de terrain) doivent être croisées, un système d’agents qui se limite à appeler chaque source séparement sans véritablement confronter leurs sorties produit exactement le type de défaillance observée sur MoltBook. La synthèse manque, la coordination est absente, et le résultat final n’est que la moyenne pondérée des entrées — sans surcroît de valeur.
À l’inverse, des laboratoires comme le M-Lab de l’Université de Dakar ou les équipes de la startup nigeriane Kwikbit, qui expérimentent des pipelines de traitement du langage pour le wolof et le haoussa, montrent qu’une architecture resserrée — deux ou trois agents aux rôles clairement délimités, avec des protocoles de validation croisée explicites — produit des résultats plus robustes qu’un essaim non structuré.
La question qui reste ouverte
Le papier de Superminds Test ne condamne pas les sociétés d’agents. Il les recentre. L’intelligence collective, comme le suggèrent les résultats, n’est pas une propriété émergente automatique ; c’est un artefact de conception. Elle exige des canaux, des règles, une friction calculée entre les participants. Le défi n’est donc plus ‘combien d’agents ?’, mais ‘comment font-ils pour se parler, se contredire, se compléter ?’
- Concevoir des protocoles d’interaction contraignants plutôt que de multiplier les nœuds.
- Mesurer la profondeur des échanges, pas seulement leur volume.
- Admettre qu’un agent bien orchestré surpasse souvent dix agents en rade.
Alors, si deux millions d’esprits connectés n’arrivent pas à tenir une conversation, combien en faudrait-il pour qu’ils apprennent enfin à écouter ? La réponse, peut-être, ne dépend pas de la scale, mais de la grammaire qu’on leur donne.
Sources
