Quand la majorité entraîne les agents IA : une seule loi et une limite critique

Le 14 août 2026, Science Advances (vol. 12, n° 33) a publié «AI agents can coordinate via majority-following beyond human scale» (DOI 10.1126/sciadv.aea6091). Les auteurs sont Giordano De Marzo (université de Constance, Centre de recherche Enrico Fermi de Rome, Complexity Science Hub), Claudio Castellano (Centre de recherche Enrico Fermi et Institut des systèmes complexes du CNR, Rome) et David Garcia (université de Constance). La question n’est pas de savoir si un modèle isolé est « aligné », mais ce qui se passe quand de nombreux agents voient les choix des autres. Dans l’expérience, des groupes d’agents LLM font face à un choix binaire sans bonne réponse ni récompense, observent les décisions d’autrui et convergent spontanément vers l’option déjà retenue par la majorité.

Les auteurs montrent que le phénomène suit une forme fonctionnelle unique pour tous les modèles testés, gouvernée par un seul paramètre, la « force de majorité » (β) : le consensus émerge lorsque β > 1. “Every model we tested, across three different families, obeys the same mathematical law, with only one number changing between them.” — Giordano De Marzo, premier auteur de l’étude, dans des déclarations à la presse. Traduction : « Tous les modèles testés, dans trois familles différentes, obéissent à la même loi mathématique ; un seul nombre change. » La force de majorité diminue quand le groupe grandit : il existe donc une taille critique Nc au-delà de laquelle le consensus ne se forme plus.

Selon le préprint des mêmes auteurs (arXiv:2409.02822v3), la taille critique croît de façon exponentielle avec la compréhension linguistique du modèle : la corrélation entre β et le score au benchmark MMLU est de 0,76. Le préprint fait état de tailles critiques d’environ 50 agents pour Llama 3 70B, d’environ 150 pour GPT‑4o et de plus de 1 000 (seulement comme borne inférieure) pour GPT‑4 Turbo et pour le modèle de pointe de la famille Anthropic. D’après la fiche technique des auteurs, cinq versions de la famille Anthropic ont été testées, ainsi que quatre modèles d’OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) et Llama 3 70B de Meta.

Les auteurs confrontent ces ordres de grandeur au nombre de Dunbar, environ 200, référence habituelle pour les groupes humains informels. Ils écrivent : “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Traduction : « des populations d’agents individuellement alignés peuvent se stabiliser dans des états collectivement désalignés, par simple conformité ».

Les limites et incertitudes déclarées comptent : les estimations de Nc sont des bornes inférieures ; les contraintes budgétaires ont empêché d’explorer des groupes plus grands pour les modèles propriétaires ; le scénario est idéalisé (choix binaire, sans mémoire, sans bonne réponse et sans conséquences). En outre, les seuils repris par la presse divergent du préprint (pour Llama 3 70B on lit « environ 30 » et « environ 50 » ; pour GPT‑4o « environ 80 » et « environ 150 ») : la version évaluée par les pairs n’est pas accessible sans abonnement et les valeurs définitives sont à lire dans l’article publié ; impossible de vérifier de manière indépendante si les chiffres ont été révisés entre le préprint et la publication. Au moment de la vérification, aucun communiqué institutionnel du CNR ou de l’université de Constance n’a été trouvé.

Pour qui met des groupes d’agents au travail, la conséquence pratique est simple : décider si chaque agent voit les choix des autres, et dans quelle mesure, relève de la conception, pas du détail.

La nouveauté, ce n’est pas une énième « échelle » des modèles, mais l’échelle des interactions : quand le groupe grandit, les règles changent. Les concevoir explicitement est plus prudent que les découvrir en production.