Cinq personnes consultent la même IA : avez-vous vraiment cinq avis ?

Cinq personnes interrogent une même IA sur une décision, chacune repart avec une réponse légèrement différente, puis le groupe croit avoir réuni cinq avis. Il a peut-être surtout obtenu cinq variations autour d'un même système. La nuance importe dès qu'il s'agit de décider, d'évaluer un risque ou de confronter des idées.

Variété de réponses et indépendance des avis : deux choses différentes

Un avis indépendant ne se réduit pas à une formulation différente. Il repose sur des sources, une expérience, des intérêts, une méthode ou des hypothèses qui peuvent réellement diverger. Deux experts peuvent s'accorder, mais leur accord a du poids s'ils ont examiné des éléments distincts ou suivi des raisonnements séparés.

Une même IA peut produire des réponses différentes selon la formulation de la demande, le contexte fourni, l'historique de la conversation ou les réglages de génération. Cette variation est parfois utile : elle permet d'explorer plusieurs angles, de reformuler un problème ou de faire apparaître une objection.

Mais si les cinq personnes consultent réellement le même modèle dans le même environnement, elles interrogent un système qui partage les mêmes paramètres, les mêmes données d'entraînement, les mêmes règles de fonctionnement et, souvent, les mêmes mécanismes d'alignement. Elles n'interrogent pas cinq personnes dotées de biographies, de responsabilités professionnelles ou d'expériences contradictoires.

Ce que les résultats permettent de dire

Les grands modèles conversationnels ne sont pas construits comme un panel d'opinions indépendantes. Les méthodes d'alignement par retours humains visent précisément à orienter un modèle vers des comportements et des réponses jugés préférables selon un même processus d'entraînement. Ouyang et al., 2022

La variation de sortie ne doit pas être confondue avec une pluralité de points de vue. Dans une étude sur la génération narrative, augmenter le paramètre de température est associé à un léger surcroît de nouveauté, mais aussi à davantage d'incohérence, sans relation simple avec la cohésion ou la typicité des textes. Changer le degré d'aléa produit donc des alternatives, pas une garantie de diversité intellectuelle. Peeperkorn et al., 2024

L'UNESCO souligne par ailleurs le risque de réponses qui représentent et renforcent des récits dominants au détriment de narrations plus plurielles. Une réponse consensuelle et bien écrite ne prouve donc pas que les perspectives minoritaires, localisées ou contradictoires ont été examinées. UNESCO, 2023

Cinq consultations ne valent pas automatiquement cinq avis

Cinq personnes qui utilisent la même IA réalisent d'abord cinq interrogations d'une même source computationnelle. Elles peuvent obtenir un éventail de formulations, de scénarios ou de priorités. Elles ne créent pas, par ce seul geste, cinq voies indépendantes de vérification.

Cela ne rend pas l'exercice inutile. Il peut être excellent pour ouvrir le champ des questions. Le risque apparaît lorsque les réponses sont comptées comme des votes. Si quatre conversations reviennent à une conclusion proche, cela peut signifier que l'IA est cohérente avec elle-même. Cela ne constitue ni une validation factuelle ni un consensus humain.

Les rôles fictifs ne résolvent pas automatiquement le problème. Demander à l'IA de répondre comme une juriste, une personne concernée, un économiste ou un contradicteur peut faire varier l'angle. Cette mise en scène doit être traitée comme une hypothèse de travail, pas comme le témoignage d'une personne réelle.

Comment rechercher une diversité qui compte vraiment

Remplacer les verdicts par des questions différentes. Au lieu de demander cinq fois « quelle est la meilleure décision ? », répartissez les fonctions : cartographier les hypothèses, formuler l'objection la plus forte, chercher les effets secondaires, identifier les informations manquantes, puis proposer des critères de décision. Le groupe ne simule plus cinq avis : il organise une enquête.

Diversifier les mécanismes, pas seulement les prompts. La diversité devient plus solide lorsque l'on croise plusieurs types d'apports : documents de première main, données vérifiables, personnes ayant une expérience située, sources critiques, et éventuellement plusieurs modèles conçus par des organisations différentes. Multiplier les modèles ne crée pas une indépendance parfaite, mais cela peut réduire une partie des dépendances communes à un seul système.

Exiger la provenance de chaque affirmation. Une réponse utile devrait permettre de distinguer les faits vérifiables, les interprétations et les incertitudes. Pour chaque affirmation importante, demandez : sur quelle source repose-t-elle ? Quelle information pourrait la contredire ? Quelle perspective est absente ? Ensuite, vérifiez les sources hors de l'IA, surtout lorsque la décision a des conséquences significatives.

Mettre le consensus à l'épreuve. Lorsqu'un groupe semble rapidement d'accord, la question utile n'est pas « combien de réponses valident cette idée ? ». C'est « quelle hypothèse commune pourrait nous aveugler ? ». Confier à une personne le rôle de chercher activement les contre-arguments évite que l'IA ne transforme une première intuition en consensus prématuré.

Quand cinq personnes forment tout de même une vraie pluralité

Cinq personnes peuvent bien sûr créer une discussion riche avec un même outil. Elles y parviennent lorsqu'elles apportent des contraintes différentes, confrontent l'IA à des documents distincts, vérifient les résultats et acceptent de réviser leurs positions. La pluralité vient alors des personnes, des sources et de la discussion, pas du nombre d'onglets ouverts.

Il faut aussi éviter l'excès inverse : cinq êtres humains ne sont jamais entièrement indépendants. Ils peuvent partager les mêmes références, les mêmes angles morts ou la même pression à se conformer. L'objectif n'est pas d'atteindre une pureté impossible. Il est de rendre visibles les dépendances et de chercher des contradictions utiles.