Collective Intelligence: 240 Years of Research — From Condorcet to AI

En 1794, un mathématicien français est mort dans une cellule de prison révolutionnaire, neuf ans après avoir publié un théorème que presque personne n'a lu. En 1906, un statisticien victorien de 84 ans se promenait dans une foire aux bestiaux en collectant des billets de tombola usagés. En 2026, des chercheurs au MIT mènent des centaines de milliers de négociations entre des agents IA pour apprendre comment les machines devraient rejoindre les équipes humaines. Ces trois scènes appartiennent à une seule et même histoire de recherche continue — l'étude de l'intelligence collective, la capacité des groupes à agir de manière apparemment intelligente. Ce qui suit est cette histoire, époque par époque, avec les résultats réels et les véritables combats.

1785 : Le pari des Lumières — le théorème de Condorcet

Marie Jean Antoine Nicolas de Caritat, Marquis de Condorcet, était le genre de figure des Lumières qui rend les polymathes modernes paraître étroits : un mathématicien élu à l'Académie des sciences dans sa vingtaine, un défenseur précoce et vocal de l'éducation publique, du suffrage des femmes et de l'abolition de l'esclavage. En 1785, il publie l'Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — un essai sur l'application de la théorie des probabilités au vote majoritaire. Enfoui dedans se trouve le résultat que nous appelons maintenant le Théorème du Jury de Condorcet.

Le théorème dit quelque chose de surprenant. Prenez une question oui/non avec une réponse correcte. Supposons que chaque électeur ait raison avec une probabilité même légèrement meilleure qu'un lancer de pièce — disons 55 % — et supposons que les électeurs jugent indépendamment les uns des autres. Alors, à mesure que le groupe grandit, la probabilité que la majorité ait raison grimpe vers la certitude. Un jugement individuel médiocre, correctement agrégé, devient un jugement collectif presque parfait. Le théorème a aussi un jumeau sombre : si chaque électeur est légèrement pire qu'un lancer de pièce, la majorité devient presque certainement fausse à mesure que le groupe grandit. L'agrégation amplifie toute compétence — ou incompétence — que vous lui fournissez. Nous racontons l'histoire complète du théorème, de ses hypothèses et de ses usages modernes dans notre pièce compagnon sur le Théorème du Jury de Condorcet.

Le même essai contient une seconde découverte qui mettrait 160 ans à exploser : le paradoxe de Condorcet. Avec trois options ou plus, les préférences majoritaires peuvent cycler — le groupe préfère A à B, B à C, et C à A — donc « ce que la majorité veut » peut même ne pas être bien défini. Cette observation est la graine de la théorie du choix social, le domaine que Kenneth Arrow transformerait plus tard avec son théorème d'impossibilité : aucun système de vote classé ne peut satisfaire une courte liste de conditions de justice raisonnables à la fois. Les systèmes de vote, les méthodes de vote par classement et les mathématiques de l'agrégation des préférences sont une histoire à part — un type d'agrégation différent de l'averaging des croyances que cet article suit — et un que nous reviendrons dans une série future.

Condorcet n'a pas vécu pour voir l'importance de tout cela. Outlawed pendant la Terreur pour avoir opposé la constitution jacobine, il s'est caché pendant des mois — écrivant, de manière remarquable, son optimiste Esquisse pour un tableau historique du progrès de l'esprit humain — a été arrêté en mars 1794 et a été retrouvé mort dans sa cellule à Bourg-la-Reine deux jours plus tard. Les mathématiques de la sagesse collective ont commencé comme le travail d'un homme détruit par un collectif devenu fou. L'ironie a plané sur le domaine depuis : les groupes peuvent être brillants, et les groupes peuvent être monstrueux, et la différence n'est pas les gens — ce sont les conditions.

1906–1950s : L'ère statistique — Galton, Hayek et Delphi

Pour son premier test empirique, l'intelligence collective a dû attendre 121 ans — et elle est arrivée lors d'une foire aux bestiaux. À l'automne 1906, Francis Galton, alors âgé de 84 ans, a assisté à l'Exposition de Gros Bétail et de Volaille de l'Ouest de l'Angleterre à Plymouth, où un concours de jugement de poids invitait les visiteurs à deviner le poids habillé d'un bœuf vivant pour six pence le billet. Galton — un fondateur de la statistique, et pas un démocrate par tempérament — s'attendait à ce que les entrées prouvent l'ignorance de l'électeur moyen. Il a obtenu les cartes usagées, a rejeté 13 illisibles, et a analysé les 787 estimations restantes. L'estimation médiane était de 1 207 lb ; le poids habillé réel du bœuf était de 1 198 lb — une erreur inférieure à 1 %, mieux que les experts en bétail présents. Il a publié le résultat dans Nature le 7 mars 1907 sous le titre « Vox Populi », et dans une correspondance ultérieure a reconnu que la moyenne arithmétique était encore plus précise : 1 197 lb, un pound de différence. L'histoire complète — y compris ce que Galton a mal compris et le siècle de répliques depuis — se trouve dans notre plongée approfondie sur le bœuf de Galton, et le phénomène général dans notre guide sur la sagesse des foules.

Pourquoi le truc fonctionne-t-il ? Chaque estimation peut être divisée en signal plus erreur. Si les erreurs sont indépendantes et dispersées des deux côtés de la vérité, l'agrégation les annule tandis que le signal partagé survit. Ce « si » est l'hypothèse d'indépendance de Condorcet revêtue de vêtements statistiques, et c'est le pivot sur lequel chaque succès et échec de la sagesse des foules tourne. La réexamination de la compétition de Galton par Kenneth Wallis en 2014 a confirmé à quel point les conditions de la foire — entrées écrites privées, incitation à être précis, pas de comptage visible — ont réussi à la protéger.

Le saut suivant est venu de l'économie. Dans « L'utilisation des connaissances dans la société » (American Economic Review, 1945), Friedrich Hayek a soutenu que les connaissances pertinentes pour les décisions économiques n'existent jamais sous une forme concentrée — elles sont dispersées à travers des millions de personnes sous forme de fragments locaux, partiels et souvent tacites. Aucun planificateur central ne peut les collecter ; mais un système de prix les agrège automatiquement, compressant les connaissances dispersées en un seul nombre qui dit à tout le monde comment agir. Hayek avait, en effet, identifié le premier mécanisme d'agrégation à grande échelle fonctionnant en production. Un demi-siècle plus tard, les marchés de prévision prendraient son idée au pied de la lettre et construiraient des marchés dont le seul produit est l'information dans le prix.

Les années 1950 ont ajouté le premier processus d'intelligence collective conçu délibérément. À la RAND Corporation, des chercheurs développant des prévisions à long terme ont été confrontés à un problème familier : mettre des experts dans une pièce et la voix la plus forte ou la plus senior ancre tout le monde. Leur réponse, la méthode Delphi, a collecté les jugements d'experts de manière anonyme et en rondes itérées avec un retour contrôlé — protégeant l'indépendance du rang et de la pression sociale tout en permettant à l'information de circuler. Delphi est l'ancêtre direct de chaque processus d'entrée structuré moderne, du poker de planification au flux de contribution indépendant utilisé dans les plateformes de prise de décision collaborative.

1940s–1990s : Cybernétique, théorie des jeux et intellect augmenté

Alors que les statisticiens étudiaient l'agrégation, une autre lignée étudiait l'interaction. La Théorie des jeux et du comportement économique de John von Neumann et Oskar Morgenstern (édition de 1947) a donné aux sciences sociales une mathématique de l'interdépendance stratégique — ce qui se passe lorsque le résultat de mon choix dépend du vôtre. La théorie des jeux a redéfini les groupes non pas comme des sacs d'estimateurs indépendants mais comme des systèmes d'agents interagissant, une vue qui aurait une importance énorme une fois que les chercheurs ont commencé à se demander pourquoi des individus rationnels produisent des collectifs irrationnels (le sujet de la recherche sur les cascades d'information des décennies plus tard).

Le second fil était technologique. Dans son rapport SRI de 1962 Augmenting Human Intellect: A Conceptual Framework, Douglas Engelbart a proposé que le but de l'informatique n'était pas de remplacer la pensée humaine mais de l'augmenter — y compris la pensée collective des groupes s'attaquant à des problèmes trop complexes pour tout individu. Le cadre d'Engelbart a semé le champ de recherche du travail coopératif assisté par ordinateur (CSCW) qui a pris forme dans les années 1980, et la vague de groupware qui a suivi. La question de l'augmentation par rapport au remplacement qu'il a posée en 1962 est, presque mot pour mot, la question à laquelle la littérature humain-IA de 2024–2026 répond maintenant avec des données.

Cette époque intermédiaire a contribué à quelque chose de facile à sous-estimer : elle a transformé l'intelligence collective d'une propriété que vous observez en un système que vous construisez. Delphi était un protocole conçu ; le groupware était un logiciel conçu ; le cadre d'Engelbart était explicitement un agenda d'ingénierie pour la cognition de groupe. L'ère statistique avait demandé « les foules sont-elles précises ? » L'ère cybernétique a posé la question que chaque plateforme de collaboration moderne hérite : quelle structure rend un groupe plus intelligent qu'il ne le serait autrement ? L'argumentation structurée elle-même a une lignée intellectuelle parallèle ici — le modèle d'argument de Stephen Toulmin de 1958 et la tradition ultérieure de cartographie des arguments ont donné au côté délibératif de l'intelligence collective sa structure de données, la carte d'argument, tout comme les prix étaient devenus la structure de données de l'agrégation de marché.

1959–1999 : L'ère des essaims — intelligence sans personne aux commandes

Pendant ce temps, la biologie déconstruisait discrètement l'hypothèse selon laquelle l'intelligence nécessite un cerveau aux commandes. En 1959, le zoologiste français Pierre-Paul Grassé, étudiant la construction de nids de termites, a inventé le terme stigmergie : coordination par le biais de traces laissées dans l'environnement. Aucun termite ne détient un plan ; chacun réagit à l'état local du monticule, et le monticule lui-même coordonne la colonie. C'était le premier mécanisme précis de coordination sans leader — et il s'est avéré se généraliser bien au-delà des insectes.

En 1987, le chercheur en graphisme informatique Craig Reynolds a montré à quel point l'émergence a réellement besoin de peu de sophistication individuelle. Son article SIGGRAPH « Flocks, Herds, and Schools: A Distributed Behavioral Model » a animé des volées d'oiseaux simulés — boids — régis par seulement trois règles locales : séparation, alignement et cohésion. Pas de leader, pas de script, et pourtant le groupe tourne, se divise et se reforme comme la réalité. Deux ans plus tard, Gerardo Beni et Jing Wang ont inventé le terme intelligence des essaims dans le contexte des systèmes robotiques cellulaires, donnant au phénomène son nom.

Le retour sur investissement en ingénierie a suivi rapidement. La thèse de doctorat de Marco Dorigo en 1992 au Politecnico di Milano, Optimization, Learning and Natural Algorithms, a traduit la recherche de nourriture des fourmis — les traces de phéromones renforçant les chemins plus courts, comme le révèlent les expériences du double pont avec des fourmis argentines — en Optimisation par Colonies de Fourmis, une famille d'algorithmes pour des problèmes de routage et de planification. L'Optimisation par Essaims de Particules de James Kennedy et Russell Eberhart (1995) a fait de même pour le regroupement. D'ici 1999, le livre Swarm Intelligence: From Natural to Artificial Systems de Bonabeau, Dorigo et Theraulaz (Oxford) avait codifié le domaine, et les algorithmes basés sur les fourmis étaient en train de router des appels téléphoniques (Schoonderwoerd et ses collègues chez BT Labs, 1996) et des camions de livraison. Plus tard, la robotique a illustré le point physiquement : en 2014, Rubenstein, Cornejo et Nagpal ont auto-assemblé des formes à partir de 1 024 Kilobots (Science), et le livre Honeybee Democracy de Thomas Seeley (2010) a montré des essaims d'abeilles choisissant des sites de nidification par le biais de reconnaissance, de plaidoyer par danse de waggle et de détection de quorum — une approximation naturelle et décentralisée d'un théorème de jury en action. Le compte rendu complet se trouve dans notre guide sur l'intelligence des essaims.

La leçon de l'ère des essaims pour les groupes humains est à double tranchant. Elle a prouvé que la décentralisation fonctionne — la connaissance locale plus des règles d'interaction simples peuvent surpasser la planification centrale, exactement comme Hayek l'a soutenu. Mais elle a aussi marqué une limite : les essaims coordonnent des actions, pas des raisons. Les fourmis ne délibèrent pas. L'intelligence collective humaine ajoute une couche qu'aucun essaim n'a — l'échange et l'évaluation des arguments — et cette couche nécessite une machinerie différente.

1999–2015 : L'ère d'Internet — l'intelligence collective entre en production

Puis Internet a fait de chacun un contributeur potentiel, et l'intelligence collective a cessé d'être une curiosité de laboratoire. Le logiciel open-source a démontré que des milliers de bénévoles faiblement coordonnés pouvaient construire des systèmes aussi complexes qu'un système d'exploitation — l'essai de 1999 d'Eric Raymond The Cathedral and the Bazaar a fourni le manifeste de l'époque. Wikipedia, lancée en 2001, a étendu le modèle à la connaissance humaine elle-même : une encyclopédie sans rédacteur en chef, coordonnée de manière stigmergique à travers l'objet en cours d'édition — logique de termite, appliquée au texte.

En 2004, deux publications ont donné à l'époque sa théorie. L'Intelligence des foules de James Surowiecki a rassemblé un siècle de preuves et distillé les quatre conditions sous lesquelles les groupes sont sages : diversité d'opinion, indépendance, décentralisation et agrégation — retirez-en une, et la foule devient plus bête, pas plus intelligente. La même année, Lu Hong et Scott Page ont publié leur résultat « la diversité l'emporte sur la capacité » dans PNAS : dans leur modèle computationnel, un groupe aléatoire et cognitivement divers de solveurs de problèmes a surpassé un groupe composé des meilleurs performeurs individuellement. L'honnêteté nécessite la note de bas de page : en 2014, la mathématicienne Abigail Thompson a publié une critique acerbe dans les Notices of the American Mathematical Society, arguant que le théorème sous-jacent était trivial et mal étiqueté et que les simulations étaient surinterprétées ; des défenseurs, y compris Page lui-même, ont répondu que le résultat tenait sous les conditions énoncées — problèmes difficiles, agents capables, grands pools — et n'était jamais une affirmation selon laquelle un groupe divers battait n'importe quelle équipe d'experts. Le débat, et ce qui en reste, est examiné dans notre pièce sur diversité contre capacité et notre guide sur diversité épistémique.

Le mécanisme de prix de Hayek a également obtenu son expérience contrôlée à cette époque. Les Marchés Électroniques de l'Iowa, un marché de recherche à argent réel fondé à l'Université de l'Iowa en 1988, ont accumulé suffisamment d'histoire pour une comparaison définitive : Berg, Nelson et Rietz (International Journal of Forecasting, 2008) ont comparé les prix du marché à 964 sondages nationaux lors des élections présidentielles américaines de 1988 à 2004 et ont trouvé que le marché était plus proche du résultat final 74 % du temps, avec son avantage le plus fort à des horizons dépassant 100 jours. La règle de notation logarithmique du marché de Robin Hanson (2003) a quant à elle résolu le problème de marché mince de manière algorithmique, permettant même à de petits groupes de faire fonctionner des marchés de prévision internes.

Le jugement d'expert, en revanche, a pris un coup. L'Expert Political Judgment de Philip Tetlock (2005) a rapporté une étude d'environ deux décennies sur 284 experts et environ 28 000 jugements de probabilité ; l'expert moyen a à peine surpassé une simple extrapolation — la découverte derrière le célèbre caricature du « chimpanzé qui lance des fléchettes ». Mais le travail de suivi de Tetlock dans les tournois de prévision IARPA (2011–2015) a trouvé la moitié constructive de l'histoire : un petit groupe de « super-prévisionnistes », distingués non par leurs diplômes mais par leur pensée probabiliste et leur mise à jour incessante des croyances, a apparemment surpassé les analystes de renseignement ayant accès à des informations classifiées. La compétence en prévision et la calibration méritent — et recevront — leur propre traitement approfondi dans une série future.

Le jalon institutionnel de l'époque est survenu en 2006, lorsque Thomas Malone a fondé le MIT Center for Collective Intelligence autour d'une question trompeusement simple : comment les gens et les ordinateurs peuvent-ils être connectés de manière à ce qu'ils agissent collectivement de manière plus intelligente que n'importe quelle personne, groupe ou ordinateur ne l'a jamais fait auparavant ? Les premières productions ont cartographié l'espace de conception — le « Génome de l'Intelligence Collective » (Malone, Laubacher et Dellarocas, MIT Sloan Management Review, 2010) a catalogué les éléments constitutifs des systèmes d'IC selon quatre questions : qui effectue la tâche (foule ou hiérarchie), pourquoi (argent, amour ou gloire), quoi (créer ou décider), et comment (indépendamment ou dépendamment). D'ici 2015, le Handbook of Collective Intelligence de Malone et Bernstein (MIT Press) pouvait définir l'objet du domaine de manière claire : « des groupes d'individus agissant collectivement de manière à sembler intelligents. »

Et en 2010, le domaine a acquis sa mesure la plus provocante. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi et Thomas Malone (Science, 330 : 686–688) ont testé 699 personnes travaillant en groupes de deux à cinq sur une large batterie de tâches. La performance des groupes à travers les tâches était suffisamment corrélée pour produire un seul facteur statistique — un facteur d'intelligence collective, c — expliquant environ 43 % de la variance, l'analogue au niveau de groupe du facteur g du QI individuel. Le choc était ce qui le prédisait. L'intelligence moyenne et maximale des membres corrélait seulement faiblement avec c. Ce qui corrélait fortement : la sensitivity sociale moyenne du groupe (mesurée par le test « Reading the Mind in the Eyes »), l'égalité des tours de parole, et la proportion de femmes dans le groupe (elle-même largement médiée par la sensibilité sociale). À quel point un groupe est intelligent, selon les données, dépend moins de qui y est que de comment il interagit.

L'histoire cachée : quand les collectifs échouent

Sous toute la chronologie optimiste se trouve une seconde littérature plus sombre — l'étude de la façon dont des groupes d'individus intelligents et bien intentionnés produisent de la stupidité collective. Cela compte ici car ce n'est pas un sujet séparé : chaque mode d'échec documenté est la violation d'une condition dont dépendent les histoires de succès.

La branche psychologique est arrivée en premier. Victims of Groupthink d'Irving Janis (1972) a disséqué comment les conseillers exceptionnellement capables du président Kennedy se sont convaincus d'entrer dans l'invasion de la Baie des Cochons en 1961. Janis a catalogué huit symptômes dans trois clusters — surestimation du groupe (illusion d'invulnérabilité, croyance en la moralité inhérente), fermeture d'esprit (rationalisation collective, vues stéréotypées des outsiders), et pression vers l'uniformité (auto-censure, illusion d'unanimité, pression directe sur les dissidents, et « gardiens de l'esprit » auto-nommés qui filtrent les informations dérangeantes). Deux ans plus tard, le « paradoxe d'Abilene » de Jerry Harvey (Organizational Dynamics, 1974) a décrit le cousin étrange : des groupes convenant d'un cours d'action que aucun membre individuel ne voulait, parce que tout le monde a pris le silence des autres pour une préférence. Les deux sont des échecs du même input : le jugement honnête et indépendant n'entre jamais dans le pool.

La branche économique est arrivée en 1992, et elle était plus troublante car elle ne nécessitait aucune psychologie. Sushil Bikhchandani, David Hirshleifer et Ivo Welch (« A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades », Journal of Political Economy, 100 : 992–1026) et, indépendamment, Abhijit Banerjee (« A Simple Model of Herd Behavior », Quarterly Journal of Economics, 1992) ont montré que des agents parfaitement rationnels décidant en séquence vont, après seulement quelques observations, ignorer rationnellement leurs propres informations privées et copier leurs prédécesseurs. La cascade d'information qui en résulte est individuellement sensée et collectivement fragile — elle agrège presque aucune des connaissances dispersées du groupe, et elle peut verrouiller toute une population sur la mauvaise réponse que quelques premiers acteurs ont eu la chance de choisir. Lisa Anderson et Charles Holt ont reproduit des cascades à la demande dans le laboratoire (American Economic Review, 1997). Le mécanisme éclaire tout, des bulles d'actifs à la désinformation virale : l'analyse de Vosoughi, Roy et Aral sur environ 126 000 cascades d'histoires sur Twitter (Science, 2018) a trouvé que les fausses nouvelles se propageaient significativement plus loin, plus vite et plus profondément que la vérité, les fausses informations étant environ 70 % plus susceptibles d'être retweetées. Le catalogue complet des échecs — de la folie des tulipes à 2008 — se trouve dans Quand les foules se trompent.

Remarquez ce que les deux branches partagent. Le groupthink détruit l'indépendance socialement ; les cascades la détruisent informatiquement. Dans les deux cas, la foule cesse d'être de nombreux jugements et devient un jugement portant de nombreux visages — exactement la condition sous laquelle le théorème de Condorcet se transforme d'une garantie de sagesse en une garantie d'erreur confiante. L'histoire cachée est pourquoi l'aile pratique du domaine est devenue obsédée par le processus : collecter des jugements avant d'exposer les gens aux points de vue des autres, protéger le dissentiment structurellement, et rendre l'agrégation explicite.

2015–2023 : La décennie du débat — réplication, critique et réponse

Toute mesure aussi surprenante allait être attaquée, et l'attaque est venue en 2017. Marcus Credé et Garett Howardson (Journal of Applied Psychology) ont réanalysé six échantillons et ont soutenu que le soutien empirique pour un c-factor général était faible — que la performance de groupe pourrait être mieux décrite par des capacités spécifiques à la tâche que par un facteur sous-jacent. Woolley, Kim et Malone ont répondu en 2018, contestant les procédures de notation de la critique et arguant que ses hypothèses de simulation ne correspondaient pas aux tâches que les groupes effectuaient réellement. C'est ce à quoi ressemble un domaine sain : le combat s'est déroulé dans les données et la réanalyse, pas dans des communiqués de presse.

La chose la plus proche d'un verdict est arrivée en 2021. Riedl, Kim, Gupta, Malone et Woolley ont publié une méta-analyse dans PNAS couvrant 22 études et 1 356 groupes — étudiants, militaires, travailleurs en ligne, joueurs — et ont trouvé des preuves cohérentes d'un facteur d'intelligence collective à travers tous, avec les processus de collaboration de groupe et la perceptivité sociale des membres parmi ses antécédents les plus forts. La structure et les conditions limites du construct restent débattues, comme elles devraient l'être ; mais « l'intelligence de groupe est mesurable et n'est pas réductible au QI des membres » repose maintenant sur une base de preuves beaucoup plus large que l'article original de 2010.

Deux résultats complémentaires ont complété la décennie. Le Superminds de Malone (2018) a fourni une taxonomie des esprits collectifs sur lesquels la civilisation fonctionne déjà — hiérarchies, démocraties, marchés, communautés et écosystèmes — chacun étant une réponse différente à la question de l'agrégation, chacun avec des forces et des modes d'échec caractéristiques. Et le Projet Aristotle de Google (2012–2015), une étude interne de 180 équipes, a découvert que la sécurité psychologique — la croyance partagée qu'une équipe est sûre pour la prise de risque interpersonnelle — était le meilleur prédicteur de l'efficacité de l'équipe, devant la composition et l'ancienneté. L'égalité des tours de parole de Woolley et la sécurité psychologique de Google sont deux mesures de la même vérité sous-jacente : le goulot d'étranglement de l'intelligence de groupe est de savoir si l'information détenue par les membres entre réellement dans le groupe. La dynamique de groupe — sécurité, délibération et leurs pathologies comme le groupthink — sont un ensemble à part, et nous traitons leurs modes d'échec dans Quand les foules se trompent.

2024–2026 : Super-esprits IA-humains — la frontière actuelle

L'ère actuelle a commencé lorsque de grands modèles de langage ont rejoint le groupe. Burton et 27 co-auteurs de différentes disciplines ont cartographié les enjeux dans « Comment les grands modèles de langage peuvent remodeler l'intelligence collective » (Nature Human Behaviour, 8 : 1643–1655, 2024) : les LLM peuvent abaisser les barrières à la participation, résumer des délibérations tentaculaires et agréger des connaissances dispersées à une échelle sans précédent — et ils peuvent également homogénéiser les points de vue, fabriquer un faux consensus et appauvrir la diversité de l'écosystème d'information dont se nourrit la sagesse des foules. Chaque condition de la liste de Surowiecki est simultanément renforcée et menacée par la même technologie.

La question de la synergie — la question d'Engelbart de 1962 — a enfin obtenu sa méta-analyse. Michelle Vaccaro, Abdullah Almaatouq et Thomas Malone ont analysé 106 expériences et 370 tailles d'effet (« Quand les combinaisons d'humains et d'IA sont utiles », Nature Human Behaviour, 8 : 2293–2303, 2024) et ont constaté qu'en moyenne, les combinaisons humain-IA ont obtenu des résultats pire que le meilleur de l'humain ou de l'IA seul. Les pertes se concentraient dans les tâches de prise de décision ; les véritables gains apparaissaient dans les tâches de création de contenu. Mettre simplement un « humain dans la boucle » n'améliore pas les résultats — souvent, l'humain annule un meilleur jugement de la machine, ou se conforme à un jugement moins bon. La synergie est une réalisation de conception, pas un défaut. La science émergente des systèmes humain-IA — biais d'automatisation, calibration de la confiance, quand laisser quelle partie décider — est un autre chapitre futur de cette série.

Cet agenda de conception est maintenant le programme explicite du MIT Center for Collective Intelligence, dont la recherche est organisée en 2026 sous trois grands thèmes : IA Générative et Intelligence Collective (IA pour augmenter la créativité humaine), Conception de Superesprits (concevoir des combinaisons innovantes de personnes et d'ordinateurs), et Conception d'Équipes Humain-IA (concevoir et allouer des tâches dans des équipes homme-machine — poursuivi avec le programme Singapore-MIT M3S comme une science systématique de l'allocation des tâches : quelles sous-tâches vont aux personnes versus à l'IA, qui supervise, et si l'IA agit comme outil, assistant, pair ou manager). Les projets phares antérieurs — le Climate CoLab et la plateforme CoLabs, le CI Design Lab, le programme Measuring Collective Intelligence — sont maintenant formellement des travaux d'héritage, absorbés dans ces questions de l'ère de l'IA.

Les résultats concrets montrent à quoi ressemble la « synergie conçue ». Supermind Ideator, un outil d'idéation basé sur LLM qui guide les utilisateurs à travers des mouvements structurés de résolution créative de problèmes, a produit significativement plus d'idées innovantes dans une étude expérimentale que ChatGPT seul ou des personnes travaillant sans aide (ACM Collective Intelligence Conference 2024 ; Collective Intelligence, 2024) ; les testeurs bêta ont généré plus de 10 000 idées avec cet outil, et un outil frère, DesignAID, applique l'approche au travail de conception. L'échafaudage met en œuvre les six mouvements de la Conception de Superesprits — Zoomer, Approfondir, Analogiser, Regrouper, Cognifier, Technifier — une liste de contrôle pour réimaginer qui (ou quoi) fait chaque partie d'une tâche. La leçon reflète exactement la méta-analyse de Vaccaro : la valeur n'est pas dans le modèle, elle est dans la structure qui l'entoure. Du côté de la mesure, AGI-Elo (Sun et collègues, NeurIPS 2025 ; arXiv 2505.12844) — avec des co-auteurs affiliés au CCI, y compris Malone — évalue les modèles d'IA et les cas de test individuels les uns par rapport aux autres comme des joueurs d'échecs, de sorte que la difficulté d'une tâche et la compétence d'un modèle se retrouvent sur une échelle comparable : une condition préalable pour décider quelles parties d'un travail confier à la machine.

Deux autres résultats de 2026 esquissent où cela se dirige. Un article de PNAS, « Avancer les Négociations IA : Une Compétition de Négociations Autonomes à Grande Échelle », a rapporté une compétition internationale dans laquelle des agents IA conçus par des participants ont mené plus de 180 000 négociations les uns avec les autres. La théorie de la négociation humaine a survécu au changement d'espèce : les agents affichant de la chaleur — positivité, gratitude, questions posées — ont systématiquement obtenu de meilleurs résultats sur les accords et la valeur, tandis que les échanges marathons teintés de domination prédisaient des impasses ; les agents ont également évolué vers des tactiques natives de l'IA, allant du raisonnement en chaîne de pensée à l'injection de prompt tentée. Et une ontologie profonde du travail (Cai et collègues, arXiv 2603.20619, mars 2026) a réorganisé environ 20 000 activités de travail O*NET et a cartographié 13 275 applications d'IA plus un total mondial de 20,8 millions de systèmes robotiques sur elles — trouvant que la valeur marchande de l'IA est extraordinairement concentrée, avec le top 1,6 % des activités représentant plus de 60 % de celle-ci. Les superesprits des humains et des machines ne sont plus une métaphore ; ils constituent une base installée en cours d'inventaire.

Ce que 240 ans nous enseignent

Mettez les époques côte à côte et une ligne directrice émerge : chaque succès dans cette histoire est un succès de structure, et chaque échec est un échec des mêmes quelques conditions. Le théorème de Condorcet repose sur l'indépendance et une compétence meilleure que le hasard. Le juste de Galton a réussi à imposer des jugements indépendants, incités et écrits. Les prix de Hayek et les créateurs de marché de Hanson sont des mécanismes d'agrégation ; Delphi est un mécanisme de protection de l'indépendance ; les quatre conditions de Surowiecki sont simplement les exigences récurrentes nommées. La littérature sur le facteur c a trouvé que le processus d'interaction — prise de parole à tour de rôle, sensibilité sociale, sécurité pour s'exprimer — gouverne si un groupe peut utiliser l'intelligence qu'il contient. Et les méta-analyses de l'ère de l'IA ont trouvé que les équipes humain-IA gagnent précisément lorsque la collaboration est délibérément conçue. Lorsque les conditions se brisent — lorsque les jugements cessent d'être indépendants et que les gens commencent à copier le comportement visible des autres — vous obtenez des cascades d'information, des bulles et de la pensée de groupe : individuellement rationnels, collectivement erronés.

C'est aussi, non pas par coïncidence, une carte de l'endroit où se situe l'intelligence collective dans la vie d'une décision. Bien décider signifie s'attaquer au bon problème, le formuler, générer des options, les examiner, agréger des jugements dispersés, délibérer sur les raisons, et seulement alors choisir, mettre en œuvre et surveiller. Le programme de recherche de 240 ans concerne principalement ces étapes intermédiaires — agrégation et délibération — car c'est là que la connaissance individuelle devient soit une connaissance collective, soit meurt dans le silence.

Argumentree est construit comme une application directe de ces résultats. La soumission d'arguments indépendante et asynchrone protège la condition d'indépendance de Condorcet et de Delphi avant que le groupe ne converge. Les arbres d'arguments structurés pro/con donnent à chaque perspective — y compris la dissidence — une place de premier ordre, la condition à laquelle l'égalité de prise de parole à tour de rôle de Woolley et la sécurité psychologique de Google font référence. L'évaluation multidimensionnelle (utilité, clarté, précision, exhaustivité), agrégée en scores de consensus, est un mécanisme d'agrégation explicite dans la lignée Galton-Hayek — sauf que contrairement à un prix de marché, elle préserve le raisonnement. Et la piste d'audit complète transforme chaque décision en un enregistrement organisationnel, afin que le groupe puisse apprendre de lui-même — l'étape de surveillance avec laquelle le cycle de vie se termine. L'extraction d'IA à partir des transcriptions de réunion suit la leçon de 2024–2026 : utilisez l'IA là où elle aide de manière démontrable (structuration et traitement de contenu) tandis que les humains conservent le jugement. Le verdict de l'histoire est cohérent de 1785 à 2026 : les groupes ne deviennent pas intelligents par accident. Ils deviennent intelligents par la structure — et la structure est maintenant quelque chose que vous pouvez adopter plutôt que d'improviser. Commencez par notre guide sur l'intelligence collective, ou voyez comment les principes fonctionnent à l'intérieur d'un véritable processus décisionnel dans la prise de décision collaborative.