Trois IA sont d’accord. Le problème n’est pas réglé pour autant.

Vous demandez à un modèle si une clause du contrat présente un risque. Il dit oui. Le deuxième relève le même problème. Le troisième arrive à la même conclusion, avec une modification presque identique. Trois confirmations ne donnent pas le même sentiment qu’une seule : on dirait qu’un vote a supprimé l’incertitude.

Parfois, c’est une excellente démarche. Parfois, c’est le même angle mort sous trois vêtements différents.

L’indépendance de l’accord dépend de celle des sources

Des modèles peuvent avoir des architectures, des outils et des styles différents tout en partageant beaucoup de textes publics et de conventions. Ils peuvent hériter de la même erreur courante ou suivre la même piste parce que la consigne l’a discrètement imposée. Parfois, ils s’accordent parce que la réponse la plus facile à expliquer n’est pas celle dont la situation a réellement besoin.

Cela ne rend pas inutile la vérification entre modèles. Si l’un invente une référence que les deux autres ne retrouvent pas, vous avez un signal utile. Si des systèmes utilisant des outils de recherche différents convergent sur un fait et montrent leurs sources, la confiance doit effectivement augmenter. L’ampleur de cette hausse doit toutefois dépendre de l’indépendance réelle et de la qualité des preuves.

Trois reformulations ne font pas trois témoins.

Les désaccords apprennent souvent davantage

Quand les modèles se contredisent, on cherche facilement à savoir lequel est le plus fort. Mieux vaut commencer par situer le désaccord : faits, définitions, préférences face au risque ou critères de réussite diffèrent-ils ?

Supposons qu’un modèle recommande de lancer un produit immédiatement et un autre d’en retarder le lancement. Les prévisions de marché sont peut-être proches. La vraie différence peut être que l’un juge une atteinte à la réputation réparable, tandis que l’autre considère le tort fait à des utilisateurs vulnérables comme une condition d’arrêt. Une fois cela visible, on ne compare plus des niveaux d’intelligence. On demande ce qui peut être échangé contre quoi.

Chaque modèle peut indiquer l’hypothèse dont un changement renverserait sa conclusion. On peut aussi lui demander de critiquer le cadre de l’autre, pas seulement des détails. Puis il faut porter les affirmations qui comptent hors de ce cercle, vers les sources de première main, les professionnels compétents et l’observation directe.

Le deuxième modèle est le plus précieux non lorsqu’il répète la première réponse, mais lorsqu’il vous fait voir un deuxième cadre.

Des contrepoids, pas un conseil d’oracles

Un bon dispositif répartit les tâches : l’un génère des possibilités, l’autre cherche les faiblesses factuelles, un troisième repère les personnes oubliées et les façons dont le projet pourrait échouer. Puis des humains décident quels désaccords demandent des preuves supplémentaires, lesquels une conversation avec les intéressés, lesquels montrent que la tâche était mal posée dès le début.

Tous ces rôles ne doivent pas finir dans une note unique. Si toutes les critiques rendent des comptes au même indicateur, la pluralité de façade se rabat finalement sur un seul but. Un vrai contrepoids doit laisser vivre cette phrase : « Cela fonctionne très bien selon le critère fixé, mais il ne faudrait tout de même pas l’utiliser. »

Dans les situations à fort enjeu, les personnes affectées doivent aussi avoir leur place. Un candidat ne devrait pas recevoir trois évaluations automatiques sans moyen de contester les données. Un patient ne devrait pas seulement entendre que plusieurs modèles sont d’accord, sans trouver un médecin prêt à expliquer ce que le système a repéré et ce qui lui a échappé. Multiplier les modèles ne remplace pas un recours.

Certaines questions ne visent pas le consensus

L’accord peut rendre certaines réponses plus fiables : la citation figure-t-elle dans la source, le code passe-t-il les tests, le calcul se reproduit-il ? D’autres questions restent ouvertes même si tous les modèles s’accordent : faut-il pardonner, quelle perte accepte-t-on, une institution demande-t-elle déjà trop aux personnes ?

L’IA peut les éclairer. L’unanimité ne change pourtant pas leur nature. Dix systèmes vous conseillant de sacrifier une relation à votre carrière n’accumulent pas une vie capable de faire ce sacrifice pour vous. Tous les modèles peuvent prévoir qu’une politique sera populaire sans en prouver la légitimité.

Avant d’interroger plusieurs modèles, distinguez ce que vous cherchez : des faits, une interprétation, une prévision, une conception ou une permission. La dernière est la plus dangereuse : on y déguise le plus facilement la fuite devant la responsabilité en vérifications répétées.

La dernière vérification n’est pas un modèle de plus

La boucle doit finir. Plus le risque est élevé, plus il faut fixer les règles d’arrêt à l’avance. Une question factuelle demande des preuves de première main traçables. Une décision technique doit être étayée par des tests concluants menés dans les conditions qui comptent vraiment. Une décision affectant des personnes doit garder une voie de contestation et de réexamen humain. Un engagement personnel doit dire ce qui ne sera pas délégué, même si les modèles se multiplient.

Ensuite, faites-les travailler. Leur vitesse et leur diversité sont de véritables avantages. Elles peuvent défaire la suffisance d’une équipe humaine et trouver une erreur qu’aucun individu n’avait vue. La conclusion n’est pas de croire d’office un humain plutôt que beaucoup de machines.

Il faut se souvenir de ce pour quoi les contrepoids existent : garder le pouvoir accessible aux questions, pas fabriquer une plus grosse voix qu’on ne pourrait plus contester. Si trois IA s’accordent, vous avez peut-être des preuves plus fortes. Vous n’avez toujours pas obtenu quelqu’un qui puisse répondre de la décision de les croire.