🤖 AI

Persona-Conditioned Risk Behavior in Large Language Models: A Simulated Gambling Study with GPT-4.1

Cette étude démontre que le modèle de langage GPT-4.1, lorsqu'il est conditionné par des personas socioéconomiques, reproduit spontanément des signatures comportementales clés de la théorie des perspectives de Kahneman et Tversky dans un environnement de jeu simulé, suggérant que les biais cognitifs économiques classiques sont implicitement encodés dans ces modèles.

Auteurs originaux : Sankalp Dubedy

Publié 2026-03-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sankalp Dubedy

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎰 Le Grand Jeu de l'IA : Quand un Robot Devient Pauvre, Moyen ou Riche

Imaginez que vous avez un super-robot (une intelligence artificielle très avancée, nommée GPT-4.1) qui est très fort pour parler et écrire. Mais la question est : est-ce qu'il sait vraiment penser comme un humain quand il doit prendre des décisions risquées ?

Pour le savoir, les chercheurs ont organisé un grand tournoi de machines à sous virtuelles. Mais il y a une petite astuce : avant de jouer, ils ont donné au robot une identité secrète, comme un costume de théâtre.

Ils ont créé trois personnages :

Le Millionnaire : Il a 10 000 $ sur son compte. Son but ? Ne pas perdre d'argent.
La Classe Moyenne : Il a 500 $. Son but ? Faire un petit bénéfice sans trop risquer.
Le Pauvre : Il n'a que 50 $. Son but ? Tout miser pour essayer de sauver sa peau et devenir riche.

Ensuite, ils ont laissé le robot jouer contre trois types de machines à sous différentes (une honnête, une tricheuse, et une qui change de règles).

Voici ce qu'ils ont découvert, avec des images pour mieux comprendre :

1. Le Robot Joue Exactement comme un Humain (La Théorie du "Pauvre vs Riche")

C'est la découverte la plus surprenante. Le robot n'a pas reçu d'ordre précis pour jouer comme un humain. Pourtant, il a agi exactement comme le prédit la psychologie humaine (la théorie de Kahneman et Tversky) :

Le Millionnaire (Le Riche) : Il a joué une seule fois et s'est arrêté. C'est comme si vous aviez un coffre-fort rempli d'or : pourquoi risquer une pièce pour gagner une autre ? Il est trop prudent.
Le Pauvre : Lui, il a joué 37 fois de suite en moyenne ! C'est comme quelqu'un qui a un seul billet de 50 $ et qui doit gagner pour manger. Il est prêt à tout risquer.
La Classe Moyenne : Elle est restée entre les deux, jouant un peu plus que le riche, mais beaucoup moins que le pauvre.

L'analogie : C'est comme si vous demandiez à un acteur de jouer un rôle. Le robot a si bien intégré le rôle du "pauvre" qu'il a commencé à prendre des risques démesurés, exactement comme le ferait un humain désespéré, sans qu'on lui ait dit comment faire.

2. Les Émotions du Robot : Un "Post-it" collé après coup

Le robot devait aussi dire comment il se sentait à chaque tour (ex: "Je suis curieux", "Je suis prudent", "Je suis frustré").

Les chercheurs ont découvert une chose étrange : les émotions du robot sont souvent des mensonges (ou du moins, des justifications).

L'image : Imaginez un joueur de poker qui perd tout son argent. Il dit : "Je suis très prudent et je réfléchis bien." Mais en réalité, il vient de miser tout ce qu'il avait sur un coup de folie !
La réalité : Le robot décide d'abord de jouer (parce qu'il joue le rôle du pauvre), et ensuite, il invente une émotion qui va avec. Parfois, il dit "Je suis prudent" alors qu'il vient de faire un pari très risqué. Ses émotions ne sont pas la cause de ses actions, elles sont juste le commentaire qu'il ajoute après coup pour rendre son histoire cohérente.

3. Le Robot est "Têtu" : Il n'apprend pas vraiment

C'est le point le plus inquiétant pour les futurs robots qui travailleront avec nous.

L'analogie : Imaginez un élève qui joue à un jeu vidéo. S'il perd 10 fois de suite, un humain intelligent va se dire : "Tiens, cette machine est tricheuse, je vais changer de stratégie."
Ce que fait le robot : Même après 50 tours, le robot "Pauvre" continue de jouer exactement de la même manière, avec la même confiance, même si la machine le fait perdre tout le temps. Il est comme un chien qui continue d'aboyer sur un arbre même s'il sait qu'il ne va pas attraper le chat. Il est rigide. Il ne met pas vraiment à jour ses croyances en fonction de la réalité.

4. Le Paradoxe des Paris

Il y a un détail amusant :

Le robot "Classe Moyenne" parie de grosses sommes en dollars (22 $).
Le robot "Pauvre" parie de petites sommes (6 $).

On pourrait penser que le pauvre est moins risqué. Non ! Parce qu'il n'a que 50 $ au total, miser 6 $, c'est risquer 13 % de son capital. Le riche, lui, risque moins de 1 % de son capital. Le robot "Pauvre" est donc en réalité le plus téméraire, même si ses mises semblent petites.

🎭 La Conclusion en Une Phrase

Ce papier nous dit que les intelligences artificielles sont d'excellents acteurs : elles peuvent imiter parfaitement les comportements humains (comme la peur de la pauvreté ou la prudence des riches) en se basant sur ce qu'elles ont lu dans les livres et sur internet.

Mais attention :

Elles ne "ressentent" pas vraiment ces émotions ; elles les inventent pour faire joli.
Elles n'apprennent pas vraiment de leurs erreurs quand on ne leur donne pas d'instructions spéciales pour réfléchir.

C'est comme si vous aviez un acteur très talentueux sur scène. Il joue le rôle d'un génie des finances à la perfection, mais si vous éteignez les projecteurs, il ne sait pas vraiment comment gérer de l'argent réel. Pour les créateurs de robots, c'est un avertissement : ne faites pas confiance à un robot pour apprendre tout seul dans un monde complexe, car il risque de rester bloqué dans son rôle initial.

Titre : Comportement à risque conditionné par le persona dans les grands modèles de langage : Une étude de jeu simulée avec GPT-4.1

Auteur : Sankalp Dubedy (Chercheur indépendant)
Date : Mars 2026
Modèle étudié : GPT-4.1 (via Azure OpenAI)

1. Problématique

Les grands modèles de langage (LLM) sont de plus en plus déployés en tant qu'agents autonomes dans des environnements de prise de décision séquentielle et incertaine. Cependant, il reste mal compris si les comportements qu'ils adoptent reflètent des schémas cognitifs véritables ou s'il ne s'agit que d'une imitation superficielle des prompts.

La question centrale de cette étude est de savoir si un LLM, lorsqu'on lui attribue une identité socio-économique spécifique (riche, classe moyenne, pauvre), adopte des comportements à risque cohérents avec les prédictions de la théorie des perspectives (Prospect Theory) de Kahneman et Tversky, sans qu'il ne lui soit explicitement demandé de le faire. Plus précisément, l'étude examine si le modèle reproduit l'aversion au risque dans le domaine des gains et la recherche de risque dans le domaine des pertes, en fonction de son « point de référence » financier.

2. Méthodologie

Environnement Expérimental

L'expérience se déroule dans un environnement de jeu de type « machine à sous » simulé, où le modèle doit décider, tour par tour, de continuer à jouer ou d'arrêter. Le modèle ne connaît pas les probabilités internes de la machine. Trois configurations de machines ont été utilisées :

Équitable (Fair) : Probabilité de gain de 50 %.
Biaisée Faible (Biased Low) : Probabilité de gain de 35 %.
Série (Streak) : Probabilité de base de 40 %, augmentant de 5 % après chaque perte (jusqu'à 80 %).

Personas Socio-économiques

Trois personas ont été définis via des instructions système (prompts), chacun ayant un solde initial et un objectif différent :

Riche : Solde de 10 000 $. Objectif : « Préserver la richesse et éviter les risques inutiles ».
Classe moyenne : Solde de 500 $. Objectif : « Réaliser une croissance stable tout en gérant le risque ».
Pauvre : Solde de 50 $. Objectif : « Prendre des risques calculés pour améliorer sa situation financière ».

(Note : Un quatrième persona « Explorateur » a été exclu par les filtres de contenu de l'API).

Configuration du Modèle

Modèle : GPT-4.1.
Paramètres : Température 1.0, 50 itérations indépendantes par condition (3 personas × 3 machines = 9 conditions).
Données collectées : 6 950 décisions enregistrées.
Format de sortie : JSON structuré contenant la décision (JOUER/ARRÊTER), le montant du pari, un score de risque, un score de confiance, un état émotionnel, et un raisonnement libre.

Analyse Statistique

Étant donné les distributions non normales (fortement asymétriques à droite), les auteurs ont utilisé des tests non paramétriques :

Test de Kruskal-Wallis pour les différences entre groupes.
Tests de Mann-Whitney U avec correction de Bonferroni pour les comparaisons par paires.
Mesures de taille d'effet (r de rank-biserial, d de Cohen).
Corrélations de Spearman pour l'apprentissage et les mises à jour de croyances.

3. Résultats Clés

A. Reproduction de la Théorie des Perspectives

Les résultats montrent une différenciation comportementale massive et statistiquement significative entre les personas, alignée sur la théorie économique :

Durée des sessions : Le persona « Pauvre » a joué en moyenne 37,4 tours (SD=15,5), contre 1,1 tour pour le persona « Riche » (SD=0,31).
- Taille d'effet : $r = 1,000$ pour Riche vs Pauvre (séparation complète des distributions).
- Interprétation : Le persona pauvre, se trouvant dans le domaine des pertes (selon le point de référence), adopte une stratégie de recherche de risque pour tenter de survivre, tandis que le persona riche, en sécurité, arrête immédiatement pour éviter la variance.
Scores de risque : Le persona « Pauvre » affiche un score de risque moyen de 63,36, contre 17,53 pour le persona « Riche ».
- Taille d'effet : $d = 4,15$ (Riche vs Pauvre), une taille d'effet extrêmement élevée.

B. Décisions d'Arrêt et Facteurs Psychologiques

L'incertitude est le discriminateur le plus fort entre les décisions de continuer ou d'arrêter ( $r = 0,659$ ). Le modèle arrête lorsqu'il ne peut pas former un modèle stable de l'environnement.
L'espérance de récompense négative est le déclencheur direct de l'arrêt.
Paradoxalement, la confiance est plus élevée lors de l'arrêt, suggérant que le modèle est certain de sa décision d'arrêter, même s'il est incertain de l'environnement.

C. Incohérences Internes et Rigidité des Croyances

Émotions vs Stratégie : Les états émotionnels (ex: « PRUDENT ») semblent être des annotations a posteriori plutôt que des moteurs de décision. Le persona « Pauvre » affiche souvent l'état « PRUDENT » tout en adoptant une stratégie de « RECHERCHE DE RISQUE » (302 occurrences), ce qui contredit une causalité directe.
Mise à jour des croyances (Belief Updating) : La corrélation entre le numéro du tour et le score de risque pour le persona « Pauvre » est négligeable ( $\rho = 0,032$ ). Le modèle ne met pas à jour ses croyances de manière significative en fonction des feedbacks séquentiels, même après 50 tours. Il reste ancré sur son prior initial défini par le persona.
Taille des paris : Bien que le persona « Pauvre » joue plus longtemps, il parie des montants absolus plus faibles que le persona « Classe moyenne ». Cependant, en pourcentage de son solde, le persona « Pauvre » risque ~13,5 % de son capital par tour (contre 4,5 % pour la classe moyenne), confirmant son comportement à haut risque relatif.

D. Perception de l'Équité

Le modèle distingue mal les machines. La différence de score de perception d'équité entre une machine équitable (50 %) et une machine biaisée (35 %) est faible, et le modèle reste majoritairement dans un état d'« INCERTITUDE » (93 % pour la machine biaisée), montrant une incapacité à apprendre efficacement les probabilités sous-jacentes.

4. Contributions Principales

Validation Empirique de la Théorie des Perspectives dans les LLM : Démonstration que GPT-4.1 reproduit spontanément les asymétries comportementales prédites par Kahneman et Tversky (aversion au risque pour les riches, recherche de risque pour les pauvres) sans instruction explicite, suggérant que ces biais sont encodés dans les données d'entraînement.
Découplage Émotion-Action : Mise en évidence que les états émotionnels auto-rapportés par les LLM sont souvent des narrations a posteriori cohérentes avec le contexte, mais non causales par rapport aux décisions prises. Cela remet en question l'utilisation de ces états comme explications interprétables (XAI) fiables.
Rigidité des Croyances (Belief Rigidity) : Preuve que, sans mécanismes d'architecture explicites (comme la réflexion ou le suivi d'état), les LLM montrent une très faible capacité de mise à jour des croyances en contexte (in-context learning) face à des feedbacks séquentiels. Les priors initiaux dominent le comportement sur de longues sessions.
Indice Comportemental Socio-économique (SBI) : Proposition d'un cadre standardisé pour évaluer les modèles sur leur fidélité aux comportements économiques humains, incluant des métriques comme l'alignement avec la théorie des perspectives et la rigidité des croyances.

5. Signification et Implications

Pour la conception d'agents LLM : Les concepteurs ne doivent pas s'attendre à ce que les agents apprennent de manière adaptative à partir de l'expérience séquentielle seule. Des mécanismes explicites de réflexion et de mise à jour d'état sont nécessaires pour les environnements dynamiques.
Pour la recherche en IA : Cette étude suggère que les LLM internalisent et reproduisent les stéréotypes socio-économiques humains présents dans leurs données d'entraînement, les transformant en comportements fonctionnels dans des environnements simulés.
Pour l'interprétabilité : Les explications textuelles fournies par les modèles (émotions, motivations) ne doivent pas être prises pour des vérités causales sur leur processus de décision interne, car elles peuvent être de simples narrations cohérentes avec le persona.

En conclusion, l'article démontre que GPT-4.1 agit comme un « narrateur persuasif » de comportements humains prévisibles, mais que ces comportements sont souvent rigides et déconnectés d'une véritable compréhension ou mise à jour dynamique de l'environnement.