What Types of Human-AI Teams Exist?

Résumé technique : « Quels types d'équipes Humain-IA existent ? »

Énoncé du problème
Le domaine du travail d'équipe Humain-IA (Human-AI Teaming) a connu une croissance exponentielle, pourtant une ambiguïté définitionnelle critique persiste. Bien que le terme se réfère largement à des humains et une IA travaillant de manière interdépendante vers des objectifs partagés, les revues de littérature existantes indiquent que les études se concentrent lourdement sur les aspects techniques de l'IA plutôt que sur la dynamique de « l'équipe ». Par conséquent, il est difficile de distinguer quand une IA passe du statut de « simple outil » à celui de « coéquipier », et il reste flou quels types spécifiques d'équipes sont étudiés sous la même définition globale. Ce manque de spécificité entrave la transférabilité des enseignements entre les articles, car des configurations d'équipes disparates (par exemple, des interdépendances de tâches, des structures de rôles et des modèles de leadership variables) sont souvent confondues. Les auteurs soutiennent que sans une taxonomie claire des types d'équipes, la synthèse de la recherche et l'application des résultats à des domaines critiques pour la sécurité ou à des cadres réglementaires sont compromises.

Méthodologie
Pour répondre à cela, les auteurs ont mené une revue de portée (scoping review) d'études expérimentales sur le travail d'équipe Humain-IA, en respectant les directives de l'extension PRISMA.

• Collecte de données : Une recherche dans l'ACM Digital Library, IEEE et Web of Science a produit 532 articles initiaux. Après un filtrage basé sur la présence de l'expression spécifique « human-AI team » dans les titres/mots-clés, l'exclusion des travaux non expérimentaux et le retrait des articles où l'expression n'était utilisée que comme mot-clé sans description substantielle, l'ensemble de données final comprenait 53 articles expérimentaux (analysant 54 études distinctes).
• Cadre analytique : Les auteurs ont appliqué une analyse de contenu déductive utilisant une taxonomie psychologique du travail d'équipe fournie par [7]. Ce cadre catégorise les équipes selon :
  • Caractéristiques de niveau tâche : Les types de travail effectués (ex. : gestion, conseil, résolution de problèmes, action psychomotrice).
  • Caractéristiques de niveau équipe : Variables structurelles holistiques incluant l'interdépendance des tâches (partagée, séquentielle, réciproque, intensive), la structure des rôles (fonctionnelle vs divisionnaire), la structure de leadership, la structure de communication, la distribution physique et la durée de vie de l'équipe.
• Adaptation : Les auteurs ont noté que l'application de ces taxonomies centrées sur l'humain à l'IA nécessitait de mineures réinterprétations, particulièrement concernant la distribution physique (interprétée comme le fait que l'humain et l'IA partagent le même environnement) et la durée de vie de l'équipe (interprétée comme le fait que la tâche est un événement ponctuel ou fait partie d'un arrangement à long terme).
• Regroupement (Clustering) : Les 53 articles ont été regroupés selon leurs caractéristiques de niveau équipe. Sept clusters ont été identifiés, mais seuls les cinq plus grands (contenant au moins trois études chacun) ont été rapportés comme résultats principaux.

Contributions clés

1. Une taxonomie préliminaire : L'article propose un système de classification initial qui identifie cinq sous-types distincts d'équipes Humain-IA actuellement étudiés dans la littérature.
2. Identification des lacunes définitionnelles : L'analyse révèle que les études regroupées sous le terme unique de « Human-AI Teaming » représentent en réalité des configurations d'équipes disparates avec des combinaisons uniques de caractéristiques, remettant en question l'hypothèse d'une transférabilité directe des enseignements entre ces types.
3. Orientation pour le reporting : Les auteurs fournissent une liste de contrôle (checklist) pour les recherches futures afin d'améliorer la spécificité et la clarté du compte rendu des études de travail d'équipe Humain-IA, encourageant les auteurs à définir explicitement les caractéristiques de niveau équipe.

Résultats
L'analyse de 54 études expérimentales a révélé une forte préférence pour les configurations 1 humain et 1 IA (34 articles), principalement dans les domaines du jeu, de la classification d'objets et de l'aviation/militaire/espace. Les cinq clusters d'équipes identifiés sont :

1. Assistant IA (18 études, 34 %) :

   • Structure : Interdépendance de tâche séquentielle, rôles fonctionnels, leadership désigné, communication en chaîne.
   • Dynamique : Un humain et une IA travaillent à tour de rôle ; l'IA conseille ou prédit, et l'humain gère la décision finale. Les rôles ne sont pas interchangeables.
   • Contexte : Souvent à long terme ou ad hoc, typiquement colocalisés. Commun dans les tâches de classification et de cybersécurité.

2. Dépendance Ad-hoc (11 études, 20 %) :

   • Structure : Interdépendance de tâche intensive, rôles fonctionnels, leadership distribué, communication en étoile.
   • Dynamique : Un groupe d'au moins trois membres (mélange d'humains et d'IA) travaille comme une unité avec des rôles non interchangeables. Le leadership est partagé simultanément.
   • Contexte : Typiquement ad hoc (dissolution après une tâche spécifique). Commun dans l'aviation, la réponse aux catastrophes et les puzzles.

3. Dépendance Forcée Ad-hoc (6 études, 11 %) :

   • Structure : Interdépendance de tâche réciproque, rôles fonctionnels, leadership désigné, communication en chaîne.
   • Dynamique : Un humain et une IA s'engagent dans une interaction de va-et-vient où ils sont « forcés » d'interagir car aucun ne peut accomplir la tâche seul (ex. : accès complémentaire à l'information).
   • Contexte : Durée de vie ad hoc. Commun dans les jeux et les simulations de réponse aux catastrophes.

4. Équanimité Appariée (4 études, 7 %) :

   • Structure : Interdépendance de tâche réciproque, rôles divisionnaires, leadership distribué, communication en étoile.
   • Dynamique : Un humain et une IA accomplissent le même rôle ensemble (interchangeables), partageant le leadership et communiquant librement.
   • Contexte : Ad hoc. Commun dans les jeux d'équipe (ex. : Rocket League).

5. Équanimité de Groupe (3 études, 6 %) :

   • Structure : Interdépendance de tâche intensive, rôles divisionnaires, leadership distribué, communication en étoile.
   • Dynamique : Un groupe d'au moins trois membres (mélange d'humains et d'IA) accomplissant tous le même rôle ensemble, partageant le leadership.
   • Contexte : Ad hoc. Commun dans les puzzles et l'éducation.

L'étude a également noté que 25 % des articles ne formaient pas de cluster, représentant des combinaisons uniques de caractéristiques encore peu étudiées. De plus, l'analyse a souligné que de nombreuses études (particulièrement le Cluster 1) pourraient ne pas strictement correspondre à la définition de « travail d'équipe » si l'IA est perçue simplement comme un outil plutôt que comme un coéquipier, soulevant des questions sur l'application actuelle du terme.

Signification et affirmations
L'article affirme que le domaine actuel souffre d'un manque de langage taxonomique pour distinguer les différents types d'équipes Humain-IA. Les auteurs soutiennent que :

• Les enseignements ne sont pas intrinsèquement transférables : Les conclusions d'une étude de type « Cluster 1 » (Assistant IA) ne peuvent pas être appliquées en toute confiance à une étude de type « Cluster 4 » (Équanimité Appariée) en raison de différences fondamentales de leadership, de communication et d'interdépendance.
• Ambiguïté définitionnelle : La définition actuelle du travail d'équipe Humain-IA est trop large, englobant potentiellement la simple utilisation d'outils ou des études où l'IA ne possède pas de « capacités uniques et complémentaires » comme l'implique la définition.
• Sécurité et réglementation : Des taxonomies plus claires sont essentielles pour l'analyse de la sécurité, les cadres réglementaires et l'attribution de la responsabilité morale, particulièrement à mesure que les systèmes d'IA agentiques deviennent plus prévalents.
• Direction future : Le domaine doit dépasser les définitions larges pour spécifier les caractéristiques exactes de niveau équipe qui sont étudiées. Les auteurs ne prétendent pas avoir résolu la définition du travail d'équipe Humain-IA, mais proposent plutôt un cadre pour catégoriser les travaux existants et identifier les lacunes (par exemple, l'interdépendance partagée ou les structures de leadership de gestion externe sont actuellement sous-représentées).

L'article conclut en exhortant les chercheurs à utiliser la liste de contrôle proposée pour rapporter explicitement les caractéristiques de l'équipe, permettant ainsi une meilleure synthèse de la littérature et une recherche future plus précise.