Dans le monde de l'intelligence artificielle, une croyance commune a longtemps soutenu que si l'on donnait à un groupe de programmes informatiques suffisamment de puissance et qu'on les laissait communiquer entre eux, ils finiraient naturellement par apprendre à travailler ensemble. Cette idée suppose que l'intelligence est une propriété des membres individuels : si chaque robot ou agent logiciel est assez intelligent, le groupe sera assez intelligent. Cependant, l'histoire humaine et la sociologie suggèrent une vérité différente. Nous savons que le succès d'un groupe dépend tout autant de la manière dont ses membres sont agencés que de leurs talents individuels. Une équipe de médecins brillants échouera lors d'une chirurgie s'ils ne disposent pas d'une division claire du travail, d'une chaîne de commandement ou d'un moyen de décider qui fait quoi et quand. Ce principe, connu sous le nom de conception organisationnelle, est l'architecture invisible qui transforme une foule d'individus en un collectif coordonné. Pendant des décennies, les scientifiques construisant des équipes artificielles se sont concentrés presque exclusivement sur le renforcement de l'intelligence des agents individuels, laissant souvent la question de leur organisation comme une préoccupation secondaire, ou supposant qu'une structure unique et fixe fonctionnerait pour chaque situation.

Une nouvelle étude remet en question cette supposition en montrant que la manière dont les agents artificiels sont organisés est aussi critique que l'intelligence qu'ils possèdent. Des chercheurs de l'Université de Duke ont développé un système appelé ORCH, qui signifie Organizing Roles and Coordination Hierarchies (Organisation des rôles et hiérarchies de coordination). Au lieu de forcer chaque groupe de robots à suivre les mêmes règles rigides, ORCH agit comme un architecte qui conçoit une structure de gestion unique pour chaque mission spécifique. Le système s'appuie sur les idées de la théorie du management humain, examinant plus précisément comment différents types de travail nécessitent différents types de coordination. Certaines tâches peuvent être accomplies par de nombreuses personnes travaillant côte à côte sans avoir besoin d'attendre les unes les autres, comme un groupe de pompiers abattant chacun des arbres différents. D'autres tâches exigent un ordre strict, où une étape doit être terminée avant que la suivante ne puisse commencer, comme un drone devant explorer un incendie et identifier des itinéraires sûrs avant qu'un hélicoptère ne puisse transporter les pompiers sur les lieux, après quoi les pompiers éteignent le feu. ORCH reconnaît ces différences et construit une hiérarchie qui correspond au travail : il crée des gestionnaires « horizontaux » pour superviser un travail indépendant et parallèle, et des gestionnaires « verticaux » pour superviser des processus séquentiels, étape par étape.

Pour tester si cette approche fonctionne réellement, les chercheurs ont mis leur système à l'épreuve dans un monde simulé complexe de réponse aux incendies de forêt. Ils ont créé vingt-cinq missions différentes, allant de tâches simples comme la reconnaissance d'une petite zone à des scénarios massifs et chaotiques impliquant jusqu'à cinquante types différents d'agents, incluant des drones, des hélicoptères, des bulldozers et des pompiers de type humain. Ces missions ont été conçues pour être difficiles, avec des conditions changeantes comme des changements soudains de vent, de nouveaux départs de feu ou des agents tombant en panne en pleine tâche. Les chercheurs ont opposé leur système ORCH à quatre autres méthodes de pointe pour la coordination d'équipes artificielles. Ils ont exécuté ces simulations en utilisant huit modèles de langage de grande taille différents, qui servaient de « cerveaux » aux agents, afin de garantir que les résultats n'étaient pas le fruit d'un seul programme informatique spécifique. Les résultats ont été frappants. Les équipes organisées par ORCH ont systématiquement surpassé les autres méthodes. Elles ont terminé les missions avec des scores plus élevés, ont accompli les tâches beaucoup plus rapidement et ont exploré davantage l'environnement. En moyenne, les structures ORCH conçues par l'homme ont amélioré le score final de la mission de près de soixante-quatre pour cent et la vitesse d'exécution de plus de soixante-quatorze pour cent par rapport aux meilleures approches précédentes. Même lorsque la hiérarchie de l'équipe était générée automatiquement par une intelligence artificielle plutôt que par un humain, le système améliorait encore les performances de plus de quarante pour cent.

L'une des découvertes les plus surprenantes fut que posséder un cerveau informatique plus grand et plus puissant ne garantissait pas une meilleure équipe. Les chercheurs ont testé des modèles de tailles très différentes, allant de modèles plus petits et efficaces à des systèmes massifs et de pointe. Ils ont découvert qu'un modèle de taille modérée, lorsqu'il est placé dans une structure d'équipe bien organisée, performe souvent mieux qu'un modèle beaucoup plus grand mais mal organisé. Cela suggère que rendre les agents individuels plus intelligents n'est pas la seule voie vers le succès ; la structure qui les maintient ensemble compte tout autant. En fait, l'étude a montré que la performance collective n'augmente pas simplement à mesure que le modèle devient plus grand. Un modèle puissant et de grande taille peut toujours échouer s'il reçoit un organigramme confus ou inefficace. Les chercheurs ont également découvert que le système ORCH était robuste à travers différents types de missions et différents cerveaux informatiques sous-jacents, prouvant que les principes d'organisation sont un outil fondamental pour construire des groupes artificiels capables, et non une méthode limitée à un scénario spécifique.

L'étude a également examiné de près les raisons de l'échec des autres systèmes. Lorsque les chercheurs ont analysé les journaux de communication des équipes qui ont éprouvé des difficultés, ils ont constaté que la plupart des échecs se produisaient parce que des agents individuels recevaient des tâches qu'ils ne pouvaient pas accomplir ou qu'on leur demandait de faire des choses qui n'avaient pas de sens sur le moment. En revanche, les équipes organisées par ORCH présentaient beaucoup moins de ces erreurs d'exécution. La structure hiérarchique aidait à filtrer l'information et à s'assurer que les tâches étaient adaptées aux capacités de chacun. Cependant, les chercheurs ont noté que, bien que le système fonctionne bien, il n'était pas parfait. Lorsque la hiérarchie de l'équipe était générée automatiquement par une intelligence artificielle sans supervision humaine, les structures résultantes étaient souvent plus complexes et moins équilibrées que celles conçues par un expert humain. Ces équipes générées automatiquement créaient parfois des couches de gestion inutiles ou assignaient trop d'agents à un seul gestionnaire, ce qui les ralentissait. Cela suggère que si les machines peuvent apprendre à s'organiser elles-mêmes, l'intuition humaine sur la manière de structurer une équipe reste un avantage précieux.

En fin de compte, ce travail établit que la conception organisationnelle est une partie centrale de l'intelligence artificielle, et non un simple détail administratif. Il prouve que les principes développés pour comprendre les sociétés humaines — comme la division du travail selon qu'il peut être effectué en parallèle ou doit l'être en séquence — peuvent être traduits en code pour construire de meilleures équipes artificielles. Les chercheurs ont découvert qu'en traitant l'organisation de l'équipe comme une variable qui peut être ajustée et optimisée, ils pouvaient débloquer des capacités qui étaient cachées même dans des agents individuels puissants. À mesure que les systèmes artificiels deviendront plus grands et plus complexes, passant de petits groupes de robots identiques à de vastes collectifs diversifiés, la capacité à concevoir la bonne structure pour la tâche deviendra aussi essentielle que l'intelligence des agents eux-mêmes. L'étude suggère que l'avenir de l'intelligence collective artificielle ne réside pas seulement dans la fabrication de robots plus intelligents, mais dans l'apprentissage de la manière de les organiser.