Une nouvelle étude de l'Université Stanford introduit un cadre dans lequel des groupes d'agents IA apprennent à collaborer à partir d'un petit ensemble d'expériences passées, puis appliquent ces stratégies de travail d'équipe à des problèmes entièrement nouveaux. Cette approche, appelée Self-Organizing Agent Teams (SAT), a atteint une précision moyenne de 66,7 % sur cinq benchmarks de mathématiques et de physique, surpassant confortablement le meilleur agent individuel du groupe, qui a obtenu 48,8 %.

Comment fonctionne SAT

Les systèmes IA multi-agents conventionnels suivent généralement un protocole rigide : les agents débattent d'un problème, puis votent pour une réponse. SAT s'écarte de ce modèle en permettant aux équipes d'agents de développer leurs propres structures organisationnelles, notamment des rôles, des règles de participation, des phases de conversation et des schémas de flux d'information.

Une observation clé est que ces stratégies peuvent être apprises à partir de jeux de données remarquablement réduits. Les équipes SAT ont dérivé leurs playbooks collaboratifs à partir de seulement 15 problèmes AIME 2024 ou 25 problèmes GPQA Diamond, puis ont transféré ces stratégies sans modification vers des benchmarks distincts qu'elles n'avaient jamais rencontrés. L'AIME, l'American Invitational Mathematics Examination, est un test de mathématiques compétitives devenu une référence standard pour évaluer le raisonnement des modèles de pointe, tandis que GPQA Diamond est la partie la plus difficile d'un benchmark scientifique de niveau doctorat conçu pour contrer les recherches web rapides. Le fait que quelques dizaines de problèmes aient suffi pour des stratégies assez robustes pour être transférées intactes présente le travail d'équipe lui-même comme une capacité apprenable et réutilisable plutôt qu'un ingénierie propre à chaque tâche.

Le concept s'inspire largement de la psychologie organisationnelle. Les agents échangent leurs raisonnements, contestent la logique des autres et combinent des solutions partielles pour parvenir à des réponses qu'aucun agent seul ne pourrait produire.

La liste des modèles ressemble à une équipe étoile de l'IA, couvrant des systèmes de plusieurs laboratoires, tant sous forme fermée qu'à poids ouverts. Les tâches de mathématiques et de physique ont mis en scène o3-mini, Claude Sonnet 4 et DeepSeek-V3, tandis que les benchmarks de connaissances et de logique utilisaient Gemini-2.5-Flash, L-4-Maverick et GPT-4.1.

Les chiffres qui comptent

La précision moyenne de 66,7 % de SAT n'a pas seulement surpassé les agents individuels. Elle a également dépassé les inférences mono-agent à compute équivalent, qui ont atteint 58,7 %, ainsi qu'un oracle de routage construit à partir des réponses individuelles des agents, qui a obtenu 59,0 %. Un oracle de routage sélectionne après coup la meilleure réponse individuelle pour chaque problème ; le surpasser indique donc que l'équipe produit réellement un meilleur raisonnement plutôt qu'un simple tri des meilleures réponses.

Sur l'AIME 2026 spécifiquement, SAT a atteint une précision de 71,2 %, dépassant l'oracle de routage de 13,4 points de pourcentage.

L'un des résultats les plus révélateurs concerne ce que les chercheurs appellent la « démonstrabilité » — essentiellement, la facilité avec laquelle on peut distinguer un raisonnement correct d'un raisonnement incorrect une fois qu'il apparaît dans la conversation. Les gains de performance étaient corrélés à la démonstrabilité avec une corrélation de Spearman de 0,90. Lorsqu'un raisonnement solide émerge, ces équipes le reconnaissent et s'appuient dessus. Pour les praticiens, cette corrélation constitue un signal de déploiement : les avantages de SAT se concentrent là où une équipe peut vérifier si une chaîne de raisonnement donnée tient debout.

Pourquoi cela contredit la sagesse conventionnelle

Des travaux de Stanford publiés plus tôt en 2026 avaient montré que des agents uniques égalent ou surpassent souvent les configurations multi-agents à budget de calcul équivalent. SAT répond directement à cette critique. En se concentrant sur des stratégies organisationnelles apprises plutôt que sur des protocoles de débat en force brute, le cadre démontre que la collaboration peut produire de réels avantages au-delà de ce que l'assemblage de modèles ou l'inférence individuelle offre. L'écart entre les 66,7 % de SAT et les 58,7 % de l'agent unique à compute équivalent suggère que la valeur ne réside pas dans le fait d'avoir plus de modèles, mais dans le fait d'avoir des modèles qui savent travailler ensemble — une conclusion qui positionne la conception de l'orchestration comme une discipline apprenable plutôt qu'un modèle à ajuster manuellement.

La forte corrélation avec la démonstrabilité indique également une condition limite naturelle. SAT fonctionne mieux sur les problèmes où un raisonnement correct est reconnaissable lorsqu'il apparaît dans la conversation — des domaines dotés de chaînes logiques vérifiables comme les mathématiques, la physique et le raisonnement structuré. La question de savoir jusqu'où cette approche de playbook peut s'étendre à des travaux ouverts sans de telles vérifications reste ouverte.