Les modèles LLM sont coincés dans une pensée stéréotypée — une startup veut y remédier

Claude, ChatGPT et Gemini démontrent des réponses tout aussi prévisibles à des requêtes similaires — le 1er juillet 2026, MIT Technology Review a identifié ce phénomène comme une "pensée de groupe" systémique des modèles de langage et a rapporté sur une startup qui travaille pour le surmonter.

Le

Test des Nombres : Pourquoi Ce N'est Pas une Coïncidence ?

Demandez à n'importe quel chatbot populaire de nommer un nombre aléatoire entre 1 et 10 — vous obtiendrez presque certainement 7. Posez la question à nouveau — vous entendrez 3 ou 4, puis 8 ou 9. Le schéma se reproduit avec une cohérence frappante entre différents modèles de différentes entreprises.

L'explication est simple : tous les LLM majeurs ont été entraînés sur des corpus web similaires, où "7" comme réponse à cette question apparaît plus fréquemment que d'autres nombres — les gens eux-mêmes appellent sept "le nombre le plus aléatoire". L'apprentissage par renforcement à partir du retour d'information humain (RLHF) encourage en outre les réponses "sûres" et attendues : celles qui reçoivent plus fréquemment des évaluations élevées des évaluateurs humains. Les modèles sont littéralement entraînés à donner une réponse prévisible.

• Sept comme un nombre "aléatoire" est un exemple classique de la pensée de modèle des LLM
• Le schéma est caractéristique de Claude (Anthropic), ChatGPT (OpenAI) et Gemini (Google DeepMind)
• La raison est les données d'entraînement qui se chevauchent et les procédures RLHF similaires dans tous les principaux laboratoires

Où la Pensée de Groupe Cause un Tort Réel

Les nombres ne sont qu'un symptôme visible. Dans les tâches réelles, le problème est plus vaste : les modèles reproduisent les mêmes clichés culturels, formulent les recommandations stratégiques de manière similaire, proposent des solutions marketing comparables. Quand une entreprise utilise plusieurs LLM pour "diversifier les perspectives", elle obtient souvent des versions paraphrasées du même avis — avec l'illusion de l'indépendance.

"Nous avons créé un écosystème où tous les modèles voient le monde de la même manière — parce qu'ils ont lu la même chose", — constate MIT

Technology Review.

Le problème est particulièrement aigu là où l'originalité compte : génération d'hypothèses scientifiques, contenu non conventionnel, évaluation de risques non triviaux. La "vérification indépendante" par plusieurs LLM dans de tels cas crée une illusion de diversité — mais pas la diversité elle-même.

Ce Que Propose la Startup

MIT Technology Review décrit une startup axée sur les méthodes pour surmonter la "pensée de modèle" dans les modèles de langage. L'architecture exacte de la solution n'a pas été divulguée. L'industrie, pendant ce temps, discute de plusieurs approches pour relever ce défi :

• Entraînement sur des données plus diverses avec inclusion délibérée de perspectives de niche
• Stochasticité gérée au stade du réglage fin — encourager la variabilité comme objectif explicite
• Systèmes d'ensemble où plusieurs modèles avec différents "biais" débattent les uns avec les autres
• Métriques de diversité des réponses comme partie obligatoire des évaluations — aux côtés de la précision et de la sécurité

Ce Que Cela Signifie

Si les méthodes pour surmonter le "consensus du groupe" parviennent à établir une nouvelle norme de l'industrie, cela changera la façon dont nous évaluons les systèmes d'IA : la diversité et l'indépendance des réponses deviendront des exigences mesurables égales à la précision ou à la sécurité. Pour les utilisateurs d'entreprise, cela ouvre la possibilité d'obtenir des perspectives véritablement différentes de l'IA, plutôt qu'une vision statistiquement lissée sous différentes formulations.