Les agents IA performants passent la main à l'humain dans 80% des cas où son trajet est plus court

Si un agent sollicite de moins en moins l'humain, cela ne signifie pas forcément que la collaboration se délite. Le travail s'est peut-être simplement réparti comme il le fallait. Une nouvelle étude publiée sur Hugging Face Daily Papers teste cette hypothèse dans un labyrinthe à deux avatars. Quatre modèles de langage, GPT 5.6 Sol, Command A+, Qwen 3.8 27B et Command R, ont joué avec des humains. Ceux qui réussissent la tâche de façon fiable en solo ont confié à l'humain environ 80% des premières décisions lorsque son trajet était plus court. Quand l'humain n'avait pas d'avantage, ils agissaient presque toujours seuls.

Un labyrinthe où l'on peut passer son tour

Les auteurs partent d'un constat simple : la part de participation humaine ne permet pas de distinguer une mauvaise collaboration d'une bonne division du travail. Si l'agent n'appelle pas l'humain, il peut être trop sûr de lui, ou simplement plus performant. Pour départager ces cas, il faut contrôler qui est le plus fort dans la tâche.

Ils ont donc conçu un labyrinthe commun. Il comporte deux avatars : l'un est piloté par l'agent, l'autre par l'humain. L'objectif est partagé : atteindre un même point en un nombre minimal de tours d'équipe. À chaque tour, l'agent choisit entre jouer lui-même et céder le tour à son partenaire.

L'avantage de l'humain est défini uniquement par la disposition de départ, c'est-à-dire par la longueur de son plus court chemin. Tout le reste de la tâche demeure identique. Cela donne trois conditions : l'humain a un net avantage, personne n'a d'avantage, l'agent a l'avantage.

D'abord en solo, puis en duo

L'expérience s'est déroulée en deux temps. Chaque modèle a d'abord été testé seul : un seul avatar, avec une observabilité complète de la carte. Cette étape mesure la capacité pure à résoudre le labyrinthe sans partenaire. Les modèles ont ensuite joué en binôme avec des humains dans les trois conditions.

Le principal résultat : plus un modèle se débrouille bien seul, plus il sollicite l'humain de façon sélective, en fonction du trajet. Les chiffres clés :

• Les modèles qui résolvent le labyrinthe de façon fiable agissent seuls, presque sans exception, lorsque l'humain n'a pas d'avantage.
• Lorsque le trajet de l'humain est plus court, ces mêmes modèles lui confient environ 80% des décisions initiales.
• Command R, nettement plus faible en solo, n'a pas montré cette sélectivité.
• L'intervention de l'humain varie avec la condition de la tâche ; ce n'est pas une habitude figée du modèle.

La conclusion sur Command R mérite qu'on s'y arrête. Son comportement ne ressemble pas à une répartition des rôles réfléchie. D'après ce résultat, la capacité à déterminer qui a le chemin le plus court et celle de résoudre la tâche sont liées. Un modèle qui construit mal son propre itinéraire évalue mal aussi celui de son partenaire.

Pourquoi la métrique « nombre de fois où l'humain a été sollicité »

est trompeuse

Pour l'industrie des agents, c'est une mauvaise nouvelle concernant des métriques courantes. De nombreuses équipes mesurent le taux d'escalade vers l'humain et cherchent à le réduire. Or, une baisse de ce taux peut traduire aussi bien de la maturité que de l'aveuglement. Un agent qui ne passe pas la main quand l'humain est plus rapide perd en efficacité. Un agent qui passe la main sans discernement reporte sur l'humain un travail qu'il aurait pu faire seul.

Ce qui compte dans cette étude n'est donc pas la fréquence des sollicitations, mais leur adéquation aux conditions. Un bon agent se comporte différemment selon les configurations : il prend la tâche en charge quand il est le plus fort, et la cède quand son partenaire est plus proche du but.

Ce qu'il faut changer dans l'évaluation des agents

Pour les équipes qui conçoivent des agents avec un humain dans la boucle, les conséquences pratiques tiennent en quelques étapes.

• Évaluer non pas le pourcentage global d'escalades, mais sa dépendance à la question de savoir qui est objectivement le plus fort sur une sous-tâche donnée.
• Construire des tests avec un avantage contrôlé pour l'humain, pour l'agent, et avec un avantage nul, comme dans ce labyrinthe.
• Mesurer d'abord la capacité du modèle en solo, et seulement ensuite interpréter son comportement en binôme. Sans cette base, impossible de savoir si l'agent délègue en connaissance de cause ou à l'aveugle.
• Ne pas considérer un modèle faible comme plus « coopératif » simplement parce qu'il demande de l'aide plus souvent. Command R n'est pas sélectif, et la fréquence de ses sollicitations ne dit rien en soi.

Le labyrinthe reste une tâche de laboratoire, et il faut transposer ce résultat aux processus de travail réels avec prudence. La méthode est toutefois utile : elle sépare la question « l'agent sait-il travailler avec un humain ? » de la question « sait-il résoudre la tâche seul ? ».