Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiWired→ original

Plus de 100 agents IA ont composé une équipe de fantasy Premier League sans battre la moyenne

Le journaliste de Wired a chargé des agents IA de composer une équipe de fantasy football, où les points dépendent des matchs réels des joueurs de Premier League. Certains agents lisaient l'actualité, d'autres analysaient les résultats, d'autres encore lançaient des modèles, et d'autres critiquaient les choix, ce qui a amélioré les conseils. Passer à plus de 100 agents n'a ajouté que le coût de l'API, et l'équipe n'a pas dépassé le score moyen des participants. Pour les prédictions, le rôle des agents compte davantage que leur nombre.

Traité par IA depuis Wired ; édité par Hamidun News
Plus de 100 agents IA ont composé une équipe de fantasy Premier League sans battre la moyenne
Source : Wired. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireWired ↗
Rédacteur en chef
Chiffre clé #1Dans Prophet Arena, GPT-5 a été le meilleur prévisionniste, suivi de Grok 4
Chiffre clé #2Dans Prediction Arena, des modèles dotés de 10 000 $ pendant 57 jours ont perdu de l'argent de façon constante
Chiffre clé #3Les superprévisionnistes restent plus forts que l'IA, mais dans le Metaculus Cup, les modèles ont parfois gagné

Le fantasy football est un jeu dans lequel le supporter compose une équipe virtuelle à partir de joueurs réels de Premier League et reçoit des points selon leurs performances dans les vrais matchs. Il faut deviner qui sera titulaire, qui est blessé et qui a un calendrier favorable, ce qui revient en substance à faire une prédiction à partir de l'actualité récente. Le chroniqueur de Wired Will Knight a confié cette tâche à un essaim d'agents IA : il a demandé à Codex de bâtir un système dans lequel plusieurs programmes d'assistance lisent l'actualité, font des calculs, débattent entre eux, puis choisissent la composition.

Plus de 100 agents n'ont pas permis de gagner, et l'équipe n'a jamais dépassé le score moyen des autres joueurs. Pour ceux qui conçoivent des systèmes agentiques, c'est une leçon concrète sur ce qui améliore réellement une prédiction, et sur ce pour quoi vous payez simplement la facture d'API.

Comment l'expérience a été conduite

Il y a quelques années, Knight avait testé un outil de l'Alan Turing Institute qui sélectionnait des compositions à partir des données historiques de la ligue. Les conseils étaient étranges : le système ignorait les blessures et les changements d'entraîneur. Cette fois, sur le chemin de la famille, il a demandé à Codex de construire un « harness » — un ensemble d'instructions et de code qui guide les agents à travers les étapes : vérifier les actualités récentes, lancer un modèle et produire une prédiction. Avant cela, Codex avait reçu quelques articles scientifiques sur le sujet.

La première version collectait et analysait nettement plus d'informations qu'un humain ne le pourrait, mais produisait des décisions absurdes. Erling Haaland, par exemple, restait sur le banc. Knight a alors réparti le travail en rôles : certains agents lisent les actualités et les blogs, d'autres examinent les résultats récents, d'autres lancent des modèles statistiques, d'autres encore critiquent les propositions des autres. Les conseils se sont améliorés.

Il a ensuite estimé que plus signifiait mieux, et a porté le nombre d'agents à une centaine. Cela n'a produit aucun effet notable, mais la facture d'API a augmenté. Pour un ingénieur, c'est une leçon familière : si l'on ajoute des exécutants identiques sans nouvelles sources d'information, la qualité se heurte à l'architecture, tandis que les coûts en tokens continuent de grimper.

Ce que disent les chercheurs en prévision

Le professeur de l'Université de Chicago Haifeng Xu étudie l'application de l'IA aux marchés. Selon lui, les nouveaux modèles prédisent mieux parce qu'ils peuvent traiter un volume immense d'informations sur le monde réel et assembler des systèmes plus complexes à partir de plusieurs composants. Son équipe a testé des modèles sur des marchés de prédiction comme Kalshi et Polymarket : qui remportera le championnat NBA, qui rencontrera Donald Trump. Parfois, sans indications particulières, les modèles ont devancé l'humain moyen.

C'est de ces travaux qu'est né le benchmark Prophet Arena. Lors des premiers tests, GPT-5 a obtenu les meilleurs résultats, suivi de Grok 4, Claude Sonnet, Gemini et Llama. Xu estime que le meilleur fonctionnement passe par un harness maison, où chaque agent a sa propre tâche : lire l'actualité, collecter les données, analyser le tableau dans son ensemble. Cela rejoint l'expérience de Knight.

Un autre benchmark, Prediction Arena, a été conçu par des chercheurs de Harvard et de la société Arcada Labs. Des modèles ont reçu 10 000 $ chacun pour parier sur des marchés de prédiction pendant 57 jours. Ils ont perdu de l'argent de façon constante, même si les résultats se sont améliorés avec le temps.

Où l'IA reste en retrait

Les meilleurs experts humains, les superprévisionnistes, gardent souvent une longueur d'avance. Selon Xu, ils lisent moins, mais comprennent mieux la dynamique qui se cache derrière une information. Leur avantage semble toutefois se réduire : lors du tournoi Metaculus Cup, l'IA a parfois battu même les meilleurs humains. Les résultats de ForecastBench doivent bientôt être publiés et pourraient offrir une nouvelle comparaison. Knight suppose que les grands laboratoires pourraient se mettre à utiliser la prévision de l'avenir comme nouvelle façon de mesurer les progrès des modèles.

Les limites existent aussi. Il s'agit d'une chronique, pas d'une étude contrôlée : l'équipe de Knight a joué quelques semaines, l'échantillon est petit, et elle n'a jamais dépassé le score moyen. L'auteur lui-même ne compte pas utiliser les conseils du système pour ses propres choix réels. La comparaison des modèles dans Prophet Arena relève d'une phase précoce, où GPT-5 était en tête, et le classement pourrait changer.

Conclusion pratique

Pour les développeurs et les chefs de produit, la leçon est la suivante. Premièrement, les prédictions fondées sur l'actualité ont besoin de données externes et de rôles bien définis : un collecteur de faits, un analyste, un critique. Un seul modèle doté d'un long prompt fait moins bien. Deuxièmement, l'augmentation du nombre d'agents doit être vérifiée par des métriques, et non par la foi : plus de 100 agents n'ont pas justifié leur coût. Troisièmement, le critique qui vérifie les propositions des autres est un élément peu coûteux de l'architecture, et c'est par lui qu'il faut commencer.

Enfin, Knight laisse entendre une évolution des rôles dans le trading : les meilleurs spécialistes pourraient devenir des managers d'agents IA plutôt que de rivaliser directement avec eux. Pour l'instant, il s'agit d'une hypothèse, mais la direction est claire. Quant à la ligue de fantasy, l'auteur souhaite qu'on y garde un peu plus d'enthousiasme humain : gagner sans l'aide des bots reste tout de même plus agréable.

Dossier

Questions clés sur cet article

Comment l'expérience a été conduite?

Il y a quelques années, Knight avait testé un outil de l'Alan Turing Institute qui sélectionnait des compositions à partir des données historiques de la ligue. Les conseils étaient étranges : le système ignorait les blessures et les changements d'entraîneur. Cette fois, sur le chemin de la famille, il a demandé à Codex de construire un « harness » — un ensemble d'instructions et de code qui guide les agents à travers les étapes : vérifier les actualités récentes, lancer un modèle et produire une prédiction.

Que sait-on sur Ce que disent les chercheurs en prévision ?

Le professeur de l'Université de Chicago Haifeng Xu étudie l'application de l'IA aux marchés. Selon lui, les nouveaux modèles prédisent mieux parce qu'ils peuvent traiter un volume immense d'informations sur le monde réel et assembler des systèmes plus complexes à partir de plusieurs composants. Son équipe a testé des modèles sur des marchés de prédiction comme Kalshi et Polymarket : qui remportera le championnat NBA, qui rencontrera Donald Trump.

Que sait-on sur Où l'IA reste en retrait ?

Les meilleurs experts humains, les superprévisionnistes, gardent souvent une longueur d'avance. Selon Xu, ils lisent moins, mais comprennent mieux la dynamique qui se cache derrière une information. Leur avantage semble toutefois se réduire : lors du tournoi Metaculus Cup, l'IA a parfois battu même les meilleurs humains. Les résultats de ForecastBench doivent bientôt être publiés et pourraient offrir une nouvelle comparaison.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…