Un panel d'agents d'IA peut s'accorder et se tromper quand même, soutient un article

Posez la même question à plusieurs grands modèles de langage et ils ne répondront pas toujours par la même réponse. Ce qui se passe ensuite détermine si cette variété aide ou nuit. Un vote, une règle électorale ou un juge LLM tranche la divergence, et le raisonnement s'arrête là. Un article soumis à arXiv le 10 septembre 2026 soutient que le problème commence exactement à cette étape.

L'article s'intitule When Agents Disagree: Bayesian Backward Reasoning as a Label-Free Anchor for Multi-Agent Collective Decision-Making. Sa cible n'est pas le modèle individuel mais la couche qui se superpose à un ensemble de ceux-ci.

Pourquoi un vote hérite de la même erreur

Le vote, les règles électorales et les juges LLM ressemblent à des mécanismes différents pour résoudre un désaccord. Les auteurs les regroupent néanmoins. Tous trois raisonnent vers l'avant : ils prennent des éléments de preuve et les projettent vers une étiquette dans une seule direction. Les estimations qui résultent de ce processus partagent ce que l'article appelle la même factorisation preuve-vers-étiquette, et des estimations construites sur une factorisation partagée peuvent porter des erreurs corrélées plutôt qu'indépendantes.

La distinction porte tout l'argument. Si cinq agents échouent pour des raisons sans rapport, les combiner annule le bruit. S'ils échouent pour la même raison, la réponse combinée s'accorde avec l'erreur et paraît confiante en le faisant. L'article ne prétend pas que les méthodes vers l'avant échouent toujours ensemble, seulement qu'elles le peuvent, et que ce mode de défaillance est invisible à partir des seules sorties.

Faire tourner le modèle à l'envers

L'alternative proposée consiste à construire une seconde estimation depuis l'autre direction. Pour chaque instance, les auteurs construisent une postérieure inverse par raisonnement bayésien rétrograde à partir d'une vraisemblance explicite. Dans leur cadre, les postérieures avant et inverse sont deux approximations différemment factorisées de la même postérieure sous-jacente, ce qui les rend utiles en tant que paire.

Le raisonnement devient alors probabiliste. Les estimations qui parviennent par des factorisations différentes « peuvent tendre à partager la même erreur moins souvent », indique le résumé, ce qui est une hypothèse sur l'indépendance des erreurs plutôt qu'une démonstration de celle-ci. Pour la mettre en œuvre, les auteurs utilisent la divergence de Jensen-Shannon afin de classer les agents selon leur cohérence entre les chemins, une mesure de la proximité entre la réponse vers l'avant d'un agent et le chemin inverse.

Trois façons d'exploiter un signal de cohérence

Ce classement soutient trois stratégies d'agrégation, toutes évaluées sur DDXPlus avec cinq socles LLM.

Stratégie	Mécanisme	Résultat rapporté
MinJS	Sélection stricte : choisir les agents selon leur score de cohérence	Surpasse la sélection aléatoire sur les cinq socles
FwdJS	Repondération douce : conserver chaque agent et ajuster son influence	Améliore généralement par rapport à la référence la plus forte
LogLin	Fusion log-linéaire de l'ensemble classé	Meilleure performance parmi les méthodes évaluées

L'ampleur de ces gains importe plus que le chiffre de tête. Les plus fortes améliorations de LogLin se situent sur le sous-ensemble des cas où les agents sont en désaccord. Une méthode qui n'aiderait que là où les agents sont déjà d'accord minerait sa propre prémisse ; c'est donc le résultat sur lequel l'article s'appuie.

Là où l'ancre inverse est faible

Un détail rapporté va à l'encontre d'une lecture simple de la méthode. Prise isolément, la postérieure inverse est moins précise que les alternatives purement vers l'avant qu'elle est censée améliorer. Les auteurs ne le cachent pas. Ils soutiennent que sa valeur réside dans le fait d'être une ancre plus utile qu'une alternative purement vers l'avant, parce qu'elle apporte des informations que l'ensemble vers l'avant ne peut produire seul.

Ce que le résultat sur DDXPlus ne dit pas

Le résumé ne contient aucun chiffre. Il n'y a pas de taux d'exactitude, pas de marge par rapport à une référence, pas d'intervalle de confiance et pas de résultat par socle, et les cinq socles LLM ne sont jamais nommés. « Meilleure performance parmi les méthodes évaluées » est l'affirmation quantitative la plus forte du texte, et il s'agit d'un classement plutôt que d'une mesure. Quiconque souhaite comparer cette approche à un pipeline de production devrait y voir une lacune à vérifier dans l'article complet, et non un chiffre établi.

Il y a un second fil à tirer. La méthode est présentée comme une ancre sans étiquettes, ce qui signifie qu'elle classe les agents sans réponses de référence. Mais l'article ajoute que lorsque des données étiquetées sont disponibles, une calibration légère en deux étapes peut affiner davantage l'ancre inverse et améliorer l'agrégation. La technique fonctionne donc sans étiquettes et fonctionne mieux avec elles, ce qui lie le choix de la variante aux données dont une équipe dispose ou non.

La lacune que l'article pointe est structurelle plutôt qu'exotique. Les méthodes d'agrégation combinent des estimations sans distinguer les défaillances indépendantes des défaillances partagées, et une majorité confiante peut masquer la différence. Le raisonnement bayésien rétrograde est une façon de demander si un ensemble est diversifié de la manière qui compte. Que cette question tienne au-delà de DDXPlus est laissé au texte complet et à quiconque tentera de le reproduire.