Encyclopédie › Technologie › Le comportement des machines : de l’homo œconomicus à la machine irrationnelle

Technologie | Le 27 novembre 2025, par Raphaël Deuff. Temps de lecture : huit minutes.

« Carnets de salon »

Le comportement des machines : de l’homo œconomicus à la machine irrationnelle

Intelligence artificielle et sciences comportementales

Fabrice Le Guel, maître de conférences en sciences économiques à l’Université Paris Saclay, a présenté lors du dernier salon Big Data & AI de Paris (1er et 2 octobre 2025) une analyse du comportement des machines et de la réaction humaine face à ces systèmes. À l’heure où les nouvelles technologies d’intelligence artificielle (IA), comme les grands modèles de langage (LLM), sont peu à peu adoptées dans le monde économique et dans les entreprises, l’approche de Fabrice Le Guel s’inspire du béhaviorisme pour étudier les algorithmes comme des entités observables. Retour, dans ces « carnets de salon », sur ce champ de recherche stimulant à la croisée entre modélisation économique, psychologie et étude d’explicabilité des modèles.

Carnets de salon / BigData & AI Paris 2025 © Sambuc éditeur, 2025

Le 1er octobre 2025, à l’occasion du Salon Big Data & AI de Paris, l’universitaire Fabrice Le Guel présentait une conférence sur les nouveaux modèles d’intelligence artificielle envisagés sous le prisme de leur comportement. L’économiste, maître de conférences à l’Université Paris Saclay et spécialiste de l’adoption et l’usage des nouvelles technologies, explorait notamment la possibilité de faire fonctionner les grands modèles de langage (LLM) comme des agents économiques, dont le chercheur peut étudier le comportement et les interactions dans un contexte donné.

L’approche de Fabrice Le Guel trouve son fondement dans un article de référence publié dans la revue Nature en 2019, intitulé « Machine behaviour » (Iyad Rahwan, Michael Wellman et al.). Ce travail souligne l’omniprésence des algorithmes dans les économies contemporaines, qu’il s’agisse de tarification dynamique (pricing), de transactions financières automatisées, d’évaluation et de recommandation de produits (scoring), de publicité ciblée ou encore de mise en relation amoureuse. La complexité de ces systèmes, souvent opaques dans leur fonctionnement, conduit à les considérer comme des boîtes noires ; cette opacité justifie l’adoption d’une méthode d’observation empruntée à l’éthologie, la science qui étudie le comportement animal dans son milieu naturel. Cette discipline a inspiré en psychologie le béhaviorisme, courant qui privilégie l’étude des comportements observables plutôt que celle des mécanismes mentaux internes, en analysant les relations entre stimuli et réponses (modèle du cerveau comme d’une boîte noire).

Des biais humains chez les modèles de langage

Les grands modèles de langage illustrent parfaitement cette problématique. Du point de vue de la théorie des jeux, cadre mathématique analysant les décisions stratégiques d’agents rationnels en interaction (le fameux homo œconomicus de l’économie néoclassique), ces modèles manifestent en effet des biais « émotionnels » comparables à ceux des humains. Par ailleurs, des outils comme AutoGen, développé par Microsoft, permettent désormais de mettre en interaction plusieurs agents artificiels pour résoudre des tâches complexes de manière collaborative : ces dispositifs ouvrent ainsi des perspectives pour modéliser des agents économiques et étudier leurs comportements sur un marché simulé, en faisant interagir plusieurs modèles de langage comme pourraient interagir des humains.

Certaines entreprises spécialisées dans les sondages commencent d’ailleurs, selon Fabrice Le Guel, à utiliser ces grands modèles pour estimer les comportements, sentiments et évaluations au sein de populations d’utilisateurs. Cette pratique soulève toutefois une interrogation fondamentale : quel « individu » interroge-t-on réellement lorsqu’on sollicite un agent artificiel ? Les machines demeurent en effet des agents au comportement moyen, reproduisant des régularités statistiques. Certains chercheurs les qualifient de « perroquets stochastiques », expression introduite par Bender et ses collègues en 2021 pour critiquer l’absence de véritable compréhension derrière la reproduction de motifs linguistiques (Emily M. Bender, Shmargaret Shmitchell et al., « On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? », Association for computing machinery, mars 2021). Malgré cette limite, des stratégies heuristiques (et donc une forme d’inventivité) peuvent être observées dans les réponses des LLM.

L’avantage des gros acteurs sur les marchés d’innovation

La nature même des grands modèles de langage rend d’autre part leur comportement difficile à anticiper. Parmi les problématiques de recherche dans l’étude des LLM : quelle variabilité observe-t-on lorsqu’on interroge cent fois cent machines différentes ?

Cette interrogation rejoint des considérations plus larges sur le statut des intelligences artificielles génératives en tant que technologie d’usage général. Ces innovations, au même titre que l’électricité ou Internet avant elles, se caractérisent par leur omniprésence, leur amélioration continue et leur capacité à engendrer de nouvelles innovations. Leur diffusion massive dans de multiples secteurs transforme profondément l’économie et la société.

L’articulation entre cette omniprésence technologique et les comportements d’adoption reste un enjeu majeur. Le marché des grands modèles de langage présente les caractéristiques d’un marché où l’acteur dominant capte une part disproportionnée des parts d’utilisateurs, phénomène désigné par l’expression winner takes more (« le gagnant remporte davantage »). Ces marchés se distinguent par des effets de réseau et des économies d’échelle qui favorisent les acteurs dominants sans nécessairement éliminer toute concurrence. Comprendre ces dynamiques suppose d’analyser conjointement le comportement des machines et celui des humains qui les adoptent, les utilisent et s’y adaptent.

Raphaël Deuff