Intelligence collective : décide-t-on mieux à plusieurs ?

il y a 1 month 10

« S’ils ne sont même pas capables d’estimer le poids d’un bœuf, comment pourraient-ils élire un président ? » Ainsi parlait Francis Galton, célèbre savant et aristocrate britannique. Fondateur de l’eugénisme, il s’était mis en tête de démontrer la stupidité collective par une expérience simple : en 1906, il s’est rendu sur une foire et a demandé à 788 personnes d’estimer le poids d’un bœuf. Il y voyait une métaphore de la démocratie, pour laquelle il n’avait que peu d’estime…

Les résultats lui ont procuré une certaine amertume. Certes, tous les visiteurs se sont trompés, parfois dans des proportions loin d’être anecdotiques. Mais la moyenne des estimations atteignait une précision de… 99,6 % ! L’estimation collective valait ainsi 545 kilogrammes, pour un poids réel de 547 kilos. Ce phénomène, qualifié de sagesse des foules et confirmé par de multiples travaux depuis, illustre un constat simple : nous pouvons être meilleurs à plusieurs.

Ce n’est pas automatique pour autant. Car ce que les recherches montrent aussi, c’est que la décision collective est souvent inefficace. Quelles conditions doit remplir un groupe pour bien fonctionner ? Comment optimiser les différentes étapes de la décision, depuis la collecte d’informations (typiquement le poids du bœuf si on doit proposer un prix d’achat) au choix final ? L’intelligence artificielle peut-elle nous aider à mieux décider ensemble ? Autant de questions explorées par le domaine de l’intelligence collective. Hérité de l’intelligence en essaim, qui s’intéressait aux colonies de fourmis et de termites dans les années 1980, ce champ de recherche analyse les différents types de décision humaine. Qu’il s’agisse de trancher sur un budget, de poser un diagnostic médical ou de choisir la playlist de la soirée, les scientifiques ont développé des techniques innovantes.

Les secrets des groupes efficaces

En 2010, Anita Woolley, de l’université Carnegie-Mellon, aux États-Unis, et ses collègues ont publié une expérience pionnière, montrant que la pertinence des décisions collectives est très variable selon les groupes. Dans cette étude, près de 700 personnes, réparties en groupes de deux à cinq, devaient discuter librement et parvenir à un consensus sur les actions à mener. L’objectif était d’effectuer diverses tâches, comme jouer aux dames par équipe contre un ordinateur ou maximiser l’efficacité d’une séance collective de shopping – les participants devaient choisir les boutiques où acheter le maximum d’éléments d’une liste de courses, en minimisant la distance parcourue et en respectant le budget. Or les performances aux différentes tâches étaient non seulement très différentes selon les groupes, mais surtout corrélées entre elles. Autrement dit, quand un groupe est performant sur une tâche, il tend à l’être partout. Selon les chercheurs, cela traduit l’existence d’un facteur d’intelligence collective c caractérisant l’efficacité d’un groupe et assimilable au quotient intellectuel (QI) déterminé pour les individus.

Les analyses ont montré que la sensibilité sociale – la capacité à comprendre ce que les autres essaient d’exprimer – est un déterminant clé de cette intelligence. On la mesure avec un test qu’on appelle Reading the mind in the eyes (« lire l’état d’esprit dans les yeux »), qui consiste à essayer de deviner l’émotion exprimée par un regard : en pratique, c’est par cette faculté à détecter une émotion que l’on s’approche le plus de la capacité à identifier le sens d’une expression « en général ». Plus le score moyen à ce test est élevé dans un groupe, plus ce dernier est performant (plus son facteur c est élevé). Ce score prédisait même bien mieux les performances que le QI moyen des membres. Les groupes étaient en outre d’autant plus efficaces qu’ils comptaient de femmes, ce qui semblait s’expliquer par leur meilleure sensibilité sociale – mesurée par cette étude et attestée par plusieurs autres.

Dans les années qui ont suivi, la psychologue américaine a montré que ce facteur prédit aussi un bon fonctionnement du groupe dans les réunions en visioconférence ou en chat. La forte sensibilité sociale favorise notamment les échanges constructifs. Dans ces travaux, les groupes étaient d’ailleurs d’autant plus efficaces que le temps de parole était bien réparti. Comme l’explique Anita Woolley : « Les personnes socialement sensibles communiquent efficacement, car elles savent observer les signaux émotionnels, se mettre à la place des autres et lire entre les lignes. »

En 2017, ses collègues et elle ont découvert que les équipes dotées d’une bonne sensibilité sociale se coordonnent mieux même quand l’essentiel des communications est tacite. Ces équipes avaient ainsi de meilleures performances au jeu vidéo League of Legends, où les joueurs s’organisent en groupes pour combattre les autres. Probablement parce que leurs membres comprenaient mieux les mouvements et les intentions de leurs coéquipiers, et décidaient de leurs propres actions en conséquence sans même avoir besoin de se parler. Dans un travail de doctorat cosupervisé par l’un d’entre nous (Mehdi Moussaïd) et par Brent Strickland (chercheur CNRS à l’École normale supérieure et à l’université UM6P de Rabat), Nouhayla Majdoubi teste actuellement si cela fonctionne aussi au foot : les équipes composées de joueurs ayant une forte sensibilité sociale gagnent-elles plus souvent ? Réponse prochainement !

En 2021, Anita Woolley et ses collègues ont publié une vaste synthèse de 22 études incluant plus de 1 300 groupes. Outre la confirmation de l’existence d’un facteur d’intelligence collective, ces travaux ont montré que les groupes les plus performants sont ceux qui parviennent à se coordonner pour couvrir tous les éléments d’une tâche et à répartir ces éléments entre les membres en fonction de leurs points forts et de leurs points faibles. Les auteurs suggèrent alors de nommer un facilitateur pour répartir les rôles et les tâches. Il peut aussi être utile de cartographier les compétences de chacun en amont (qui sait faire quoi, qui possède quelles informations, etc.) et de faire des points fréquents pour détecter les angles morts. Enfin, mieux vaut être attentif aux nombreux biais de discussion qui rendent souvent les réunions inefficaces.

Anticiper pour décider

Une autre façon de prévenir ces biais consiste bien sûr à adopter un mode de fonctionnement collectif qui ne passe pas par une discussion. Plusieurs techniques ont fait la preuve de leur efficacité, à tous les stades du processus de décision. En pratique, pour faire un choix, nous essayons souvent d’anticiper ce qui va advenir. Pour décider de retirer un grain de beauté, le dermatologue évalue le risque qu’il évolue en tumeur. Pour miser sur une équipe sportive plutôt que sur son adversaire, le parieur estime la probabilité qu’elle gagne. Pour prendre ou pas son parapluie, le promeneur jauge le risque d’averse…

Afin d’évaluer collectivement la probabilité de survenue d’un événement, le plus simple est alors de calculer la moyenne des estimations individuelles. Sachant que si le groupe a estimé le risque de pluie à 70 % et qu’il ne tombe pas la moindre goutte, cela ne signifie pas qu’il avait tort – puisqu’il restait tout de même 30 % de chances de temps sec. Pour mesurer la clairvoyance collective, il faut prendre d’énormes jeux de prédictions et faire quelques statistiques – autrement dit, vérifier que sur 100 fois où le groupe a prédit un risque de pluie de 70 %, il a bien plu 70 fois.

C’est ce qu’a effectué l’équipe du psychologue et économiste Philip Tetlock, de l’université de Pennsylvanie, aux États-Unis, après avoir proposé à des groupes d’évaluer la probabilité d’une série d’événements (du type « Les forces d’opposition syriennes auront-elles repris le contrôle d’Alep avant le 30 avril 2013 ? »). Les résultats, publiés en 2014, ont confirmé que la moyenne des estimations individuelles donnait une bonne approximation de la probabilité. Diverses astuces permettaient en outre d’optimiser encore les prédictions, comme calculer une moyenne pondérée en donnant plus de poids aux estimations des meilleurs prédicteurs individuels.

Le théorème de la diversité

Autre levier majeur pour améliorer la précision d’un groupe : augmenter sa diversité. L’idée est assez intuitive : si on prend des gens qui se ressemblent – qui ont le même âge, la même formation, le même genre, le même savoir-faire… et donc probablement une certaine ressemblance cognitive –, il n’y a pas vraiment de bonus à avoir un groupe, car tous ses membres vont converger vers la même solution, bonne ou mauvaise. Dans une simulation publiée en 2004, les chercheurs américains Lu Hong et Scott Page, de l’université du Michigan, aux États-Unis, ont testé l’influence de la diversité. Pour cela, ils ont créé des agents numériques capables d’appliquer un ensemble de règles afin d’identifier la valeur maximale prise par une fonction mathématique donnée (qui a plusieurs maximums locaux et un maximum global). Or les groupes d’agents dotés de règles très variées trouvaient une meilleure solution que ceux que constituaient les agents individuellement les plus performants (qui restaient plus souvent « bloqués » sur un maximum local). Autrement dit, les groupes hétérogènes surpassent les groupes d’experts, car ils explorent une plus grande partie de l’espace des possibles.

Scott Page est allé jusqu’à établir un « théorème de la diversité des prédictions » , dont la formulation mathématique est un peu compliquée, mais qui signifie en résumé ceci : l’erreur collective est égale à l’erreur individuelle moyenne moins la diversité des estimations. Autrement dit, pour augmenter l’intelligence collective d’un groupe, il y a deux solutions : soit faire monter en compétence chacun de ses membres, soit accroître sa diversité. En effet, même quand les erreurs individuelles sont importantes, elles finissent par s’annuler mutuellement si elles se produisent dans des directions aléatoires.

équation du théorème de la diversité des prédictions

Mieux qu’un expert ?

En 2011, Julia Minson, de l’université Harvard, a en outre montré qu’un expert peut être surpassé par un groupe : dans une tâche consistant à prédire le montant des indemnités accordées par le jury à la suite d’un procès, 15 étudiants en droit, dont les estimations étaient moyennées, ont fait mieux qu’un avocat expérimenté. Pour autant, tous ces travaux ne remettent pas en cause l’importance de l’expertise. D’une part, ils impliquaient des participants ou agents numériques possédant un certain nombre de connaissances de base dans le domaine : l’agrégation améliore la précision d’une foule qui détient un minimum de compétences, elle ne crée pas la bonne réponse à partir de rien. Si vous demandez à des enfants de cinq ans d’effectuer un diagnostic médical, leurs réponses ne seront pas meilleures qu’un lancer de dés et toutes les procédures d’intelligence collective ne feront qu’amplifier un bruit aléatoire.

D’autre part, dans les travaux menés par l’équipe d’Anita Woolley, les groupes réussissaient mieux certaines tâches techniques (comme… le sudoku !) quand ils comptaient un ou plusieurs membres experts. Attention toutefois, lorsque le fonctionnement collectif implique des réunions, à ce que ces derniers n’influencent pas trop le groupe, au détriment de la diversité. Quelques règles simples peuvent y aider .

Les marchés prédictifs

Le problème de la méthode de la moyenne est qu’elle est sensible aux valeurs extrêmes : le groupe surestime la probabilité des événements rares (gagner au loto, être victime d’un crash aérien) et sous-estime celle des événements très fréquents (comme les conséquences néfastes du tabagisme ou du changement climatique). D’abord en raison d’un biais cognitif individuel, qui nous rend peu doués pour estimer les valeurs statistiques extrêmes, et ensuite en raison d’un effet de groupe : quand on s’approche de 90 %, il reste peu de marge vers le haut et beaucoup vers le bas (ceux qui surestiment la fréquence ne pourront pas monter à 120 %, tandis que ceux qui la sous-estiment iront sans problème jusqu’à 60 %), de sorte que la moyenne des estimations a naturellement tendance à descendre.

Une autre méthode permet alors d’éviter cet écueil : les marchés prédictifs. Le principe est de vendre un pari sur un événement à un certain nombre de personnes, au prix maximum de 1 euro, et de laisser le prix du pari évoluer au gré de l’offre et de la demande ; si l’événement se produit réellement, on gagne 1 euro. Plus il y a de gens qui estiment un événement probable, plus les paris sur cet événement seront demandés et plus le prix de la transaction sera donc élevé.

En 2008, une vingtaine de scientifiques – dont quatre Prix Nobel et Philip Tetlock – vantaient cet outil dans la revue Science, y voyant une précieuse aide à la décision. Et en 2012, Lionel Page, de l’université de technologie de Queensland, et Robert Clemen, de l’université Duke, ont compilé le prix de près de 600 prédictions passées (fruits de plus de 500 000 transactions) et ont analysé ce qui est réellement survenu. Résultat : le prix auquel s’échange une prédiction traduit la probabilité de l’événement avec une très bonne précision. La correspondance est excellente à court terme, et un peu moins quand l’événement survient plus de 100 jours après la prédiction.

Les marchés prédictifs sont loin d’être cantonnés au laboratoire. De multiples entreprises, comme General Electric, Google, Arcelor Mittal ou Microsoft les utilisent déjà en interne, par exemple pour savoir si tel produit va bien fonctionner ou pour anticiper l’évolution du cours du pétrole. Un certain nombre de plateformes en ligne en proposent également. Ainsi de la plateforme Hypermind, conçue par l’entrepreneur et chercheur français Émile Servan-Schreiber. À la question « En 2026, les États-Unis ou Israël récupéreront-ils une partie des stocks d’uranium enrichi de l’Iran ? », le marché prédisait « non » à 88 % le 16 juin 2026. Le même jour, à la question « Qui succédera à Macron à la présidence de la République française ? », aucun des candidats soupçonnés ou déclarés ne dépassait les 25 %, là où la réponse « Quelqu’un d’autre » culminait aux environs de 60 %.

Ces plateformes suscitent toutefois quelques réserves. Un article publié en 2026 dans la revue Nature soulignait ainsi qu’elles peuvent être sensibles à l’émotion du moment et à divers événements marquants : juste après l’annonce d’une épidémie de hantavirus sur un navire de croisière en mai 2026, l’un de ces marchés a évalué à 19 % une probabilité d’épidémie mondiale dans l’année, mais cette probabilité est tombée à 5 % quelques semaines plus tard, une fois passé le choc initial. Selon Bill Hanage, épidémiologiste à l’université Harvard, les paris en la matière pourraient être biaisés par l’anxiété autour des pandémies, consécutive au Covid-19. Dans une tribune récente au journal Le Monde, l’économiste Jamal Bouoiyour s’inquiétait en outre des risques de manipulation, certains acteurs pouvant avoir intérêt à biaiser le marché par des achats massifs d’actions, au service de stratégies d’influence ou de spéculation financière. À noter enfin que certaines plateformes sont parfois partiellement bloquées, en raison des régulations sur les paris en ligne (ce n’est pas le cas de Hypermind, qui est gratuite et fonctionne avec une sorte de monnaie virtuelle).

Le moment de trancher

Après la phase d’analyse et de réflexion, il reste à trancher. Peut-on faire mieux à plusieurs ? La question a été particulièrement étudiée dans le cas du diagnostic médical, en raison des enjeux associés : pour les seuls États-Unis, les erreurs de diagnostic seraient à l’origine de plus de 700 000 cas graves (handicap permanent ou décès).

En 2016, Ralf Kurvers, de l’institut Max-Planck pour le développement humain, et ses collègues ont étudié l’efficacité d’un simple vote. Dans leur étude, 40 dermatologues ont examiné les dossiers médicaux de 108 patients et se sont prononcés sur la nature d’une lésion cutanée (dont l’évolution était connue des chercheurs) : bénigne ou cancéreuse ? Résultat : individuellement, les médecins donnaient le bon diagnostic pour 63 % des dossiers, et collectivement (en prenant le diagnostic choisi le plus souvent), dans 65 % des cas. La précision s’améliorait donc, mais de seulement deux points, pour 40 fois plus de médecins mobilisés.

La technique de la métamajorité

D’autres travaux retrouvent la même conclusion avec des questions de culture générale ou des parties d’échecs dans des configurations piégeuses (un coup paraît évident mais a des conséquences négatives ultérieures). La majorité se trompe donc souvent, en partie à cause d’éléments trompeurs dans les données à analyser. Il existe alors une autre méthode, dont Drazen Prelec, de l’institut de technologie du Massachusetts (MIT), aux États-Unis, a prouvé toute l’efficacité en 2017 : celle de la réponse étonnamment populaire (surprisingly popular answer, en anglais). Le principe est de poser deux questions : « À votre avis, quelle est la bonne réponse ? », puis « À votre avis, quelle sera la réponse majoritaire ? ». On pourrait parler de technique de la métamajorité, car on sollicite ainsi une capacité de métacognition, dans la mesure où les participants doivent prendre du recul sur leur propre réponse.

L’idée est astucieuse : quelqu’un qui détecte une question piège répondra différemment aux deux questions, car il pensera que la majorité se trompera. S’il connaît la capitale de la Côte d’Ivoire, par exemple, il répondra probablement Yamoussoukro à la première question, mais Abidjan – la plus grande ville du pays – à la seconde. Des réponses divergentes signalent ainsi une question piège, il faut alors suivre la minorité.

Dans une série d’expériences, Drazen Prelec a appliqué sa méthode au diagnostic médical, aux questions de culture générale et à l’estimation du prix d’œuvres d’art – autre domaine où les gens se trompent beaucoup, ayant tendance à attribuer un prix élevé à toute œuvre qui a l’air profonde. Les résultats ont été systématiquement bien meilleurs qu’avec la méthode de la majorité simple. Quand il s’agissait par exemple d’indiquer la capitale des États américains, cette dernière méthode ne donnait que 35 % de bonnes réponses, là où la métamajorité culminait à plus de 80 %. Pour le diagnostic médical, la précision était d’environ 74 %.

Une liste de choix

Une autre méthode est très performante dans ce dernier cas, comme l’ont montré en 2023 Ralf Kurvers et ses collègues : plutôt que de donner seulement son premier choix, chaque participant est libre d’indiquer plusieurs options, de la plus probable à la moins probable. En cas de douleurs à la poitrine, de fièvre et de malaises, il pourra par exemple proposer : 1. Bronchopneumopathie obstructive chronique (une atteinte des poumons et des bronches souvent liée au tabac) ; 2. Narcolepsie ; 3. Dépression. Selon les auteurs, cela correspond d’ailleurs davantage à la pratique réelle des médecins, qui procèdent par élimination d’hypothèses. On attribue ensuite un poids à chaque option en fonction de sa position sur la liste (la première ayant le poids le plus élevé) et on calcule la moyenne pour tous les participants. Le diagnostic final correspond à la maladie qui obtient la moyenne la plus élevée. Il est aussi possible de renvoyer la liste des 3 options les plus probables selon le collectif, en laissant un médecin, expert du domaine, effectuer le choix final.

Dans l’étude de Ralf Kurvers, la méthode a été testée sur 1 333 cas répertoriés dans une base de données et en agrégeant automatiquement les propositions de 10 médecins. Résultat : le bon diagnostic est apparu en tête de liste pour environ 57 % des dossiers – là où les médecins seuls n’étaient qu’à 37 %. La probabilité que ce diagnostic se trouve dans la liste des 3 pathologies les plus plébiscitées est en outre passée de 46 % à 76 %.

L’IA, un membre du groupe comme un autre ?

En 2025, Nikolas Zöller et ses collègues, au sein de cette même équipe, ont découvert qu’intégrer des IA génératives au groupe permet d’augmenter encore l’efficacité de cette méthode. Les diagnostics de 5 médecins étaient ainsi compilés avec ceux établis par 5 modèles de langage classiques (ChatGPT, Gemini, Claude…), à partir des mêmes descriptions cliniques. Les résultats ont montré que le groupe humain-IA surpassait les humains seuls ou les IA seules. La précision d’un groupe hybride était ainsi supérieure de quelques points de pourcentage par rapport à celle d’un groupe de médecins, et de 10 à 20 points de pourcentage par rapport à celle d’un médecin seul. Une analyse fine des données a en outre révélé que cette intégration de l’IA accroissait la diversité des erreurs, ce qui aidait les diagnostics corrects à émerger (car si tout le monde faisait la même erreur, ce serait elle qui remporterait le vote).

Plus généralement, un collectif d’experts s’est penché sur les promesses et les dangers de l’IA en matière d’intelligence collective, synthétisant les recherches sur le sujet dans la revue Nature Human Behaviour en 2023. Selon eux, les modèles de langage peuvent augmenter cette intelligence, car ils permettent par exemple d’agréger les opinions de groupes plus nombreux (l’IA aide alors à résumer les positions des uns et des autres, traduit les interventions si besoin, etc.) ou d’augmenter le nombre d’idées émises – de récents travaux ont montré qu’il ne faut que quelques heures à une IA générative pour en proposer autant qu’un groupe humain en plusieurs jours, voire plusieurs mois. Le risque étant, pour ces experts, que la diversité des idées diminue si tout le monde s’appuie sur les mêmes modèles de langage. Pour y remédier, ils en appellent à plus de transparence sur le fonctionnement de ces modèles, afin de favoriser leur étude et leur diversification.

Quand la décision est subjective

Plusieurs méthodes permettent donc de mobiliser l’intelligence collective pour améliorer les décisions. Mais, dans nombre de cas, l’existence même d’une bonne décision est sujette à caution, tant les critères de choix incluent une part de subjectivité : quel homme politique est-il le plus compétent pour diriger le pays ? Quelles règles morales faut-il implémenter dans une voiture autonome ? Quel est le meilleur film de l’année, le meilleur morceau de musique, le meilleur restaurant ?

Des recherches surprenantes suggèrent qu’en l’absence de bonne réponse objective, le résultat d’un choix collectif découle en grande partie d’une dynamique d’amplification aléatoire. Dans une expérience publiée en 2006 par Matthew Salganik, de l’université de Princeton, aux États-Unis, et ses collègues, plus de 14 000 volontaires se sont vu proposer d’écouter des chansons, qu’ils pouvaient ensuite télécharger librement. Dans les cas où les participants voyaient le nombre de téléchargements de chaque morceau, le succès de ces derniers n’était que très partiellement lié à leur qualité intrinsèque – mesurée par les préférences individuelles en l’absence d’influence sociale. « Les meilleures chansons ont rarement fait un flop, et les pires ont rarement eu du succès, mais tout autre résultat était possible », écrivent les chercheurs.

Ceux-ci ont répliqué l’expérience dans huit « mondes virtuels » indépendants et constaté que le succès d’un même morceau était très variable entre les mondes. Les préférences des premiers participants impriment un mouvement dans un sens ou dans l’autre, qui est ensuite amplifié par la dynamique sociale. Bien sûr, dans la vie réelle, nous ne connaissons pas le nombre exact de téléchargements de chaque morceau. Mais nous sommes exposés à des signaux d’influence sociale bien plus nombreux : le nombre de vues sur YouTube, d’écoutes sur Spotify, d’étoiles sur Amazon, d’avis sur Google, sans parler des sondages électoraux qui proposent en temps réel des intentions de vote de millions de personnes à partir de guère plus de un ou deux milliers de personnes, certes réputées représentatives, interrogées. Loin d’être un artefact de laboratoire, le mécanisme d’amplification aléatoire opère donc en permanence dans nos choix culturels, commerciaux et politiques. Bon à savoir avant l’élection présidentielle de 2027 en France…

L’évaluation des décisions collectives reste en tout cas compliquée lorsque aucune référence absolue ne permet de savoir si l’on a eu tort ou raison. Dans ces situations, on évalue plutôt divers types de critères : le groupe a-t-il réussi à trancher dans un temps raisonnable ? Ses membres sont-ils satisfaits du résultat ? La polarisation a-t-elle diminué ?

Essayer de minimiser les biais de discussion est alors probablement utile. Les travaux d’Anita Woolley et ses collègues montrent par exemple qu’un temps de parole mieux réparti aboutit à un meilleur équilibre des perspectives concurrentes dans un jugement moral (en l’occurrence, décider de la procédure disciplinaire à engager envers un étudiant qui a tenté de soudoyer son professeur pour obtenir une meilleure note). Recourir à un facilitateur peut donc être intéressant pour veiller à cette répartition.

Mais une autre technique semble intéressante : la méthode Delphi (du nom de la ville de Delphes, où un oracle émettait ses prédictions dans l’Antiquité grecque). Le principe est de répéter des cycles de plusieurs séquences : on commence par voter (de façon anonyme, pour minimiser les pressions des autres), puis on observe les résultats, on argumente et on recommence le cycle. Conçue dans les années 1950 en collaboration avec l’armée de l’air des États-Unis pour des évaluations stratégiques (quel ensemble de cibles industrielles choisirait de bombarder un planificateur soviétique ?), cette méthode est intrinsèquement destinée à produire du consensus parmi un groupe de personnes.

En 1999, Gene Rowe, de l’Institut de recherche alimentaire de Norwich, et George Wright, de l’université Strathclyde, ont passé en revue les recherches évaluant son efficacité. Certaines tâches auxquelles elle était appliquée avaient une solution objective (évaluer le diamètre de Jupiter), dont le groupe s’approchait alors davantage. Mais pour d’autres, les réponses comportaient une part de subjectivité (lister par ordre de priorité les 15 objets les plus utiles pour survivre sur la Lune), voire dépendaient des valeurs individuelles (identifier les 7 principales caractéristiques d’un programme de formation efficace ; déterminer quelles valeurs les États-Unis devraient adopter). Dans ces derniers cas, le groupe se rapprochait davantage d’un consensus que s’il interagissait de façon non structurée : les votes ou opinions des uns et des autres devenaient de plus en plus similaires, même si l’accord n’était jamais parfait (là encore, le recours à un facilitateur peut être utile, afin de déterminer quand le niveau d’accord est suffisant pour trancher).

La question de savoir si cela traduit une réelle évolution des opinions individuelles ou une forme de conformisme reste débattue. Mais parvenir à converger sur ces sujets difficiles est déjà un apport notable. Nous avons donc tout intérêt à nous organiser lorsque nous devons décider ensemble.

Ce qui ne signifie pas qu’il n’y a aucune place pour l’informel en matière d’intelligence collective. En 2026, une surprenante étude publiée par Lluís Danús, de l’université de Pennsylvanie, aux États-Unis, et ses collègues a analysé l’impact de plus de 130 000 articles scientifiques (quantifié par différents indices mesurant à quel point ils sont partagés) et montré que le meilleur prédicteur du succès n’est pas le prestige de l’université, l’expérience du chercheur ou la méthodologie utilisée mais… le nombre de personnes remerciées à la fin ! Si ces personnes peuvent bien sûr participer à diffuser l’article, ce n’est sans doute pas la seule explication. Les discussions de couloir, les retours rapides sur une intuition, les conseils donnés après un séminaire ou les échanges à la machine à café sont importants pour améliorer la qualité d’un travail. Bref, veillez sur votre réseau informel, c’est une véritable infrastructure cognitive.