Pendant des décennies, la théorie des jeux a apporté une réponse assez ferme à la question de savoir si deux étrangers devraient coopérer lorsqu’ils ne se reverront jamais : absolument pas. Le comportement rationnel, selon l’équilibre de Nash, est de trahir. À chaque fois. Pas d’exception.
Un nouvel article de recherche de Google DeepMind, de l’institut d’IA Mila-Québec et de l’ETH Zürich affirme que les agents IA construits sur des modèles fondationnels ne respectent pas ces règles. Et ils ont les mathématiques pour le prouver.
La fin de la défection inévitable
L'article, soumis à arXiv le 4 août 2026, compte 75 pages et 11 figures, et introduit un concept que les auteurs appellent « inférence de similarité ». L'idée centrale est déceptivement simple : des agents IA construits à partir de processus d'entraînement similaires peuvent reconnaître cette similarité et l'utiliser pour prédire ce que fera l'autre agent.
La théorie classique des jeux traite chaque joueur comme un décideur entièrement indépendant, ce que l'article appelle « l'agence découplée ». Sous cette hypothèse, le choix de votre adversaire est une boîte noire. Vous ne pouvez pas le prédire, alors vous vous couvrez en défendant. L'équilibre de Nash s'applique, et tout le monde se retrouve dans une situation moins favorable que s'ils avaient coopéré.
L'équipe de recherche, dirigée par Alexander Meulemans, propose un cadre alternatif appelé « agence intégrée ». Dans ce modèle, les agents se perçoivent comme faisant partie de leur environnement plutôt que séparés de celui-ci. Plus important encore, ils conservent une incertitude authentique concernant leurs propres processus de prise de décision.
Cette incertitude est l’ingrédient clé. Étant donné qu’un agent n’est pas entièrement sûr de la manière dont il prendra une décision, il peut considérer son propre raisonnement comme une preuve de la manière dont un agent similaire raisonnerait. Si je penche vers la coopération et que je sais que mon homologue pense comme moi, alors mon homologue penche probablement aussi vers la coopération. La logique s’autofortifie pour aboutir à un résultat coopératif stable.
L'équilibre intégré remplace Nash
Pour le formaliser, l'article introduit un nouveau concept d'équilibre appelé « équilibre intégré ». Alors que l'équilibre de Nash suppose que les joueurs optimisent indépendamment, l'équilibre intégré prend en compte les corrélations entre les agents issues d'une architecture, de données d'entraînement et de procédures d'optimisation partagées.
Sous Nash, la coopération dans un dilemme du prisonnier à un seul tirage est irrationnelle. Sous l'équilibre intégré, elle peut être la seule stratégie rationnelle.
Les résultats empiriques des auteurs montrent que les agents de modèles fondationnels placés dans des dilemmes sociaux et dotés d'outils de planification optimisés convergent effectivement vers des résultats coopératifs. Les mathématiques prédisent la coopération, et les expériences le confirment.
Pourquoi cela importe au-delà du laboratoire
L'article soulève également des questions sur ce qui se produit lorsque les agents ne sont pas similaires. Si la coopération dépend de l'inférence de similarité, alors les interactions entre des agents construits sur des architectures différentes ou formés sur des données différentes pourraient revenir aux dynamiques classiques de défection.
Pour les décideurs politiques et les organismes de gouvernance de l'IA, le concept d'équilibre intégré introduit une variable que les cadres réglementaires existants ne prennent pas en compte. Le droit de la concurrence, par exemple, exige généralement des preuves de communication explicite pour établir une collusion. Les agents qui coopèrent par inférence de similarité ne communiquent rien. Ils pensent simplement de la même manière.