Lorsqu'une équipe grandit, la question « comment partageons-nous nos connaissances » se résout presque toujours de manière spontanée : certains écrivent dans un canal commun, d'autres prennent des notes, d'autres encore préfèrent les conversations en tête-à-tête. Les règles formelles, elles, sont soit absentes, soit copiées d'un précédent emploi. Un nouveau travail sur arXiv suggère que la conception manuelle de telles règles n'est peut-être pas la voie la plus efficace — du moins lorsqu'il s'agit de recherche collective de solutions.
De quoi parle-t-on au juste
L'intelligence collective — qu'il s'agisse d'un groupe de recherche, d'une équipe d'ingénieurs ou d'une communauté de développeurs — dépend largement des processus de transfert de connaissances. Qui partage l'information, quoi exactement, avec qui et à quel moment — tout cela détermine la vitesse à laquelle le groupe parvient à une solution. Ces processus se construisent en partie d'eux-mêmes, à partir des habitudes individuelles et des caractéristiques cognitives des participants, mais ils peuvent aussi être définis délibérément par le haut.
Jusqu'à présent, les recherches sur l'influence du transfert de connaissances sur les résultats de groupe se sont faites principalement à travers le prisme de la structure du réseau : on modifiait qui est connecté à qui et à quelle fréquence se produit l'échange. Cette approche est pratique, mais elle a une limite fondamentale.
Le problème des modèles en réseau
Un réseau, aussi complexe soit-il, ne connaît pas l'état des participants. Il ne peut pas décider « transmettre ceci précisément maintenant, parce que le collègue vient justement de buter sur la sous-tâche concernée » ou « retenir l'information jusqu'à ce que le groupe ait accumulé suffisamment de contexte ». La topologie décrit les canaux, mais ni le contenu ni le moment.
Autrement dit, les modèles classiques répondent à la question « qui avec qui », mais ignorent la question « quoi et quand ». Or c'est souvent de la seconde que dépend si l'échange s'avère utile ou se transforme en bruit.
Des protocoles qui tiennent compte de l'état
Les auteurs du travail « Discovering Adaptive Transmission Programs for Collective Innovation » proposent de formaliser les règles d'échange sous forme de programmes sensibles à l'état (state-aware programs). Un tel programme achemine l'information et les ressources en fonction de la situation du moment — ce que sait un agent donné, dans quel état se trouve le collectif dans son ensemble.
Cela déplace l'accent : au lieu de « dessinons un graphe de connexions », nous obtenons « écrivons un algorithme qui décide à chaque instant quoi transmettre à qui ». Naturellement, un tel algorithme ne se conçoit pas à la main — l'espace des règles possibles est immense, et l'intuition est ici une mauvaise conseillère.
Comment on a cherché les règles adaptées
Pour la tâche de découverte collective, les chercheurs ont appliqué une recherche évolutionnaire, dont la direction est guidée par un modèle de langage. En substance, le LLM joue le rôle de générateur d'hypothèses : il propose des variantes de protocoles, et le mécanisme évolutionnaire sélectionne celles qui améliorent réellement le résultat du groupe, puis engendre les générations suivantes sur leur base.
Un tel symbiose n'est pas rare dans les travaux modernes, mais ici le résultat compte : les protocoles trouvés au cours de la recherche ont surpassé les références standards de la littérature, avec un gain de productivité collective atteignant 37 %. Ce n'est pas une amélioration cosmétique, mais la différence entre « l'équipe travaille normalement » et « l'équipe travaille nettement mieux » — à composition et tâche identiques.
Un test d'honnêteté
Un beau chiffre s'obtient facilement par hasard, c'est pourquoi les auteurs ont réalisé des ablations — c'est-à-dire qu'ils ont retiré tour à tour des éléments individuels des protocoles trouvés. Le résultat le plus révélateur : si l'on conserve la topologie du réseau et le timing des échanges, mais qu'on supprime la dépendance au contenu et à l'état, l'avantage disparaît complètement.
C'est précisément là le principal argument de l'article. Le gain ne provient pas d'un schéma de connexions astucieux ni d'un calendrier judicieux, mais de la sensibilité à ce qui se passe à l'intérieur des participants et du groupe. L'ablation écarte l'explication alternative et n'en laisse qu'une.
Cela fonctionne-t-il au-delà d'une seule tâche
Le deuxième résultat important est la transférabilité. Les protocoles issus de l'évolution conservaient leur efficacité lors de variations du domaine et lors du remplacement de la population d'agents. Autrement dit, la règle trouvée n'est pas ajustée à un scénario étroit particulier, mais reflète quelque chose de plus général sur la manière dont il convient de répartir l'information dans un groupe.
Ce que cela signifie pour les équipes réelles
La conclusion des auteurs est la suivante : des protocoles de transfert de connaissances efficaces et généralisables peuvent être trouvés in silico, c'est-à-dire en simulation, avant même qu'ils n'apparaissent dans une équipe réelle. Cela ouvre la voie à une conception assistée par IA de l'infrastructure de coordination — règles, rituels et outils qui augmentent l'intelligence collective des personnes plutôt que de la remplacer.
En pratique, cela pourrait ressembler à ceci :
- Les règles d'échange cessent d'être universelles. Au lieu d'un règlement unique « tout le monde rédige des rapports le vendredi », apparaissent des scénarios dépendant de l'étape où en est le travail et de ce que savent déjà les participants.
- Une demande d'état émerge. Pour que le protocole fonctionne, le système doit comprendre qui sait quoi et où il est bloqué. C'est déjà une question d'outils — gestionnaires de tâches, bases de connaissances, systèmes de documentation.
- La conception des règles devient une tâche à part entière. Non pas « copions chez les voisins », mais « testons plusieurs variantes sur le modèle et voyons laquelle donne le meilleur résultat ».
Il convient de préciser : l'article est publié dans la rubrique cs.AI sur arXiv, présenté à CogSci 2026, et la version étendue, selon les auteurs, est encore en préparation. Il s'agit d'une recherche sur des simulations, et non d'un produit prêt à être déployé dès demain dans un service de vingt personnes. Le transfert des résultats vers des organisations réelles est une tâche à part entière, et pas des plus simples.
En bref
Les protocoles de partage des connaissances n'ont pas besoin d'être inventés à la main ni copiés chez les autres. On peut les rechercher automatiquement, si l'on évalue les règles non pas à la beauté du schéma de connexions, mais à leur degré de sensibilité à l'état des participants. Dans l'expérience, une telle recherche a produit un gain de productivité collective allant jusqu'à 37 %, et les ablations ont confirmé que c'est bien la prise en compte de l'état qui est en cause, et non la topologie ou le timing. Pour l'instant, c'est un résultat en simulation — mais la direction semble prometteuse.
