Les grands modèles de raisonnement (LRM) impressionnent par leurs performances. Certains réussissent des problèmes mathématiques complexes et peuvent même s’attaquer à des questions qu’ils n’ont jamais rencontrées auparavant. Mais plusieurs études récentes invitent à regarder ces résultats avec un peu plus de recul.
Le problème concerne notamment leurs fameuses « chaînes de pensée ». Ces étapes de raisonnement affichées à l’écran donnent l’impression que le modèle avance progressivement vers une solution. Pourtant, elles ne refléteraient pas toujours ce qui se passe réellement au moment où l’IA produit sa réponse.
Quand les performances ne suffisent plus
En mai 2026, un modèle généraliste d’OpenAI a notamment résolu en une seule tentative le célèbre problème de la distance unitaire en mathématiques. De leur côté, Google DeepMind et le mathématicien Terence Tao ont amélioré les solutions de 67 problèmes scientifiques. Ces performances montrent les progrès réalisés par les modèles de raisonnement. Elles ne permettent toutefois pas, à elles seules, de déterminer comment ils arrivent à leurs réponses.
Plusieurs travaux menés ces dernières années vont justement dans ce sens. Des chercheurs du Santa Fe Institute ont notamment étudié la manière dont les LRM utilisent leurs étapes de raisonnement. Leurs résultats suggèrent que certains modèles peuvent s’appuyer sur des indices superficiels plutôt que de suivre une méthode logique complète.
Les textes produits pendant cette phase de « réflexion » ne constitueraient donc pas nécessairement une retranscription fidèle du raisonnement du modèle. Ils pourraient parfois servir davantage de support à la génération de la réponse que d’explication de la manière dont celle-ci a été obtenue.
Une partie du raisonnement pourrait être inutile
Une étude publiée en 2025 par Northeastern et UC Berkeley permet de mesurer plus concrètement ce phénomène. Sur plusieurs modèles open source étudiés, les chercheurs ont estimé que 30 % à 60 % des étapes générées avaient peu d’effet sur le résultat final.
Une autre expérience, menée en 2025 par l’équipe de Subbarao Kambhampati, arrive à une conclusion assez surprenante. En remplaçant les étapes de raisonnement d’un modèle par des informations erronées, les chercheurs ont constaté que ses performances pouvaient rester largement inchangées.
Des travaux publiés dès 2024 par des chercheurs de l’Université de New York allaient déjà dans cette direction. Dans certaines expériences, de simples suites de points pouvaient remplacer un texte de raisonnement structuré sans faire chuter les performances du modèle.
Pour Kambhampati, ces résultats sont compatibles avec une autre explication du fonctionnement des LRM. Le modèle pourrait notamment s’appuyer sur des informations récupérées dans ses données d’entraînement et produire ensuite la réponse qui lui paraît la plus probable. Autrement dit, une chaîne de pensée convaincante ne serait pas forcément la preuve qu’un raisonnement logique s’est réellement déroulé étape par étape.
Un débat loin d’être terminé
Cette interprétation ne fait toutefois pas l’unanimité dans le secteur. Sébastien Bubeck, membre du personnel technique d’OpenAI, estime notamment que les modèles les plus récents ont dépassé certaines des limites observées sur les générations précédentes. Selon lui, des systèmes comme GPT-5.5 ne présenteraient plus nécessairement les mêmes défauts.
La chercheuse Melanie Mitchell apporte un autre éclairage au débat. Elle rappelle notamment un concept formulé en 1976 par Drew McDermott : la « mnémotechnique de souhait ». L’idée est de se méfier de notre tendance à donner des caractéristiques humaines aux programmes informatiques simplement parce que nous leur attribuons des noms ou des comportements qui nous sont familiers.
C’est justement l’un des enjeux actuels autour des modèles de raisonnement. Une IA peut produire une réponse impressionnante et afficher une chaîne de pensée parfaitement cohérente. Pourtant, celle-ci ne constitue pas forcément une explication fiable de son fonctionnement interne.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !
