Trois IA qui votent ne font pas mieux que la meilleure des trois

Vous avez ajouté un deuxième assistant à votre outil de traitement des factures. L'idée tenait en une phrase : quand le premier se trompe, le second le corrige. Trois semaines plus tard, une facture part avec un mauvais montant. Les deux assistants avaient répondu la même chose.

L'intuition reste raisonnable. Elle repose pourtant sur une hypothèse que presque personne ne vérifie : que deux programmes différents se trompent à des moments différents.

Une étude déposée le 4 novembre 2026 sur arXiv examine cette hypothèse. arXiv est l'archive publique où les chercheurs déposent leurs travaux avant publication. Quatre chercheurs y comparent un service rendu par un seul modèle d'intelligence artificielle et le même service rendu par trois modèles qui votent.

Leur conclusion tient en une phrase. Trois modèles qui votent protègent contre le plus faible, pas contre le meilleur.

Le guichet où trois employés lisent la même fiche

Le cas étudié est concret. Un programme reçoit le nom d'une substance chimique. Il ouvre la fiche officielle publiée par l'Agence européenne des produits chimiques, puis il en extrait les mentions de danger. Ces mentions sont les phrases de sécurité imprimées sur un bidon.

Trois modèles font ce travail séparément, sans se parler. Une règle compare ensuite leurs trois réponses et ne garde que les mentions citées par au moins deux d'entre eux. C'est ce qu'on appelle un vote majoritaire.

L'analogie est celle du guichet. Trois employés lisent la même fiche, chacun dans son coin, et l'on ne retient que ce que deux au moins ont lu. Si l'un saute une ligne, les deux autres la rattrapent.

Le choix du domaine n'est pas anodin. La réglementation chimique impose une réponse exacte, vérifiable auprès d'une source publique. Le chercheur peut donc dire sans discussion si la réponse est juste ou fausse. Sur un sujet plus flou, la même expérience serait impossible à noter.

Neuf substances ont servi de test, dont l'acétone, l'éthanol et le paracétamol. Chacune a été soumise dix fois à chacun des trois modèles. Cela représente 270 appels, dont trois écartés pour une erreur de connexion au serveur.

Les trois modèles sont GPT-5-mini, Gemini-2.5-Flash et Qwen2.5-VL-3B. Le dernier est un petit modèle installé sur un serveur local, du type qu'une entreprise héberge pour maîtriser ses coûts ou ses données.

Ce que le vote a rattrapé, et ce qu'il n'a pas vu

Les résultats séparent nettement les trois modèles sur les substances portant plusieurs mentions.

Le premier n'a jamais échoué. Le deuxième a échoué sept fois sur soixante-neuf essais. Le troisième a échoué trente fois sur soixante-dix.

Le vote a fait son travail sur ces erreurs isolées. Il en a masqué trente-six sur trente-sept. Une seule a survécu, et son histoire est instructive.

Ce jour-là, un appel du deuxième modèle a été perdu à cause d'une erreur de serveur. Il ne restait que deux réponses au lieu de trois. L'une des deux omettait une mention. Avec deux réponses seulement, une omission suffit à faire disparaître la mention, car le vote n'a plus de majorité à former.

Le problème n'est donc pas le vote en lui-même. C'est ce qui arrive quand l'un des votants manque à l'appel. La règle change sans prévenir.

Reste la question qui compte pour un dirigeant. Le dispositif à trois modèles fait-il mieux que le meilleur des trois, utilisé seul ?

La réponse des chercheurs est non, du moins pas clairement. Le vote dépasse largement le modèle le plus faible. Il ne dépasse pas de façon nette le meilleur. Sur les substances à mention unique, aucun modèle n'a échoué, et l'écart entre les deux dispositifs n'est plus mesurable avec ces données.

Les auteurs le disent eux-mêmes. Avec neuf substances, l'échantillon ne permet pas de trancher. Leur fourchette de fiabilité, c'est-à-dire l'encadrement du taux de réponses justes entre une borne basse et une borne haute, recouvre celle du meilleur modèle utilisé seul.

La règle qui assemble les réponses peut se tromper aussi

Il y a un second point, plus facile à négliger. Le vote n'est pas une opération gratuite et parfaite. C'est un morceau de programme, avec ses pannes.

Les chercheurs ont fait varier ce taux de panne. Si la règle elle-même se trompe sur cinq demandes sur cent, l'avantage du dispositif sur le modèle intermédiaire s'efface. Le point faible n'est plus la qualité des modèles. C'est la mécanique qui les assemble.

L'image est celle du chef d'atelier qui recopie les fiches de trois ouvriers. Si sa recopie est mauvaise, la qualité des trois fiches ne sert à rien.

Un troisième facteur pèse dans le même sens. Les trois modèles ne se trompent pas indépendamment. Ils lisent souvent le même document, reçoivent la même consigne et partagent une partie de leur culture d'origine. Quand une fiche est mal scannée, les trois la lisent mal.

Les auteurs appellent cela une cause commune. Ils ne la mesurent pas, ils la traitent comme un paramètre à faire varier. Leur conclusion mérite d'être citée telle quelle. Si la totalité des erreurs est partagée, la version à trois modèles ne peut jamais dépasser son meilleur élément.

Un chiffre donne la mesure du risque. Au haut de leur fourchette, la fiabilité du dispositif à trois modèles tombe sous une chance sur deux au bout de onze demandes. Pour le meilleur modèle seul, cela arrive au bout de dix-neuf demandes.

Ce que trois modèles coûtent vraiment

Le coût est la partie que l'étude ne chiffre pas. C'est aussi la plus parlante pour un budget.

Trois modèles sur chaque demande, c'est trois fois le prix d'appel. C'est aussi trois fois le temps d'attente si les appels se font l'un après l'autre. Et c'est davantage de pièces qui peuvent casser : trois fournisseurs à surveiller, trois versions à suivre, trois façons de tomber en panne.

En face, le gain mesuré reste modeste. Le vote protège surtout contre un modèle nettement plus faible que les autres. Or ce n'est pas la configuration que choisit une entreprise qui paie. Elle prend un modèle correct pour tout le monde.

Il existe pourtant un cas où le vote se justifie. Quand l'erreur coûte cher et que la vérification humaine est impossible, la question n'est plus de gagner en moyenne. Elle est de réduire le risque d'une panne isolée. Le vote fait ce travail : il a effacé trente-six erreurs sur trente-sept.

La bonne façon de poser le calcul est donc celle-ci. Comparez la version à trois modèles au meilleur modèle seul, jamais à la moyenne des trois. Les auteurs insistent sur ce point, et l'erreur est facile à commettre. La moyenne flatte le dispositif, le meilleur modèle le juge.

Trois décisions pour votre équipe

Mesurez le meilleur modèle seul avant d'empiler. Faites tourner votre meilleur candidat sur vos propres cas, y compris les plus tordus. C'est lui la référence. Un dispositif à plusieurs modèles qui ne le dépasse pas ne mérite pas son coût.

Testez la règle d'assemblage comme un composant. Chez les chercheurs, la seule erreur qui a survécu au vote venait du chemin de secours, pas des modèles. Simulez la panne d'un fournisseur et regardez ce que devient la décision.

Gardez une trace des désaccords. Un désaccord entre deux modèles est le meilleur signal d'alerte que vous aurez gratuitement. Renvoyez ces cas à un humain plutôt que de laisser la machine arbitrer.

Écrivez une fourchette, pas un chiffre. Une fiabilité annoncée à 98 % sans dire sur quels cas elle a été mesurée ne vaut rien. Les auteurs recommandent d'afficher la fourchette et ce qui la limite.

Ce qu'il faut retenir

• Faire voter trois modèles d'IA protège contre le plus faible, pas contre le meilleur.
• Sur 37 erreurs isolées, le vote en a effacé 36. La seule qui a survécu venait d'un appel perdu, donc du chemin de secours.
• Si la règle de vote se trompe sur 5 % des demandes, l'avantage du dispositif sur un modèle intermédiaire s'efface.
• Des modèles différents partagent souvent la même consigne et les mêmes documents. Leurs erreurs se ressemblent plus qu'on ne le croit.
• La comparaison utile est celle du dispositif contre le meilleur modèle seul, jamais contre la moyenne des trois.
• Avant d'ajouter un modèle, mesurez le meilleur seul sur vos cas réels et testez ce qui se passe quand un fournisseur tombe.