Vecteurs de type : donnez une fiche de personnage à une IA, et trois curseurs suffisent à imiter 78 000 humains
Si vous avez déjà créé un personnage dans un jeu de rôle, vous connaissez le rituel : on distribue des points. Force 12, charisme 8, intelligence 15. Une poignée de chiffres, et voilà un personnage qui « existe », dont on devine déjà comment il se comportera face à un dragon ou à un marchand véreux.
Une équipe de chercheurs — dont Matthew O. Jackson, figure de la théorie des jeux à Stanford — vient de retourner ce rituel contre nous. Dans un papier déposé sur arXiv le 18 août 2026, ils donnent des fiches de personnage à un grand modèle de langage : « Tu es un joueur avec un altruisme de 2 sur 5 et une aversion au risque de 4 sur 5. Joue. » Puis ils comparent ses choix à ceux de vrais humains — 119 147 décisions prises par 78 657 personnes dans plus de 35 pays.
La question n'est pas « l'IA peut-elle imiter les humains ? ». C'est plus retors que ça : combien de curseurs faut-il, au minimum, pour que l'imitation colle ? Autrement dit, quelle est la dimension cachée du comportement humain ? La réponse tient en un chiffre qui a de quoi vexer notre ego collectif : trois.
L'IA comme microscope, pas comme perroquet
D'habitude, quand on parle de LLM et de sciences sociales, c'est pour se demander si l'IA peut remplacer des participants d'étude (avec tous les débats houleux que cela déclenche). Ici, le renversement est élégant : le LLM n'est pas l'objet d'étude, c'est l'instrument de mesure. Un microscope à comportement.
Le principe, que les auteurs appellent la méthode des type vectors (« vecteurs de type », des profils chiffrés de personnalité), fonctionne ainsi. On choisit un jeu de dimensions comportementales — par exemple altruisme, équité, aversion au risque, sophistication stratégique, confiance — et on assigne au modèle un profil sur une échelle de Likert (ces échelles de 1 à 5 des questionnaires de satisfaction). Le prompt ressemble littéralement à ceci :
« You are a player characterized by the following profile: Altruism: 2 out of 5, Risk Aversion: 4 out of 5. »
Ensuite, on demande au modèle (GPT-4.1 pour l'analyse principale) de jouer à des jeux économiques classiques. Avec k dimensions à 5 niveaux chacune, on obtient 5^k profils possibles — 125 fiches de personnage pour trois dimensions, 3 125 pour cinq. Pour chaque profil et chaque jeu, les chercheurs génèrent 1 000 décisions, puis cherchent le mélange de profils qui colle le mieux aux décisions humaines réelles. La « colle » est mesurée par une distance de Wasserstein (imaginez le coût minimal pour déplacer des tas de sable d'une distribution vers une autre : moins il y a de sable à déplacer, plus les deux distributions se ressemblent).
Si un seul curseur suffit à reproduire les choix humains, le comportement est simple. S'il en faut cinquante, il est irréductiblement complexe. Le nombre de curseurs nécessaires est le résultat scientifique.
Dix arènes, 78 657 cobayes
Côté humain, les données viennent de MobLab, une plateforme où des enseignants font jouer leurs étudiants à des expériences d'économie : 4 875 sessions entre 2014 et 2026, dans dix rôles de jeux qui sont les grands classiques du genre. Petit florilège pour les non-initiés :
- Le jeu du dictateur : on vous donne 100 jetons, vous en donnez ce que vous voulez à un inconnu. Point. C'est le test d'altruisme à l'état chimiquement pur.
- L'ultimatum : pareil, sauf que l'inconnu peut refuser votre offre — auquel cas personne ne touche rien. Soudain, l'équité devient stratégique.
- Le jeu de la confiance : vous investissez une somme qui est triplée entre les mains d'un « banquier », qui décide ensuite combien vous rendre. Confiance à l'aller, réciprocité au retour.
- Le concours de beauté keynésien : chacun choisit un nombre entre 0 et 100, le gagnant est celui qui s'approche des deux tiers de la moyenne des choix. Un pur test de raisonnement récursif (« si tout le monde raisonne comme moi, alors… »).
- La tâche de la bombe (Bomb Risk Elicitation Task) : vous ouvrez des boîtes qui rapportent chacune un peu d'argent, mais l'une d'elles contient une bombe qui efface tout. Jusqu'où poussez-vous votre chance ?
Plus le bien public, le duopole de Cournot, la tragédie des communs version pêcherie, et les deux rôles du jeu de la confiance. Dix rôles, dix façons différentes de mettre l'humain face à ses contradictions.
Trois curseurs, et l'humanité apparaît
Le résultat central est d'une netteté rare. En ajoutant les dimensions une par une, les chercheurs observent que les gains d'ajustement s'effondrent après la troisième. Le trio gagnant : aversion au risque, sophistication stratégique (strategic sophistication, la capacité à anticiper les raisonnements des autres) et confiance. Les quatrième et cinquième dimensions — altruisme et équité, pourtant vedettes de la littérature en économie comportementale — n'apportent presque rien de plus. Détail savoureux : pour apparier des individus à travers les jeux, quatre dimensions font même mieux que cinq. Trop de curseurs, et on se met à ajuster du bruit.
À l'échelle individuelle, les chiffres sont parlants. Sur les 1 734 sujets ayant joué à au moins cinq jeux (9 269 décisions), l'erreur médiane d'appariement passe de 0,288 avec un prompt par défaut — sans fiche de personnage — à 0,132 avec une seule dimension. Environ 70 % des sujets ajustables se contentent de deux dimensions ou moins. Une fiche de personnage minuscule, et le modèle joue comme vous.
Mieux : quand on projette les profils individuels sur une carte (via UMAP, une technique de réduction de dimension qui regroupe les points similaires), les 78 657 humains ne s'éparpillent pas en une infinité de nuances. Ils se rangent en moins d'une douzaine de clusters. Les auteurs leur donnent des noms qui fleurent bon la taverne de JDR : les « prudents équitables » (aversion au risque 4/5, équité 4,3/5), les « modérés en tout », les « stratèges casse-cou », les « généreux naïfs ». L'humanité, du moins dans ces dix arènes, tient dans une douzaine d'archétypes.
Le test qui fait mal : prédire un jeu jamais vu
Reproduire des données déjà observées, c'est bien. Prédire l'inconnu, c'est mieux — et c'est là que le papier frappe fort.
Protocole leave-one-game-out : on retire un jeu, on estime la fiche de personnage de chaque sujet sur les autres jeux uniquement, puis on demande au LLM incarnant cette fiche de jouer au jeu retiré — dont les règles et les actions possibles sont différentes. On compare alors à un adversaire redoutable : un modèle de machine learning classique (HistGBT, des arbres de décision boostés) entraîné, lui, directement sur les données du jeu cible.
Résultat : l'erreur des types LLM vaut en moyenne 1,11 fois celle du modèle ML — entre 0,94× et 1,24× selon le jeu, donc parfois meilleure. À titre de comparaison, tirer au hasard le choix d'un autre humain donne 1,43×, et deviner uniformément au hasard, 1,73×. Une fiche de trois chiffres, estimée sur d'autres jeux, rivalise presque avec un modèle statistique gavé de données du jeu en question. C'est ce que les auteurs appellent la portabilité des types : le personnage voyage d'une arène à l'autre.
Le contrôle qui tue : les Big Five et le café au lait
Une expérience de contrôle donne du poids à tout cela. Les chercheurs ont rejoué la méthode avec deux autres jeux de curseurs : les Big Five de la psychologie (ouverture, conscienciosité, extraversion, agréabilité, névrosisme — le modèle OCEAN, standard de la psychométrie) et des dimensions placebo volontairement absurdes, du genre « préférence pour la couleur orange ».
Verdict : à une dimension, l'agréabilité des Big Five tient la corde, mais dès deux dimensions, les curseurs économiques dominent — quatre dimensions économiques battent les cinq Big Five réunies. Quant aux placebos, ils améliorent un peu l'ajustement (varier n'importe quel paramètre injecte de la diversité dans les réponses), mais leur bénéfice s'essouffle immédiatement. Le contenu sémantique des curseurs compte : dire à un LLM qu'il est méfiant change son comportement d'une manière qui ressemble à la méfiance humaine ; lui dire qu'il adore l'orange, non.
Pourquoi ce papier compte
D'abord, pour ce qu'il dit du comportement humain. La quête d'une théorie parcimonieuse du comportement est vieille comme les sciences sociales : l'homo economicus était un modèle à zéro curseur (tout le monde maximise pareil), et il s'est fracassé sur l'expérience. Ce papier suggère un point d'équilibre : pas un, pas cinquante, mais environ trois paramètres portables d'un contexte à l'autre. C'est un argument empirique massif — 35 pays, douze ans de données — en faveur de théories comportementales générales et simples.
Ensuite, pour la méthode elle-même, qui est d'une accessibilité désarmante. Pas de réseau de neurones à entraîner, pas de modèle structurel à estimer pendant des semaines : des prompts, une API, une distance entre distributions. N'importe quelle équipe peut la répliquer sur ses propres données, avec ses propres dimensions candidates. Les auteurs y voient un banc d'essai pour théories : vous pensez que la « patience » ou l'« aversion à la honte » est une dimension fondamentale du comportement ? Ajoutez le curseur, mesurez le gain d'ajustement, et la donnée tranchera.
Enfin, pour ce que cela ouvre côté simulation. Si une douzaine d'archétypes à trois curseurs suffisent à couvrir la diversité des joueurs humains, on peut peupler des simulations — marchés, négociations, plateformes — avec des populations synthétiques calibrées, plutôt qu'avec des agents identiques ou fantaisistes.
Les bémols, et ils sont sérieux
Les auteurs, à leur crédit, ne les cachent pas.
Le vivier humain est biaisé. Les données MobLab proviennent essentiellement de cours universitaires : des étudiants, donc, avec ce que cela implique de non-représentativité en âge, milieu social et culture — le fameux biais WEIRD des sciences comportementales. Les trois curseurs décrivent peut-être très bien les étudiants du monde ; l'humanité entière, c'est à vérifier.
La boîte noire reste noire. Rien ne garantit que régler « Trust » sur 4 active dans le modèle quelque chose qui correspond à la notion humaine de confiance. Les auteurs le formulent avec une honnêteté remarquable : « le compte est identifié, mais la rotation ne l'est pas nécessairement ». Traduction : le nombre de dimensions nécessaires (trois) est un résultat solide ; leurs étiquettes le sont moins. Ce qui les rassure : les réponses du modèle varient de façon lisse et monotone quand on monte un curseur — plus d'altruisme donne toujours plus de dons au dictateur — ce qu'on n'attendrait pas d'un pur artefact.
La dépendance au modèle. L'analyse principale repose sur GPT-4.1. Les tests de robustesse sur d'autres modèles (GPT-5.6, DeepSeek-V4-Pro, Claude Sonnet 5) montrent des corrélations entre 0,83 et 0,88 — rassurant, mais pas parfait, et la sophistication stratégique est justement la dimension la moins stable d'un modèle à l'autre.
Le spectre de la contamination. Ces jeux économiques sont archi-documentés ; ils figurent à coup sûr dans le corpus d'entraînement des LLM, résultats humains compris. Les auteurs précisent que leur prédiction « hors distribution » signifie hors des jeux utilisés pour estimer le type — pas hors du corpus d'entraînement. Le microscope a peut-être déjà lu le manuel de biologie.
Et une borne, pas un optimum. Le papier établit qu'au plus trois dimensions suffisent avec ces mots-clés là ; d'autres jeux de curseurs pourraient faire aussi bien, voire mieux. C'est une borne supérieure sur la complexité, pas le tableau périodique définitif du comportement.
Ce qu'on va surveiller
La suite logique, que les auteurs esquissent eux-mêmes : sortir des jeux économiques. Les trois curseurs estimés sur un ultimatum prédisent-ils vos choix de consommation, votre vote, votre comportement au volant ? C'est la question de la frontière des types — où la fiche de personnage cesse de voyager. On guettera aussi les réplications sur des populations non étudiantes, et l'usage inverse de la méthode : non plus compresser l'humanité en trois chiffres, mais tester de nouvelles dimensions théoriques une à une, comme on teste des gènes candidats.
En attendant, la prochaine fois que vous hésiterez devant une boîte potentiellement piégée, une offre à refuser par principe ou un inconnu à qui faire confiance, souvenez-vous : quelque part, un modèle de langage muni de trois curseurs bien réglés aurait probablement fait le même choix que vous. Vexant ? Peut-être. Mais c'est aussi la promesse de sciences comportementales enfin capables d'être à la fois générales et simples — ce que l'économie cherchait depuis un siècle avec son homo economicus à zéro curseur. Il aura suffi d'en ajouter trois.
Référence : Matthew O. Jackson, Benjamin S. Manning, Yutong Xie, Walter Yuan et Qiaozhu Mei, How AI Prompts Can Teach Us About the Structure of Human Behavior, arXiv:2608.18265, déposé le 18 août 2026. Lire l'abstract sur arXiv.