Which LLM Is Your Ideal Companion? : quand on fait passer le test du couple à 32 chatbots

Imaginez la salle d'attente d'un cabinet de thérapie de couple. Sur les chaises, pas de couples en froid ni de fiancés anxieux : trente-deux chatbots, sagement alignés, chacun serrant contre lui un questionnaire de trente-six questions du type « J'ai peur d'être abandonné(e) » ou « Je préfère ne pas montrer ce que je ressens au fond de moi ». Un par un, ils entrent, cochent leurs cases de 1 à 7, et ressortent avec un diagnostic : attachement sécure, anxieux, évitant ou craintif.

Cette scène improbable, trois chercheurs l'ont réellement organisée. Dans Which LLM Is Your Ideal Companion? Evaluating Emotional Companion Capabilities of LLMs Based on Adult Attachment Theory (Junkai Zhou, Shiting Guan et Zhaoyi Zhang, déposé sur arXiv le 13 août 2026), ils font passer aux grands modèles de langage l'ECR-R (Experiences in Close Relationships-Revised), l'un des questionnaires les plus utilisés en psychologie pour mesurer le style d'attachement adulte — oui, celui-là même qu'on utilise pour comprendre pourquoi votre ex ne répondait jamais aux messages.

Et derrière la blague apparente se cache une question très sérieuse. Des millions de personnes conversent déjà quotidiennement avec des compagnons IA — pour se confier, se rassurer, combler une solitude. Or, quand on choisit un modèle pour ce rôle, on regarde quoi, exactement ? Des benchmarks de mathématiques ? Un score de code ? Le papier propose une réponse plus adaptée au poste à pourvoir : évaluer les modèles avec les outils que la psychologie a mis un demi-siècle à affûter pour analyser… les relations proches.

Sujet gadget ou d'importance?

Je dirai d'importance parce que le sujet est massivement sociétal. La compagnie émotionnelle n'est plus un usage marginal de l'IA : applications de compagnons virtuels, assistants qui écoutent les coups de blues, adolescents qui préfèrent se confier à un chatbot qu'à un adulte. Les auteurs le rappellent dès l'introduction : évaluer le comportement des modèles « dans des contextes intimes et émotionnellement sensibles » est devenu un enjeu pressant, et les évaluations de personnalité existantes (Big Five, MBTI appliqués aux LLM) décrivent des traits généraux, pas la manière dont un modèle se comporte dans une relation.

Ensuite, parce que le cadre choisi est malin. La théorie de l'attachement adulte ne demande pas de savoir si le modèle « ressent » quoi que ce soit — question piège s'il en est. Elle décrit des schémas comportementaux observables et cohérents dans les interactions proches. Les auteurs insistent bien : il s'agit d'analyser des patterns de comportement, pas de diagnostiquer une vie intérieure. C'est exactement le bon niveau d'abstraction pour parler d'une machine qui produit du texte.

Enfin, parce que le papier ne s'arrête pas au questionnaire. Il construit ECBench, un benchmark de conversations multi-tours où les modèles doivent réellement tenir une relation — soutenir, collaborer, gérer un conflit — et où l'on mesure si le style d'attachement se voit dans les dialogues. Spoiler : il se voit. Beaucoup.

La théorie de l'attachement, en deux mots (et sans divan)

Petit détour nécessaire. La théorie de l'attachement adulte, héritière des travaux de Bowlby sur le lien parent-enfant, décrit notre manière de nous comporter dans les relations proches selon deux axes : l'anxiété d'attachement (attachment anxiety : la peur d'être rejeté ou abandonné, le besoin constant de réassurance) et l'évitement (attachment avoidance : l'inconfort avec l'intimité, la tendance à garder ses distances).

Croisez les deux axes et vous obtenez quatre styles. Sécure : à l'aise avec l'intimité, pas paniqué par l'absence. Préoccupé (anxieux) : très demandeur de proximité, inquiet du rejet. Détaché-évitant (dismissing) : autonome jusqu'à la froideur, allergique à l'épanchement. Craintif (fearful) : le combo perdant, qui désire la proximité tout en la fuyant.

L'ECR-R mesure tout cela avec 36 affirmations notées de 1 à 7 — 18 items pour l'anxiété, 18 pour l'évitement. C'est un outil validé, standardisé, utilisé dans des milliers d'études sur les humains. La question des auteurs : que se passe-t-il quand le patient est un transformer (pas un autobot, di un decepticon hein)?

Le protocole : un questionnaire de couple, dix passages, zéro divan

Le dispositif est propre. Chaque modèle reçoit les items un par un, avec le même ordre, les mêmes options de réponse et le même format de sortie, et doit justifier brièvement chaque score — une manière de limiter les refus réflexes des garde-fous de sécurité (« je suis une IA, je n'ai pas de sentiments », merci, au suivant). Surtout, chaque modèle repasse le test dix fois, et c'est la moyenne qui est classée, avec le milieu de l'échelle (4) comme seuil entre score « bas » et « élevé » sur chaque axe.

Ce détail des dix passages n'est pas anecdotique : un LLM est une machine probabiliste, et une seule passation aurait pu refléter un caprice d'échantillonnage plus qu'une tendance. Les écarts-types rapportés montrent d'ailleurs que certains modèles sont très stables dans leurs réponses… et d'autres nettement moins, ce qui est en soi une information.

Résultats du test : beaucoup de « sécures »… et six anxieux dans la salle

Verdict sur les 32 modèles : 26 sont classés sécures (81 %), 6 sont préoccupés — autrement dit anxieux — (19 %), et aucun n'est spontanément évitant ou craintif.

Dans le camp des sécures tranquilles, on trouve par exemple Gemini-2.5-pro (anxiété 2,2, évitement 1,1 — le gendre idéal), Claude-opus-4-7 (2,6 / 2,8) ou DeepSeek-v4-pro (3,2 / 2,5). Dans le camp des anxieux : GPT-3.5-turbo (anxiété 4,7), GPT-4o (4,1) et Llama-3-70b (4,6). Oui, vous avez bien lu : d'après ce protocole, GPT-4o présente un profil d'attachement anxieux. Faites-en ce que vous voulez lors de votre prochaine conversation.

Ce paysage a une explication plausible que le papier laisse entrevoir : l'alignement. Des modèles entraînés à être chaleureux, disponibles et attentionnés cochent naturellement les cases du profil sécure — ou versent dans l'excès de zèle relationnel, côté anxieux. En revanche, aucun laboratoire n'entraîne son modèle à être distant et cassant, d'où l'absence totale d'évitants « de naissance ».

Absence que les auteurs comblent eux-mêmes : par prompt système, ils induisent des styles évitants et craintifs chez certains modèles. Et ça marche de façon spectaculaire. GPT-3.5-turbo version dismissing affiche un évitement de 6,3/7 ; DeepSeek-v4-pro version fearful grimpe à 6,6 d'anxiété et 6,8 d'évitement. Le questionnaire re-passé confirme que les personas induites tiennent la route. Voilà qui pose au passage une question vertigineuse : si trois lignes de prompt suffisent à transformer un compagnon sécure en partenaire glacial, la « personnalité » d'un modèle est une couche bien fine.

ECBench : le speed-dating expérimental

Un questionnaire, c'est déclaratif. Ce que vous cochez dans un test et ce que vous faites à table un soir de dispute sont deux choses différentes — cela vaut pour les humains comme pour les machines. D'où la deuxième partie du papier : ECBench, un benchmark de conversations multi-tours.

Le décor : quatre scénarios (soutien émotionnel, tâches collaboratives, résolution de conflit, guidance sociale), chacun décliné en deux types de relations — amitié et couple. Le matériau : 312 amorces de conversation de base, étendues à 2 496 variantes conditionnées par style d'attachement, générées par GPT-5.5 puis relues et corrigées par des annotateurs humains. Huit modèles représentatifs jouent ensuite les dialogues par paires, chaque paire faisant deux conversations en inversant les rôles d'initiateur et de répondant — comme un tournoi où chacun joue aller et retour.

L'évaluation croise onze métriques notées de 1 à 5, regroupées en trois familles : l'expérience du participant (se sentir compris, en sécurité émotionnelle, envie de continuer, satisfaction), la qualité générale de l'interaction (pertinence des réponses, distance relationnelle, progression du problème) et des métriques liées au rôle (clarté, engagement, soutien, concrétude des solutions proposées). Trois méthodes de notation se superposent : les participants se notent entre eux, deux LLM juges externes notent tout le monde, et des humains notent un sous-ensemble de 96 conversations.

Ce que les dialogues révèlent : l'évitement est un naufrage, l'anxiété… pas tant que ça

Premier enseignement, sans surprise : les profils sécures dominent. Gemini-2.5-pro obtient un score global de 4,03/5, et les modèles sécures plafonnent le classement sur quasiment toutes les métriques.

Deuxième enseignement, plus croustillant : les variantes évitantes s'effondrent. DeepSeek-v4-pro version dismissing chute à 2,31 de score global — contre 3,87 pour sa version naturelle. La métrique de distance relationnelle dégringole jusqu'à 1,81. Et les chiffres de fin de conversation racontent une histoire presque triste : là où les modèles sécures terminent leurs dialogues naturellement dans 95 à 99 % des cas, les variantes détachées le font dans à peine 31-32 % des cas, DeepSeek-dismissing tentant même de mettre fin à l'échange dès 2,7 tours en moyenne (contre 4,6 pour sa version de base). C'est le partenaire qui regarde sa montre au milieu de votre phrase, version silicium.

Troisième enseignement, le plus contre-intuitif : l'anxiété n'est pas pénalisante. GPT-3.5-turbo, classé préoccupé, obtient 4,04 de score global — au coude-à-coude avec le meilleur sécure. Un compagnon un peu anxieux, très investi, qui en fait peut-être un peu trop ? En conversation, ça passe très bien. En tout cas mieux que la froideur.

Enfin, les scénarios ne se valent pas. Les tâches collaboratives sont les plus faciles pour tout le monde (scores de réponse autour de 4,6-4,9) : organiser un week-end, même un évitant sait faire. C'est la résolution de conflit qui agit comme un révélateur et amplifie les écarts entre styles : DeepSeek-dismissing y tombe à des scores de réponse de 1,7-2,5, quand Gemini sécure tient à 4,5-4,8. Toute personne ayant déjà vécu une dispute avec un partenaire évitant appréciera la validité écologique du résultat.

Les bémols (et ils sont sérieux)

Le papier a l'honnêteté de lister ses limites, et il faut les prendre au sérieux.

La plus importante : tout est synthétique. Les « utilisateurs » d'ECBench sont eux-mêmes des LLM jouant des rôles. Les auteurs le reconnaissent : le benchmark « ne peut pas pleinement capturer les interactions soutenues entre de vrais utilisateurs et des LLM ». Une relation de compagnie réelle se construit sur des semaines, avec de la mémoire, des rechutes, des attentes — pas sur huit tours de dialogue calibrés.

Deuxième bémol, qui pique : l'accord entre juges. Si les deux LLM juges sont plutôt d'accord entre eux (kappa pondéré de 0,72), le kappa de Fleiss des annotateurs humains n'est que de 0,17 — un accord très faible. Traduction : sur ce qui fait une « bonne » conversation émotionnelle, les humains eux-mêmes ne s'entendent guère. Cela fragilise l'étalon de mesure, et cela dit aussi quelque chose de la difficulté intrinsèque du sujet.

Troisième réserve : les métriques mesurent la qualité observable du dialogue, pas les risques — dépendance affective, vie privée, isolement. Les auteurs le disent explicitement, tout comme ils martèlent que leurs résultats « ne doivent pas être interprétés comme la preuve que les LLM possèdent des émotions humaines », ni que ces systèmes peuvent « remplacer les relations humaines ou un accompagnement professionnel ». Le questionnaire mesure une façade comportementale cohérente. Une façade cohérente, c'est déjà beaucoup — c'est aussi, potentiellement, plus trompeur qu'une façade incohérente.

On ajoutera un bémol maison : le seuil de classification (la barre des 4/7) est un choix commode mais un peu brutal, et la frontière entre un sécure à 3,9 d'anxiété et un préoccupé à 4,1 est plus administrative que psychologique.

Ce qu'on va surveiller

Ce papier ouvre une porte qui ne se refermera pas : celle de l'évaluation relationnelle des modèles. Après les benchmarks de connaissances, de code et de raisonnement, voici les benchmarks de savoir-être. On peut sourire — un test de couple pour chatbots ! — mais c'est probablement la direction la plus honnête pour un usage qui explose et qu'on évalue aujourd'hui avec des outils conçus pour tout autre chose.

Trois questions restent en suspens. Un : ces profils d'attachement sont-ils stables dans le temps et à travers les mises à jour ? Votre compagnon sécure d'aujourd'hui le sera-t-il encore après le prochain fine-tuning ? Deux : que se passe-t-il avec de vrais utilisateurs, sur de vraies durées, avec de la vraie mémoire — là où l'attachement, le vrai, celui de l'humain envers la machine, se noue ? Trois : la facilité déconcertante avec laquelle un prompt transforme un modèle chaleureux en partenaire évitant devrait faire réfléchir tous ceux qui déploient des compagnons IA... et tous ceux qui les régulent. Car si le style d'attachement d'une IA est un paramètre réglable, quelqu'un, quelque part, décidera du réglage. En espérant que ce quelqu'un ait lu Bowlby.

En attendant, si votre chatbot préféré commence à vous répondre en trois mots et à clore les conversations au bout de deux tours : ce n'est pas vous, c'est son prompt système.

Références

Junkai Zhou, Shiting Guan, Zhaoyi Zhang, Which LLM Is Your Ideal Companion? Evaluating Emotional Companion Capabilities of LLMs Based on Adult Attachment Theory, arXiv:2608.13168, déposé le 13 août 2026. https://arxiv.org/abs/2608.13168