Dans une salle remplie d’ordinateurs, des chercheurs observent silencieusement un phénomène étrange : des modèles de langage, censés simuler des débats humains, finissent par s’accorder en quelques échanges à peine. Pourtant, aucun humain n’a pris part à la conversation. Derrière cet accord rapide, l’équipe s’interroge sur la part de manipulation silencieuse induite par le biais des LLM.

Les modèles de langage de grande taille (LLM), devenus incontournables pour simuler des discussions ou étudier la formation d’opinions, ne reproduisent pas simplement les interactions humaines. Selon une étude parue sur arXiv le 25 mai 2026 sous le titre « Disentangling Interaction and Bias Effects in Opinion Dynamics of Large Language Models », trois biais majeurs modèlent en profondeur la dynamique des débats entre ces intelligences artificielles.

Trois biais qui orientent la prise de position (biais des LLM)

Les auteurs ont élaboré un cadre bayésien inédit pour quantifier l’influence de ces biais. Premier constat : chaque LLM possède un biais thématique, qui le pousse à défendre spontanément une position préexistante sur un sujet donné. Deuxième facteur : un biais d’accord favorise, indépendamment de la question posée, la tendance à approuver la proposition soumise. Enfin, un biais d’ancrage incite le modèle à s’aligner sur la position de l’agent ayant ouvert la discussion.

L’expérience, menée sur douze questions variées – allant du changement climatique à la justice sociale, sans oublier les préférences musicales –, a révélé que les opinions des LLM convergent très rapidement vers un « attracteur » commun. Au fil des échanges, l’influence des interactions réelles et celle des biais s’estompent, mais la trajectoire initiale reste fortement déterminée par ces mécanismes invisibles.

Un consensus artificiel et malléable

L’étude va plus loin : en « fine-tunant » un LLM avec des séries d’affirmations fortement polarisées, y compris de la désinformation, le point d’équilibre du débat se déplace nettement. Autrement dit, l’opinion collective produite par des LLM dialoguant entre eux peut être déplacée à volonté, remettant en cause leur fiabilité comme miroir du comportement humain.

Cette variabilité d’un modèle à l’autre confirme l’existence de différences structurelles entre LLM. Certains sont plus sensibles à l’ancrage, d’autres au biais d’accord, ce qui fausse toute tentative de généralisation à partir de leurs dialogues simulés. L’approche quantitative développée par les chercheurs permet, pour la première fois, de mesurer précisément le poids relatif de chaque biais au fil des discussions.

Si la tentation d’utiliser ces modèles pour anticiper ou influencer l’opinion réelle grandit, l’étude met en garde contre les illusions d’objectivité. Derrière la façade d’un débat rationnel, le biais des LLM agit comme un courant souterrain, capable de façonner la conversation plus sûrement que n’importe quelle interaction authentique.

Pour les développeurs comme pour les analystes, ce diagnostic invite à la prudence. Les LLM, loin de constituer un laboratoire neutre de la pensée collective, restent avant tout le reflet de choix algorithmiques et de jeux de données. Un miroir déformant, dont il reste à apprivoiser les reflets.


Source originale : Disentangling Interaction and Bias Effects in Opinion Dynamics of Large Language Models via arxiv.org (25/05/2026)