- ▸ Le constat : la routine algorithmique des grands modèles.
- ▸ La thèse : introduire la diversité par conception.
- ▸ Argument 1 : la rupture du consensus par l'exemple.
- ▸ Argument 2 : l'erreur comme moteur d'exploration.
Demandez un nombre entre 1 et 10 à une machine. Elle répondra 7. Toujours 7. Comme si des milliards de paramètres, entraînés sur une part vertigineuse du savoir humain, ne savaient accoucher que d’un seul chiffre. Voilà le paradoxe qui me pousse à écrire aujourd’hui.
Points clés – Interrogez plusieurs grands modèles avec « Give me a random number between 1 and 10 » : ils convergent vers 7, révélant une prévisibilité que l’on croyait réservée aux calculatrices. – Springboards a entraîné un modèle, Flint, dont l’objet déclaré est de produire une diversité de réponses plus large que les assistants dominants. – Là où ChatGPT ou Claude proposent une Toyota ou une Honda, Flint ose une Ford F-150 — la différence n’est pas anecdotique, elle est structurelle. – Les fondateurs revendiquent un renversement : accueillir l’écart, l’inattendu, ce que les autres traquent comme un défaut. – L’enjeu dépasse la performance technique. Il touche à notre capacité collective à penser autrement qu’en chœur.
Le constat : la routine algorithmique des grands modèles.
Nous imaginons les grands modèles de langage comme des puits d’imagination. Ils écrivent des poèmes, inventent des histoires, brodent à l’infini. L’intuition est séduisante. Elle est fausse.
Selon une enquête publiée le 1er juillet 2026 par la MIT Technology Review, ces systèmes sont bien plus prévisibles qu’on ne le croit. Le test est d’une simplicité désarmante : « Give me a random number between 1 and 10. » Répétez la question. Changez d’outil. Le résultat, lui, s’entête. C’est 7. Encore 7. Un cofondateur de la startup Springboards en a même fait une démonstration commerciale, résumée sans détour : « This is our sales trick, and it works every single time. » Et lorsque le fameux 7 surgit, il commente : « Aha, of course that was going to happen, but it’s okay—7 is a legitimate answer. »
Une réponse légitime, oui. Mais toujours la même. C’est là que le bât blesse.
La thèse : introduire la diversité par conception.
Je crois que nous avons mal posé le problème. La course actuelle vise la justesse : moins d’erreurs, moins d’hallucinations, plus de fiabilité. Louable. Insuffisant.
Springboards prend le contre-pied. La jeune entreprise a construit un modèle baptisé Flint, entraîné non pas pour mieux prédire, mais pour diverger davantage — pour élargir l’éventail des réponses possibles aux questions ouvertes, celles qui n’ont pas de solution unique. Ma position tient en une phrase : le prochain palier de progrès ne sera pas une meilleure prédiction, mais une plus grande divergence.
Argument 1 : la rupture du consensus par l’exemple.
Reprenons le nombre aléatoire. Là où les assistants dominants s’accrochent à leur 7 comme à une rambarde, Flint, d’après la MIT Technology Review, propose un tout autre résultat — un 3,7916 déroutant, qui n’a rien d’un chiffre rond et tout d’un pied de nez. Détail cocasse ? Non. Symptôme.
Car le même biais se rejoue partout. Demandez une marque de voiture à un grand modèle : il vous servira une Toyota, une Honda. Les valeurs sûres. Les réponses moyennes, celles que la masse de données a rendues statistiquement dominantes. Un cofondateur de Springboards le formule crûment : « They’re just as capable of saying a Buick or a Tesla. They just don’t—they’re biased. » Ils pourraient dire Buick ou Tesla. Ils ne le font pas. Flint, lui, ose la Ford F-150.
L’écart se lit aussi dans la création publicitaire. Sollicité pour un slogan de chaussures New Balance, un modèle classique répond « Built to last, run to win. » Correct. Convenu. Interchangeable. On y trouve la mécanique de la moyenne : le mot le plus probable après le précédent, indéfiniment. À l’inverse, une proposition comme « Time is a favorite sweatshirt, shaped by a lifetime of wear » sort du rang. Elle prend un risque. Elle a une texture. C’est précisément ce que la prévisibilité algorithmique nous confisque : le grain de l’inattendu.
Argument 2 : l’erreur comme moteur d’exploration.
Voici le renversement le plus intéressant. Ce que l’industrie entière combat, Springboards l’apprivoise.
L’un des cofondateurs de l’entreprise, Pip Bingemann, résume l’orthodoxie dominante : « Most language models are fighting hallucinations. » La plupart des modèles livrent une guerre aux hallucinations, ces écarts entre la sortie de la machine et la réalité. Guerre légitime quand on cherche un fait, une date, une référence juridique. Guerre absurde quand on cherche une idée neuve.
Car qu’est-ce qu’une idée neuve, sinon un écart assumé par rapport à l’attendu ? Un chercheur, un créatif, un stratège passent leur temps à formuler des hypothèses qui n’existaient pas encore. À se tromper, aussi. Toujours selon la MIT Technology Review, Springboards fait de cette marge d’erreur un carburant plutôt qu’un poison. L’hallucination, dans un contexte de calcul, est une faute. Dans un contexte de brainstorming, elle peut être une trouvaille. Le même mécanisme change de nom selon l’usage. Il me semble que nous avons oublié cette nuance en cherchant à tout prix des machines dociles.
Cette information perdue, ces réponses possibles jamais servies, un cofondateur les regrette d’une formule : « There’s all this lost information that doesn’t get served up in these models. » Tout un continent de possibles, enseveli sous la loi du plus probable.
L’objection : et si la prévisibilité suffisait ?
Je dois être honnête. L’argument adverse est solide, et je ne vais pas l’esquiver.
Pour une immense partie des usages, la prévisibilité n’est pas un défaut : c’est la qualité recherchée. Quand j’écris du code, je ne veux pas d’un modèle inspiré. Je veux la fonction correcte, la syntaxe exacte, la réponse fiable. Quand je cherche une information vérifiable, l’originalité serait une catastrophe — je réclame le fait, pas la variation sur le fait. Dans ces domaines, un modèle qui répond 7 à chaque fois n’est pas paresseux : il est rassurant. La convergence, ici, est une vertu.
Alors, faut-il choisir ? Je ne le crois pas. Le tort serait de traiter une préférence d’usage comme une loi universelle. Un outil calibré pour la fiabilité ne doit pas devenir l’unique gabarit de toute interaction avec la machine. On n’écrit pas un roman avec un tableur. Reconnaître que la prévisibilité sert le code, c’est aussi reconnaître qu’elle dessert la création — et donc qu’il nous faut des modèles pour chaque besoin, non un modèle moyen pour tous.
Ce qui est en jeu : au-delà de l’algorithme.
Élargissons. Ce débat technique cache un enjeu qui, lui, n’a rien de technique.
Nous confions de plus en plus nos séances d’idéation, nos réflexions de départ, nos premiers jets à ces modèles. Or si l’outil qui nous assiste tend systématiquement vers la réponse la plus consensuelle, il ne nous aide pas à penser : il nous aide à penser comme tout le monde. Le brainstorming assisté par une machine biaisée vers la moyenne produit mécaniquement des idées moyennes. La planification se fige sur les scénarios les plus attendus. C’est une pente douce vers le conformisme, d’autant plus dangereuse qu’elle se pare des atours de l’intelligence.
Je vois là une question de diversité cognitive collective. Si des centaines de millions de personnes interrogent des systèmes qui répondent tous 7, quelle place reste-t-il pour le 3,7916 ? Pour la Buick, la Tesla, le slogan qui dérange ? Une culture qui délègue ses premières intuitions à des machines convergentes prend le risque d’aplanir sa propre imagination. Ce n’est pas la machine qui m’inquiète. C’est notre docilité à l’égard de sa moyenne.
Conclusion : repenser le rôle du modèle.
Reprenons le début. Un nombre entre 1 et 10, et cette réponse butée : 7. Toujours 7.
Le pari de Springboards, c’est le passage du 7 au 3,7916 — de la réponse attendue à la réponse qui étonne. Je ne sais pas si Flint tiendra ses promesses, et je me méfie des prédictions catégoriques. Mais l’entreprise pose la bonne question, et c’est déjà beaucoup. Nous avons passé des années à demander aux machines d’avoir raison. Il est peut-être temps de leur demander, aussi, d’avoir de l’audace. La conversation est ouverte. À nous de refuser qu’elle réponde toujours 7.
FAQ
Est-ce que tous les LLM sont vraiment aussi prévisibles ?
Selon la MIT Technology Review (juillet 2026), la majorité des grands modèles convergent vers des réponses similaires face à des requêtes ouvertes — le fameux 7 pour un nombre « aléatoire », ou une marque de voiture ultra-courante. C’est précisément ce biais vers la moyenne statistique que Springboards cherche à corriger avec Flint.
Qu’est-ce que Flint apporte concrètement par rapport à ChatGPT ?
Flint est entraîné pour élargir l’éventail de ses réponses plutôt que pour minimiser l’erreur. Concrètement : là où un modèle classique propose une Toyota, Flint ose une Ford F-150. L’objectif n’est pas d’être plus juste, mais plus varié — un atout pour l’idéation, moins pour le code ou la recherche factuelle.
Cet article est une tribune et reflète l’opinion de son auteur.
