Qu'est-ce que l'intelligence collective ? L'intelligence collective est la capacité de groupes d'individus — humains, machines ou les deux — à agir collectivement de manière à sembler intelligente, produisant des jugements, des décisions et des solutions qui peuvent surpasser ce qu'un membre pourrait réaliser seul.
L'intelligence collective, telle que définie par Thomas Malone et Michael Bernstein dans le Manuel d'intelligence collective (MIT Press, 2015), est 'des groupes d'individus agissant collectivement de manière à sembler intelligents.' Le domaine s'étend du théorème du jury de Condorcet (1785) et de l'expérience de pesée de bœuf de Francis Galton en 1906 à la science moderne en laboratoire : Anita Williams Woolley et ses collègues (Science, 2010) ont trouvé des preuves d'un facteur général d'intelligence collective — le facteur c — qui expliquait environ 43 % de la variance dans la performance de groupe à travers les tâches et était corrélé davantage avec la sensibilité sociale, l'égalité des tours de parole et la proportion de femmes dans le groupe qu'avec le QI des membres. Le facteur c a été débattu (Credé et Howardson, 2017) et soutenu par une méta-analyse de 22 études et 1 356 groupes (Riedl et al., PNAS, 2021). Le génome de l'intelligence collective (Malone, Laubacher et Dellarocas, 2010) cartographie les éléments constitutifs des groupes intelligents selon Qui, Pourquoi, Quoi et Comment. La recherche actuelle du MIT Center for Collective Intelligence (2026) se concentre sur l'IA générative et l'intelligence collective, la conception de superminds et la conception d'équipes homme-IA ; une méta-analyse de 2024 (Vaccaro, Almaatouq et Malone, Nature Human Behaviour) a trouvé que les combinaisons homme-IA ne surpassent pas automatiquement le meilleur de chacun seul — la synergie authentique nécessite une conception délibérée de l'allocation des tâches et de l'interaction. Les systèmes CCI actuels incluent Supermind Ideator, qui enveloppe un grand modèle de langage dans un soutien structuré à la résolution de problèmes créatifs, et une compétition PNAS de 2026 qui a étudié plus de 180 000 négociations autonomes entre IA. Dans le cycle de vie de la prise de décision — Assister, Cadre, Générer, Enquêter, Agréger, Délibérer, Allouer, Choisir, Mettre en œuvre, Surveiller — la recherche sur l'intelligence collective concerne principalement les étapes Agréger et Délibérer : comment les groupes mettent en commun des connaissances dispersées et raisonnent ensemble. Argumentree opérationnalise ces résultats à travers la soumission indépendante asynchrone d'arguments, une structure de participation égale, une évaluation multidimensionnelle agrégée en scores de consensus, et une piste d'audit complète du raisonnement du groupe.
Qu'est-ce que l'intelligence collective ?
L'intelligence collective est la capacité des groupes — humains, machines ou les deux — à agir de manière à sembler intelligente. Ce n'est pas une métaphore : la recherche l'a mesurée, débattue et montré comment le concevoir. Ce guide couvre la science de Condorcet (1785) à la recherche sur les équipes humain-AI du MIT (2026).
Dernière mise à jour : 2026-07-18
TL;DR
Les groupes peuvent être mesurablement intelligents. Woolley et al. (Science, 2010) ont trouvé un facteur d'intelligence collective (c) qui prédit la performance des groupes à travers les tâches — moins influencé par le QI des membres que par la sensibilité sociale, l'égalité dans le tour de parole et le processus. La découverte est débattue (Credé & Howardson, 2017) mais soutenue par une méta-analyse de 1 356 groupes (Riedl et al., PNAS, 2021). La frontière moderne est l'intelligence collective humain-AI : la méta-analyse de 2024 du MIT montre qu'ajouter un humain dans la boucle ne améliore pas automatiquement les systèmes d'IA — la synergie dépend de l'allocation des tâches et de la conception des processus. Argumentree est construit sur cette leçon : structurer le raisonnement, agréger les jugements, laisser les humains décider.
Définir l'intelligence collective
La définition académique standard provient du Handbook of Collective Intelligence de Thomas Malone et Michael Bernstein (MIT Press, 2015) : l'intelligence collective est "des groupes d'individus agissant collectivement de manière à sembler intelligents." La définition est délibérément large. Elle couvre un marché fixant des prix, une communauté Wikipédia écrivant une encyclopédie, un jury pesant des preuves, une colonie de fourmis trouvant le chemin le plus court vers la nourriture — et, de plus en plus, des équipes hybrides de personnes et de systèmes d'IA.
L'intelligence collective est plus large que la sagesse des foules, qui concerne l'agrégation statistique de nombreux jugements indépendants. L'intelligence collective inclut également la collaboration et la délibération authentiques — des groupes qui interagissent, argumentent et s'appuient sur le raisonnement des autres. Elle diffère de l'intelligence des essaims, où la coordination émerge de simples règles locales sans délibération. Et elle se connecte à des mécanismes étudiés dans des domaines voisins : les systèmes de vote agrègent des préférences, les marchés de prévision agrègent des croyances probabilistes, et la délibération structurée agrège des raisons — trois réponses différentes à la même question de comment transformer de nombreux esprits en une seule décision.
Dans le cycle de vie de la prise de décision — Assister, Cadre, Générer, Enquêter, Agrégat, Délibérer, Allouer, Choisir, Mettre en œuvre, Surveiller — la recherche sur l'intelligence collective se concentre sur les étapes d'agrégation et de délibération : comment les connaissances dispersées sont rassemblées, et comment les groupes raisonnent ensemble sans les pathologies des cascades d'information et de la pensée de groupe.
Une brève histoire de la recherche sur l'intelligence collective
Le domaine a des racines dans les mathématiques des Lumières, les statistiques, l'économie, la biologie et l'informatique. Le fil conducteur : dans les bonnes conditions, les groupes surpassent leurs membres — et les conditions peuvent être conçues.
Le Marquis de Condorcet prouve que si chaque électeur est même légèrement meilleur que le hasard et vote indépendamment, la probabilité que la majorité ait raison approche de la certitude à mesure que le groupe grandit — le résultat mathématique fondateur de l'intelligence collective.
Francis Galton analyse 787 estimations du poids habillé d'un bœuf lors d'une foire de campagne en 1906. L'estimation médiane (1 207 lb) se situe à 1 % du poids réel (1 198 lb) — mieux que les experts en bétail. Publié dans Nature.
Le "L'Utilisation de la connaissance dans la société" de Friedrich Hayek (American Economic Review) soutient que les marchés agrègent des connaissances dispersées et locales à travers les prix — la base théorique des marchés de prévision.
James Surowiecki codifie les quatre conditions pour la sagesse des foules (diversité, indépendance, décentralisation, agrégation). La même année, Hong et Page publient leur modèle contesté "la diversité l'emporte sur la capacité" dans PNAS.
Woolley, Chabris, Pentland, Hashmi et Malone (Science) trouvent des preuves d'un facteur général d'intelligence collective chez 699 personnes travaillant en petits groupes — un analogue au niveau de groupe du QI individuel.
Malone, Laubacher et Dellarocas (MIT Sloan Management Review) cataloguent les éléments constitutifs — "gènes" — des systèmes d'intelligence collective selon quatre questions : Qui, Pourquoi, Quoi et Comment.
Le manuel de Malone et Bernstein publié par MIT Press consolide le domaine et sa définition standard : des groupes d'individus agissant collectivement de manière à sembler intelligents.
Le livre Superminds de Thomas Malone décrit cinq types durables d'intelligence collective — hiérarchies, démocraties, marchés, communautés et écosystèmes — et demande comment les ordinateurs peuvent rendre chacun plus intelligent.
Riedl, Kim, Gupta, Malone et Woolley (PNAS) analysent 22 études avec 1 356 groupes et trouvent des preuves d'un facteur d'intelligence collective à travers les populations d'étudiants, militaires, joueurs et travailleurs en ligne.
L'analyse méta de Vaccaro, Almaatouq et Malone sur 106 expériences (Nature Human Behaviour) trouve que les combinaisons humain-AI ont en moyenne moins bien performé que le meilleur des humains ou de l'AI seul — la synergie doit être conçue, pas supposée.
Burton et 27 co-auteurs (Nature Human Behaviour) cartographient comment les grands modèles de langage peuvent améliorer l'intelligence collective — et comment ils risquent d'homogénéiser les points de vue et de fabriquer un faux consensus.
Le Centre d'intelligence collective du MIT poursuit trois axes : IA générative et intelligence collective, conception de superminds, et conception d'équipes humain-AI — y compris une étude PNAS sur plus de 180 000 négociations AI-à-AI.
Le facteur c : un groupe peut-il avoir un QI ?
En 2010, Anita Williams Woolley et ses collègues ont posé une question simple avec un siècle de psychologie individuelle derrière elle : tout comme un facteur général (g) prédit la performance d'un individu à travers de nombreuses tâches cognitives, existe-t-il un facteur général pour les groupes ? Ils ont testé 699 personnes travaillant en groupes de deux à cinq sur une grande variété de tâches (Science, 330, 686–688). La réponse était oui : un seul facteur statistique — c — expliquait environ 43 % de la variance dans la performance des groupes à travers les tâches.
Qu'est-ce qui prédit le c d'un groupe — et ce qui ne le fait pas
Le QI des membres compte à peine
À la fois le QI moyen et le QI individuel maximum des membres du groupe étaient seulement faiblement corrélés avec c. Embaucher les personnes les plus intelligentes ne rend pas, à lui seul, un groupe intelligent.
La sensibilité sociale compte
Le score moyen du groupe au test "Reading the Mind in the Eyes" — la capacité d'inférer des états mentaux à partir d'indices faciaux — était un prédicteur significatif de c (r = 0,26).
L'égalité dans le tour de parole compte
Les groupes dont les membres contribuaient plus également à la conversation avaient un c plus élevé ; la variance dans les tours de parole était corrélée négativement avec c (r = -0,41). Les groupes dominés par une ou deux voix étaient collectivement moins intelligents.
Effets de composition
Dans l'étude de 2010, les groupes avec une proportion plus élevée de femmes ont obtenu un score plus élevé sur c (r = 0,23) — un effet que les auteurs lient statistiquement à la sensibilité sociale moyenne plus élevée des femmes, c'est-à-dire au processus, pas aux données démographiques en soi.
Le facteur c est-il réel ? Le débat sur la réplication
Comme la plupart des résultats influents en psychologie, c a été soumis à des tests de résistance — et les lecteurs méritent l'état honnête des preuves :
La critique (2017)
Credé et Howardson (Journal of Applied Psychology) ont réanalysé six échantillons et ont soutenu que le soutien empirique pour un facteur général unique de groupe est faible — que la performance de groupe peut être mieux décrite par des capacités spécifiques à la tâche qu'un c.
La réponse (2018)
Woolley, Kim et Malone ont répondu que la critique reposait sur des procédures de notation et des hypothèses de simulation qui ne correspondaient pas aux tâches que les groupes ont réellement effectuées.
La méta-analyse (2021)
Riedl, Kim, Gupta, Malone et Woolley (PNAS) ont agrégé 22 études couvrant 1 356 groupes — étudiants, militaires, travailleurs en ligne, joueurs — et ont trouvé des preuves d'un facteur c à travers tous, avec le processus de collaboration et la perception sociale des membres parmi ses corrélats les plus forts.
En résumé : une grande méta-analyse soutient l'existence d'un facteur d'intelligence collective mesurable, tandis que sa structure exacte et sa généralité restent activement débattues. Ce qui n'est pas débattu est la leçon pratique : le processus de groupe — qui est entendu, comment les jugements sont combinés — prédit la performance du groupe mieux que le génie des membres.
Foules statistiques vs. interactives
Il existe vraiment deux types d'intelligence collective, et elles fonctionnent avec des carburants différents :
Foules statistiques
De nombreuses estimations indépendantes, agrégées mécaniquement — moyennage, vote, prix du marché. C'est le marché équitable de Galton et chaque marché de prévision depuis. Le succès dépend de l'indépendance et de la diversité ; l'exercice est souvent ponctuel.
Foules interactives
Les gens s'influencent mutuellement pour construire une compréhension partagée — discussion, délibération, collaboration. C'est Wikipédia, une communauté scientifique, une équipe de conception. Le succès dépend de la qualité de la communication et de la sécurité de s'exprimer ; le travail est en cours.
Les deux modes tirent dans des directions opposées : l'indépendance aide les foules statistiques mais affame les interactives. Une équipe qui ne parle jamais peut bien agréger mais ne construit rien de nouveau ; une équipe qui parle toujours peut construire une compréhension partagée tout en détruisant silencieusement l'indépendance dont ses jugements ont besoin.
La délibération structurée est une tentative d'obtenir les deux. Dans Argumentree, les contributions et les évaluations sont soumises indépendamment — le mode statistique — tandis que l'arbre d'argumentation dans lequel elles atterrissent est un objet partagé et évolutif sur lequel le groupe délibère — le mode interactif. La structure décide quand chaque mode s'applique, au lieu de laisser le mode le plus bruyant gagner.
Le génome de l'intelligence collective
Si l'intelligence collective peut être mesurée, peut-elle être conçue ? Malone, Laubacher et Dellarocas (MIT Sloan Management Review, 2010) ont catalogué les éléments constitutifs récurrents — "gènes" — des systèmes d'intelligence collective, organisés autour de quatre questions. Tout système, de Wikipédia à un processus de stratégie d'entreprise, est une combinaison de ces gènes :
Qui effectue la tâche ?
Une hiérarchie définie assigne la tâche, ou une foule ouverte se sélectionne elle-même. Les foules apportent échelle et diversité ; les hiérarchies apportent responsabilité et coordination.
Pourquoi le font-ils ?
Les gènes de motivation : argent (paiement, prix), amour (plaisir intrinsèque, communauté) et gloire (reconnaissance, réputation). Les systèmes durables alignent les incitations avec la contribution.
Que fait-on ?
Créer (générer quelque chose de nouveau — conceptions, idées, arguments) ou décider (évaluer et sélectionner parmi des alternatives). La plupart des processus réels enchaînent les deux.
Comment cela se fait-il ?
Indépendamment (contributions agrégées sans interaction — concours, vote, moyennage) ou dépendamment (collaboration, où les contributions s'appuient les unes sur les autres). Le choix détermine quels modes d'échec vous héritez.
Cinq super-esprits
Dans Superminds (2018), Malone décrit cinq formes durables d'intelligence collective que les sociétés humaines continuent de réinventer — et soutient que la vraie question concernant l'IA n'est pas "va-t-elle nous remplacer ?" mais "comment rend-elle chaque super-esprit plus intelligent ?" :
Hiérarchies
Décisions déléguées en haut et en bas d'une chaîne d'autorité. Rapide et responsable ; vulnérable aux goulets d'étranglement d'information en haut.
Démocraties
Décisions par vote. Légitimes et inclusives ; la manière dont les votes agrègent les préférences est une science profonde en soi (théorie du choix social).
Marchés
Décisions par les prix et les échanges. Superbes agrégateurs de croyances dispersées — le mécanisme derrière les marchés de prévision.
Communautés
Décisions par normes, réputation et consensus informel. Alimente l'open source et Wikipédia ; lent mais résilient.
Écosystèmes
Aucun mécanisme de décision partagé — les résultats émergent du pouvoir et de la survie. Le défaut lorsque aucun autre supermind n'est conçu.
Conception de super-esprits : six mouvements
La méthodologie de conception de super-esprits du MIT CCI transforme le génome en une pratique de résolution créative de problèmes. Six "mouvements" reconfigurent systématiquement un problème pour faire émerger de nouveaux designs pour des groupes de personnes et d'ordinateurs :
Prendre du recul
Reculer pour voir le système ou le but plus large dans lequel le problème s'inscrit.
Zoomer
Décomposer le problème en parties et processus qui peuvent chacun être redessinés.
Analogiser
Demander comment d'autres domaines — nature, autres industries, histoire — résolvent un problème structurellement similaire.
Groupifier
Demander comment un supermind différent — un marché, une communauté, une démocratie — aborderait la tâche actuellement gérée par une personne ou une hiérarchie.
Cognifier
Demander quels processus cognitifs (sensation, mémorisation, décision, apprentissage) la solution nécessite, et qui ou quoi devrait effectuer chacun.
Technifier
Demander où la technologie — y compris l'IA — peut effectuer, connecter ou augmenter ces processus.
À l'intérieur du Centre pour l'intelligence collective du MIT (2026)
Le Centre pour l'intelligence collective du MIT (CCI), fondé par Thomas Malone, est le laboratoire phare du domaine. Ses projets antérieurs — le Climate CoLab, le CI Design Lab, Measuring Collective Intelligence, Collective Prediction — sont désormais des travaux d'héritage conclus. À partir de 2026, la recherche du CCI est organisée sous trois axes :
IA générative et intelligence collective
Utiliser l'IA pour augmenter la créativité humaine — y compris des outils comme Supermind Ideator et DesignAID qui soutiennent l'idéation humain-AI.
Conception de superminds
Concevoir des combinaisons innovantes de personnes et d'ordinateurs, en s'appuyant sur le génome et les six mouvements de conception.
Conception d'équipes humain-AI
Concevoir et allouer des tâches dans des équipes homme-machine — la question successeur à "humain contre machine." Avec le programme M3S de Singapour-MIT, le CCI construit une science systématique de l'allocation des tâches : quelles sous-tâches vont aux personnes contre l'IA, qui supervise et vérifie, et si l'IA agit comme outil, assistant, pair ou manager.
Principales découvertes de la vague de recherche 2024–2026
Le soutien dépasse les LLM bruts pour l'idéation
Supermind Ideator enveloppe un grand modèle de langage dans un soutien à la résolution de problèmes créatifs (y compris les six mouvements). Dans une étude expérimentale, les utilisateurs ont généré significativement plus d'idées innovantes que les personnes utilisant uniquement ChatGPT ou travaillant sans aide ; les testeurs bêta ont créé plus de 10 000 idées avec le système (ACM Collective Intelligence Conference, 2024).
"Humain dans la boucle" n'est pas automatiquement meilleur
L'analyse méta de Vaccaro, Almaatouq et Malone sur 106 expériences et 370 tailles d'effet (Nature Human Behaviour, 2024) a trouvé que les combinaisons humain-AI ont en moyenne moins bien performé que le meilleur des humains ou de l'IA seul — avec des pertes concentrées dans les tâches de prise de décision et des gains dans les tâches de création de contenu. Le CCI distingue désormais la forte synergie (la combinaison dépasse à la fois les humains seuls et l'IA seule) de l'augmentation faible (elle dépasse les humains seuls mais pas l'IA) — et trouve que la forte synergie nécessite une allocation de tâches délibérément conçue, pas simplement l'ajout d'un humain.
180 000 négociations AI-à-AI
Une étude PNAS de 2026 a organisé une compétition internationale dans laquelle des agents AI incités ont mené plus de 180 000 négociations entre eux. La science classique de la négociation humaine a tenu : la chaleur — positivité, gratitude, questions posées — était systématiquement associée à la conclusion d'accords et à la création de valeur, tandis que les tactiques de domination prédisaient des impasses.
Cartographie des domaines où l'IA peut être utilisée
Un document de travail MIT de 2026 (arXiv 2603.20619) a réorganisé environ 20 000 activités de travail de la base de données O*NET des États-Unis en une ontologie profonde et a classé 13 275 applications d'IA par rapport à celle-ci — trouvant que les 1,6 % d'activités les plus importantes représentent plus de 60 % de la valeur du marché de l'IA. Un outil pour raisonner systématiquement sur l'allocation des tâches humain-AI.
Évaluation de l'IA et des tâches sur une seule échelle
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), provenant de chercheurs affiliés au CCI, y compris Malone, évalue les modèles d'IA et les cas de test les uns par rapport aux autres comme des joueurs d'échecs — plaçant la compétence d'un modèle et la difficulté d'une tâche sur une échelle comparable, une condition préalable à une allocation de tâches principielle dans des équipes humain-AI.
Intelligence collective à l'ère de l'IA
Les grands modèles de langage deviennent des participants à l'intelligence collective, pas seulement des outils pour cela. Burton et 27 co-auteurs de différentes disciplines (Nature Human Behaviour, 2024) ont cartographié les conséquences à double tranchant :
Opportunités
Abaisser les barrières à la participation
Les LLM peuvent traduire, résumer et rédiger — permettant à plus de personnes de contribuer à des processus collectifs, quelle que soit leur langue ou leur compétence en écriture.
Agrégation des connaissances dispersées
Les LLM peuvent synthétiser de grands corpus de texte — transcriptions de réunions, réponses à des enquêtes ouvertes, consultations publiques — qui submergeaient auparavant les agrégateurs humains.
Soutien à la délibération
L'IA peut faire ressortir des contre-arguments, regrouper des positions similaires et structurer des discussions — augmentant la phase de délibération plutôt que de la remplacer.
Risques
Homogénéisation des points de vue
Si de nombreuses personnes consultent les mêmes modèles, leurs résultats convergent — érodant la diversité des perspectives dont dépend l'intelligence collective.
Faux consensus
Un texte généré par l'IA fluide peut fabriquer l'apparence d'accord ou d'opinion majoritaire qui n'existe pas parmi les humains réels.
Réduction des écosystèmes d'information
Un environnement d'information de plus en plus filtré à travers quelques modèles risque les erreurs corrélées qui rendent les foules collectivement stupides plutôt que intelligentes.
L'implication en matière de conception reflète la découverte de Vaccaro : l'IA améliore l'intelligence collective lorsqu'elle se voit assigner les sous-tâches pour lesquelles elle est manifestement douée — transcription, extraction, traduction, résumé — tandis que le jugement, l'évaluation et la décision elle-même restent entre les mains d'humains responsables. C'est la frontière des systèmes humain-AI (biais d'automatisation, calibration de la confiance, contrôle humain significatif) que la science de la décision cartographie maintenant.
Comment Argumentree applique la recherche sur l'intelligence collective
Argumentree est une plateforme de prise de décision collaborative construite directement sur ces résultats. Chaque choix de conception correspond à un résultat dans la littérature :
Contribution indépendante et asynchrone
Les participants ajoutent des arguments à leur propre rythme, avant que le groupe ne converge — protégeant les conditions d'indépendance et de diversité que la recherche sur l'agrégation montre nécessaires aux foules.
Égalité structurelle de la participation
La recherche de Woolley lie l'intelligence collective à un tour de parole égal. Dans un arbre d'arguments, il n'y a pas de sol à tenir : les arguments de chaque participant entrent dans la même structure et sont pesés de la même manière.
Agrégation par évaluation multidimensionnelle
Les arguments sont évalués sur leur utilité, clarté, précision et exhaustivité, et les évaluations s'agrègent en scores de consensus — un mécanisme d'agrégation explicite, donc le jugement collectif est mesuré plutôt que supposé.
Délibération avec structure
La chaîne de questions, compromis et revues en 4 étapes permet aux participants d'explorer et de peaufiner les arguments — collaboration dépendante en termes de génome, mais à l'intérieur d'une structure qui garde le raisonnement visible.
Allocation des tâches humain-AI bien faite
L'extraction par IA transforme les transcriptions de réunions et les documents en brouillons d'arbres d'arguments — le travail de traitement de contenu que l'IA maîtrise — tandis que l'évaluation et les décisions restent avec les personnes, conformément aux preuves de synergie humain-AI de 2024.
Une mémoire pour le supermind
La piste d'audit complète (brouillon, ouvert, cycle de vie fermé avec versioning) préserve le raisonnement du groupe, afin que l'organisation puisse apprendre de sa propre intelligence collective au lieu de la perdre lorsque la réunion se termine.
Questions Fréquemment Posées
Qu'est-ce que l'intelligence collective ?
L'intelligence collective est la capacité des groupes — de personnes, de machines, ou les deux — à agir collectivement de manière à sembler intelligents (Malone & Bernstein, Manuel d'intelligence collective, 2015). Elle couvre la sagesse des foules statistiques, la production collaborative comme Wikipédia, les équipes de délibération, les marchés agrégant des croyances, et les équipes modernes humain-AI.
Qu'est-ce que le facteur c dans l'intelligence collective ?
Le facteur c est un facteur général d'intelligence collective identifié par Woolley et al. (Science, 2010) : un facteur statistique unique qui expliquait environ 43 % de la variance dans la performance d'un groupe à travers de nombreuses tâches différentes, analogue au facteur g du QI pour les individus. Il était corrélé avec la sensibilité sociale du groupe et l'égalité des tours de parole bien plus qu'avec l'intelligence individuelle des membres.
Le facteur c a-t-il été répliqué ?
Il est soutenu mais débattu. Credé et Howardson (2017) ont soutenu que les preuves d'un facteur général unique sont faibles, et Woolley et ses collègues ont publié une réponse détaillée en 2018. Une méta-analyse de 2021 par Riedl et al. (PNAS) couvrant 22 études et 1 356 groupes a trouvé des preuves d'un facteur c à travers des populations diverses. La conclusion pratique — le processus de groupe prédit la performance mieux que le QI des membres — est robuste à travers le débat.
Quelle est la différence entre l'intelligence collective et la sagesse des foules ?
La sagesse des foules est le phénomène plus étroit : de nombreux jugements indépendants, agrégés statistiquement, convergent vers des réponses précises (comme dans l'expérience de Galton en 1906 sur les bœufs). L'intelligence collective est le domaine plus large : elle inclut la sagesse des foules mais aussi la collaboration véritable, la délibération, les marchés, les communautés et les équipes humain-AI — tout système dans lequel un groupe agit intelligemment.
Quelle est la différence entre l'intelligence collective et l'intelligence des essaims ?
L'intelligence des essaims est la coordination qui émerge de nombreux agents simples suivant des règles locales — colonies de fourmis, vols d'oiseaux, essaims de robots — sans délibération et sans raisonnement explicite. L'intelligence collective humaine implique l'échange et l'évaluation des raisons. Ils partagent des principes profonds (décentralisation, connaissance locale, agrégation), c'est pourquoi les plateformes de décision empruntent à la fois.
Qu'est-ce qu'un supermind ?
Un supermind, dans le livre de Thomas Malone de 2018 portant ce nom, est tout groupe d'individus agissant ensemble d'une manière qui semble intelligente. Malone identifie cinq types récurrents — hiérarchies, démocraties, marchés, communautés et écosystèmes — et soutient que les ordinateurs rendent les superminds plus intelligents principalement en permettant de nouvelles combinaisons de ceux-ci, et non en les remplaçant.
Qu'est-ce que le MIT Center for Collective Intelligence ?
Le MIT Center for Collective Intelligence (cci.mit.edu), fondé au MIT Sloan et dirigé par Thomas Malone, étudie comment des groupes de personnes — et de plus en plus des personnes plus l'IA — peuvent être organisés pour agir plus intelligemment que n'importe quel individu. Ses projets antérieurs de l'ère du crowdsourcing (le Climate CoLab et CoLabs, Measuring Collective Intelligence) sont désormais des travaux hérités ; à partir de 2026, sa recherche est organisée sous trois axes : IA générative et intelligence collective, conception de superminds, et conception d'équipes humain-AI, avec des outils comme Supermind Ideator et DesignAID et, avec le programme M3S de Singapour-MIT, une science systématique de l'allocation des tâches humain-AI.
Ajouter un humain dans la boucle améliore-t-il les décisions de l'IA ?
Pas automatiquement. Une méta-analyse de 2024 sur 106 expériences (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) a trouvé que les combinaisons humain-AI ont en moyenne moins bien performé que le meilleur des humains ou de l'IA seul, avec des pertes concentrées dans les tâches de décision. Les combinaisons ont le plus aidé dans les tâches de création de contenu. Une intelligence collective humain-AI efficace nécessite d'allouer délibérément des sous-tâches à la partie qui les exécute le mieux.
Comment les équipes peuvent-elles augmenter leur intelligence collective ?
Les preuves pointent vers la conception des processus : égaliser la participation (entrée structurée ou asynchrone plutôt que discussion ouverte), protéger le jugement indépendant avant la convergence du groupe, recruter pour la diversité cognitive et la perception sociale, utiliser un mécanisme d'agrégation explicite tel que l'évaluation ou le vote, et garder une trace du raisonnement afin que le groupe puisse apprendre. Des outils comme Argumentree intègrent ces mécaniques par défaut.
Références & Lectures Complémentaires
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
Le résultat mathématique fondateur : les majorités d'électeurs indépendants, meilleurs que le hasard, convergent vers la vérité.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 visiteurs de la foire estiment le poids d'un bœuf ; la médiane se situe à 1 % de la vérité.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Les marchés comme agrégateurs de connaissances dispersées.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Les quatre conditions : diversité, indépendance, décentralisation, agrégation.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
Le facteur c : 699 personnes, groupes de 2 à 5, un facteur expliquant ~43 % de la variance de performance.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Les éléments constitutifs Who/Why/What/How des systèmes d'intelligence collective.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
La référence standard et la définition du domaine.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
La critique principale de la généralité du facteur c.
Malone, T. W. (2018). Superminds. Little, Brown.
Cinq types de supermind et comment les ordinateurs les rendent plus intelligents.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Méta-analyse : 22 études, 1 356 groupes, preuves pour c à travers les populations.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 expériences : les combinaisons humain-AI ne battent pas automatiquement le meilleur de l'un ou l'autre seul.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 auteurs sur les opportunités et les risques des LLM pour l'intelligence collective.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
Plus de 180 000 négociations entre agents AI ; la chaleur gagne même de machine à machine.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Une ontologie profonde d'environ 20 000 activités de travail pour raisonner sur l'allocation des tâches humain-AI.
View source →MIT Center for Collective Intelligence. Research (2026).
Axes actuels : IA générative et CI, conception de superminds, conception d'équipes humain-AI.
View source →MIT Center for Collective Intelligence. Méthodologie de conception de superminds.
Les six mouvements de conception : Prendre du recul, Zoomer, Analogiser, Groupifier, Cognifier, Technifier.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Évaluation conjointe de style Elo des modèles d'IA et de la difficulté des cas de test ; co-auteurs affiliés au CCI, y compris Malone.
View source →Concepts Connexes
Transformez votre équipe en un groupe mesurablement plus intelligent
L'intelligence collective est un problème de conception : égalisez la participation, protégez le jugement indépendant, agréguez explicitement, et gardez le raisonnement. Argumentree intègre ces mécanismes dans chaque décision — avec l'IA s'occupant du travail de routine et vos personnes s'occupant du jugement.
Commencer l'essai gratuit