Les systèmes d’intelligence artificielle peuvent écrire avec fluidité, raisonner sur des problèmes complexes et générer des réponses qui semblent souvent remarquablement humaines. Pourtant, une étude récente publiée dans PNAS Nexus suggère que l’une des compétences cognitives les plus fondamentales que les humains exercent quotidiennement — rester concentré sur un objectif lorsque des distractions rivalisent pour capter l’attention — pourrait révéler une lacune fondamentale dans le fonctionnement réel des systèmes d’IA actuels.
La recherche, menée par Suketu Patel, a utilisé une expérience psychologique vieille de plusieurs décennies pour explorer cette lacune. Ses conclusions méritent d’être examinées de près, car elles recadrent une question qui se perd souvent dans les débats sur les capacités de l’IA : la différence entre la production de résultats impressionnants et le véritable contrôle de l’attention.
Un test conçu pour mettre à l’épreuve la concentration humaine
La tâche de Stroop est l’un des outils les plus connus de la psychologie cognitive. Le protocole est simple. Des mots désignant des couleurs, comme « rouge », « bleu » ou « vert », sont affichés dans une encre colorée. Parfois, le mot et la couleur de l’encre correspondent. Parfois, ils sont en conflit, comme lorsque le mot « rouge » apparaît écrit en encre bleue. Le rôle du participant est de nommer la couleur de l’encre, et non de lire le mot.
Cela semble trivial. Ça ne l’est pas. Lire des mots est une habitude automatique pour la plupart des gens, quelque chose que le cerveau fait sans effort conscient. Nommer la couleur de l’encre nécessite de réprimer activement cette habitude, ce qui est précisément ce qui rend cette tâche utile pour mesurer le contrôle exécutif : les processus mentaux qui permettent aux individus de réguler leur attention, de résister aux impulsions concurrentes et de rester orientés vers un objectif spécifique.
Les psychologues utilisent la tâche de Stroop depuis des décennies parce qu’elle isole un aspect réel et mesurable de la manière dont le cerveau gère le conflit entre les réponses automatiques et les intentions délibérées. L’équipe de recherche de Patel a appliqué la même logique aux grands modèles de langage.
Ce qui s’est passé quand l’IA a passé le test
Les chercheurs ont testé plusieurs systèmes d’IA de pointe, notamment GPT-4o, GPT-5, Claude 3.5 Sonnet, Claude Opus 4.1 et Gemini 2.5, sur des listes de type Stroop de différentes longueurs.
Avec des listes courtes de cinq mots de couleur, les modèles ont généralement obtenu de bons résultats. GPT-4o a atteint une précision de 91 % sur cette longueur. La situation a changé à mesure que les listes s’allongeaient. À dix mots, la précision de GPT-4o est tombée à 57 %. À quarante mots, elle a chuté à 15 %. Claude 3.5 Sonnet a maintenu des performances stables sur des listes allant jusqu’à vingt mots avant de connaître une baisse brutale, tombant à 24 % de précision à quarante mots.
La situation s’est encore détériorée lorsque des éléments concordants et discordants apparaissaient ensemble dans la même liste. Dans ces conditions, la précision pour les éléments discordants est tombée à presque zéro dans certains cas. Les modèles ne faisaient pas simplement des erreurs aléatoires. Ils revenaient par défaut à la lecture des mots plutôt qu’à l’identification de la couleur de l’encre, ce qui est exactement le comportement que la tâche est conçue pour réprimer.
C’est ce que la plupart des analyses sur les capacités de l’IA ne perçoivent pas. L’échec n’est pas une question de connaissances ou de compétences linguistiques. Ces modèles savent ce que sont les couleurs d’encre. Ils comprennent les instructions. Le problème est qu’à mesure que la tâche devient plus exigeante, ils perdent la capacité de neutraliser systématiquement la réponse pour laquelle ils ont été le plus intensément entraînés : traiter et reproduire du texte.
Pourquoi cela importe au-delà du laboratoire
Le contraste avec les performances humaines est instructif. Les humains trouvent également les éléments discordants plus difficiles que les éléments concordants, et la lecture des mots est une habitude plus forte que le fait de nommer les couleurs. Pourtant, la plupart des individus parviennent à maintenir une précision élevée et des performances stables, même sur de longues listes de stimuli contradictoires. Le cerveau humain possède des mécanismes permettant de maintenir une attention orientée vers un objectif sur de longues séquences, même lorsque des réponses automatiques tirent dans une direction opposée.
Les modèles d’IA actuels, suggère l’étude, ne semblent pas disposer d’un mécanisme équivalent. Leurs performances ne se dégradent pas progressivement à mesure que la charge cognitive augmente. Elles s’effondrent.
Cette distinction est importante pour quiconque réfléchit sérieusement à l’intégration de l’IA dans des flux de travail réels. Les tâches courtes, bien définies et présentant peu de signaux concurrents ont tendance à bien se dérouler. Les tâches qui nécessitent une attention soutenue sur des séquences plus longues, ou qui impliquent de résister à la réponse statistiquement la plus probable au profit d’une instruction spécifique, sont celles où l’architecture montre ses limites.
Les conclusions ne suggèrent pas que les systèmes d’IA sont inutiles ou que leurs capacités sont illusoires. Elles suggèrent quelque chose de plus précis : que les mécanismes sous-jacents aux performances de l’IA sont fondamentalement différents des mécanismes qui sous-tendent l’attention humaine, et que ces différences deviennent visibles dans des conditions spécifiques. Comprendre où ces conditions se manifestent est plus utile que de rejeter la technologie ou d’en surestimer les capacités.
Les outils d’IA fonctionnent de manière optimale lorsqu’ils complètent le jugement humain plutôt que de le remplacer, en particulier dans des contextes où une concentration soutenue, la résistance aux distractions et le respect constant d’un objectif spécifique dans le temps sont ce que la tâche exige réellement.
En bref
Une équipe de recherche menée par Suketu Patel a utilisé la tâche de Stroop, une expérience de psychologie classique mesurant l’attention et le contrôle exécutif, pour tester des modèles d’IA de pointe, notamment GPT-4o, Claude 3.5 Sonnet et Gemini 2.5. Les performances se sont maintenues sur des listes courtes mais se sont effondrées à mesure que les listes s’allongeaient, la précision de GPT-4o passant de 91 % pour cinq mots à 15 % pour quarante. Les modèles ont de plus en plus eu tendance à lire les mots par défaut plutôt qu’à suivre l’instruction de nommer la couleur de l’encre. Les humains, bien que confrontés au même biais automatique en faveur de la lecture, maintiennent des performances stables dans les mêmes conditions. L’étude met en évidence une réelle différence architecturale entre l’attention humaine et la manière dont les grands modèles de langage actuels traitent l’information, une différence qui prend toute son importance dans toute tâche nécessitant une concentration soutenue et orientée vers un objectif sur de longues séquences.
D’après un reportage de ScienceDaily AI.