IA et préférences : poser les bonnes questions (+30%)

Découvrez comment l'IA cible ses questions pour mieux comprendre vos préférences et gagner jusqu'à 30 % d'efficacité. Une avancée à explorer.

Vous avez déjà essayé d’expliquer à quelqu’un ce que vous voulez vraiment… sans y arriver du premier coup ? C’est exactement le problème que rencontrent les systèmes d’intelligence artificielle qui apprennent à partir de nos préférences humaines. On croit que dire « j’aime ceci, pas cela » suffit. En réalité, notre attention est limitée : on supervise bien certains aspects d’une tâche, et on en oublie complètement d’autres. Résultat, l’IA se retrouve avec des zones d’ombre qu’elle ne sait pas combler. Jusqu’ici, la solution consistait à demander à l’humain de recommencer. Une nouvelle approche propose d’inverser la logique : c’est au système d’apprendre à poser de meilleures questions.

Le vrai problème : nos préférences sont toujours incomplètes

Quand vous apprenez quelque chose à une IA — par exemple en lui montrant quelles trajectoires vous préférez pour un bras robotique — vous ne pouvez pas tout surveiller en même temps. Vous allez naturellement mieux noter certains critères, comme la vitesse ou la douceur du mouvement, et en négliger d’autres, comme la précision finale ou l’économie d’énergie. Ce n’est pas un manque de rigueur : c’est une limite cognitive humaine bien documentée.

Les chercheurs Helena Merker, Nick Walker et Andreea Bobu ont formalisé ce constat dans un article accepté à la conférence CoRL 2026 . Leur point de départ est simple : un système d’IA peut détecter, à partir des données qu’on lui fournit, quelles dimensions de la tâche sont mal supervisées. Le problème, c’est ce qu’on fait de cette information. La réponse classique — « humain, refais un effort » — est frustrante et peu efficace.

Déplacer la charge sur l’IA plutôt que sur l’humain

L’idée centrale de ces travaux est élégante : l’information qui révèle à l’IA ce qu’elle ignore peut aussi lui servir à formuler de meilleures questions. Plutôt que de redemander un effort global à l’utilisateur, le système identifie précisément les aspects flous et construit des requêtes de préférence ciblées. Vous n’avez plus à tout réexpliquer : on vous demande simplement de trancher entre deux options qui portent exactement sur ce qui pose problème.

Mais poser la bonne question ne suffit pas. Encore faut-il que la personne qui répond sache sur quoi porter son attention. C’est le second volet de leur contribution : chaque question est accompagnée d’une explication qui oriente le regard vers la caractéristique concernée. Autrement dit, l’IA ne se contente pas de demander mieux, elle aide l’humain à répondre mieux.

Deux mécanismes complémentaires : un prior informé et des explications

Concrètement, l’équipe a construit deux éléments qui se renforcent mutuellement.

• Un prior informé : un modèle qui utilise les données d’enseignement existantes pour diriger les questions de préférence vers les dimensions réellement incertaines, au lieu de les disperser au hasard.
• Des explications contextuelles : un court message qui accompagne chaque question et précise l’aspect sur lequel se concentrer pour y répondre.

Cette combinaison change la nature de l’interaction. On passe d’un humain qui doit deviner ce que l’IA attend à un système qui guide activement la personne vers l’information la plus utile.

Des résultats mesurables, en simulation et avec de vrais utilisateurs

Les chiffres parlent d’eux-mêmes. En simulation, le prior informé dépasse la référence classique d’apprentissage actif par préférences jusqu’à 30,8 % dans le régime où l’on pose peu de questions — précisément le cas où réduire l’effort humain compte le plus. Dans une étude utilisateur, le prior informé et les explications améliorent chacun significativement la récupération des préférences, et leur effet s’amplifie quand on les combine.

Ce dernier point est important : la performance ne vient pas d’un seul tour de magie algorithmique, mais de la synergie entre une meilleure cible pour les questions et une meilleure attention humaine au moment d’y répondre.

Pourquoi c’est important

Parce que l’alignement des IA sur nos valeurs ne se jouera pas uniquement dans les laboratoires : il se jouera dans chaque interaction où un humain doit transmettre ce qu’il veut à une machine. Savoir poser des questions ciblées, c’est rendre l’apprentissage plus rapide, moins fatigant et plus fidèle à nos intentions réelles. Et c’est probablement l’une des compétences les plus sous-estimées de l’IA de demain.

Vers des IA qui vous comprennent sans vous épuiser

L’apprentissage par préférences a longtemps reposé sur une hypothèse confortable mais fausse : que l’humain dit tout ce qui compte. En réalité, nous sommes partiels, distraits, limités. Reconnaître cette limite n’est pas un aveu de faiblesse, c’est un levier de conception. En déplaçant la charge de l’humain vers la machine — en lui apprenant à cibler ses questions et à orienter notre attention — on ouvre la voie à des systèmes qui coopèrent vraiment avec nous, au lieu de nous solliciter à répétition.

Conclusion

Cette recherche montre qu’un petit changement de perspective peut produire des gains considérables : au lieu de demander à l’humain de mieux enseigner, on apprend à la machine à mieux interroger. Le résultat est plus efficace, plus respectueux de notre attention, et plus juste dans la capture de ce que nous voulons réellement. Une belle leçon de design pour toute l’IA qui apprend de nous.

Points clés à retenir

• Les humains supervisent toujours partiellement : certaines dimensions d’une tâche sont mieux apprises que d’autres.
• Plutôt que de redemander un effort global, l’IA peut cibler ses questions sur les aspects mal compris.
• Un prior informé améliore la performance jusqu’à 30,8 % dans les régimes à faible nombre de questions.
• Accompagner chaque question d’une explication aide l’humain à répondre avec plus de pertinence.
• La combinaison des deux mécanismes produit un effet amplifié sur la récupération des préférences.