Et si ton IA négociait à ta place ? Construis un mini-marché chez toi

Imagine demander à une IA de trouver quelqu’un qui aimerait le livre dont tu veux te séparer, puis de négocier un échange à ta place. L’IA ne recommande plus seulement un titre : elle représente tes goûts, discute avec d’autres agents et tente de conclure un accord. C’est déjà le principe d’une expérience menée par Anthropic. Et tu peux en construire une version pédagogique sur ton propre ordinateur.

Le détail intéressant : le principal problème n’était pas forcément la négociation. C’était la capacité de l’agent à comprendre ce que son utilisateur voulait vraiment. Nous allons voir ce que l’étude a mesuré, puis monter un mini-marché avec quatre agents, quatre livres fictifs et un modèle local via Ollama.

1. Quand 201 agents IA ont échangé des livres

Le 24 septembre 2026, Anthropic a présenté Project Swap, une expérience menée auprès de 201 de ses employés répartis dans six bureaux. Chaque personne a apporté un livre à donner, puis a discuté quelques minutes avec Claude pour décrire ses goûts. Son agent est ensuite entré dans une place de marché numérique où il pouvait proposer des échanges, négocier avec les agents des autres participants et conclure un accord.

Pour mesurer si les agents avaient compris les lecteurs, les participants ont aussi classé des livres selon leurs préférences. Les classements déduits de la courte conversation concordaient avec les choix humains dans 61 % des comparaisons entre paires de livres. C’est mieux qu’un classement au hasard, mais cela laisse une marge d’erreur importante : une IA peut comprendre l’idée générale de tes goûts tout en ratant ce qui compte réellement pour toi.

Le marché a obtenu un score moyen de 0,55, alors que le meilleur résultat théorique calculé à partir des préférences déclarées atteignait 0,89. Dans l’analyse d’Anthropic, 85 % de l’écart venait de la représentation imparfaite des préférences, et 15 % du mécanisme de négociation lui-même. Autrement dit, même un agent qui négocie correctement peut te décevoir s’il s’est trompé sur ce que tu aimes.

Ces chiffres ne prouvent pas que les agents sont prêts à négocier des salaires ou des soins sans supervision. L’étude portait sur des livres, des employés d’Anthropic et un environnement contrôlé. Elle pose néanmoins une bonne question : que se passe-t-il lorsque des agents aux intérêts différents cherchent un accord ?

2. Ce que nous allons construire

Notre mini-marché utilise quatre agents nommés Amina, Malik, Sira et Koffi. Chacun possède un livre fictif et reçoit un profil différent : science-fiction, histoire, psychologie ou entrepreneuriat. À tour de rôle, un agent choisit un livre détenu par un autre participant et propose un échange. L’agent ciblé examine l’offre au regard de son propre profil et l’accepte ou la refuse. Si l’échange est accepté, le programme met à jour l’inventaire.

Les quatre agents sont des rôles distincts joués par le même modèle local, pas quatre IA indépendantes. Cela permet de tester l’effet des profils sans multiplier les comptes ni les services payants. Le script ne navigue pas sur Internet et ne réalise aucune transaction réelle : tous les livres et lecteurs sont fictifs.

Pour exécuter le test, il faut un ordinateur capable de faire tourner un petit modèle, Ollama et Python 3.10 ou plus récent. Le script utilise uniquement la bibliothèque standard de Python pour envoyer les messages à l’API locale d’Ollama : aucune clé API n’est nécessaire. La documentation officielle décrit cette interface de discussion sur localhost:11434/api/chat.

3. Installer le modèle local

Commence par installer Ollama depuis son site officiel, puis ouvre un terminal. Télécharge un modèle compatible avec la commande suivante. Le nom est un exemple : choisis un modèle disponible et adapté à la mémoire de ta machine.

ollama pull qwen3:4b

Télécharge le script Python inclus dans l’archive du mini-marché d’agents IA, décompresse-la et lance cette commande dans le dossier obtenu :

python mini_marche_agents.py

Le programme affiche l’inventaire de départ, les offres, les refus et les échanges conclus. Le premier résultat peut être lent pendant le chargement du modèle. Si Ollama ou le modèle est indisponible, le script donne une piste de correction.

Si le modèle installé porte un autre nom, définis la variable d’environnement OLLAMA_MODEL avant de lancer le script. Sur Windows PowerShell, par exemple :

$env:OLLAMA_MODEL = "nom-du-modele"
python mini_marche_agents.py

Pour vérifier le nom exact du modèle local, utilise ollama list. Évite un modèle distant ou marqué comme modèle cloud si tu souhaites garder cette expérience entièrement locale. La FAQ officielle d’Ollama explique la différence entre exécution locale et modèles hébergés.

4. Trois expériences à faire

Expérience A : change les goûts. Remplace le profil d’Amina dans PLAYERS par « j’aime les histoires intéressantes ». Relance et observe si son agent demande un livre pertinent. Un essai isolé ne suffit pas à établir une règle générale.

Expérience B : inverse les intérêts. Fais en sorte que deux lecteurs apprécient chacun le livre de l’autre. Vérifie si l’échange aboutit, puis change un profil pour rendre l’accord moins évident. Un agent peut choisir la mauvaise cible ou refuser une offre logique.

Expérience C : compare les modèles. Lance deux modèles locaux en changeant OLLAMA_MODEL. Note les offres valides, les refus, les échanges et le temps de réponse. Répète chaque test avec les mêmes profils. Ce Lab reste une démonstration, pas un benchmark scientifique.

5. Ce que ce test peut vraiment nous apprendre

Un agent peut décevoir sans être malveillant : il peut mal interpréter une préférence ou choisir un échange facile plutôt qu’un livre vraiment adapté. Sur un marché réel, il faudrait aussi gérer le prix, la disponibilité, la confidentialité et les conséquences d’un accord.

Dans les simulations répétées d’Anthropic, le modèle choisi influençait davantage certains résultats que la différence entre des consignes altruistes ou strictes. Ce constat reste propre au dispositif et aux modèles comparés ; ce n’est pas une loi universelle.

Reste sur des livres fictifs. Ne branche pas ce prototype à une boutique, un compte bancaire ou une messagerie : le but est d’étudier les agents, pas de leur permettre d’agir sur le monde réel.

Questions fréquentes