Les systèmes d’intelligence artificielle générative (IAG) ont longtemps été conçus autour d’un objectif clé : la finalisation rapide d’une tâche. Cette approche, centrée sur la complétion, repose sur l’idée que l’utilisateur fournit un contexte riche, détaillé et multicontextuel en une seule entrée, et que l’IA, via un modèle de langage (LLM), peut alors produire une réponse complète, souvent en un seul échange. Cependant, cette logique, bien qu’efficace pour des tâches simples, échoue face à la complexité des problèmes réels, où les objectifs des utilisateurs sont souvent flous, émergents ou en mutation. L’IA, en cherchant à tout prix à conclure, ignore souvent les intentions implicites, les ajustements progressifs et le processus collaboratif essentiel à la résolution de problèmes. À l’inverse, les chatbots d’antan, limités par des contraintes techniques, étaient forcés d’adopter une approche collaborative. Leur efficacité dépendait d’échanges itératifs, d’interactions courtes, d’intentions simples et d’une clarification continue. Chaque message de l’utilisateur était une étape dans un processus d’affinage progressif. Aujourd’hui, avec l’essor des agents d’IA générative, cette dynamique a été perdue. Les interfaces d’IA s’efforcent de produire des réponses finales en un temps record, souvent au détriment de l’engagement humain, de la clarté des objectifs et de la qualité du processus. Une étude récente souligne que les systèmes d’IA actuels sont trop axés sur la complétion et négligent l’aspect collaboratif de la résolution de problèmes. C’est particulièrement visible dans des domaines comme le développement logiciel : tenter d’expliquer en une seule requête une application complète, avec toutes ses fonctionnalités, est presque impossible. L’IA, en l’absence d’interactions itératives, produit des résultats souvent incohérents ou inadaptés. C’est là que l’approche collaborative redevient essentielle. Le cadre de l’échelle de l’effort collaboratif (collaborative effort scaling) propose une solution : concevoir des agents d’IA capables d’ajuster leur niveau d’engagement en fonction de l’effort fourni par l’utilisateur. Pour les tâches simples, l’IA peut agir de manière autonome. Pour des tâches complexes, elle doit interagir, poser des questions, clarifier, itérer. Cela permet d’optimiser l’utilité conjointe : l’IA n’est plus un outil de finalisation, mais un partenaire de réflexion. Un exemple concret est le Collaborative Travel Agent présenté dans un notebook Python. Cet agent ne fournit pas d’itinéraire en un clic. Il commence par des questions itératives pour comprendre le budget, les intérêts, le niveau de relaxation souhaité. Il propose un premier brouillon avec des justifications, puis s’adapte aux retours de l’utilisateur (« changez d’hôtel », « ajoutez des activités culturelles »). Chaque étape est une co-construction, où l’IA et l’utilisateur enrichissent mutuellement le résultat. En somme, la véritable valeur de l’IA ne réside pas dans sa capacité à finir une tâche, mais dans sa capacité à collaborer à sa résolution. Les experts du secteur, comme ceux de OpenAI, reconnaissent désormais l’importance de la clarification contextuelle et de l’orchestration conversationnelle. Les principes de conception des chatbots — disambiguation, sens-making, itération — reviennent, non pas par nostalgie, mais par nécessité. L’avenir de l’IA n’est pas dans l’autonomie totale, mais dans une synergie évolutive entre humain et machine, où l’effort humain est valorisé, et l’IA, en tant qu’agent collaboratif, devient un véritable partenaire de pensée.