Theory of Mind pour agents IA : pourquoi l'architecture bat le modèle

En 2023, une équipe de chercheurs a publié à NeurIPS un résultat qui mérite d'être lu par quiconque conçoit des systèmes multi-agents.

La conclusion : donner aux agents un modèle explicite des capacités et des états des autres agents produit +30 % de performance sur les tâches collaboratives complexes — sans changer le modèle de base.

Ce n'est pas un meilleur LLM. Pas un meilleur prompt. Pas plus de paramètres. C'est de l'architecture.

Ce qu'est la Theory of Mind appliquée aux agents

En psychologie, la Theory of Mind désigne la capacité à modéliser les états mentaux d'autres individus — leurs croyances, leurs intentions, leurs connaissances.

Appliquée aux systèmes multi-agents, ça signifie : chaque agent maintient un modèle explicite de ce que les autres agents savent, peuvent faire, et ont comme état actuel.

Sans ça, les agents travaillent en aveugle. Ils délèguent des tâches sans savoir si l'agent cible est disponible ou compétent. Ils reçoivent des résultats sans savoir comment ils ont été produits.

Avec ce modèle, l'orchestration devient intelligente : un agent sait qu'il doit d'abord envoyer le contexte manquant avant de déléguer. Un Critic sait que l'Actor travaille avec des données stale. Un agrégateur sait que deux résultats viennent du même modèle de base — et ajuste son niveau de confiance.

Les trois composantes du modèle

SelfModel — Ce que l'agent sait de lui-même : ses capacités réelles (mesurées, pas déclarées), son état de charge, sa fenêtre de contexte disponible, ses résultats récents et leur qualité.

OtherModels — Ce que l'agent sait des autres : les capacités observées de chaque pair, leur état actuel, leur niveau de confiance par type de tâche, l'historique des échanges.

Mise à jour continue — Après chaque interaction, les deux modèles sont mis à jour. La fiabilité observée d'un pair est recalculée. La sélection du prochain agent à solliciter s'appuie sur ces données réelles, pas…