Une intelligence artificielle avancée peut-elle vraiment exercer un contrôle décisionnel, ou est-elle simplement piégée dans une boucle d'imitation automatique de motifs ? Une étude en sciences cognitives utilisant la « tâche de Stroop » psychologique classique révèle une limitation fondamentale des mécanismes d'attention des grands modèles de langage (LLM).
La recherche
Menée par le chercheur Suketu Patel et un collectif d'experts, l'étude visait à explorer les divergences structurelles entre l'attention machine basée sur les transformeurs et l'attention cognitive humaine. Les chercheurs ont utilisé la tâche de Stroop, un test clinique pur où des mots de couleur sont imprimés dans une encre de couleur discordante, pour évaluer le contrôle exécutif et la capacité à inhiber une réponse automatique. L'équipe a testé des modèles de pointe, notamment GPT-5, Claude Opus 4.1 et Gemini 2.5.
Les résultats montrent que, si les LLM traitent efficacement les courtes séquences, leur contrôle exécutif s'effondre à mesure que la longueur des jetons augmente. Avec une courte liste de cinq mots discordants, les modèles ont bien performé. Cependant, à mesure que les listes s'allongeaient, la précision chutait de manière catastrophique. Par exemple, GPT-4o a atteint 91 % de précision pour 5 mots, mais est tombé à 57 % pour 10 mots et à seulement 15 % pour 40 mots. Claude 3.5 Sonnet est resté stable jusqu'à 20 mots, puis a chuté à 24 % pour 40 mots. Dans des listes mixtes contenant à la fois des couleurs assorties et discordantes, la précision de la machine est tombée à près de 0 % pour les éléments discordants, révélant une perte totale d'orientation vers la tâche. Des schémas identiques ont été vérifiés dans les systèmes de nouvelle génération, notamment GPT-5, Claude Opus 4.1 et Gemini 2.5.
Les humains, en revanche, peuvent maintenir une précision stable sur de longues séquences. Les humains et les LLM sont fondamentalement mieux entraînés à la lecture de mots qu'à la nomination de couleurs. Pourtant, le cerveau humain peut exercer un contrôle exécutif descendant pour supprimer l'impulsion automatique de lire les mots, gardant ainsi une concentration optimale. L'effondrement total des performances des LLM expose une limitation architecturale fondamentale de l'attention synthétique par rapport à l'attention biologique, comme publié dans PNAS Nexus.
Pourquoi c'est important
Cette étude met en lumière une force cognitive clé que vous utilisez chaque jour : le contrôle inhibiteur. Lorsque vous ignorez une pensée distrayante ou résistez à une habitude, vous utilisez les mêmes mécanismes neuronaux qui vous permettent d'effectuer la tâche de Stroop de manière fiable. Comprendre que votre cerveau peut maintenir sa concentration sous charge cognitive — alors que même l'IA la plus avancée ne le peut pas — souligne la valeur de l'entraînement de l'attention. Votre capacité à rester concentré, surtout dans des situations longues et complexes, est un véritable atout cognitif.
Ce que vous pouvez faire
Votre contrôle exécutif peut être aiguisé. Essayez des exercices d'entraînement cérébral qui mettent l'accent sur la flexibilité cognitive, comme alterner entre des règles ou des tâches. Des jeux comme la tâche de Stroop elle-même sont disponibles en ligne ; les pratiquer peut améliorer votre capacité à inhiber les réponses automatiques. Une pratique régulière avec des tâches cognitives exigeantes peut aider à maintenir, voire améliorer, votre capacité d'attention.
Source : Neuroscience News
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
