Comment faire débattre deux IA : orchestrer et analyser un dialogue entre LLM

Vous avez sans doute croisé la scène : deux intelligences artificielles branchées l’une sur l’autre, qu’on laisse tourner, et qui finissent par inventer un jargon incompréhensible ou par dériver dans une conversation sans fin qu’on regarde comme on regarderait un feu de camp. C’est fascinant, et ça circule bien.

Mais ces démonstrations prouvent une seule chose — que deux IA peuvent échanger — sans jamais montrer comment en tirer quoi que ce soit d’utile.

Metamorfon construit précisément ce geste : faire dialoguer plusieurs modèles de façon structurée, puis analyser ce qu’ils produisent. Cet article vise à vous en expliquer la méthode.

Car « faire débattre deux IA », quand on cesse d’en faire un spectacle, devient une vraie question technique : comment orchestrer l’échange, et comment analyser ce qui en sort.

Pourquoi faire débattre deux IA (et pourquoi ce n’est pas un jeu)

Commençons par la raison de fond, celle qui justifie tout le reste. Quand vous interrogez un modèle seul, vous obtenez une réponse : un texte, un raisonnement, une position. C’est ce que mesurent les classements habituels — la qualité d’une sortie, prise isolément. Mais une réponse isolée ne vous dit pas grand-chose du comportement du modèle : tient-il sa position quand on la conteste ? Concède-t-il quand l’objection est juste, ou s’entête-t-il ? Reformule-t-il l’adversaire honnêtement, ou lui prête-t-il une thèse plus faible pour mieux la démolir ?

Ces questions n’ont de réponse que dans la confrontation. Un modèle sommé de défendre une thèse face à un autre qui l’attaque révèle quelque chose qu’aucune interrogation solitaire ne fait apparaître : sa manière de tenir, de plier, de se dérober. La confrontation ne produit pas seulement une meilleure réponse — elle donne à voir un comportement argumentatif.

Prenez un exemple que nous avons observé directement. Nous avons demandé à trois modèles de débattre d’une question qui les concerne : l’IA nous conduit-elle vers une monoculture de la pensée, une homogénéisation des manières de raisonner à mesure que les mêmes modèles façonnent nos façons de penser ? La consigne les poussait à diverger, à défendre des positions distinctes. Ils ont convergé. Sommés de s’opposer sur le risque même d’uniformisation, ils ont glissé vers un accord poli, adoptant les uns après les autres le même vocabulaire, la même façon de nuancer, la même architecture d’argument. Le débat reproduisait en direct ce qu’il analysait.

Aucun classement de performances n’aurait montré cela. Il fallait les faire se répondre, puis regarder ce qui s’était passé. C’est toute la différence entre mesurer une sortie et observer une conduite — et c’est la raison pour laquelle la confrontation méthodique n’est pas un divertissement, mais un instrument.

Le problème du débat improvisé entre modèles IA

Reste à savoir comment s’y prendre. Et c’est ici que le branchement naïf — celui des vidéos virales — montre ses limites. Mettre deux modèles en présence et les laisser tourner produit trois échecs prévisibles.

Le premier est la dérive : sans cadre, deux modèles tendent soit à s’emballer dans une surenchère, soit, plus souvent, à s’accorder mollement. Chacun étant entraîné à être coopératif, ils se félicitent, nuancent les objections de l’autre, cherchent le terrain d’entente. On obtient un consensus tiède qui ne teste rien. C’est exactement ce que nous avons vu dans le débat sur la monoculture, mais en pire : là-bas la convergence était un symptôme intéressant parce que le cadre l’avait au moins mise en évidence ; sans cadre, elle serait passée inaperçue.

Le deuxième est l’absence de position tenue. Un modèle à qui l’on n’assigne rien change d’avis au gré des tours, épouse la dernière objection, oublie ce qu’il défendait. Impossible, dans ces conditions, d’observer s’il tient — puisqu’il n’a jamais rien eu à tenir.

Le troisième est l’absence de trace exploitable. Une conversation qui se déroule sans structure ne laisse rien à analyser : pas de tours identifiables, pas de rôles stables, pas de moments où l’on puisse dire « ici, un tel a concédé, là, un tel s’est dérobé ». Le matériau est là, mais informe.

Faire débattre deux IA sérieusement, c’est répondre à ces trois problèmes d’un coup : donner un cadre qui empêche la dérive, assurer la cohérence positionnelle des intervenants, et produire une trace qu’on pourra ensuite analyser. C’est ce que recouvre le mot orchestrer.

Orchestrer : donner une forme à l’échange

Orchestrer un débat, ce n’est pas lancer une conversation puis la regarder de loin. C’est décider, à chaque étape, de la forme qu’elle prend.

Cela commence par l’architecture du dialogue : qui parle, à qui, dans quel ordre. Deux modèles face à face, ou trois en configuration croisée où chacun répond aux deux autres ? Les échanges se font-ils en cascade, chaque modèle réagissant au précédent, ou en étoile autour d’une question centrale ? Ce choix n’est pas cosmétique : un trilogue croisé produit une dynamique que le face-à-face ne produit jamais, parce que chaque modèle doit tenir sa position sous le feu de deux contradicteurs à la fois, et non d’un seul.

Vient ensuite la question des positions. Non pas leur attribution — Metamorfon ne souffle à aucun modèle la thèse qu’il devrait défendre — mais leur cohérence. Les instructions demandent à chaque modèle de tenir la position qu’il a prise, d’y rester fidèle sous les objections, plutôt que d’épouser la dernière remarque entendue. Cette nuance a l’air mince ; elle est décisive. Assigner une thèse de l’extérieur biaiserait le débat d’avance ; demander la constance, en revanche, ne présume rien du contenu — elle rend seulement observable la manière dont un modèle tient.

Mais tenir n’est pas s’arc-bouter, et c’est heureux. La cohérence positionnelle n’interdit pas la souplesse : un modèle peut faire évoluer sa position, concéder un point, se déplacer — et c’est même là que le débat devient fécond. Ce qu’on veut éviter, c’est la girouette qui change d’avis à chaque tour sans raison ; ce qu’on veut obtenir, c’est le déplacement motivé, celui qui survient après qu’une objection a porté. C’est précisément le travail des modes critique et réfutatif : en mettant les positions à l’épreuve, ils font le tri entre ce qui cède parce que c’était fragile et ce qui résiste parce que c’était solide. Une position qui a plié sous une bonne objection puis s’est reconstruite ailleurs vaut mieux qu’une position tenue par entêtement. La contradiction n’abîme que ce qui méritait de l’être.

Mais l’élément décisif, celui qui sépare vraiment l’orchestration du branchement automatique, est la conduite des tours. À chaque tour, on choisit un mode de débat. Il y en a cinq, et ce ne sont pas cinq crans d’une même échelle d’intensité, mais cinq registres distincts : le convergent, qui cherche les accords et le socle commun ; le constructif, qui élabore ensemble une position plus riche ; l’équilibré, qui tient à la fois la construction et la critique ; le critique, qui examine les arguments et exige des justifications ; le réfutatif, qui s’attaque non aux arguments mais au cadre lui-même, aux présupposés tenus pour acquis. Et surtout, ce choix se fait au fil de l’eau, en fonction de ce que le débat vient de produire. Un échange qui s’enlise dans une querelle de mots gagne à passer en mode constructif pour forcer une articulation. Un échange qui converge trop vite gagne à passer en mode critique pour mettre cette convergence à l’épreuve. Et quand ce sont les présupposés eux-mêmes qui méritent d’être ébranlés, le réfutatif remonte aux racines — un mode puissant, à convoquer avec parcimonie.

C’est ce que nous appelons une conduite adaptative, et le mot mérite d’être précisé, car il ne désigne pas un automatisme. Les modèles, eux, s’adaptent automatiquement au mode qu’on leur donne — c’est la partie mécanique. Mais le choix du mode, lui, revient à celui qui conduit la session : il observe où les modèles convergent, où ils résistent, ce qu’ils ont évité, puis décide du tour suivant. L’adaptation est une pratique partagée entre les modèles, qui suivent, et l’humain, qui pilote. C’est un geste qui s’affine avec l’usage : on reconnaît de plus en plus vite ce qui demande à basculer, on compose des trajectoires qu’aucun choix isolé n’aurait dessinées.

On peut ajouter à cela un mode de recadrage — chez nous, le mode Focus — pour ramener le débat vers une question précise quand il s’en éloigne, sans le rompre. Car une dérive guette toujours : à force de se répondre les uns aux autres, les modèles finissent par construire leurs interventions autour des arguments adverses plutôt qu’autour de la question posée, au point d’éclipser une relance qu’on venait d’introduire. Recadrer, c’est remettre la question au centre sans casser la dynamique acquise.

Le débat sur la monoculture évoqué plus haut illustre bien ce que l’orchestration rend possible : c’est parce que les trois modèles étaient tenus par un cadre, sommés de défendre des positions distinctes tour après tour, que leur glissement vers l’accord est devenu visible. Sans orchestration, ils auraient convergé aussi — mais personne n’aurait pu le voir, ni le montrer, ni l’analyser. Le cadre ne fabrique pas le comportement ; il le porte à la lumière.

Analyser : lire ce que le débat a produit

Une fois le débat conduit, vous avez entre les mains un matériau brut : plusieurs voix qui se sont répondu sur plusieurs tours, des positions posées, éprouvées, déplacées. C’est riche, mais c’est dense — parfois des dizaines de milliers de mots. Le laisser en l’état, c’est laisser sa valeur enfouie. Il faut le lire, et le lire suppose une grille.

C’est le second geste de Metamorfon, et c’est le vrai différenciateur. Car « analyser un débat » n’est pas une opération unique : selon ce que vous cherchez, vous ne lisez pas la même chose. Un débat peut être lu pour ce qu’il a construit, pour ce qui y a émergé de neuf, pour les désaccords qui y résistent, pour les présupposés que personne n’a énoncés. Ce sont des questions différentes, et chacune appelle un instrument différent. Metamorfon en propose plusieurs, qu’on peut regrouper en deux grandes familles.

Décrire : comprendre ce qui s’est passé

La plupart des modes d’analyse sont descriptifs. Ils ne notent pas les modèles ; ils vous aident à saisir ce que le débat a produit, sous un angle que vous choisissez.

Le plus immédiat, la Synthèse intégrative, reconstruit ce qui s’est dit et l’organise en un texte cohérent — non pas un résumé plat, mais l’architecture latente de l’échange, ce que la pluralité des voix a permis de bâtir ensemble. C’est ce dont on a besoin quand on veut tirer d’une session un résultat directement utilisable, citable, partageable.

D’autres modes creusent ailleurs. L’Analyse de l’émergence repère ce qui a émergé en cours de route : un concept qu’aucun modèle n’apportait en entrant, forgé dans le frottement. La Cartographie des tensions relève les désaccords qui ont résisté à toutes les tentatives de réconciliation — non pour les déplorer, mais parce que ces points de résistance sont souvent le squelette de la question, ce qui reste quand tout le réconciliable a été réconcilié. La Méta-analyse, elle, remonte aux présupposés que les modèles ont partagés sans les dire, aux angles morts communs à tous, à ce que la formulation même de la question avait exclu d’avance.

C’est ce dernier registre qui a rendu lisible ce qui s’était joué dans le débat sur la monoculture. La lecture en profondeur du débat a nommé ce que les modèles faisaient sans le voir : ils critiquaient la convergence tout en convergeant dans leur manière même de critiquer — citant les mêmes auteurs, posant les mêmes distinctions, adoptant la même grammaire savante. La pluralité des positions masquait une homogénéité de la forme. Aucun des trois modèles ne pouvait le voir depuis l’intérieur ; il fallait une lecture qui prenne le débat lui-même pour objet. C’est précisément ce que fait un mode descriptif : il donne à voir la structure sous la surface des arguments.

Ces modes ne sont pas concurrents. Une même session peut être lue par plusieurs successivement, et chacun révélera ce que les autres ne voyaient pas — ce qu’elle a construit, puis ce qui y résiste, puis ce qu’elle n’a pas pu penser. C’est là l’usage principal de Metamorfon : non pas juger des IA, mais se servir de leur confrontation comme d’un instrument pour penser une question difficile.

Et surtout, ces analyses ne sont pas des points terminaux. Chacun de ces modes descriptifs se conclut par une question — non pas une question rhétorique adressée au lecteur, mais une vraie relance, formulée par le modèle analyste à partir de ce qu’il vient d’observer, et destinée aux modèles qui ont débattu. Elle vient souvent frapper là où ça compte : le présupposé qu’il a fallu écarter pour que l’accord se forme, la dimension que le cadre commun a laissée dans l’ombre. Vous pouvez alors la réinjecter telle quelle au tour suivant, comme si vous l’aviez posée vous-même, et le débat repart — sur des bases que l’analyse a déplacées. L’enchaînement débattre → analyser → débattre devient une spirale : chaque analyse peut rouvrir ce qu’elle vient de lire, à une profondeur nouvelle. L’analyse n’est pas la fin de la session ; elle en est souvent la relance.

Évaluer : juger la solidité

À côté de ces modes descriptifs, deux modes font autre chose — ils évaluent. Ce sont les seuls qui portent un jugement, et il vaut la peine de les distinguer nettement, car ils répondent à un besoin précis : non plus « qu’a produit ce débat ? », mais « peut-on s’y fier ? ».

Le premier juge la qualité argumentative : non pas si les conclusions sont justes, mais si elles ont été bien défendues. Un argument était-il solidement construit ou circulaire ? Une position reconnaissait-elle ses propres présupposés fragiles, ou s’immunisait-elle contre toute critique ? Les objections étaient-elles traitées loyalement ou esquivées ? Cette lecture s’inspire des travaux sur l’argumentation — notamment la pragma-dialectique de van Eemeren — mais ce qui compte, pour l’utilisateur, est le résultat : un diagnostic sur la manière de raisonner, indépendant de la justesse des thèses.

Nous l’avons appliqué à un débat sur le tirage au sort en politique, en faisant auditer l’échange par deux modèles indépendants qui ne communiquaient pas — une vérification que le dispositif s’applique volontiers à lui-même. Les deux ont convergé sur les mêmes constats : ils ont repéré, chez l’un des participants, une position qui se rendait invulnérable à la critique en redéfinissant ses termes à chaque objection ; chez un autre, un deux-poids-deux-mesures dans l’exigence de preuve. Cette convergence n’est pas un hasard, et elle vaut au-delà de ce cas : quand deux auditeurs indépendants dessinent la même carte des faiblesses, c’est le signe que la carte était dans le débat lui-même, et non dans la grille qu’on lui a appliquée. Aucun classement de performances ne produit ce type de diagnostic : il ne dit pas quel modèle est « meilleur », il dit comment chacun a tenu son rôle d’argumentateur.

Le second mode évaluatif audite les appuis factuels. Au fil d’un débat dense, les modèles convoquent des dizaines d’attributions, de citations, de chiffres, de références historiques. Ce mode les confronte, par une recherche web réelle, aux sources accessibles — non pour juger les idées, mais pour vérifier la fidélité de ce sur quoi elles s’appuient. Et son intérêt tient à une nuance : le verdict est rarement binaire. La plupart des références ne sont ni vraies ni fausses, mais justes dans leur direction et imprécises dans leur détail.

Nous l’avons observé sur un débat consacré aux zones devenues inhabitables à l’horizon 2100. Le mode a passé au crible chaque affirmation vérifiable, et le motif dominant n’était pas la fabrication pure : c’était la surextension. Une référence existe bien, mais on lui fait dire un peu plus qu’elle ne dit — un rapport réel cité sous un titre légèrement inexact, un chiffre plausible mais introuvable en l’état, une attribution correcte dans l’esprit mais trop large dans la lettre. Ce sont précisément les erreurs qui passent inaperçues, parce qu’elles sont vraisemblables. Et ce sont exactement celles qu’aucune mesure de performance ne détecte : il faut aller vérifier, source par source. Le mode le fait, et déclare aussi ses propres limites — telle affirmation « non retrouvée », telle autre hors de son périmètre parce qu’elle relève du jugement et non du fait.

Ces deux modes évaluatifs sont l’exception, pas la règle. L’essentiel de ce que fait Metamorfon est descriptif : comprendre, cartographier, faire émerger. Mais quand l’enjeu est de s’appuyer publiquement sur un matériau — une prise de position, une note, un article —, pouvoir auditer et la solidité des raisonnements et la fidélité des sources change tout.

Débattre n’est pas évaluer

Il faut ici lever une confusion fréquente, car « faire débattre deux IA » ressemble, de loin, à « comparer deux IA ». Ce n’est pas la même chose, et la différence éclaire ce que la confrontation apporte de propre.

Comparer des modèles est un exercice utile, et des plateformes le font très bien. La plus connue, Arena — anciennement LMArena, à l’origine Chatbot Arena — classe les modèles à partir de millions de votes humains : on soumet une question, deux modèles anonymes y répondent, on vote pour la meilleure réponse, et un classement de type Elo s’en déduit. C’est massif, c’est adossé à de vrais usages, et pour savoir quel modèle a tendance à produire les réponses que les gens préfèrent, c’est un instrument précieux. Rien de ce qui suit ne le conteste.

Mais regardez bien le geste : deux modèles répondent côte à côte à la même question, sans jamais se rencontrer. Chacun produit sa réponse dans son coin ; l’humain tranche. On mesure une préférence sur des sorties parallèles. C’est exactement l’inverse du geste que nous décrivons : chez Metamorfon, les modèles ne répondent pas côte à côte, ils se répondent — face à face. L’un avance, l’autre objecte, le premier tient ou plie, un troisième relève une contradiction. Ce n’est plus une préférence qu’on mesure, c’est un comportement qu’on observe.

Cette différence a des conséquences que le classement ne peut pas atteindre. Un classement vous dit qu’un modèle est en tête ; il ne vous dit pas s’il concède quand il a tort, s’il reformule ses adversaires loyalement, s’il s’entête ou s’il se dérobe. Or c’est souvent cela qui compte quand on choisit un modèle pour un usage exigeant : non pas « lequel gagne le plus de votes », mais « comment celui-ci se comporte quand on le pousse ». Un classement mesure un résultat ; la confrontation révèle une conduite. Metamorfon n’est pas un palmarès — c’est plutôt un observatoire de la manière dont chaque modèle pense.

Il faut ajouter que le vote de préférence a ses propres angles morts, bien documentés : il mesure ce qui plaît, pas ce qui est vrai — un modèle peut remporter un vote avec une réponse fausse mais bien tournée. Les deux approches ne se concurrencent donc pas : elles répondent à des questions différentes. Si vous voulez savoir quel modèle produit les réponses les plus appréciées, un classement de préférence est fait pour ça. Si vous voulez comprendre comment un modèle raisonne, tient, cède ou dérive au contact d’un autre, il faut le faire débattre — puis lire ce qui s’est passé.

Ce que « faire débattre deux IA » veut dire, au fond

Résumons le chemin. Faire débattre deux IA, quand on cesse d’en faire un spectacle, c’est deux gestes enchaînés. Orchestrer : donner à l’échange une forme — combien de voix, dans quel ordre, avec quelle qualité de frottement, tour après tour — pour qu’il produise autre chose qu’un consensus mou ou une dérive. Analyser : lire ensuite ce que l’échange a produit, sous l’angle qu’on choisit — comprendre, cartographier, faire émerger, et à l’occasion évaluer la solidité des arguments et la fidélité des sources.

C’est ce double geste que Metamorfon instrumente, et il repose sur un parti pris qu’on peut formuler simplement : en dire le moins possible. Les instructions ne soufflent aucune conclusion aux modèles ; elles prescrivent une forme, jamais un résultat. C’est ce qui permet à ce qui émerge d’appartenir au débat, et non à celui qui l’a lancé. La meilleure preuve en est que deux analyses indépendantes d’une même session dessinent la même carte : ce qu’elles montrent était dans le matériau, pas dans la consigne.

Si vous voulez voir ces gestes à l’œuvre plutôt que décrits, trois sessions publiées les donnent à lire directement : celle sur la monoculture de la pensée, où trois modèles convergent en analysant le risque même de convergence ; celle sur le tirage au sort en politique, auditée par deux juges indépendants ; et celle sur les zones inhabitables à l’horizon 2100, où la vérification des sources débusque les références justes de direction mais imprécises de détail. Pour la méthode elle-même, les architectures de dialogue, les modes d’analyse et l’esprit des instructions en développent chacun un aspect.

Regarder deux IA discuter, c’est un feu de camp. Savoir ce qu’on veut leur faire produire, c’est un instrument. Les deux ont leur heure.