Facteurs et influence de la conformité sociale sur la prise de décision dans les équipes humain‑IA

Pourquoi votre futur médecin pourrait écouter des collègues IA

À mesure que les hôpitaux adoptent l’intelligence artificielle pour aider au diagnostic et au traitement des patients, les médecins travaillent de plus en plus dans des équipes mixtes composées de « collègues » humains et d’IA. Cela soulève une question étonnamment humaine : subissons‑nous la même pression sociale subtile à suivre les conseils d’une IA que ceux venant d’autres personnes ? Comprendre quand nous suivons les machines, quand nous les ignorons, et pourquoi, est essentiel pour la sécurité et l’équité des décisions concernant notre santé, nos finances et plus encore.

Deux types de pression : avoir raison vs. s’intégrer

Des décennies de travaux en psychologie montrent que les gens se conforment aux autres pour deux raisons principales. La première est l’influence informationnelle : nous nous tournons vers les autres parce qu’ils peuvent savoir des choses que nous ignorons, surtout lorsque nous sommes incertains. La seconde est l’influence normative : nous suivons pour obtenir l’approbation ou éviter de nous démarquer, même si nous ne sommes pas d’accord en privé. Cette étude s’est demandé si ces mêmes forces opèrent lorsque nos coéquipiers incluent des systèmes d’IA en plus d’humains. Les auteurs se sont concentrés sur un cadre réaliste — le diagnostic médical — où règne l’incertitude et où il n’y a pas de réponse « correcte au premier coup d’œil », ce qui est idéal pour distinguer l’usage véritable de l’information de la pression sociale.

Un hôpital simulé où humains et IA donnent des conseils

Dans deux expériences en ligne, des volontaires ont pris le rôle de médecins juniors diagnostiquant des patients atteints de l’une de deux maladies abdominales. Pour chaque cas, ils recevaient un indice privé (un symptôme) et des conseils publics provenant de plusieurs conseillers étiquetés soit comme cliniciens humains, soit comme systèmes d’IA. Toute l’information était présentée de façon abstraite — sans visages robotiques ni photos — pour éviter une réaction simplement basée sur l’apparence. Dans l’étude 1, chaque source d’information était également précise. Dans l’étude 2, les précisions variaient : certains conseillers étaient plus fiables que d’autres, et des diagrammes en barres montraient cela explicitement. Après chaque cas, les participants choisissaient un diagnostic et évaluaient leur niveau de confiance. Les chercheurs ont ensuite comparé ces choix à ce qu’un règle statistique idéale (un modèle bayésien) recommanderait.

Quand l’IA paraît aussi informative que les humains — mais moins socialement contraignante

Dans les deux études, les participants se comportaient comme s’ils essayaient vraiment de prendre de bonnes décisions. À mesure que les preuves combinées favorisaient une maladie, ils étaient plus susceptibles de la choisir et se montraient plus confiants, que ces preuves viennent d’humains ou d’IA. Statistiquement, les conseillers humains et IA exerçaient une influence informationnelle très similaire : les gens traitaient les deux comme des sources utiles de preuves. Cependant, dans l’étude 1 — où tous les conseillers étaient également fiables — un autre schéma est apparu. Lorsque des conseillers humains étaient d’accord avec l’impression initiale du participant, les participants s’appuyaient davantage sur ce point de vue partagé et se montraient plus confiants que lorsque le même schéma d’accord provenait d’une IA. Une modélisation détaillée a montré que les gens donnaient un peu plus de poids aux conseils humains qu’aux conseils d’IA, et plus de poids à leur propre information privée qu’à tout conseil extérieur. Cet attrait supplémentaire de l’accord humain, au‑delà de ce que la seule précision justifierait, reflète l’influence normative : le confort subtil de se ranger du côté d’autres humains.

Des signaux de précision complexes peuvent effacer l’avantage humain

L’étude 2 a rendu la situation plus réaliste — et plus exigeante cognitivement — en faisant varier la précision de chaque conseiller et en affichant ces probabilités. Dans ces conditions plus riches, l’avantage particulier des conseils humains a largement disparu. Les participants favorisaient toujours globalement leur information privée, mais les conseillers humains et IA portaient désormais un poids presque identique. Les conseils de chacun — humains comme machines — étaient sous‑utilisés par rapport au repère bayésien idéal, ce qui suggère que jongler avec plusieurs indices de précision et des opinions majoritaires a sollicité les ressources cognitives des participants. Quand de nombreux conseillers s’exprimaient, les participants ne suivaient pas aveuglément la foule. Ils avaient tendance à suivre la majorité seulement lorsque celle‑ci s’alignait avec le diagnostic statistiquement le plus probable et étaient beaucoup moins disposés à le faire lorsque la majorité contredisait les chiffres. Cela indique que les gens tentaient d’intégrer à la fois le nombre d’advisers en accord et la fiabilité de ces conseillers.

Quelles implications pour de véritables équipes humain‑IA

Les résultats suggèrent que les gens sont prêts à faire confiance à l’IA comme source d’information, mais que l’IA n’évoque pas naturellement la même pression sociale à se conformer qu’un autre coéquipier humain. Cet avantage humain est fragile : dès que les conseillers diffèrent en précision et que ces différences sont rendues explicites, les personnes se concentrent davantage sur les indices informationnels et moins sur l’identité de l’émetteur. Pourtant, cette complexité accrue peut aussi conduire à une sous‑utilisation de bons conseils, qu’ils proviennent d’humains ou d’IA. Pour les concepteurs de systèmes d’aide à la décision, la leçon est de présenter les informations de précision de manière à aider plutôt qu’à submerger, et de reconnaître que humains et IA peuvent être déployés pour des rôles différents — les machines pour des preuves précises et cohérentes, les humains pour l’influence sociale qui peut motiver les gens à agir sur ces preuves.

Citation: Zhong, H., McKinlay, J., Yoon, J. et al. Drivers and influence of social conformity on decision making in human-AI teams. Sci Rep 16, 13438 (2026). https://doi.org/10.1038/s41598-026-43042-5

Mots-clés: collaboration humain‑IA, conformité sociale, prise de décision médicale, aversion aux algorithmes, confiance décisionnelle