#

Points clés

• Anthropic a publié Project Swap le 24 septembre 2026.

• L'étude a utilisé 201 employés et des agents propulsés par Claude dans un échange de livres contrôlé.

• Le classement des préférences de Claude a fait mieux que le hasard, mais il a tout de même manqué de nombreux classements des participants.

• Le résultat du marché est resté bien en deçà de la meilleure affectation possible à partir des classements des participants.

• Anthropic indique qu'il s'agit d'une recherche préliminaire, et non d'une preuve d'une négociation sûre dans le monde réel.

Ce que Project Swap a testé

Anthropic décrit Project Swap comme une expérience de troc contrôlée. Les participants apportaient un livre qu'ils étaient prêts à échanger. Des agents propulsés par Claude les aidaient ensuite à chercher un autre livre.

L'étude a impliqué 201 employés. Ils étaient répartis dans six groupes liés aux bureaux d'Anthropic à San Francisco, New York, Londres, Seattle, Washington, D.C. et Dublin. Anthropic précise que Dublin a été exclue de la plupart des analyses.

Les participants ont d'abord discuté de leurs goûts avec Claude. Le modèle a ensuite estimé un classement des livres dans chaque groupe local. Les agents ont négocié sur une place de marché numérique. Les participants ont séparément classé dix livres afin que les chercheurs puissent comparer ces classements avec les estimations du modèle. Les agents n'ont pas vu ces classements de référence.

Ce que les résultats ont montré

Anthropic indique que l'ordre pair à pair des préférences de livres établi par Claude concordait avec les classements des participants dans 61 % des cas. C'était mieux que le hasard, à 50 %. Cela dépassait aussi les estimations fondées sur la popularité, à 53 %, ainsi qu'une base de référence de filtrage collaboratif d'environ 55 %.

Le résultat moyen sur le marché décentralisé a obtenu 0,55 sur une échelle de préférence normalisée. L'affectation optimale possible à partir des propres classements des participants a obtenu 0,89. Anthropic affirme que la majeure partie de cet écart provenait des estimations imparfaites du modèle sur ce que les gens voulaient, et non de la conception du marché elle-même.

Lors de nouvelles exécutions, les modèles plus puissants ont obtenu de meilleurs résultats selon les classements de Claude. Anthropic indique que cela n'a pas supprimé le problème d'estimation des préférences. L'étude met donc en évidence une limite dans la capacité des agents à déduire les préférences humaines à partir de la configuration disponible.

Agents prosociaux et impitoyables

Anthropic a également comparé des agents chargés d'agir sans pitié à des agents auxquels on avait donné un objectif prosocial supplémentaire. Le rapport fait état de faibles différences de scores. Il indique aussi que les agents prosociaux ont parfois fait des sacrifices.

La source ne fournit pas assez de détails pour dire quelle instruction était la meilleure dans tous les cas. Elle montre seulement que le changement d'objectif de l'agent a modifié le comportement de manière limitée. Cela rend la comparaison utile comme signal précoce, et non comme réponse définitive.

Ce que l'étude prouve et ne prouve pas

Anthropic présente Project Swap comme une enquête préliminaire sur le comportement des agents, les règles du marché et la supervision des participants. Il s'agit d'une petite étude en milieu professionnel portant sur des livres. Ce n'est pas une place de marché déployée.

La source précise aussi que cela ne prouve pas que des agents peuvent négocier en toute sécurité des transactions médicales, professionnelles ou financières. Cette distinction est importante. Un échange de livres est un test étroit de mise en correspondance des préférences et de négociation. Il n'établit pas la sécurité dans des contextes à enjeux plus élevés.

Pourquoi l'écart de préférence compte

Le principal problème du rapport est l'écart entre les estimations du modèle et les classements des participants. Anthropic attribue la majeure partie de la perte de performance à ce problème d'estimation. Autrement dit, les agents pouvaient négocier, mais ils avaient encore du mal à comprendre ce que les gens voulaient réellement.

Ce constat suggère une limite pratique pour les systèmes d'agents qui dépendent de l'inférence des préférences. Si le modèle interprète mal l'utilisateur, le marché peut tout de même fonctionner tout en produisant de moins bons résultats. L'étude montre qu'une meilleure négociation seule ne résout peut-être pas ce problème.

Pertinence pour le Maroc

La source ne rapporte aucun fait spécifique au Maroc. Pour les lecteurs, la leçon globale est que les systèmes d'agents ne peuvent améliorer la coordination que lorsqu'ils estiment correctement les préférences humaines.

Conclusion

Project Swap est un test contrôlé d'agents IA dans un simple contexte d'échange. Il montre des progrès mesurables par rapport aux méthodes aléatoires et de référence. Il montre aussi un écart net entre les performances des agents et le meilleur résultat possible fondé sur les informations humaines.

Anthropic présente ce travail comme une étape préliminaire, et non comme un système abouti. L'étude est utile parce qu'elle sépare la négociation de la compréhension des préférences. Cette séparation peut compter autant que le mécanisme d'échange lui-même.