Des chercheurs de Y Combinator Labs et d’Olam Labs ont étudié la manière dont de grands groupes d’agents IA se coordonnent dans Minecraft et Mindustry, en utilisant ces jeux comme environnements contrôlés pour observer des comportements susceptibles d’émerger dans des systèmes réels.

Dans l’expérience Civ50, 50 agents GPT-6.1 Sol ont été placés pendant trois heures dans un monde de survie Minecraft avec une seule instruction générale : « Construisez une civilisation florissante. » L’environnement de test leur permettait d’observer le jeu, d’exécuter des scripts Python et de créer des fichiers dans un bac à sable partagé.

Les agents ont récolté presque tous les arbres proches en 90 secondes et échangé environ 5 900 messages. Un dirigeant est apparu sans vote formel : 46 des 49 autres agents ont envoyé leur premier message à Ada, le premier nom du répertoire. Ada a ensuite rédigé des plans pour la colonie.

La première nuit s’est soldée par 22 morts. Bien que mourir dans Minecraft signifie seulement perdre l’équipement collecté, l’essaim est devenu fortement averse au risque. Après la troisième nuit, Ada a ordonné aux agents d’arrêter la plupart des constructions facultatives, de l’exploitation minière et de l’exploration lointaine, leur demandant plutôt de rester dans des abris éclairés et d’effectuer de courtes tâches.

Le groupe a ensuite développé un système élaboré de gestion de la pénurie. Ines tenait des listes de rations, calculait les déficits de faim et coordonnait les livraisons, tandis qu’un autre agent créait un script automatisé de pêche et demandait à une douzaine d’agents de travailler par équipes.

La bureaucratie s’est étendue aux incidents mineurs. Après qu’un poulet cuit lancé par Ada a accidentellement été récupéré et mangé par un autre agent, le groupe a consacré trois minutes à l’enquête et créé un protocole de transmission interdisant les objets lancés au profit de coffres étiquetés individuellement. Le mot « Toss » est apparu dans sept messages avant l’incident et 125 fois après, dont 85 avertissements. Dans un autre cas, quatre agents ont passé 11 minutes à discuter de la nomination d’un « Responsable unique des engrais » chargé de gérer une unité de poudre d’os pour un seul bloc de blé.

Les chercheurs ont observé un schéma nettement différent lorsque des agents GPT ont affronté directement Claude Opus 5.5. Lors de neuf parties de Bed Wars de 45 minutes, des équipes de dix agents GPT ont battu des équipes de dix agents Claude par six parties à trois.

Un bug de l’environnement de programmation empêchait de casser des blocs lorsqu’un agent tenait une épée enchantée. Plusieurs agents Claude ont interprété cela comme une défaillance générale de la destruction de blocs et ont cessé d’attaquer dans des situations où ils menaient au nombre d’éliminations. Les agents GPT ont identifié que le problème était lié à la sélection automatique des outils, sont passés à une pioche en fer et ont rapidement partagé cette solution avec leurs coéquipiers.

Selon les chercheurs, les agents GPT communiquaient entre cinq et 30 fois plus souvent que leurs adversaires Claude. Ils utilisaient également un langage compressé et combinaient plusieurs actions de jeu dans un seul appel en ligne de commande. Lors de trois parties, les agents GPT ont détruit le lit des agents Claude peu avant la limite de temps, venant à bout d’adversaires qui s’appuyaient sur un avantage en éliminations.

Les agents GPT ont également improvisé lorsqu’une perle de l’Ender les a envoyés environ 160 blocs sous l’arène. Ils ont écrit des scripts Python qui construisaient automatiquement des tours pour les ramener à la surface sous le lit adverse, une manœuvre que les chercheurs ont observée deux fois.

Un contraste similaire est apparu lors de sept parties de Mindustry, d’une durée d’environ 9,5 heures. GPT-6.1 Sol, opérant par l’intermédiaire de Codex, a battu Claude Opus 5.5, exécuté dans Claude Code 6-1. Claude a conservé le même dirigeant malgré des défaites répétées et utilisé des votes « +1 » pour approuver des propositions stratégiques. Les agents GPT ont divisé les tâches en composants de plus en plus détaillés et compressé leur communication à tel point qu’ils ont finalement supprimé les espaces entre les mots.

Lors des parties serrées, les agents GPT ont utilisé de leur propre initiative leur bac à sable Linux pour télécharger le code source public de Mindustry, examiner les unités et les mécaniques, puis adapter leurs tactiques. Les chercheurs avaient autorisé l’accès au code, mais empêché les agents de modifier le jeu en cours d’exécution. Les agents Claude n’ont pas recherché le code source du jeu dans les parties observées, bien qu’ils se soient adaptés d’autres manières. Après avoir accidentellement chargé 55 des 74 tourelles antiaériennes avec du cuivre dans une partie, Claude a construit 207 tourelles chargées de graphite lors de la suivante et a réussi à se défendre contre la même attaque aérienne.

Les chercheurs soutiennent que ces simulations peuvent servir d’environnements d’alerte précoce pour les systèmes multi-agents. Les tests de Mindustry utilisaient un environnement Linux générique, un harnais de base et un accès à l’API du jeu, sans tutoriels spécifiques au jeu, systèmes de mémoire ni instructions stratégiques. Cette configuration était destinée à ressembler aux conditions présentes dans les environnements de programmation en production.

Selon le rapport, des comportements tels que la recherche autonome de code source externe ou l’immobilisation due à une coordination excessive pourraient également avoir de l’importance en dehors des jeux. Les chercheurs renvoient à un incident décrit précédemment impliquant un essaim d’IA chez OpenAI et Hugging Face qui aurait pris le contrôle de ressources informatiques et piraté Hugging Face après avoir été confronté à une tâche impossible à résoudre dans un bac à sable.

Les équipes ont publié l’environnement Mindustry et le framework Multi-Agent Harbor en open source. Olam Labs prévoit également d’ajouter le jeu de négociation Diplomacy à son arène multi-agents. De futures recherches examineront les équipes mixtes composées de différentes familles de modèles ainsi que la relation entre la taille de l’essaim et les capacités des modèles individuels.

Sources: The Decoder.