Résumé Des tests contrôlés croisés entre modèles au sein des institutions bancaires de niveau 1 montrent que des incitations comparatives identiques peuvent donner des recommandations au stade de décision matériellement différentes selon les systèmes d'IA leaders. Sous des séquences de demande fixes et des exécutions répétées, nous observons : • Convergence déterministe dans certains systèmes • Durcissement progressif des recommandations dans d'autres • Oscillation explicite des gagnants dans au moins un système • Expansion des critères et charge d'autorité lors des exécutions répétées Aucune institution n'a montré d'inconvénient universel dans l'écosystème. Au lieu de cela, une divergence dépendante de la plateforme et une instabilité au niveau de l'exécution ont été observées. Cet article n'affirme pas de biais ni de ciblage systémique. Il documente un comportement structurel reproductible et examine si les institutions souhaitent formaliser la visibilité et l'assurance sur les représentations d'IA générées de manière externe lorsque ces sorties participent à la formation des décisions.
La revue AIVO (Mon,) a étudié cette question.