Des modèles d'IA s'affrontent pour prédire les résultats de la Coupe du Monde

La Ludwig-Maximilians-Universität München (LMU) lance un nouveau projet, LLM SoccerArena, qui évalue la capacité des grands modèles linguistiques (LLM) à prédire les résultats de la Coupe du Monde de football 2026. En collaboration avec des chercheurs des universités de Cologne et de Paderborn, cette initiative oppose des systèmes d'IA tels que GPT, Claude et Mistral pour évaluer leur précision dans la prévision des issues des matchs et du tournoi.

Les résultats du projet sont présentés sur un tableau de bord en direct, mis à jour quotidiennement, offrant une comparaison transparente des performances prédictives des modèles. Le professeur Stefan Feuerriegel de la LMU Munich School of Management, qui dirige le projet, souligne que les prédictions divergentes entre différents modèles d'IA, par exemple concernant les chances de victoire de l'Espagne ou de la France, sont scientifiquement intéressantes. Ces divergences peuvent révéler les sources d'information sur lesquelles les modèles s'appuient et mettre en évidence d'éventuels biais issus des données d'entraînement ou des schémas linguistiques.

La Coupe du Monde de football sert de référence réaliste et vérifiable pour l'évaluation scientifique. Contrairement aux tâches de test abstraites que les modèles modernes maîtrisent souvent bien, la précision des prédictions de la Coupe du Monde peut être définitivement vérifiée par rapport aux résultats réels. Cela exige de l'IA la capacité d'interpréter et de pondérer des informations complexes et incertaines, telles que la forme des équipes, les blessures des joueurs, les décisions des entraîneurs et les statistiques des matchs.

Les enseignements tirés de LLM SoccerArena sont également pertinents pour la recherche en management, car les dirigeants utilisent de plus en plus les LLM pour structurer l'information de marché et évaluer des scénarios. M. Feuerriegel souligne le besoin de benchmarks qui testent la gestion des informations dynamiques et de l'incertitude dans des situations de prise de décision réelles.

Le projet compare différentes approches d'IA : les modèles générant des prédictions à partir de leurs connaissances internes, et ceux capables de récupérer et de traiter des informations externes en ligne. La capacité à pondérer de manière significative les données actuelles, telles que les rapports de blessures ou les cotes des paris, représente un défi important étudié dans le cadre de ce projet.