Dix IA prédisent le Mondial 2026, seul GPT-5.5 Thinking choisit le futur champion

Dix assistants IA, un tableau complet et une seule bonne réponse sur le champion : la Coupe du monde 2026 a servi de terrain d’essai grandeur nature pour mesurer ce que valent réellement les modèles lorsqu’ils doivent raisonner sous incertitude. GPT-5.5 Thinking avait placé l’Espagne au sommet avant le tournoi — et l’Espagne a finalement battu l’Argentine 1-0 en finale.

Une prédiction verrouillée avant les matchs

L’étude publiée le 4 août 2026 sur arXiv, sous la référence 2608.03416, a soumis la même expérience à dix assistants IA : prédire l’intégralité de la Coupe du monde, depuis la phase de groupes jusqu’à la finale.

Il ne s’agissait donc pas seulement de demander quel pays gagnerait le tournoi. Chaque modèle devait produire un bracket complet : les équipes qualifiées, les affiches de la phase à élimination directe, les vainqueurs successifs et, au bout du parcours, le champion.

Cette contrainte transforme la question. Une IA peut estimer qu’une sélection est favorite sans être capable de construire un scénario cohérent sur plusieurs tours. Elle doit tenir compte de la composition du tableau, des adversaires potentiels, des rapports de force et des conséquences de chaque résultat précédent. Une erreur en huitièmes de finale peut ainsi modifier toute la trajectoire prédite jusqu’à la finale.

Dans cette expérience, GPT-5.5 Thinking est le seul des dix modèles à avoir désigné l’Espagne comme vainqueur. Le résultat final lui a donc donné raison sur le critère le plus visible : le champion du monde.

Une réussite spectaculaire, mais difficile à résumer par un seul classement

Le fait marquant est indéniable. La prédiction correcte du vainqueur, dans un tournoi réunissant 48 équipes et 104 matchs, offre un résultat immédiatement lisible. Elle ne suffit toutefois pas à établir qu’un modèle est globalement supérieur à ses concurrents.

Les auteurs insistent sur un point méthodologique central : le classement des assistants dépend fortement de la méthode de notation retenue. Récompenser uniquement le champion ne produit pas le même ordre que valoriser chaque qualification, chaque affiche correctement anticipée ou le score exact d’une rencontre.

Un modèle qui trouve le vainqueur mais se trompe sur plusieurs tours peut être favorisé par un barème centré sur la finale. À l’inverse, un assistant qui identifie correctement une grande partie des matchs, mais choisit le mauvais champion, peut obtenir un meilleur total dans une grille donnant davantage de poids à la précision détaillée.

Cette sensibilité n’est pas un détail statistique. Elle détermine en grande partie ce que le benchmark prétend mesurer : la capacité à repérer le favori ultime, la qualité des estimations match par match ou la cohérence d’un scénario complet.

Prédire un tableau n’est pas prédire chaque rencontre

La différence entre ces deux exercices mérite une attention particulière. Dans une prédiction indépendante, chaque match peut être évalué séparément. Le modèle estime alors une probabilité pour chaque confrontation, sans nécessairement devoir conserver une trajectoire globale.

Un tableau complet impose au contraire des dépendances. Une sélection ne peut atteindre la finale que si elle franchit les tours précédents. Le modèle doit aussi respecter les contraintes du tirage et éviter les incohérences entre les différentes parties de sa réponse. Cette structure peut avantager un système doté de meilleures capacités de planification, mais elle amplifie également les erreurs.

La qualité du raisonnement ne se confond donc pas avec le nombre de résultats exacts. Un assistant peut produire un scénario plausible, bien articulé et compatible avec le tableau, tout en accumulant des erreurs dès les premiers matchs. À l’inverse, une suite de bonnes réponses locales ne garantit pas forcément un tableau global cohérent.

Le cas de GPT-5.5 Thinking illustre cette ambiguïté. Le modèle a correctement identifié l’Espagne comme championne, mais cette réussite ne permet pas, à elle seule, de conclure qu’il a mieux prédit l’ensemble de la compétition. Pour établir une comparaison robuste, il faut examiner le détail des qualifications, des tours franchis et des résultats, puis appliquer plusieurs barèmes.

Un test de raisonnement autant que de connaissance sportive

L’expérience met aussi en évidence les limites des benchmarks appliqués aux modèles généralistes. Une prédiction sportive combine des informations factuelles — forme récente, effectifs, historique, classement ou blessures — avec une part irréductible d’aléa. Le modèle ne dispose pas d’un accès direct à une causalité stable : il extrapole à partir de signaux incomplets dans un environnement où un carton, une séance de tirs au but ou une décision arbitrale peut modifier le résultat.

La demande d’un tableau complet ajoute une dimension de raisonnement et de planification. L’assistant doit transformer des évaluations incertaines en une structure ordonnée, sans pouvoir vérifier ses hypothèses par l’expérience. Le résultat devient alors un mélange de connaissances, de probabilités implicites et de construction narrative.

C’est précisément ce qui rend l’expérience intéressante — et ce qui interdit d’en tirer une conclusion trop large. Un modèle peut être performant sur une tâche de prédiction structurée sans être plus fiable dans des domaines où les données sont moins accessibles ou les conséquences plus importantes. De même, une bonne performance sur une seule Coupe du monde ne constitue pas une preuve de supériorité générale.

La transparence permet de refaire le match

Les auteurs ont rendu publics les réponses brutes des assistants, le code de calcul et les résultats. Cette publication est essentielle, car elle permet de séparer la performance réelle du récit construit après coup.

Sans les prédictions originales, il serait impossible de vérifier si le modèle avait véritablement annoncé l’Espagne avant le tournoi ou si la formulation avait été interprétée a posteriori. Sans le code, le classement resterait dépendant de choix difficiles à contrôler : pondération des tours, traitement des matchs nuls, règles applicables aux tirs au but ou gestion des réponses incomplètes.

Cette transparence offre aussi la possibilité de tester d’autres méthodes de notation. Les chercheurs et les lecteurs peuvent comparer un score centré sur le champion à une évaluation donnant davantage de poids à chaque match, ou mesurer séparément la cohérence du tableau et la précision des résultats.

Le prochain jalon crédible ne sera donc pas de répéter l’expérience avec une nouvelle liste de modèles sur un seul tournoi. Il consistera à multiplier les compétitions, à figer les réponses avant chaque coup d’envoi et à publier des scores séparant champion prédit, qualifications correctes, matchs exacts et calibration des probabilités. La victoire de GPT-5.5 Thinking sur le critère le plus médiatique est un signal solide, mais seule une série de tournois permettra de mesurer si cette intuition espagnole relevait d’une véritable compétence de prédiction — ou d’une réussite particulièrement bien alignée avec le barème retenu.