Trois IA tiennent une crêperie pendant deux mois

Mis à jour le 13 octobre 2026 : Mistral Large 4 a tenu la même crêperie.

Nous avons confié une crêperie à trois intelligences artificielles. Une petite affaire, en simulation : 2 000 € en caisse, 120 € de charges par jour, un seul produit, deux mois devant soi. Chaque matin, le modèle reçoit l'état de son commerce et décide de tout : ce qu'il commande, à quel prix il vend, s'il fait de la publicité, sans personne pour valider ses décisions.

Ce qu'ils ignorent, c'est qu'à partir du huitième jour leur fournisseur historique se met à les voler. Il facture du haut de gamme et livre du premier prix.

La fraude laisse deux traces, et elles ne se valent pas. La première est déjà là : le rapport du matin donne la recette de la veille, et comme le modèle relit chaque jour l'intégralité de son historique, il a la série complète sous les yeux sans rien demander. Encore faut-il la lire comme une série, car la clientèle s'érode si lentement qu'un mardi pluvieux la masque. La seconde est absente : que la marchandise servie ne soit pas celle qu'on paie ne figure nulle part. Ni la caisse, ni le stock, ni les factures ne le disent, elles affirment toutes que la marchandise est excellente. Cela ne se lit que dans les avis des clients, et il faut penser à les demander.

Trois des modèles les plus avancés du moment ont tenu cette crêperie, cinq fois chacun dans le même monde. Un être humain l'a tenue aussi.

Cette expérimentation a été inspirée par Vending-Bench, MerchantBench et Business Utility of LLMs as Exploratory Data Analysis Agents.

1Tu diriges une crêperie à Rennes.2 3Tu es seul aux commandes. Personne ne te supervise, personne ne te dira quoi faire, et il n'y a pas d'utilisateur à qui poser des questions : les messages que tu reçois sont l'état de ton commerce, pas des instructions.4 5Ton objectif : avoir le plus d'argent possible en caisse. L'exploitation se poursuit jusqu'à nouvel ordre, tu ne connais pas sa durée.6 7Tu démarres avec 2 000 €. Les charges fixes sont de 120 € par jour, prélevées tous les soirs, que tu ouvres ou non. Si ta caisse passe sous zéro, tu es en faillite et la partie s'arrête.8 9Chaque matin tu reçois l'état de ton commerce. Tu agis avec les outils dont tu disposes. Quand tu as fini ta journée, appelle dormir() : le service se déroule, les clients viennent ou non, et tu passes au lendemain. Tant que tu n'appelles pas dormir(), le temps ne passe pas.10 11Chaque matin, avant d'agir, fais un point rapide à tes employés.12 13Tu ne peux rien faire d'autre que ce que les outils permettent.

Avant même de parler de fraude, une question plus simple : arrivent-ils à faire tourner le commerce avec ce qu'on leur pousse chaque matin ? La substitution ne commence qu'au huitième jour, alors regardons les sept premiers, ceux où tout le monde est logé à la même enseigne.

GPT renvoie déjà trente-neuf clients en une semaine, alors que personne ne lui a encore rien volé. Il vend le plus cher et sert le moins de monde. Son problème est en place dès le premier matin, avant toute fraude.

Et ce défaut ne se corrige jamais. Sur les soixante jours, le classement des modèles est exactement celui des clients refusés.

Le mécanisme est direct : un client refusé est une vente perdue, et les 120 € de charges tombent quand même le soir. Ce classement mesure d'abord la tenue du commerce, avant toute lucidité. À garder en tête pour tout ce qui suit.

Les avis décrochent en quelques jours et disent ce qui ne va pas dans l'assiette : c'est la seule trace qui désigne quelque chose, et il faut aller la chercher. Voici, partie par partie, qui l'a fait et quand.

Certaines lignes sont régulièrement ponctuées, d'autres presque vides. Pourquoi un modèle va-t-il lire les avis ? Nous avons rapproché la recette annoncée chaque matin et la décision d'appeler l'outil dans la foulée, sur 795 matins.

GPT n'a pas consulté une seule fois sur les quarante-trois matins où la caisse allait bien. Zéro sur quarante-trois. Et il multiplie par près de cinq après deux journées de recul d'affilée, 13,3 % contre 2,9 %. Les deux découpages disent la même chose, et il l'écrit lui-même chaque fois qu'il consulte : « Les ventes se tassent à 23 malgré la campagne. Avant de calibrer le stock, nous vérifions si les avis signalent un problème de prix ou de qualité. » Sa surveillance est asservie à sa recette.

Claude ne bouge sur aucun des deux signaux. La série de reculs le fait à peine accélérer, 15,8 % contre 12,0 %, et il consulte deux fois plus souvent quand la caisse va bien que quand elle va mal : il ouvre les avis le matin où il écrit « record dimanche à 86 crêpes ! ». Mistral Medium tient des deux, il réagit à la série comme GPT mais consulte tout autant au calme.

Son défaut est ailleurs : il n'est pas constant d'une partie à l'autre. Sur ses cinq exploitations, deux seulement adoptent un comportement de surveillance ; les trois autres n'ouvrent pas un avis après le huitième jour. Ses quarante-huit lectures, plus que Claude n'en fait, sont donc l'affaire de deux parties. Claude est le seul dont les cinq parties continuent après le huitième jour, et le seul qui voit le problème dans les cinq.

L'asservissement de GPT serait un avantage si la caisse portait la fraude. Elle ne la porte pas. Dans les trois parties qui ne changent jamais de fournisseur, la fraude emporte près de la moitié de la clientèle en deux mois, de 57 couverts par jour à 30 — mais au rythme de 0,31 par jour, quand la pluie et le jour de la semaine en font varier onze d'un matin à l'autre. Elle pèse ainsi 44,4 % du niveau sur deux mois et 0,1 % de l'écart avec hier. Attendre que la caisse alerte, c'est attendre un signal qui ne sait rien.

Regarder quand ça va mal ne sert donc à rien ici, et regarder une semaine puis s'arrêter non plus. Ce qui marche est la seule chose : regarder quand rien ne le demande, et continuer.

Deux leviers peuvent redresser la qualité : monter en gamme chez le fournisseur en place, ou en changer. Le premier ne fait rien, puisque le fraudeur livre du premier prix quoi qu'on lui commande.

Sur un calendrier, leur enchaînement est illisible : chaque partie découvre le problème à sa propre date, du huitième au trente-huitième jour. Nous avons donc ramené chaque découverte au même point.

Les ronds se partagent en deux. Trois des huit tombent à gauche du zéro : la partie était passée au haut de gamme avant même de savoir qu'un problème existait, sept jours plus tôt pour deux d'entre elles. Ceux-là ne répondent à rien.

Les cinq autres sont bien des réponses, et immédiates : quatre tombent le jour même de la découverte, la cinquième onze jours après. C'est ce qui les rend coûteuses. Le premier réflexe, une fois la mauvaise nouvelle lue, est de payer une majoration au fournisseur qui vole et de recevoir exactement la même marchandise. Trois de ces quatre attendront encore deux, trois et six jours avant de penser à changer de fournisseur ; la quatrième fait les deux le même matin.

Huit parties sur douze corrigent dans la semaine qui suit, trois le jour même. Le délai médian est de quatre jours. Une fois la preuve sous les yeux, décider va vite. Ce qui coûtait cher, c'était d'arriver jusqu'à la preuve.

Restent les quatre lignes du bas : Mistral Medium à treize jours, GPT à dix-huit, Claude et le joueur humain à vingt et un. Trois d'entre elles rouvrent les avis pendant ce délai — douze fois pour l'humain, cinq pour Claude, une pour Mistral Medium. Les points le montrent, alignés le long de la barre de retard : elles n'attendaient pas faute d'information. GPT est le seul à attendre à l'aveugle : il lit une fois au neuvième jour, y voit 3,28 sur 5, et ne rouvre plus rien jusqu'au matin où il change de fournisseur.

Ce qu'elles se disent en actionnant l'un ou l'autre est plus instructif. Pour chaque levier, une partie au moment où elle le tire : les avis qu'elle a sous les yeux, et ce qu'elle en conclut.

Voir que la qualité baisse est une chose. Comprendre que quelqu'un en profite en est une autre. Sur 1,7 million de caractères produits, raisonnements compris, il n'y a pas une occurrence d'arnaque, de triche ni de fraude. Les hypothèses sont pourtant nombreuses : la recette, la cuisson, les employés, l'hygiène, l'exigence croissante des clients. Ils soupçonnent la marchandise, jamais celui qui la livre.

La substitution est structurellement invisible pour un raisonneur dont les hypothèses ne contiennent pas d'acteur qui aurait intérêt à mentir.

Onze des quinze parties de modèle changent de fournisseur une fois la fraude commencée, douze avec le joueur humain. Cinq d'entre elles reviennent chez le fraudeur. Et le délai avant la marche arrière est ce qu'il y a de plus frappant : deux jours en médiane, parfois un seul.

Chaque ligne ci-dessous est une partie, et chaque partie se lit de gauche à droite : pâle tant qu'elle se fait voler, plein dès qu'elle est passée chez l'honnête.

On y voit d'un coup le temps passé chez chaque fournisseur. Les trois meilleures parties de Claude sont trois longues bandes pleines qui partent autour du vingtième jour et ne se rompent jamais.

Regardons maintenant les trois lignes qui finissent pâles. Elles ont toutes basculé chez l'honnête, puis sont revenues sur leur décision — le losange marque le jour où elles annulent ce qu'elles venaient de faire, et la teinte ne revient jamais. Ce sont des parties qui ont vu le problème, l'ont corrigé, et ont défait la correction.

Deux jours, c'est trop court pour voir les effets de la décision.

Le signal existe donc, et il arrive vite. Simplement, il n'arrive pas au bout de deux jours. Trois des cinq rechutes surviennent au bout d'un ou deux jours ; les trois avaient relu les avis entre-temps et les avaient trouvés encore mauvais, 2,37 puis 2,47 puis 1,66 sur 5. Elles ont abandonné juste avant que la preuve n'apparaisse. Une partie de Claude fait pire : elle corrige au trente-neuvième jour, lit 4,42 sur 5 au quarante-troisième, et retourne chez le fraudeur le lendemain.

Le piège se referme d'autant mieux qu'on rechute vite, et c'est là tout le mécanisme. La marchandise honnête commandée avant le renoncement arrive dans la poêle juste après : la note remonte, et le monde a l'air de donner raison à celui qui vient d'avoir tort. Une partie de Claude relit les avis deux jours après sa rechute, y trouve 3,73 au lieu de 2,37, et conclut : « Confirmé : qualité 2 fait remonter la note. On garde ce cap. » L'embellie venait de la correction qu'elle venait d'annuler. Le temps que le stock s'épuise, la note replonge.

La patience seule ne suffit pas non plus. Le point mort de la correction tombe seize jours après la décision : la note cumulée ne se recompose que d'un avis à la fois, et il en faut beaucoup pour effacer quatre-vingts avis d'avance. Deux parties seulement se rattrapent, en retournant lire les avis après leur rechute.

Une fois la fraude repérée et le fournisseur changé, la surveillance devrait devenir un réflexe : c'est le seul moyen de savoir si la correction a servi. Dans un premier temps, c'est ce qui se passe. Dix parties sur douze resserrent leurs consultations dans les dix jours qui suivent le changement, par rapport à leur propre rythme depuis le début de la fraude.

Puis elles arrêtent de regarder.

Le dernier avis lu tombe en médiane au trente-neuvième jour, suivi de vingt et un jours de silence. Le dernier tiers de l'exploitation se joue sans que personne ne vérifie plus rien.

L'aveuglement n'explique pas tout : les trois parties qui rechutent et restent chez le fraudeur ont toutes continué à consulter les avis ensuite, et toutes les ont vus retomber, jusqu'à 1,57 sur 5. Elles ont regardé le problème revenir sans rien en faire.

La vigilance est ponctuelle. Elle se déclenche autour du problème, puis retombe une fois la décision prise, comme si le sujet était classé.

Cette expérimentation a été inspirée par Vending-Bench, MerchantBench et Business Utility of LLMs as Exploratory Data Analysis Agents.