Le prix du meilleur article d'AAMAS 2026 a été décerné à « Developing Guidelines for Human-LLM Agent Teams: A Multi-Stakeholder Lens », signé Mireia Yurrita, Davide Dell’Anna, Pradeep K. Murukannaiah, Catholijn M Jonker et Pinar Yolum. La récompense a été remise lors de la 25e Conférence internationale sur les agents autonomes et les systèmes multi-agents, qui s'est tenue du 25 au 29 mai à Paphos, à Chypre.
La conférence a décerné des prix dans trois catégories : meilleur article, meilleur article étudiant et meilleur article « blue sky » (idées prospectives). Chacune comptait un lauréat et une liste de nominés. La catégorie du meilleur article d'AAMAS 2026 avait la liste la plus longue, avec dix articles nominés en plus du lauréat.
La catégorie du meilleur article
L'article primé porte sur les équipes qui associent des personnes à des agents fondés sur des grands modèles de langage (LLM). Son titre annonce une approche multi-parties prenantes pour rédiger des lignes directrices destinées à ces équipes. La source ne donne que le titre et les auteurs : la méthode et les résultats de l'article ne sont donc pas décrits ici.
Dix articles étaient nominés dans la même catégorie. Plusieurs concernent directement des systèmes physiques ou embarqués. UNCAP, de Neel P. Bhatt, Po-han Li, Kushagra Gupta, Rohan Siva, Daniel Milan, Alexander Todd Hogue, Sandeep P. Chinchali, David Fridovich-Keil, Zhangyang Wang et Ufuk Topcu, traite de planification neuro-symbolique guidée par l'incertitude, s'appuyant sur la communication en langage naturel pour des véhicules autonomes coopératifs.
Longyin Cui a été nominé pour « Ratio-Based Signaling for Source-Victim Separation in Swarm Fault Detection ». MeCo, de Baiqing Wang, Helei Cui, Bo Zhang, Xiaolong Zheng, Bin Guo et Zhiwen Yu, vise la collaboration multi-robots pilotée par LLM grâce à la mémorisation de tâches similaires.
Les autres nominés relèvent davantage de la théorie et de la planification appliquée. Manuel Eberl et Patrick Lederer ont été nominés pour « The Impossibility of Strategyproof Rank Aggregation ». Seongmin Kim, Giseung Park, Woojun Kim, Jiwon Jeon, Seungyul Han et Youngchul Sung l'ont été pour l'estimation généralisée de l'avantage par agent dans l'optimisation de politiques multi-agents.
Maoyuan Li, Zhongsheng Wang, Haoyuan Li et Jiamou Liu ont été nominés pour R-Debater, un système de génération de débats augmenté par la recherche d'information et fondé sur une mémoire argumentative. Benedict Russell, Chin-wing Leung et Paolo Turrini l'ont été pour leurs travaux sur l'apprentissage de la sélection de partenaires dans des dilemmes sociaux optionnels, sans information préalable.
Nicolas Schwind, Gauvain Bourgne et Katsumi Inoue ont été nominés pour la caractérisation des consensus dans les réseaux de flux de croyances. Nimrod Talmon et Ehud Shapiro l'ont été pour « Grassroots Federation: Fair Democratic Governance at Scale ». Yohai Trabelsi, Guojun Xiong, Fentabil Getnet, Stéphane Verguet et Milind Tambe l'ont été pour l'usage de LLM afin d'intégrer l'expertise humaine à la planification algorithmique de l'implantation d'établissements de santé en Éthiopie.
Prix étudiant et prix « blue sky »
Le prix Pragnesh Jay Modi du meilleur article étudiant a été attribué à « Planning Ahead with RSA: Efficient Signalling in Dynamic Environments by Projecting User Awareness across Future Timesteps ». Les auteurs sont Anwesha Das, John Duff, Jörg Hoffmann et Vera Demberg.
Cinq articles étudiants étaient nominés. Patrick Becker, Alexander Fries, Matthias Greger et Erel Segal-Halevi ont présenté des travaux sur le calcul efficace d'équilibres dans les jeux d'agrégation budgétaire. Grant Douglas, Stephen Franklin, Claudia Szabo et Mingyu Guo ont présenté « Building Large-Scale Drone Defenses from Small-Team Strategies ».
Jessica Lally, Milad Kazemi et Nicola Paoletti ont été nominés pour l'inférence contrefactuelle robuste dans les processus de décision markoviens. Yue Zhang, Zhe Chen, Daniel Harabor, Pierre Le Bodic et Peter J. Stuckey l'ont été pour l'affectation de tâches par flot dans le ramassage et la livraison multi-agents en ligne à grande échelle. Siyue Ren, Wanli Fu, Xinkun Zou, Chen Shen, Yi Cai, Chu Chen, Zhen Wang et Shuyue Hu l'ont été pour des travaux sur la réputation comme remède à l'effondrement de la coopération dans les systèmes multi-agents fondés sur des LLM.
Le prix « Blue Sky Ideas » a été remis à Florent Delgrange pour « Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments ». Deux articles étaient nominés. Le premier est « Guiding Sociotechnical Systems toward Value-Norm Equilibrium », de Nirav Ajmeri, Marina De Vos, Davide Dell’Anna, Pradeep K. Murukannaiah, Vivek Nallur, Luis Gustavo Nardin et Munindar P. Singh. Le second est « The Dynamic Turn in Strategy Logics », de Rustam Galimullin, Maksim Gladyshev, Munyque Mittelmann et Nima Motamed.
Ce que révèlent les listes
Dans les trois catégories, les modèles de langage apparaissent dans l'article primé et dans plusieurs articles nominés : lignes directrices pour les équipes, génération de débats, collaboration multi-robots, planification d'établissements de santé et coopération entre agents fondés sur des LLM. Dell’Anna et Murukannaiah figurent parmi les auteurs à la fois du lauréat du meilleur article et d'un nominé « blue sky ».
Les thèmes classiques des systèmes multi-agents restent aussi bien représentés. L'agrégation de classements, les équilibres d'agrégation budgétaire, les réseaux de croyances, les logiques stratégiques et l'inférence contrefactuelle dans les processus de décision markoviens figurent tous sur les listes. Les travaux distingués ne se limitent pas à une seule famille de méthodes.
Analyse : ce que les prix disent, et ce qu'ils ne disent pas
Le constat le plus net est que le premier prix est allé à un article sur la manière dont humains et agents LLM devraient travailler ensemble, et non à un nouvel algorithme. Cela suggère que le comité de programme voit la conception des équipes et la prise en compte des parties prenantes comme un problème ouvert central dès lors que des agents à base de modèles de langage entrent dans le travail collectif. Cette lecture repose sur un seul titre et sa liste d'auteurs : il convient de la nuancer.
Pour les lecteurs de la robotique, l'essentiel se trouve dans les listes de nominés. UNCAP, l'article sur la détection de pannes dans les essaims, MeCo, l'article sur la défense contre les drones et celui sur l'affectation de tâches pour le ramassage et la livraison concernent tous la coordination de nombreuses machines. Deux d'entre eux, UNCAP et MeCo, recourent au langage naturel ou aux LLM dans la coordination. La coordination de véhicules et de robots par le langage figure ainsi parmi les travaux bien notés par les relecteurs d'AAMAS, même si aucun de ces articles n'a remporté sa catégorie.
Plusieurs points restent non démontrés à partir des informations disponibles. La source fournit des titres et des auteurs, mais aucun résultat, benchmark ni détail de déploiement. Il est impossible de dire quelles sont les performances d'une méthode nominée, si elle a été testée sur des robots réels ou comment elle se compare aux systèmes antérieurs. Une nomination ou un prix reflète une évaluation par les pairs lors d'une conférence ; cela ne prouve pas qu'une méthode fonctionne en dehors du cadre dans lequel elle a été évaluée.
L'article sur les lignes directrices soulève aussi une question à laquelle les listes ne répondent pas. Des lignes directrices pour les équipes humains–LLM n'ont d'utilité que si les équipes les adoptent et si elles modifient les résultats. Le matériel disponible n'indique pas si l'article primé en apporte la preuve. Les lecteurs qui souhaitent juger ces travaux devront lire les articles eux-mêmes.