Apprendre à un modèle à reconnaître un panneau stop est facile, car tout le monde s'accorde sur ce qu'est un panneau stop. Lui apprendre à reconnaître une alimentation saine, un art inspirant ou une publicité trompeuse est plus difficile, car la personne qui donne les consignes ignore souvent où passe sa propre limite tant qu'elle n'a pas vu un exemple délicat. Agile Deliberation, de Google Research, présenté à CVPR 2026 et désormais publié en code ouvert, est construit autour de ce problème, et il concerne quiconque rédige des règles de contenu ou sélectionne des images à grande échelle.
La méthode comporte deux étapes. D'abord, l'utilisateur découpe une idée large entre ce qu'elle inclut et ce qu'elle exclut ; pour l'alimentation saine, l'exemple retient les salades, les bols de céréales et les protéines maigres, et écarte les aliments transformés et les ingrédients crus non préparés. Ensuite, le système cherche des images situées à la frontière de cette définition écrite, comme un smoothie aux fruits à la fois fait de fruits crus et riche en sucre. L'utilisateur tranche chaque cas, et une boucle automatique réécrit le prompt du classifieur en conséquence : définition et classifieur évoluent ensemble.
L'étude a porté sur 18 sessions en direct de 90 minutes chacune, avec deux concepts : l'alimentation saine et une tâche de modération visant des images de jeux racoleuses promettant des gains financiers ou numériques trompeurs. Agile Deliberation a été comparé à un prompt rédigé une seule fois, à un système Google antérieur qui décompose le concept sans consulter l'utilisateur, et à une méthode manuelle faite de tableurs, de recherches au jugé et de prompts retouchés à la main. Selon le blog, ses classifieurs ont battu les trois, avec les gains les plus nets sur les images les plus difficiles, et la retouche manuelle a souvent échoué à améliorer la précision, voire l'a dégradée. L'effort et le stress ont nettement baissé, et tous les participants l'ont préféré aux méthodes manuelles.
Le constat sur la retouche manuelle est le plus utile en pratique. Beaucoup d'équipes rédigent aujourd'hui de longs prompts pour faire trier des images par des modèles vision-langage, puis les corrigent erreur après erreur en craignant que chaque correctif en casse un autre. Agile Deliberation formalise ce que font déjà les bons modérateurs, éprouver une règle sur des cas gênants, et laisse l'outil chercher ces cas à la place de la personne. Le code, avec un notebook de démonstration pour l'exemple de l'alimentation saine, se trouve dans le dépôt google-research de Google.
Les preuves sont minces par endroits. Le blog ne donne aucun chiffre de précision, seulement des graphiques et des descriptions, et ne précise ni combien de personnes distinctes ont participé ni qui elles étaient, hormis quelques experts. Deux concepts constituent un test étroit pour une méthode censée valoir pour toute catégorie subjective. Les modèles sous-jacents ne sont pas nommés, si bien qu'on ignore à quel point les résultats dépendent des systèmes propres à Google. L'article scientifique donne le détail, mais tant que d'autres ne l'ont pas essayé sur leurs propres règles, c'est une méthode de travail prometteuse plutôt qu'éprouvée.