Un nouveau papier d'ArXiv propose BOHM, une méthode qui casse le verrou de l'attribution dans les systèmes IA composés — ces architectures où plusieurs modèles spécialisés s'orchestrent pour résoudre une tâche. Jusqu'à présent, expliquer quelle composante a vraiment compté reposait sur SHAP et des méthodes Shapley, qui demandent de tester le système sur tous les sous-ensembles possibles de composantes. Problème : ça ne marche pas avec les APIs tierces, les endpoints opaques, ou les agents qui concentrent leur routing sur quelques outils seulement.
BOHM change le jeu. Au lieu de recalculer partout, la méthode extrait directement un arbre d'attribution hiérarchique des poids de routing que ces systèmes maintiennent déjà. L'attribution au niveau feuille, c'est simplement le produit des poids root-to-leaf ; l'attribution au niveau k se déduit de la distribution induite sur les niveaux de profondeur.
Responsabilité et transparence ne sont plus des freins techniques..
C'est un signal fort : les systèmes IA multi-agents explosent en production (OpenAI, Anthropic, Meta font la course), mais expliquer leurs décisions restait un casse-tête. L'attribution zéro-coût transforme ça en opération banale — c'est déjà là, il suffit de le lire.
La vraie question : si tu peux enfin voir comment ton agentic system décide, tu dois aussi assumer ce qu'il fait. Responsabilité et transparence ne sont plus des freins techniques.