Voyage : l’IA du MIT combine langage et calcul pour bâtir des itinéraires

Préparer un voyage semble être une tâche familière, jusqu’au moment où les contraintes s’accumulent. Il faut trouver des vols aux bonnes dates, un hébergement compatible avec le budget, des temps de trajet réalistes, des activités adaptées aux envies du groupe et, parfois, plusieurs destinations à faire tenir dans un calendrier très serré. Une réponse séduisante en apparence ne suffit donc pas : encore faut-il que le programme puisse réellement être exécuté.

C’est précisément le problème auquel s’attaque une équipe du MIT et du MIT-IBM Watson AI Lab. Ses travaux décrivent un planificateur de voyage fondé sur une combinaison de deux techniques : les modèles de langage, ou LLM, pour dialoguer avec la personne et interpréter sa demande, puis un outil mathématique pour contrôler rigoureusement la faisabilité de l’itinéraire. Testée face à plusieurs méthodes de référence, l’approche a généré des solutions valables dans plus de 90 % des cas évalués.

Cette avancée ne correspond pas nécessairement à une application prête à réserver un séjour de bout en bout. Elle éclaire en revanche une question devenue centrale avec les assistants conversationnels : comment passer d’une suggestion convaincante en langage naturel à un plan complexe qui respecte réellement toutes les conditions posées ?

Pourquoi organiser un voyage est un problème difficile

Les agences de voyages ont longtemps joué un rôle d’orchestrateur. Elles mettent en relation le transport, l’hébergement, les horaires, les activités et les contraintes administratives ou pratiques. Les voyageurs qui effectuent seuls leurs réservations disposent aujourd’hui de nombreux comparateurs et plateformes, mais doivent eux-mêmes faire le lien entre ces informations.

Le défi n’est pas seulement de trouver une bonne option dans chaque catégorie. Il consiste à trouver une combinaison cohérente d’options. Un vol peu cher peut atterrir trop tard pour rejoindre l’hôtel. Un établissement bien situé peut faire dépasser le budget. Une activité souhaitée peut n’être disponible qu’à un horaire incompatible avec un trajet interurbain. Pour un voyage en famille, entre amis ou professionnel, les préférences de plusieurs personnes peuvent encore se contredire.

Ce type de tâche relève de ce que les chercheurs appellent l’optimisation combinatoire. À mesure que les choix possibles se multiplient, le nombre de combinaisons à examiner augmente très vite. Chuchu Fan, professeur associé au MIT, souligne que nombre de problèmes de planification appartiennent à cette catégorie.

Les limites des LLM face aux contraintes chiffrées

Les grands modèles de langage sont particulièrement à l’aise pour comprendre une phrase telle que : « Je veux une semaine de vacances, avec un budget limité, deux villes, des trajets simples et un hôtel proche des centres d’intérêt. » Ils peuvent reformuler la demande, proposer des idées et produire une réponse fluide. Cette interface naturelle constitue un atout majeur par rapport aux formulaires rigides.

Mais un LLM n’est pas, par nature, un moteur de calcul exact ni un système de vérification formelle. Il prédit la suite de texte la plus plausible au regard de son entraînement. Cette capacité peut produire des réponses très utiles, mais elle ne garantit pas que toutes les conditions d’un problème complexe ont été contrôlées une à une.

Dans le cadre de la planification de voyages évalué par les chercheurs, les LLM seuls n’offraient une solution viable que dans moins de 4 % des cas, y compris lorsque des outils supplémentaires étaient mis à leur disposition. Le résultat illustre un écueil concret : une IA peut présenter un parcours clair et apparemment raisonnable tout en oubliant une contrainte décisive, par exemple un dépassement budgétaire ou un enchaînement de déplacements impossible.

Il ne s’agit pas de conclure que les modèles de langage sont inutiles pour organiser un séjour. Au contraire, ils sont bien adaptés au dialogue et à l’interprétation des besoins. La recherche du MIT propose de leur confier cette partie, tout en transférant le contrôle logique à un composant spécialisé.

Une IA hybride : comprendre la demande, puis prouver sa faisabilité

Le dispositif associe donc un LLM à un satisfiability solver, ou solveur de satisfiabilité. Ce dernier est un outil mathématique conçu pour déterminer si un ensemble de règles peut être respecté en même temps. Autrement dit, il ne se contente pas de produire une proposition plausible : il vérifie si les contraintes formulées admettent effectivement une solution.

L’idée est de répartir les rôles. Le modèle de langage sert d’interprète entre la personne et le système informatique. Le solveur prend ensuite le relais lorsque vient le moment de tester les contraintes. Cette séparation est importante, car elle évite de demander à un seul outil d’être à la fois un interlocuteur naturel, un chercheur d’informations, un programmeur et un contrôleur mathématique infaillible.

Le parcours conçu par l’équipe se déroule en quatre étapes :

1. Le LLM lit la demande de l’utilisateur et repère les paramètres importants, notamment le budget, les destinations, les hôtels et les préférences.
2. Ces éléments sont transformés en code Python, qui peut appeler des interfaces de recherche telles que CitySearch et FlightSearch.
3. Le solveur vérifie que la proposition satisfait les critères imposés et qu’elle est réalisable.
4. Le résultat est reformulé en un itinéraire compréhensible, prêt à être présenté à l’utilisateur.

Cette architecture répond à une faiblesse récurrente des assistants conversationnels : leur faculté à répondre avec assurance ne vaut pas validation. Ici, la partie conversationnelle reste souple, tandis que la partie de calcul impose des garde-fous explicites.

Que se passe-t-il lorsque les exigences sont incompatibles ?

Un bon outil de planification ne devrait pas seulement dire oui à toute demande. Certaines contraintes peuvent être mutuellement incompatibles. Il peut être impossible de visiter toutes les villes souhaitées en un temps donné, de respecter un budget trop faible ou de trouver un hébergement correspondant à tous les critères pendant une période précise.

Dans le cadre du MIT, le solveur peut générer des codes qui identifient les contraintes en conflit. Le système est alors conçu pour expliquer le problème et proposer des modifications possibles. L’utilisateur peut choisir le compromis qui lui convient le mieux : augmenter le budget, retirer une étape, modifier les dates ou assouplir une préférence d’hébergement, par exemple.

Cette fonction est aussi importante que la génération initiale du programme. Dans la vie réelle, voyager suppose souvent d’arbitrer. Un planificateur utile ne doit pas masquer l’arbitrage derrière une réponse vague, ni inventer une solution. Il doit rendre visible ce qui bloque et donner à la personne la main sur la règle à modifier.

Des résultats nettement supérieurs dans les tests

Les chercheurs ont comparé leur méthode à plusieurs approches de référence. Leur cadre hybride a atteint un taux de réussite supérieur à 90 % pour la génération d’itinéraires. Les autres méthodes évaluées restaient sous les 10 % de réussite.

Ces chiffres doivent être lus pour ce qu’ils sont : des résultats obtenus dans un protocole de recherche, sur des tâches définies par l’équipe. Ils ne signifient pas qu’un assistant de voyage grand public disponible en juin 2025 sera capable de résoudre sans erreur toutes les situations rencontrées par les voyageurs. Ils montrent toutefois qu’ajouter une couche de vérification formelle peut changer profondément la fiabilité d’une IA confrontée à de nombreuses règles simultanées.

Au-delà du tourisme, un principe applicable à d’autres décisions

L’intérêt de la méthode dépasse le seul cas des vacances. La planification de voyage constitue un exemple parlant, parce que chacun comprend facilement la diversité des paramètres à prendre en compte. Mais la même logique peut s’appliquer à d’autres situations dans lesquelles il faut satisfaire de nombreuses exigences sans contradiction.

L’équipe a notamment utilisé son approche pour l’allocation de tâches et l’optimisation de circuits. Dans ces domaines aussi, il faut répartir des ressources, respecter un ordre, limiter des coûts ou tenir compte de contraintes techniques. Le LLM peut convertir une demande formulée par un humain en paramètres exploitables, tandis que le solveur contrôle la cohérence de la solution.

Cette complémentarité dessine une voie différente de celle d’un assistant généraliste auquel on demanderait de tout faire seul. Elle repose sur une idée simple : utiliser chaque composant pour ce qu’il sait faire le mieux. Le langage naturel pour recueillir l’intention et expliquer le résultat. Les algorithmes formels pour examiner des règles précises.

Ce qu’il faut surveiller avant de confier son séjour à une IA

La recherche ouvre des perspectives concrètes pour des outils de voyage plus personnalisés, mais plusieurs conditions restent essentielles. D’abord, un itinéraire n’est fiable que si les données utilisées le sont aussi. Les tarifs, disponibilités, horaires ou conditions de transport peuvent changer. Un solveur peut valider un plan au regard des informations qu’il reçoit, pas garantir que celles-ci resteront exactes après leur mise à jour.

Ensuite, la personnalisation suppose de traiter des informations parfois sensibles : budget, dates d’absence, composition d’un foyer, habitudes ou préférences. Les futurs services devront être transparents sur les données demandées, leur conservation et les partenaires auxquels elles peuvent être transmises pour effectuer une recherche ou une réservation.

Enfin, le voyage demeure un domaine où le jugement humain compte. L’IA peut aider à comparer les options et à détecter les incompatibilités, mais elle ne connaît pas spontanément l’importance émotionnelle d’un détour, le besoin de flexibilité d’une famille ou la préférence pour un rythme moins chargé. La promesse la plus crédible n’est donc pas l’automatisation totale : c’est un assistant capable de transformer des envies exprimées naturellement en choix cohérents, vérifiés et clairement expliqués.