En bref
- Un système multi-agents réunit plusieurs agents IA, chacun avec ses tâches, ses instructions et ses outils, qui collaborent, en général pilotés par un coordinateur.
- Anthropic rapporte qu’un tel système a dépassé de 90,2 % un agent unique lors d’une évaluation interne de recherche, mais consommé environ 15 fois plus de tokens qu’un chat. Les tokens sont les unités de texte sur lesquelles les services d’IA facturent.
- D’autres développeurs avertissent que des sous-agents travaillant en parallèle font des hypothèses contradictoires s’ils ne partagent pas le contexte.
- Règle pratique : commencer le plus simplement possible, n’employer plusieurs agents que pour des sous-tâches indépendantes, avec des droits limités et une validation par des humains.
Ce qu’est un système multi-agents
Un agent IA se compose d’un modèle de langage, d’instructions et d’outils. Anthropic distingue les flux de travail, où modèles de langage et outils sont orchestrés par des chemins de code prédéfinis, des agents, qui dirigent eux-mêmes leur processus et leur usage des outils. Un système multi-agents combine plusieurs agents de ce type. Trois schémas de base apparaissent dans la pratique :
| Schéma | Fonctionnement | Exemple |
|---|---|---|
| Coordinateur et spécialistes | Un agent principal découpe la tâche, répartit les parties entre des sous-agents et rassemble les résultats | Recherche sur dix fournisseurs, un sous-agent par fournisseur |
| Transfert | Un agent confie la conversation à un autre, responsable du sujet | Le premier niveau du service client passe la main aux remboursements ou au support technique |
| Créateur et contrôleur | Un agent crée, un second évalue et renvoie un retour jusqu’à ce que le résultat convienne | Brouillon de texte avec contrôle qualité sur une liste de vérification |
Ce que montre la pratique
Dans un article de juin 2025, Anthropic décrit un système de recherche construit sur le schéma du coordinateur. Lors de son évaluation interne, il a obtenu 90,2 % de mieux qu’un agent unique. Dans le même temps, les agents ont consommé environ quatre fois plus de tokens qu’un chat et les systèmes multi-agents environ 15 fois plus. Anthropic juge moins adaptées les tâches à contexte partagé et à nombreuses dépendances, comme la programmation, qui comporte moins de parties parallélisables que la recherche.
Cognition, éditeur d’un assistant de programmation, a conclu plus prudemment le même mois : les sous-agents ne voient que des fragments, font des hypothèses différentes et livrent des résultats qui ne s’emboîtent pas. Les deux rapports se contredisent moins qu’il n’y paraît : plusieurs agents aident pour un travail large et divisible, mais coûtent nettement plus de puissance de calcul et demandent plus de contrôle.
Quand un agent ou un flux fixe suffit
Anthropic recommande de chercher la solution la plus simple possible et de n’accroître la complexité que si nécessaire. Pour la plupart des tâches des entreprises de taille moyenne, cela signifie :
- Le processus est fixe : lire une facture, la contrôler, la comptabiliser. Un flux fixe avec des étapes d’IA est ici plus rapide, moins cher et plus facile à vérifier.
- La tâche exige un contexte continu : rédiger un devis pour un client précis, répondre à une demande. Un agent doté des bons outils suffit.
- Le coût et la rapidité comptent : chaque agent supplémentaire consomme du temps et de la puissance de calcul, et chaque transfert est une source d’erreurs.
Quand plusieurs agents ont du sens
- Les sous-tâches sont indépendantes : contrôler dix fournisseurs ou vingt documents en même temps, puis rassembler les résultats.
- Les droits doivent rester séparés : un agent lit les e-mails et n’a que des droits de lecture, un autre écrit dans votre ERP, mais seulement après validation. Les dégâts restent limités si un agent est égaré par des contenus manipulés.
- Un second regard est précieux : un agent contrôleur compare le résultat aux sources avant qu’une personne le voie.
- Le contexte déborderait : les tâches très longues se découpent en sections traitées chacune par un sous-agent.
Risques et contrôle
- Coûts : fixez des plafonds par tâche et mesurez ce que consomme un passage.
- Chaînes d’erreurs : l’erreur d’un agent est reprise par le suivant. Conservez les sources avec les résultats intermédiaires et contrôlez par sondage.
- Droits : chaque agent reçoit seulement ce dont il a besoin. L’OWASP range l’« Excessive Agency », c’est-à-dire des autorisations trop étendues, parmi les risques propres aux applications à base de modèles de langage. Les actions d’écriture passent par une validation.
- Traçabilité : un journal montre quel agent a fait quoi et pourquoi. Dès qu’il y a des données personnelles, le RGPD s’applique.
- Haut risque : si des agents préparent des décisions concernant des personnes, par exemple en recrutement ou en solvabilité, des règles strictes s’appliquent selon l’annexe III du règlement sur l’IA. Plus de détails sur les catégories de risque.
Comment procéder
- Mettre le processus par écrit : étapes, données, décisions et qui valide.
- Commencer simplement : avec un flux fixe ou un agent, et mesurer les résultats.
- Repérer le goulot d’étranglement : où cela ne suffit-il pas, en temps, en qualité ou en droits ?
- Ne découper que là : un sous-agent avec une tâche, une entrée et une sortie claires.
- Comparer : coût, durée et taux d’erreur par rapport à la solution simple.
- Prévoir la validation : une personne confirme avant que quelque chose parte à l’extérieur ou soit comptabilisé.
Sources
- Anthropic : How we built our multi-agent research system, 13 juin 2025
- Anthropic : Building effective agents, 19 décembre 2024
- Cognition : Don’t Build Multi-Agents, 12 juin 2025
- OpenAI : Agents SDK, Handoffs
- OWASP : Top 10 for LLM Applications 2025
- Règlement (UE) 2024/1689 sur l’intelligence artificielle, annexe III : EUR-Lex