Tu veux organiser trois jours à Rome : choisir la saison, trouver où dormir, écrire le programme, chiffrer le budget. Tu peux tout demander à un seul assistant. Tu peux aussi confier chaque question à un spécialiste qui transmet son résultat au suivant. Cette seconde façon de faire est l’idée d’un système multiagent. À la fin de l’article, tu sauras le définir, reconnaître ses pièces et distinguer ce qu’il apporte de ce qu’on lui prête à tort.
Sommaire
- L’essentiel en 30 secondes
- Une équipe d’agents plutôt qu’un seul généraliste
- Un voyage à Rome confié à quatre agents
- Comment les agents se parlent et s’organisent
- Où des équipes d’agents travaillent déjà
- Ce qu’un système multiagent ne promet pas
L’essentiel en 30 secondes
- Un système multiagent est un ensemble d’agents coordonnés qui résolvent une tâche ensemble, au lieu d’un seul agent qui fait tout.
- Chaque agent tient un rôle précis : l’un collecte les données, un autre les traite, un troisième parle à l’utilisateur.
- Un agent n’est pas forcément un modèle de langage : dans l’exemple du voyage, un agent est une forêt aléatoire.
- Les agents s’organisent en hiérarchie, vote ou essaim, et s’échangent des messages en langage naturel.
- Plusieurs agents ne garantissent pas de meilleurs résultats : coût et latence montent d’abord, et les gains restent parfois marginaux.
Une équipe d’agents plutôt qu’un seul généraliste
Commence par l’agent seul. Un agent à base de modèle de langage part d’un état initial, le plus souvent une description écrite dans son prompt, garde la trace de ce qu’il produit et agit sur son environnement par des outils. Pour une tâche étroite et bien définie, comme un chatbot de questions fréquentes ou de la saisie de données, un seul agent décide, planifie et agit sans dépendre de personne : aucune coordination à gérer.
Un système multiagent (MAS en anglais) est un ensemble d’agents qui interagissent de façon coordonnée pour résoudre une tâche. C’est une extension de l’agent seul, conçue pour des problèmes plus complexes. L’idée vient de la division du travail : les humains accomplissent l’essentiel de leur travail à plusieurs, et on peut avoir plusieurs modèles spécialisés chacun dans une tâche plutôt qu’un seul modèle spécialisé en tout.
💡 Intuition Un freelance qui fait tout n’a besoin de parler à personne, mais il couvre mal les métiers qu’il ne maîtrise pas. Une agence réunit des compétences, au prix de réunions et de relais à organiser. Le système multiagent a les forces et le coût de l’agence.
Ces agents échangent en langage naturel, ce qui rend leurs actions lisibles par un observateur humain. Leurs interactions peuvent être ordonnées (suivre des règles ou un ordre séquentiel) ou désordonnées (chaque agent exprime son opinion). Ils peuvent aussi décider collectivement, par vote majoritaire, ou jouer un rôle de contrôle : certains donnent un retour, d’autres surveillent les actions de leurs collègues.
On y recourt quand différents aspects d’une tâche gagnent à être confiés à des agents spécialisés, ou quand le travail en parallèle accélère l’ensemble.
Un voyage à Rome confié à quatre agents
Passons à un prototype : un assistant de planification qui fabrique des plans de voyage personnalisés. Il emploie quatre agents, chacun chargé d’un aspect du problème.
Voici ce que fait chacun :
- L’agent météo entraîne sur place une forêt aléatoire de régression (100 arbres de décision). Elle apprend des données passées (mois, latitude, longitude, score météo) et renvoie les trois meilleurs mois d’un lieu.
- L’agent hôtels convertit les descriptions d’hôtels et les préférences du client en embeddings, puis retient les cinq hôtels les plus proches par similarité sémantique.
- L’agent d’itinéraire demande à un modèle de génération de texte (GPT-2) un programme, à partir d’une invite qui contient la durée, la destination, le meilleur mois, l’hôtel choisi et la liste des attractions.
- L’agent de synthèse calcule le coût (prix de la nuit multiplié par la durée, plus 100 $ par jour pour repas, transports et activités), puis fait rédiger un courriel au client.
Regarde ce qui compose cette équipe. Seuls deux des quatre agents sont des modèles de langage ; le premier est un modèle statistique entraîné pour l’occasion, le deuxième un moteur de similarité. Le chiffrage, lui, est confié à un outil externe plutôt qu’au modèle de langage, réputé mauvais en arithmétique. Un agent n’est donc pas forcément un modèle de langage : c’est un module qui tient un rôle dans l’équipe.
Reste à savoir qui les fait travailler dans le bon ordre. Une classe joue le contrôleur principal et les instancie tous :
class TravelPlanningSystem:
def __init__(self):
self.weather_agent = WeatherAnalysisAgent()
self.hotel_agent = HotelRecommenderAgent()
self.itinerary_agent = ItineraryPlannerAgent()
self.summary_agent = SummaryAgent()
Cette conception est modulaire : chaque composant fonctionne indépendamment, on peut en remplacer un sans toucher aux autres, et chacun n’a qu’une seule responsabilité. Le chef d’orchestre tient ensuite dans une méthode. destination est un dictionnaire (nom, coordonnées, attractions), preferences un texte libre et duration un nombre de jours.
def plan_trip(self, destination: Dict, preferences: str, duration:
int, client_name: str) -> Dict:
# 1. Weather analysis and best time prediction
weather_analysis = self.weather_agent.predict_best_
time(destination)
# 2. Hotel search
recommended_hotels = self.hotel_agent.find_hotels(preferences)
# 3. Itinerary creation
itinerary = self.itinerary_agent.create_itinerary(
destination,
weather_analysis,
recommended_hotels,
duration
)
# 4. Create summary email and calculate price
trip_data = {
'weather_analysis': weather_analysis,
'recommended_hotels': recommended_hotels,
'itinerary': itinerary
}
summary = self.summary_agent.create_email(trip_data, client_
name)
return {
**trip_data,
'summary': summary
}
La communication y est la plus simple possible : chaque agent renvoie son résultat, et le contrôleur le passe tel quel au suivant. L’agent d’itinéraire ne reçoit que ce que les deux premiers ont produit, et la synthèse ne voit que trip_data.
⚠️ Piège Ce prototype est un jouet : ses données sont statiques, GPT-2 est dépassé et l’itinéraire reste générique, sans tenir compte du type de voyageur. Il montre le principe de décomposition, pas un produit prêt à servir.
Comment les agents se parlent et s’organisent
Les messages et la mémoire commune
À petite échelle, dans un seul processus, les agents communiquent par des appels de fonctions directs, de la mémoire partagée ou des files de messages en mémoire : c’est le cas du voyage, où le contrôleur appelle chaque agent à la main. Dès que les agents sont répartis entre services, conteneurs ou machines, la communication doit devenir explicite, asynchrone et tolérante aux pannes.
En production, on s’appuie alors sur des courtiers de messages (Kafka, NATS, RabbitMQ), des cadres d’acteurs (Orleans, Akka) ou des moteurs de workflow (Temporal, Conductor). Ces derniers gèrent aussi l’état, les reprises et la durabilité de l’exécution.
Il faut aussi retenir ce que savent les agents. L’état partagé, la mémoire de chaque agent et les métadonnées des tâches survivent souvent à plusieurs exécutions : on les range dans des bases comme PostgreSQL, Redis ou des bases vectorielles, tandis que les sorties volumineuses (plans, traces d’outils) vont dans un stockage objet comme Amazon S3.
Une mauvaise conception se paie cher : des protocoles de communication mal pensés peuvent créer des boucles où la sortie d’un agent déclenche des actions conflictuelles chez un autre.
Qui commande, qui vote, qui s’auto-organise
Le voyage suit une chaîne simple, mais il existe d’autres organisations. Trois d’entre elles se distinguent par la place qu’elles donnent au chef.
La hiérarchie répartit les agents sur plusieurs niveaux : les agents supérieurs supervisent et dirigent ceux du dessous, qui gardent une part d’autonomie. Les décisions stratégiques montent, l’exécution reste en bas. La structure gère mieux un grand nombre d’agents qu’un contrôle entièrement centralisé, mais elle coûte en complexité de conception et en délais, car l’information doit traverser plusieurs étages.
Le vote supprime le chef. Une étude de 2023 imite une cour de justice : chaque agent joue un juge et produit un avis, puis l’avis majoritaire l’emporte. Avec neuf juges, le système reçoit neuf avis en parallèle avant d’en tirer un seul. La limite : si les neuf juges viennent du même modèle, ils partagent le même biais, d’où l’intérêt de varier les modèles. Un quorum ou un vote évite aussi qu’un agent isolé devienne un point unique de défaillance quand il faut trancher une décision critique.
L’essaim s’inspire des nuées d’oiseaux et des colonies de fourmis : un grand nombre d’agents simples, sans vue globale, suivent des règles locales et produisent un comportement collectif par leurs interactions répétées. Il passe à l’échelle de centaines ou de milliers d’agents et n’a aucun point unique de défaillance, mais pose des défis de prévisibilité et d’observabilité.
Les agents ne coopèrent d’ailleurs pas toujours. AlphaGo a gagné énormément d’heures de jeu en s’entraînant contre lui-même, et on peut mettre des agents en situation adverse pour qu’ils s’améliorent grâce au retour de leur adversaire.
Où des équipes d’agents travaillent déjà
Pour juger de l’utilité, regarde des cas qui existent. Le premier est un laboratoire virtuel : un chercheur humain fixe un agenda, un investigateur principal (un agent) dirige un biologiste, un informaticien et un agent critique, au fil de plusieurs tours de réunions d’équipe et individuelles, puis rédige une synthèse.
Un autre système couvre toute la chaîne d’une recherche, de la revue de littérature à la rédaction du rapport : des agents doctorant et post-doctorant discutent du plan, un agent ingénieur d’apprentissage automatique prépare les données et lance les expériences, puis doctorant et professeur rédigent le rapport. Les agents prennent en charge les tâches répétitives et laissent l’humain intervenir là où la créativité et le jugement comptent ; le retour humain améliore sensiblement la qualité des résultats.
Dans le droit, Chatlaw imite un cabinet d’avocats avec quatre rôles indépendants : collecte initiale d’information, recherche approfondie de documents, conseil juridique et rédaction du rapport final. Un détail utile : un seul modèle, GPT-4, sert à tout le système. Les rôles viennent des consignes données à chaque agent, pas de modèles différents.
Les mêmes principes s’étendent à d’autres domaines : voitures autonomes (navigation, détection de piétons, optimisation du trafic), conseil financier, urbanisme. D’une application à l’autre, on retrouve quatre bénéfices attendus : la spécialisation, le parallélisme, une extensibilité plus simple (on ajoute des agents pour répartir la charge) et la redondance, puisque la défaillance d’un agent n’entraîne pas nécessairement celle du système.
Ce qu’un système multiagent ne promet pas
« Plus d’agents, de meilleurs résultats »
C’est l’idée reçue la plus répandue. Plusieurs agents signifient plus d’appels au modèle, donc un coût de calcul plus élevé, qui devrait se justifier par un gain de performance substantiel. Or certaines études ne trouvent que des gains marginaux. Le choix est un compromis, résumé ici :
| Critère | Agent seul | Plusieurs agents |
|---|---|---|
| Coût | plus bas, peu d’appels | plus haut, davantage d’agents et d’appels |
| Latence | plus basse, un seul flux | souvent plus haute, à cause des échanges |
| Panne | l’échec de l’agent casse souvent tout | contenue dans un agent |
| Évolution | bloc monolithique | on ajoute ou remplace un agent à part |
| Messagerie | aucune, tout se passe dans le raisonnement | explicite et importante |
| Lisibilité | une seule chaîne de décision | raisonnement réparti, moins transparent |
Le tableau explique aussi pourquoi l’agent seul garde sa place : pour les tâches simples, il évite tout le surcoût d’organisation. Le bon choix dépend de la complexité de la tâche, du besoin d’extensibilité et de la durée de vie attendue du système.
« Si c’est bien conçu, ça ne se plante pas »
Une étude de 2025 a analysé 150 traces de conversation entre agents, de plus de 15 000 lignes en moyenne, et relevé 14 causes d’échec, regroupées en trois catégories.
Aucune cause ne domine, et certaines s’enchaînent : une architecture erronée peut provoquer une communication inefficace. La bonne nouvelle est que un agent de vérification, de meilleures consignes et une communication plus claire réduisent sensiblement le risque d’échec, sans pour autant résoudre tous les problèmes.
« Le système tourne tout seul »
Dans le laboratoire virtuel, l’équipe d’agents ne se passe pas de l’humain : elle reçoit un agenda et des invites soigneusement préparés, et livrés à eux-mêmes, les modèles restent flous, n’arrêtent aucune décision tant qu’on ne l’exige pas, ou dérivent loin de leur mission. Il faut aussi tenir compte de leurs connaissances arrêtées à une date donnée : ils peuvent suggérer d’anciens outils, d’où l’intérêt de leur donner accès à une recherche externe.
Ce qu’il faut retenir : un système multiagent est une façon de découper un problème en rôles qui se passent le relais, pas une garantie de performance. Il vaut son prix quand la tâche est complexe, répartie ou spécialisée.