Système multi-agents : définition, gains et risques pour l’entreprise

Comment fonctionne un système multi-agents ?

Un système multi-agents découpe une tâche entre plusieurs agents IA, chacun avec son rôle, ses consignes et ses outils. Les agents échangent des messages : demandes, résultats, corrections. OpenAI en distingue deux.

1. Un orchestrateur et des agents spécialisés. Un agent principal planifie, délègue des sous-tâches, puis assemble les résultats. Anthropic emploie ce schéma pour sa fonction de recherche : l’agent principal lance des sous-agents qui travaillent en parallèle. OpenAI parle de « manager pattern ».

2. Des agents pairs qui se passent la main. Chaque agent traite sa partie, puis transfère la tâche à l’agent compétent pour la suite : OpenAI nomme ce transfert « handoff ». Le cadre open source AutoGen (Wu et al., 2023) fait aussi converser des agents jusqu’à la solution.

Agent unique ou système multi-agents : quelle différence ?

Un agent unique mène toute la tâche ; un système multi-agents la répartit entre plusieurs agents, en parallèle ou à tour de rôle. Un agent qui appelle dix outils reste un agent unique : il décide seul de bout en bout.

Le gain dépend de la forme de la tâche.

• Selon Anthropic (juin 2025), son système multi-agents dépasse de 90,2 % un agent Claude Opus 4 seul. Il s’agit d’une évaluation interne de l’éditeur, sur des tâches de recherche.

• Une étude de Google Research, de Google DeepMind et du MIT compare 260 configurations sur six bancs d’essai (Kim et al., version d’avril 2026). Par rapport à un agent seul, l’écart va de +80,8 % sur un raisonnement financier découpable à −70,0 % sur une planification séquentielle.

Anthropic juge ces systèmes peu adaptés, aujourd’hui, aux tâches où tous les agents partagent le même contexte ou dépendent beaucoup les uns des autres. L’éditeur cite la programmation, qui se découpe moins bien que la recherche. OpenAI recommande de tirer d’abord le maximum d’un agent seul. Il conseille de découper quand les consignes accumulent les conditions ou quand les outils se ressemblent trop.

MCP ou A2A : quelle différence ?

Le MCP relie un agent à des outils et à des données ; le protocole A2A (Agent2Agent) relie des agents entre eux. Google a présenté A2A le 9 avril 2025 comme un complément du MCP. Avec A2A, des agents de fournisseurs différents se découvrent, se délèguent des tâches et partagent leurs résultats. Chaque agent garde pour lui sa mémoire, ses outils et sa logique interne. La Linux Foundation héberge A2A depuis juin 2025. En août 2026, l’Agentic AI Foundation, qui héberge aussi le MCP, a annoncé l’arrivée d’A2A parmi ses projets. Selon la Linux Foundation, plus de 150 organisations soutenaient déjà le standard en avril 2026, dont AWS, Microsoft et SAP (communiqué du 9 avril 2026).

Système d’IA composite : de quoi parle-t-on ?

Un système d’IA composite (compound AI system) traite une tâche avec plusieurs composants qui interagissent : modèles, recherche documentaire, outils externes. Matei Zaharia et ses coauteurs posent cette définition en février 2024, sur le blog du laboratoire BAIR de l’université de Californie à Berkeley. Le billet ne nomme pas les systèmes multi-agents, mais ils entrent dans sa définition : plusieurs agents y interagissent.

Selon ces auteurs, les meilleurs résultats de l’IA viennent de plus en plus de tels systèmes, et pas d’un modèle seul. Pour eux, un système se contrôle plus facilement qu’un modèle seul : la fiabilité tient aussi aux composants qui entourent le modèle.

• La recherche documentaire apporte des données à jour et permet de citer les sources.

• La vérification filtre les réponses avant leur usage.

• Le routage envoie chaque requête au modèle adapté, selon la qualité visée et le budget.

Deux décisions en découlent. Qui maîtrise l’assemblage ? Si l’éditeur assemble le système, il choisit les modèles et leur remplacement. Si vous l’assemblez, vous gardez ces choix et entretenez chaque composant. Ce partage pèse sur votre dépendance fournisseur. Comment évaluer ? Mesurez le résultat du système entier sur vos tâches, et refaites la mesure à chaque changement de composant.

Que change un système multi-agents pour votre décision ?

• La facture de tokens se multiplie. Selon Anthropic (juin 2025), ses agents consomment environ quatre fois plus de tokens qu’une conversation, ses systèmes multi-agents environ quinze fois plus. Pour l’éditeur, ces systèmes ne sont rentables que sur des tâches dont la valeur couvre ce surcoût. Chiffrez le coût d’inférence d’une tâche type avant de choisir l’architecture.

• Une erreur se propage d’agent en agent. Des chercheurs de l’université de Californie à Berkeley ont analysé plus de 1 600 traces d’exécution de sept cadres multi-agents (Cemri et al., octobre 2025). Ils classent les échecs en trois familles : conception du système, désalignement entre agents, vérification des résultats. Dans les traces d’exécution, l’étude mesure des erreurs amplifiées 17,2 fois avec des agents indépendants, contre 4,4 fois avec un orchestrateur qui valide. Placez un contrôle, par un agent ou par une validation humaine, avant toute action qui produit un effet.

• Chaque message entre agents doit laisser une trace. Anthropic constate que ses agents changent de parcours d’une exécution à l’autre, même avec des consignes identiques. Sans journal complet, personne ne reconstitue qui a fait quoi. L’OWASP recommande d’enregistrer chaque message entre agents, chaque décision et chaque résultat dans des journaux horodatés qui révèlent toute modification. Pour un système à haut risque, l’AI Act impose au déployeur de conserver au moins six mois les journaux automatiques qu’il contrôle (article 26). Cette règle s’applique au 2 décembre 2027 pour l’annexe III. Désignez un responsable pour le système entier, pas seulement pour chaque agent.

• Les agents doivent se méfier les uns des autres. Si une prompt injection trompe un agent, il transmet des résultats faussés aux agents suivants. L’OWASP range la communication non sécurisée entre agents et les défaillances en cascade parmi les dix risques majeurs des applications agentiques (décembre 2025). Il recommande d’authentifier chaque agent, de signer les messages et de limiter les droits de chacun au strict nécessaire. Ces protections relèvent des guardrails.

Exemple illustratif

Ce cas est fictif. Une ETI industrielle veut accélérer ses réponses aux appels d’offres. Un orchestrateur lit le dossier et confie chaque volet à un agent spécialisé : exigences techniques, clauses contractuelles, références clients. Un agent de contrôle vérifie la cohérence avant l’assemblage. L’équipe compare ce système à un agent seul sur vingt dossiers passés. Le système multi-agents l’emporte sur les gros dossiers aux volets indépendants ; l’agent seul suffit pour les petits et consomme moins. Un journal conserve chaque message, et un chargé d’affaires valide la réponse avant l’envoi.