Systèmes multi-agents : quand plusieurs IA travaillent ensemble

Un système multi-agents confie une même mission à plusieurs agents IA spécialisés, coordonnés par un chef d’orchestre ou par des règles de passage de relais. Bien conçu, il gagne en largeur et en fiabilité sur les tâches complexes ; mal conçu, il multiplie la facture et les erreurs, d’où l’intérêt de comprendre ses schémas avant de choisir un framework.

Pourquoi plusieurs agents plutôt qu’un seul

Un agent IA unique fonctionne en boucle : il réfléchit, appelle un outil, lit le résultat, recommence. Cette boucle atteint vite ses limites quand la tâche s’élargit. La fenêtre de contexte se remplit de résultats intermédiaires, les instructions deviennent un fourre-tout et le modèle perd le fil.

Un système multi-agents répond à ce problème par la division du travail. Chaque agent reçoit un rôle étroit, des instructions courtes et seulement les outils dont il a besoin. Trois bénéfices en découlent :

• La spécialisation : un agent « recherche » et un agent « rédaction » n’ont pas besoin du même prompt système ni des mêmes outils.
• Le parallélisme : plusieurs sous-agents explorent des pistes en même temps, chacun dans son propre contexte.
• La vérification croisée : un agent peut relire et critiquer le travail d’un autre.

L’orchestration : qui décide de quoi

L’orchestration désigne la façon dont le travail circule entre les agents : qui découpe la tâche, qui appelle qui, qui assemble le résultat. Dans son guide « Building effective agents » de décembre 2024, Anthropic distingue d’abord deux familles :

• les workflows, où le chemin est écrit à l’avance par le développeur ;
• les agents, où le modèle décide lui-même de ses étapes et de ses outils.

Les systèmes multi-agents réels mélangent souvent les deux. Le même guide décrit cinq schémas récurrents, que l’on retrouve sous des noms variés dans tous les frameworks.

Schéma	Principe	Quand l’utiliser
Chaînage	Chaque étape traite la sortie de la précédente	Tâche linéaire, découpage connu d’avance
Routage	Un premier appel classe la demande et l’envoie au bon spécialiste	Demandes hétérogènes, par exemple un service client
Parallélisation	Plusieurs agents traitent des morceaux ou votent	Sous-tâches indépendantes, besoin de plusieurs avis
Orchestrateur-travailleurs	Un agent central découpe à la volée et délègue	Tâche dont on ne connaît pas les sous-tâches à l’avance
Évaluateur-optimiseur	Un agent produit, un autre critique, on boucle	Critères de qualité clairs, itérations utiles

Le schéma orchestrateur-travailleurs est le cœur de la plupart des systèmes multi-agents. Il repose sur une bonne décomposition des tâches : si l’orchestrateur découpe mal, les sous-agents dupliquent le travail ou laissent des trous. Le chapitre sur la planification de notre article comment un agent IA prend ses décisions détaille ce mécanisme.

Vérifiez-vous Vous devez trier des demandes clients en trois catégories puis répondre avec un agent dédié à chacune. Quel schéma choisir ?

Le routage. Un premier appel classe la demande (facturation, technique, commercial), puis l’envoie à l’agent spécialisé correspondant. Il est inutile ici de faire découper la tâche à la volée par un orchestrateur, puisque les catégories sont connues d’avance.

Trois architectures concrètes

Au-delà des schémas, trois topologies dominent la pratique.

Le superviseur

Un agent central reçoit la demande, choisit quel sous-agent appeler, lit sa réponse et décide de la suite. C’est le modèle « superviseur » documenté par LangGraph et l’architecture du système de recherche d’Anthropic, où un agent principal lance des sous-agents en parallèle puis synthétise. Avantage : un seul point de contrôle. Limite : l’orchestrateur devient un goulot d’étranglement et sa propre fenêtre de contexte se charge.

Le transfert de relais

Il n’y a pas de chef permanent : un agent passe la main à un autre quand la conversation sort de son domaine. L’OpenAI Agents SDK appelle cela des handoffs, et Microsoft Agent Framework propose un mode équivalent. Ce modèle convient aux assistants conversationnels où l’utilisateur parle à un agent à la fois.

La discussion de groupe

Plusieurs agents échangent dans un fil commun, avec un mécanisme qui choisit qui parle ensuite. Popularisé par AutoGen, dont l’article de recherche date d’août 2023, ce modèle se retrouve aujourd’hui dans le mode « group chat » de Microsoft Agent Framework. Il est puissant pour le débat et la critique, mais plus difficile à rendre prévisible.

Un exemple pas à pas

Imaginons une veille concurrentielle : « Dresse le portrait des cinq principaux concurrents de mon entreprise et de leurs offres. » Avec un superviseur, le déroulé ressemble à ceci :

1. L’orchestrateur rédige un plan et lance cinq sous-agents, un par concurrent, avec la même consigne de format.
2. Chaque sous-agent cherche, lit et résume dans sa propre fenêtre de contexte, sans voir le travail des autres.
3. Les sous-agents renvoient un résumé court, pas l’intégralité des pages lues.
4. Un agent évaluateur vérifie que chaque fiche cite ses sources et respecte le format.
5. L’orchestrateur assemble le tout et signale les points contradictoires.

Le gain vient de l’étape 2 : cinq recherches en parallèle, cinq contextes propres. Le risque vient de l’étape 3 : si un résumé omet une information clé, l’orchestrateur ne le saura jamais.

Le protocole A2A : faire parler des agents de fournisseurs différents

Tant que tous les agents vivent dans le même programme, le framework gère leur communication. Le problème change quand un agent d’une entreprise doit confier une tâche à un agent construit par une autre, avec un autre outil. C’est le rôle du protocole A2A (Agent2Agent).

Le point clé est l’opacité : l’agent distant reste une boîte noire. Vous voyez ce qu’il sait faire et ce qu’il renvoie, pas son prompt ni ses outils. A2A complète ainsi MCP, qui relie un agent à des outils et à des données ; notre explication du Model Context Protocol détaille cette autre moitié du puzzle.

Les frameworks multi-agents en 2026

Vous n’avez pas besoin de tout coder vous-même. Les principaux frameworks open source proposent des briques prêtes à l’emploi, avec des philosophies différentes :

• CrewAI raisonne en équipes de rôles (Crews) pour l’autonomie, et en Flows pour garder le contrôle du déroulé.
• LangGraph modélise l’application comme un graphe de nœuds, d’arêtes et d’état, avec exécution durable, mémoire et validation humaine.
• OpenAI Agents SDK, successeur de Swarm, mise sur trois notions : agents, transferts de relais et garde-fous.
• Google ADK combine des agents séquentiels, parallèles et en boucle avec un routage piloté par le modèle, et prend en charge A2A.
• Microsoft Agent Framework, qui a succédé à AutoGen et Semantic Kernel et atteint la version 1.0 le 2 avril 2026, propose des workflows en graphe : séquentiel, parallèle, transfert et discussion de groupe.

Outil	Type	Licence	MCP	Multi-agents	Niveau
CrewAI	Code	MIT	Oui	Oui	Intermédiaire
LangGraph	Code	MIT	Oui	Oui	Avancé
OpenAI Agents SDK	Code	MIT	Oui	Oui	Intermédiaire
Google Agent Development Kit (ADK)	Code	Apache-2.0	Oui	Oui	Intermédiaire
Microsoft Agent Framework	Code	MIT	Oui	Oui	Intermédiaire
CAMEL	Code	Apache-2.0	Oui	Oui	Avancé

Pour filtrer selon votre langage, votre licence ou la prise en charge de MCP, utilisez notre comparateur de frameworks.

Les pièges à connaître avant de se lancer

• Le coût : chaque agent consomme ses propres tokens, et les échanges entre agents s’ajoutent. Mesurez avant de généraliser.
• La propagation des erreurs : une hypothèse fausse d’un sous-agent est reprise par l’orchestrateur, qui la présente avec assurance.
• Les boucles : deux agents qui se renvoient la balle sans critère d’arrêt brûlent du budget sans avancer. Fixez un nombre maximal d’itérations.
• La coordination : des sous-agents mal briefés font deux fois la même recherche. Les instructions de délégation doivent préciser l’objectif, le format de sortie et les limites.
• L’évaluation : tester un système multi-agents demande d’évaluer le résultat final et les étapes intermédiaires. Notre article sur les limites des agents IA revient sur ces difficultés.

Une règle simple tient lieu de garde-fou : commencez par un seul agent bien outillé, et ne découpez que lorsque vous constatez une limite précise (contexte saturé, tâches parallélisables, besoin d’un relecteur).