Systèmes multi-agents : orchestrateur, rôles et usages
MarkdownLes systèmes multi-agents en termes simples : en quoi plusieurs agents d’IA diffèrent d’un seul, comment un orchestrateur et des exécutants travaillent, et quand cette combinaison est avantageuse.
Lire l’article complet
Il y a un an, travailler avec l’IA suivait le schéma « un chat, un agent, une tâche à la fois ». Puis, sur les projets complexes, l’agent a commencé à faire appel à des assistants : l’un fouille la documentation, un autre vérifie les chiffres et un troisième rassemble le tout dans une seule réponse. C’est un système multi-agents, et le terme paraît bien plus intimidant que ce qui se cache derrière.
Ci-dessous, j’explique en termes simples ce que c’est, en quoi plusieurs agents diffèrent d’un seul, comment ils se répartissent une tâche et dans quels cas cette combinaison est vraiment avantageuse. Sans formules, avec des exemples du quotidien et en m’appuyant sur les articles d’ingénierie d’Anthropic et la documentation de Claude Code.
Documentation Ailoot — ressources de référence sur l’utilisation du service.
Qu’est-ce qu’un système multi-agents, en termes simples ?
À retenir
Un système multi-agents est composé de plusieurs agents d’IA qui travaillent ensemble sur une même tâche. L’un d’eux joue le rôle de responsable : il découpe la tâche en parties et les attribue aux autres. Chaque assistant traite sa partie séparément et renvoie le résultat. L’agent responsable rassemble les éléments en une seule réponse. En somme, c’est une équipe de plusieurs IA au lieu d’un seul exécutant.
Imaginez la rénovation d’un appartement. Vous pouvez engager un seul entrepreneur qui perce des saignées dans les murs, pose le carrelage, peint et installe les prises, un travail après l’autre. Ou vous pouvez faire appel à une équipe : le chef de chantier répartit le travail, l’électricien tire les câbles, le carreleur pose les carreaux, et tout cela se fait en même temps. Un système multi-agents fonctionne comme une équipe, sauf qu’au lieu de personnes, il y a des agents d’IA.
Ici, un agent n’est pas simplement un chat qui rédige une réponse. C’est une IA capable d’utiliser des outils de façon autonome : rechercher sur Internet, lire et modifier des fichiers, et exécuter des commandes. Lorsque plusieurs agents de ce type travaillent sur une tâche commune, on obtient un système multi-agents. La formulation d’Anthropic dans son article d’ingénierie est exactement la suivante :
Un système multi-agents se compose de plusieurs agents — des modèles de langage qui utilisent des outils de manière autonome dans une boucle — travaillant ensemble.
Le terme n’est ni nouveau ni du jargon marketing ; derrière lui se trouve une idée d’ingénierie claire : répartir le travail entre plusieurs exécutants.
En quoi un système multi-agents diffère-t-il d’un seul agent d’IA ?
À retenir
Un agent garde toute la tâche en tête et en déroule les étapes dans l’ordre. Un système multi-agents confie des parties de la tâche à plusieurs assistants qui travaillent en même temps, chacun dans son propre espace de travail. L’avantage : davantage de rapidité et d’étendue pour les grandes tâches. L’inconvénient : un coût plus élevé et plus de difficulté à tout rassembler. Un agent suffit pour une question simple ; une foule ne ferait que gêner.
La principale différence tient à la répartition du travail et de la mémoire. Un agent seul traite toute la tâche dans une conversation : chaque nouvelle étape s’ajoute au même contexte et, à la fin d’une grande tâche, celui-ci est déjà un méli-mélo de journaux, d’extraits de fichiers et de conclusions intermédiaires. Un système multi-agents répartit ce travail entre différents agents, chacun disposant d’un espace vierge.
J’ai résumé les différences dans un tableau pour qu’elles soient faciles à voir :
| Caractéristique | Un agent | Système multi-agents |
|---|---|---|
| Déroulement du travail | Étape par étape, dans l’ordre | Les parties de la tâche s’exécutent simultanément |
| Mémoire et contexte | Tout dans une seule conversation | Chaque agent a son propre contexte vierge |
| Vitesse pour une grande tâche | Plus faible ; tout est séquentiel | Plus élevée grâce au travail en parallèle |
| Coût | De base | Considérablement plus élevé (j’explique plus bas) |
| Cas où il est préférable | Question simple, tâche courte | Grand projet de recherche, nombreuses sources |
| Risque | S’enlise dans son propre contexte | Plus difficile de réunir les éléments en une seule réponse |
La conclusion du tableau est simple. Un système multi-agents n’est pas une amélioration d’un agent ordinaire pour toutes les situations. C’est un outil à part, destiné aux grandes tâches. Pour une question courte, c’est excessif et cela ne fait que gaspiller de l’argent. Pour une tâche vaste et tentaculaire qui mobilise une douzaine de sources, il peut accomplir ce qui ferait s’enliser un agent seul.
Comment fonctionne le modèle « orchestrateur et exécutants » ?
À retenir
C’est le modèle le plus courant pour un système multi-agents. Il y a un agent responsable — l’orchestrateur. Il reçoit une tâche, élabore un plan, la découpe en parties et les attribue à des exécutants qui l’assistent. Chaque exécutant traite sa partie dans un espace de travail distinct et renvoie le résultat. L’orchestrateur rassemble le tout en une seule réponse. C’est comme un chef de chantier et son équipe : l’un planifie et répartit le travail, les autres l’exécutent.
Ce modèle a un nom technique : orchestrateur et exécutants. Anthropic le décrit ainsi :
Dans le modèle orchestrateur-exécutants, un modèle de langage central découpe une tâche en plusieurs parties à la volée, les attribue à des modèles exécutants et rassemble leurs résultats.
Voici à quoi cela ressemble dans un exemple concret. Dans sa fonctionnalité de recherche, Anthropic utilise un agent responsable qui reçoit la demande de l’utilisateur, élabore une stratégie et crée plusieurs agents assistants. Chacun part étudier sa propre partie du sujet, tandis que l’agent responsable attend puis rassemble leurs découvertes. Voici leur propre description du processus :
Lorsqu’un utilisateur soumet une requête, l’agent responsable l’analyse, élabore une stratégie et lance des subagents pour explorer simultanément différents aspects de la question.
L’essentiel est que les assistants travaillent en parallèle ; c’est tout le but de ce modèle. Dans le même système, l’agent responsable fait appel à trois à cinq assistants à la fois, et chacun d’eux utilise également plusieurs outils simultanément. Ainsi, une grande tâche qui s’étendrait en une longue suite d’étapes pour un agent seul se transforme en plusieurs flux parallèles pour l’équipe.
Deux concepts connexes au modèle « orchestrateur et exécutants » sont souvent confondus avec les systèmes multi-agents :
- Routage. Le système examine une requête entrante et l’envoie vers le chemin approprié : une question sur les paiements suit une voie, une question technique une autre. Ce n’est pas encore une équipe d’agents ; c’est un tri à l’entrée.
- Enchaînement de prompts. La tâche est divisée en étapes, et chaque étape suivante utilise le résultat de la précédente. C’est un pipeline avec un seul agent ; plusieurs agents ne travaillent pas côte à côte.
Un système multi-agents se distingue par la présence réelle de plusieurs exécutants qui travaillent simultanément, chacun dans son propre espace de travail.
L’isolation du contexte fait partie de ce que j’appelle l’ingénierie du contexte : gérer ce qui est placé dans la mémoire de l’IA et à quel endroit.
Où utilisez-vous déjà des systèmes multi-agents sans le savoir ?
À retenir
Si vous travaillez dans Claude Code, vous disposez déjà d’un système multi-agents. Il comporte des subagents : l’agent responsable confie une partie de la tâche à un assistant, qui la réalise dans une fenêtre distincte et ne renvoie que le résultat. La fonctionnalité de recherche de Claude est elle aussi multi-agents. Autrement dit, ce n’est plus une expérience de laboratoire : les mêmes mécanismes sont déjà intégrés aux outils que les gens utilisent au quotidien.
L’exemple le plus proche est celui des subagents dans Claude Code. La documentation de Claude les décrit brièvement :
Les subagents sont des assistants d’IA spécialisés qui prennent en charge des types précis de tâches.
La caractéristique essentielle est un espace de travail distinct. Un subagent ne se trouve pas dans votre conversation principale ; il dispose de sa propre fenêtre de contexte, de ses propres instructions et de ses propres autorisations :
Chaque subagent travaille dans sa propre fenêtre de contexte, avec son propre system prompt, son propre accès aux outils et des autorisations distinctes.
En pratique, voici comment cela se passe : vous demandez, par exemple, à un agent d’analyser un long rapport d’erreur. Il n’inonde pas votre chat de cent lignes de journaux. Il confie ce travail fastidieux à un subagent. Celui-ci fouille les journaux dans son propre espace de travail, puis renvoie une courte conclusion : la cause est celle-ci, corrigez-la ici. Votre conversation principale reste claire, et l’IA ne commence pas à s’embrouiller ni à perdre le fil.
Cela montre aussi pourquoi c’est important pour les entreprises. J’utilise Claude Code et d’autres agents ensemble, et je répartis les grandes tâches entre des subagents précisément pour cette raison : chacun peut approfondir son domaine sans gêner les autres. Si vous voulez savoir quels types de tâches il vaut la peine de confier à un agent, j’ai un article séparé sur les tâches pour un agent d’IA. Et pour savoir combien d’assistants faire fonctionner en même temps sans surcharger l’agent, j’ai écrit sur les subagents et les extensions de Claude Code.
Pourquoi répartir une tâche entre plusieurs agents ?
À retenir
Il y a deux raisons. La première est de garder une mémoire claire : chaque agent a son propre contexte, de sorte qu’aucun ne se noie dans le désordre d’un autre. La seconde est la vitesse : les assistants travaillent en même temps au lieu de se succéder. Pour un grand projet de recherche, la différence est notable. Le système multi-agents d’Anthropic a obtenu un résultat supérieur de 90 % à celui d’un agent seul lors d’une évaluation interne. Mais ce gain n’apparaît que pour les tâches qui peuvent réellement être divisées en parties.
La première raison est la mémoire. Lorsqu’un agent traite une grande tâche, son contexte se remplit rapidement : les résultats de recherche s’accumulent ici, les extraits de fichiers là, et les raisonnements intermédiaires plus haut. À la fin, il ne se souvient plus très bien de son point de départ. Répartir le travail entre plusieurs agents revient à donner à chacun une page blanche. Anthropic décrit ainsi l’avantage : chaque subagent apporte une répartition du travail, avec ses propres outils et son propre axe de recherche, ce qui rend la recherche plus complète.
La seconde raison est la vitesse et l’étendue. Cinq assistants qui fouillent un sujet en même temps le couvrent plus largement et plus rapidement qu’un agent seul qui le parcourt dans l’ordre. Anthropic a obtenu ce résultat lors de son évaluation interne de la qualité de la recherche :
Nous avons constaté qu’un système multi-agents avec Claude Opus 4 comme agent responsable et des subagents Claude Sonnet 4 surpassait un Claude Opus 4 seul de 90,2 % lors de notre évaluation interne de la qualité de la recherche.
C’est un chiffre impressionnant, mais il a un coût, et il est plus important d’être honnête sur ce coût que sur le gain lui-même. Je vais le traiter séparément — c’est là que les attentes sont souvent déçues.
Pourquoi un système multi-agents consomme-t-il 15 fois plus de tokens ?
À retenir
Chaque assistant est une IA distincte qui lit sa partie de la tâche et rédige sa propre réponse. Tous consomment des tokens, et le total s’accumule. Selon les mesures d’Anthropic, un agent utilise environ quatre fois plus de tokens qu’un chat ordinaire, tandis qu’un système multi-agents en utilise environ quinze fois plus. La vitesse et l’étendue ont un coût. Ce modèle n’est donc avantageux que pour les tâches à forte valeur.
Un token est l’unité qui sert à mesurer l’utilisation de l’IA : grosso modo, un morceau de texte pour lequel vous payez. Un agent utilise déjà davantage de ressources qu’un chat ordinaire, car il ne se contente pas de répondre : il utilise des outils, lit des fichiers et effectue des recherches. Lorsqu’il y a plusieurs agents, leurs consommations s’additionnent. La mesure d’Anthropic, fondée sur ses propres données :
Nos données montrent que les agents utilisent généralement environ quatre fois plus de tokens qu’un chat, tandis que les systèmes multi-agents en utilisent environ quinze fois plus qu’un chat.
Cela mène directement à une conclusion sur le coût. Une consommation multipliée par quinze n’a de sens que si le résultat a une valeur équivalente. Anthropic le dit clairement : un système multi-agents se justifie pour les tâches dont la valeur est suffisamment élevée pour couvrir cette hausse de consommation. Pour une question courte qu’un agent seul pourrait traiter, faire appel à une équipe revient à payer cinq personnes alors qu’une seule suffirait.
Ce même mécanisme a aussi un avantage. Anthropic a observé que la consommation de tokens explique en grande partie la différence de qualité : plus un système peut consacrer de ressources à une tâche, meilleur est le résultat. Autrement dit, un système multi-agents l’emporte souvent simplement parce qu’il permet d’investir davantage de calcul dans la tâche. Si votre budget est limité, la même logique joue contre vous. J’ai écrit un article sur comment ne pas épuiser vos limites dans Claude Code.
Quand un système multi-agents est-il justifié, et quand ne l’est-il pas ?
À retenir
Il se justifie lorsqu’une tâche est vaste, peut être divisée en parties indépendantes et produit un résultat de valeur : recherche approfondie, collecte de données auprès de nombreuses sources ou analyse d’un grand volume de documents. Il ne se justifie pas quand une tâche est petite, suit strictement des étapes successives ou comporte des parties interdépendantes. Un exemple classique de domaine où les systèmes multi-agents peinent est celui de la plupart des travaux de programmation : les étapes se prêtent mal à une répartition en tâches parallèles.
Une règle simple : plus la tâche est grande et vaste, plus une équipe est utile. Anthropic propose une classification claire selon l’ampleur de la tâche :
| Type de tâche | Nombre d’agents | Exemple |
|---|---|---|
| Recherche d’un fait simple | 1 agent, 3-10 appels d’outils | « Trouver la date de sortie d’un modèle donné » |
| Comparaison directe | 2-4 subagents, 10-15 appels chacun | « Comparer trois outils selon leur prix et leurs fonctionnalités » |
| Recherche complexe | Plus de 10 subagents avec des domaines clairement définis | « Dresser un tableau complet du marché sur un sujet » |
Anthropic indique aussi directement dans quels cas les systèmes multi-agents ne sont pas utiles. Toutes les tâches ne peuvent pas être divisées en parties parallèles, et les agents ne sont pas encore très doués pour se coordonner spontanément :
Par exemple, la plupart des tâches de programmation comportent moins de parties réellement parallèles que les tâches de recherche, et les agents d’IA ne sont pas encore très doués pour coordonner et se déléguer le travail en temps réel.
La conclusion est simple. Si vous écrivez du code et que chaque étape découle de la précédente, une foule d’agents risque davantage de s’embrouiller que de vous aider. Si vous rassemblez une recherche étendue à partir d’une douzaine de sources, une équipe peut accomplir ce qui dépasserait les capacités d’un agent seul. Le conseil général d’Anthropic, qu’il répète ailleurs, est de commencer par la solution la plus simple et de n’ajouter de la complexité que lorsqu’on atteint une limite.
Nous recommandons de trouver la solution la plus simple possible et de n’ajouter de la complexité qu’en cas de nécessité. Parfois, cela signifie ne pas construire de système d’agents du tout.
Comment mettre en place votre premier système multi-agents ?
À retenir
Commencez par une tâche qui peut réellement être divisée en parties. L’architecture est un détail secondaire ici. Avancez ensuite du simple au complexe : d’abord un agent, puis un subagent pour le travail fastidieux, enfin plusieurs agents en parallèle. Dans Claude Code, vous n’avez rien à programmer : les subagents se configurent. J’ai présenté ci-dessous les étapes dans l’ordre que je suis pour configurer un système sur un nouveau projet.
D’après mon expérience, l’ordre est le suivant :
- Choisissez une tâche qui peut être divisée en parties. Recherche approfondie, collecte de données auprès de nombreux endroits ou analyse d’un grand volume de documents. Si la tâche suit strictement des étapes successives, vous n’avez pas besoin d’un système multi-agents ; restez avec un agent.
- Commencez avec un seul agent. Exécutez la tâche comme d’habitude. Souvent, un seul suffit et il n’est pas nécessaire de monter une équipe.
- Confiez le travail fastidieux à un subagent. Lorsque vous constatez qu’une partie de la tâche inonde le contexte de journaux ou de résultats de recherche, confiez-la à un subagent. Dans Claude Code, cela se fait par configuration, sans code : le subagent dispose de sa propre fenêtre et de ses propres instructions.
- Ajoutez du travail en parallèle lorsqu’il y a de nombreuses parties. Plusieurs subagents, chacun responsable de sa partie du sujet, travaillent simultanément. Définissez clairement le domaine de chacun afin qu’ils ne se gênent pas mutuellement.
- Surveillez la consommation. Gardez à l’esprit la multiplication par quinze. Si la tâche ne vaut pas ce coût, revenez à un seul agent.
Si vous n’utilisez pas Claude Code, les mêmes principes s’appliquent dans d’autres outils. J’ai publié une carte générale des outils de vibe coding pour expliquer quoi utiliser pour coder et exécuter des agents en 2026, ainsi qu’un article sur les subagents imbriqués, consacré à la délégation d’une grande tâche à des assistants imbriqués.
Quelles autres questions pose-t-on sur les systèmes multi-agents ?
À retenir
Réponses courtes aux questions fréquentes : les systèmes multi-agents ne sont pas toujours meilleurs qu’un agent seul, il n’est généralement pas nécessaire de programmer pour les utiliser, un « orchestrateur » est simplement l’agent responsable, et les systèmes multi-agents et les entreprises à une personne sont différents, même s’ils partagent un esprit similaire.
Questions fréquentes
Un système multi-agents est-il toujours meilleur qu’un agent seul ?
Non. Pour une petite tâche, ou lorsque les étapes doivent impérativement se dérouler dans l’ordre, un agent seul fait un meilleur travail et coûte moins cher. Les systèmes multi-agents ne sont avantageux que pour les grandes tâches divisibles en parties indépendantes et coûtent considérablement plus cher : selon les mesures d’Anthropic, ils utilisent environ quinze fois plus de tokens qu’un chat ordinaire.
Faut-il savoir programmer pour mettre en place un système multi-agents ?
En général, non. Dans Claude Code, les subagents se configurent : vous décrivez ce que l’assistant doit faire, et l’agent responsable lui attribue les tâches appropriées. L’assistant dispose de sa propre fenêtre de contexte et de ses propres autorisations. Aucun code n’est nécessaire.
Un orchestrateur et un agent responsable, est-ce la même chose ?
Oui, ce sont deux noms pour le même rôle : l’agent responsable qui reçoit une tâche, la découpe en parties, les attribue à des assistants et rassemble leurs réponses en un seul résultat. En anglais, ce modèle s’appelle « orchestrator-workers ».
En quoi un système multi-agents diffère-t-il d’une entreprise gérée par une seule personne ?
Un système multi-agents est un dispositif technique : plusieurs IA travaillent sur une tâche. Une entreprise gérée par une seule personne relève du monde des affaires : une personne dirige une entreprise entière avec l’aide de l’IA. Les systèmes multi-agents peuvent être un outil au sein d’une telle entreprise, mais ces notions se situent à des niveaux différents : l’une concerne la structure de l’IA, l’autre celle d’une entreprise.
Par où commencer si je veux essayer les systèmes multi-agents ?
Commencez par une grande tâche qui peut être divisée en parties et par un subagent chargé du travail fastidieux. Ne faites pas appel à cinq assistants d’emblée. Vérifiez d’abord si un agent peut s’en charger, confiez ensuite la partie qui inonde le contexte à un assistant distinct, puis ajoutez du travail en parallèle.
Sources
D’autres ressources sont disponibles sur Ailoot.
Plus de détails
Questions fréquentes : Systèmes multi-agents : orchestrateur, rôles et usages
Quand garder une tâche avec un seul agent ?
Lorsqu’elle est courte ou que chaque étape dépend du résultat précédent. Des assistants parallèles sont utiles pour des parties indépendantes ; mesurez leur consommation cumulée autant que le temps gagné.
Quel premier montage multi-agent est le plus petit et utile ?
Exécutez d’abord la vraie tâche avec un agent. Si recherches ou journaux saturent le contexte principal, confiez cette partie à un assistant au périmètre précis et exigez un résultat concis. Ajoutez-en après avoir vérifié l’utilité de cette séparation.