Résumé essentiel
Le dernier travail publié par l’équipe Swarms, GraphWorkflow, a permis d’accélérer l’ordonnancement des tâches impliquant plusieurs agents. Cependant, la véritable valeur de cette étude ne réside pas dans le chiffre de l’augmentation de la vitesse (62,5 %) en soi, mais plutôt dans le signal qu’il met en évidence : les systèmes à plusieurs agents (communément appelés “foules d’agents”) sont passés d’une phase axée sur la “intelligence des modèles” à une phase axée sur la “capacité d’organisation et de collaboration”. Il n’est pas nécessaire d’avoir un grand nombre d’agents ; l’objectif est plutôt de trouver des solutions pour que ces agents intelligents ne gaspillent pas leur temps, ne commettent pas d’erreurs collectives et puissent exécuter leurs tâches de manière fiable.
I. Ne vous laissez pas abuser par le terme “foule d’agents” : ce n’est pas simplement un rassemblement d’agents
De nombreux produits considèrent que l’exécution simultanée de plusieurs agents constitue une “foule d’agents”, mais en réalité, une véritable foule d’agents est caractérisée par “l’absence de contrôle centralisé, les agents agissant sur la base d’informations locales et l’ensemble formant un comportement collectif” (comme les fourmis qui trouvent leur chemin). Les systèmes à plusieurs agents utilisables dans la pratique ressemblent plus souvent à des “équipes de projet temporaires” :
- Agent unique : comme un employé compétent travaillant seul, adapté aux tâches linéaires et courtes (par exemple, rédiger un e-mail) ;
- Superviseur/Agent travailleur : un chef de projet accompagné de plusieurs assistants (comme le système d’Anthropic, où l’agent principal répartit les tâches et les agents subordonnés recherchent des informations) ;
- GraphWorkflow : des processus standardisés (comme les audits de conformité ou les tests en masse) ;
- Foule d’agents dynamique : les agents décident eux-mêmes au cours de l’exécution s’ils doivent se diviser ou avec quels autres agents collaborer (par exemple, le Kimi Agent Swarm peut coordonner dynamiquement jusqu’à 300 agents subordonnés) ;
- Foule d’agents entièrement décentralisée : encore en phase de recherche en laboratoire (comme l’imitation du comportement des volailles), loin d’une utilisation réelle.
En somme, l’essence d’une foule d’agents réside dans la manière de gérer la division du travail, la communication et le partage d’informations entre plusieurs agents afin de réaliser des tâches qui seraient impossibles à accomplir par un seul agent.
II. Pourquoi utiliser plusieurs agents ? Certaines tâches ne peuvent pas être gérées par un seul agent
Les modèles deviennent de plus en plus intelligents, mais certaines tâches ne peuvent pas être résolues simplement en leur donnant plus de temps :
- Largeur de la tâche : par exemple, trouver des informations corroborantes dans 100 rapports ; un seul agent devra les examiner un par un, ce qui peut être très lent. Plusieurs agents peuvent rechercher des informations dans différentes directions en parallèle.
- Limites de la pensée linéaire : un seul agent se concentrera sur une seule piste et ignorera les autres possibilités. Plusieurs agents peuvent explorer plusieurs approches en même temps (par exemple, certains vérifieront des informations publiques, d’autres des documents originaux, et d’autres des contre-arguments).
L’exemple d’Anthropic est très illustratif : l’utilisation d’un agent principal pour coordonner les actions des agents subordonnés améliore les résultats de 90 %, mais coûte 15 fois plus en ressources (en termes de coûts en tokens). Cela ne convient pas à toutes les tâches ; par exemple, les tâches de programmation ont peu de parties pouvant être exécutées en parallèle, et l’utilisation de plusieurs agents peut augmenter les pertes de temps liées aux communications.
III. Derrière l’accélération de l’ordonnancement : l’organisation commence à consommer beaucoup de ressources de calcul
L’accélération apportée par GraphWorkflow résulte de l’optimisation de l’ordonnancement des tâches : le schéma de processus est pré-compilé avant d’être exécuté plusieurs fois, réduisant ainsi le temps nécessaire à déterminer qui attend qui et qui doit transmettre les résultats. Cependant, cette étude n’a évalué que les coûts d’ordonnancement de tâches statiques sur une seule machine, sans prendre en compte la vitesse des modèles eux-mêmes (l’appel des modèles prend plusieurs millisecondes, donc une légère amélioration de l’ordonnancement n’a que peu d’impact).
Cela souligne un point important : lorsque le nombre d’agents dépasse plusieurs dizaines ou même plusieurs centaines, les coûts d’organisation deviennent prédominants. C’est similaire à une entreprise qui doit gérer le temps passé à coordonner les activités des employés, à déterminer qui fait quoi et à gérer les erreurs. Aujourd’hui, lorsque l’on parle de foules d’agents, on aborde de plus en plus des concepts techniques tels que les flux de travail, les ordonnanciers et la fusion des états, pour cette raison.
IV. Les trois défis majeurs des foules d’agents : la division des tâches, la mémoire et la vérification des erreurs
Répartir les tâches entre plusieurs agents semble simple, mais représente en réalité de grands défis techniques :
1. Attribution des tâches : quelles tâches doivent être divisées ? À qui les confier ? Quand ne pas les diviser et les exécuter soi-même ? Par exemple, SearchSwarm permet à l’agent principal de décider s’il faut répartir les tâches, et les agents subordonnés ne transmettent que les résultats compressés pour éviter le gaspillage d’informations.
2. Mémoire : il s’agit non pas de “se souvenir des préférences de l’utilisateur”, mais de garder la trace des étapes de l’exécution des tâches et des sources des conclusions. Si chaque agent transmet des conversations longues, le système sera submergé par des informations inutiles.
3. Vérification : plusieurs agents ne sont pas nécessairement plus fiables ; ils peuvent même commettre des erreurs collectives (par exemple, s’ils utilisent toutes les mêmes informations, leurs préjugés peuvent être renforcés). Les expériences montrent que les architectures avec une vérification centrale réduisent le taux d’erreurs de 4,4 fois, contre 17,2 sans vérification. À l’avenir, le rôle le plus précieux ne sera pas celui de l’agent qui exécute les tâches, mais celui du vérificateur qui assure la qualité des résultats.
V. L’avenir des foules d’agents : pas des “petites entreprises”, mais des équipes temporaires
De nombreuses démonstrations présentent les foules d’agents sous la forme d’une structure organisationnelle avec un CEO, un département marketing et un département de développement de produits, ce qui est trompeur. La forme dominante de l’avenir sera plutôt celle d’équipes temporaires :
- Lorsqu’une tâche survient, on évalue d’abord les risques, le budget et le degré de parallélisme possible ;
- On crée temporairement plusieurs agents pour effectuer différentes tâches, puis on dissout l’équipe une fois la tâche terminée ;
- Le centre gère les objectifs et le budget, tandis que les sous-équipes ont la liberté d’explorer dynamiquement ; les vérificateurs assurent le contrôle des processus.
Par exemple, le système WebSwarm utilise une structure de foule d’agents récursive où les agents peuvent décider en cours d’exécution s’ils doivent travailler seuls ou générer des agents subordonnés. Cependant, cette dynamique comporte des risques (perte de contrôle du budget, difficulté à retracer les erreurs), donc les systèmes de production chercheront un équilibre entre “liberté” et “contrôle”.
Conseil pour les entrepreneurs
Ne vous focalisez pas sur le nombre d’agents : commencez par vous demander s’il existe 100 approches différentes pour résoudre le problème de l’utilisateur. Si ce n’est pas le cas, un agent unique, des outils efficaces et un mécanisme de validation sont plus économiques et fiables. Les foules d’agents sont utiles uniquement lorsque les tâches peuvent être divisées, que chaque branche contient des informations nouvelles et que les résultats peuvent être vérifiés mutuellement.
Les compétitions de modèles continueront, mais le prochain enjeu ne sera pas de savoir quel modèle est le plus intelligent, mais de savoir qui pourra organiser les agents en une équipe efficace, fiable et capable de fournir des résultats.
(Remarque : Les données de recherche citées pour 2026 proviennent de préprints ou de déclarations de fabricants et ne constituent pas des normes industrielles ; il faut les considérer avec prudence.)