En octobre 2025, Gartner a placé les systèmes multi-agents parmi ses 10 tendances technologiques stratégiques pour 2026. Le cabinet prévoit aussi qu’en 2027, 1 déploiement d’IA agentique sur 3 combinera des agents aux compétences différentes pour traiter des tâches complexes. Pour que ces agents travaillent ensemble, il leur faut un chef d’orchestre.
Le principe d’un orchestrateur d’agents IA se comprend vite. Un agent central reçoit l’objectif, le découpe, confie chaque morceau à un agent spécialisé puis assemble les résultats. Les études publiées depuis 2025 montrent pourtant que cette architecture améliore fortement certains résultats et en dégrade d’autres. Savoir reconnaître les 2 situations évite des projets coûteux qui n’apportent rien.
Pourquoi un orchestrateur d’agents IA
Un agent IA seul fonctionne bien tant que la tâche reste contenue. Quand elle grossit, il bute sur sa mémoire de travail. Un modèle de langage ne traite qu’une quantité limitée d’informations à la fois, ce qu’on appelle sa fenêtre de contexte. Demandez-lui d’éplucher 40 documents, de consulter 3 logiciels puis de rédiger une synthèse : cette mémoire se remplit et la qualité baisse. L’agent seul est aussi lent, puisqu’il enchaîne ses recherches une par une.
L’orchestrateur contourne ces limites en répartissant le travail. Chaque agent spécialisé dispose de sa propre fenêtre de contexte, de ses outils et de consignes ciblées. Il ne renvoie à l’agent central que l’essentiel de ce qu’il a trouvé.
Une distinction aide à s’y retrouver. Anthropic, qui développe les modèles Claude, sépare les workflows, dont les étapes sont fixées à l’avance dans le code, des agents, qui décident eux-mêmes de la marche à suivre. Un orchestrateur d’agents IA appartient à la seconde catégorie : il choisit en cours de route combien de sous-tâches créer et à qui les confier. Beaucoup d’outils présentés comme des « orchestrateurs » sont en réalité des workflows. Pour un processus stable, c’est souvent le meilleur choix.
À quoi sert un orchestrateur
Son rôle tient en 4 opérations.
– Il décompose l’objectif en sous-tâches.
– Il les délègue, en donnant à chaque agent un objectif, un format de réponse et des limites claires.
– Il contrôle ce qui revient.
– Il assemble la réponse finale, ou relance un agent si une partie manque.
Anthropic a décrit ce fonctionnement pour la fonction de recherche de Claude. Un agent principal analyse la question, établit une stratégie et lance plusieurs sous-agents qui cherchent en parallèle. Un dernier agent vérifie que chaque affirmation du rapport renvoie bien à une source. L’éditeur insiste sur la qualité de la délégation : avec des consignes trop vagues, ses sous-agents refaisaient les mêmes recherches ou laissaient des trous. Ses premières versions lançaient parfois 50 sous-agents pour une question simple.
Pour les équipes techniques : MCP et A2A
2 protocoles ouverts structurent aujourd’hui ces architectures. Le Model Context Protocol (MCP), publié par Anthropic fin 2024, standardise la connexion d’un agent à des outils et à des données. Le protocole Agent2Agent (A2A), présenté par Google en avril 2025, organise la communication entre agents, y compris quand ils viennent d’éditeurs différents.
Les 2 relèvent désormais de l’Agentic AI Foundation, créée par la Linux Foundation en décembre 2025 avec MCP parmi ses projets fondateurs. A2A l’a rejointe en août 2026. Côté développement, des frameworks comme LangGraph, CrewAI ou Microsoft Agent Framework fournissent les briques d’orchestration. Anthropic recommande toutefois de commencer par des appels directs aux modèles, car ces couches d’abstraction compliquent le débogage.
Les avantages, chiffres à l’appui
Sur les tâches qui se découpent bien, le gain se mesure. Sur son évaluation interne de recherche, Anthropic a obtenu des résultats supérieurs de 90,2 % avec un agent principal Claude Opus 4 entouré de sous-agents Claude Sonnet 4, par rapport à Claude Opus 4 utilisé seul. L’exemple cité consistait à retrouver les membres des conseils d’administration de toutes les entreprises du secteur informatique du S&P 500. L’agent seul, qui cherchait les noms les uns après les autres, n’y est pas parvenu.
Le parallélisme fait aussi gagner du temps. En lançant 3 à 5 sous-agents simultanément, chacun utilisant plusieurs outils à la fois, Anthropic a réduit le temps de recherche jusqu’à 90 % sur les questions complexes.
Une étude indépendante confirme ce gain tout en le circonscrivant. En décembre 2025, des chercheurs de Google et du MIT ont comparé 180 configurations d’agents. Sur une tâche d’analyse financière facile à répartir, une coordination centralisée (autrement dit, un orchestrateur) a amélioré la performance de 80,9 % par rapport à un agent seul.
L’architecture présente enfin un intérêt plus discret pour la sécurité. Un agent qui n’a qu’un rôle étroit peut recevoir des accès réduits au strict nécessaire. On peut le tester, le remplacer ou le brider sans toucher au reste du système.
Points faibles et points de vigilance
Un coût multiplié
Selon Anthropic, un agent consomme environ 4 fois plus de jetons, les unités de texte facturées par les fournisseurs de modèles, qu’une conversation classique. Pour un système multi-agents, le rapport monte à environ 15. L’éditeur en conclut que cette architecture se justifie seulement pour des tâches dont la valeur couvre ce surcoût.
Des tâches qui s’y prêtent mal
L’étude de Google et du MIT montre l’autre versant. Sur des tâches de planification, où chaque étape dépend de la précédente, toutes les variantes multi-agents testées ont dégradé la performance de 39 à 70 %. Le découpage morcelle le raisonnement. Les auteurs observent aussi que l’ajout d’agents rapporte peu, voire fait perdre, dès qu’un agent seul réussit déjà la tâche dans plus de 45 % des cas environ.
Anthropic fait un constat voisin : les domaines où tous les agents doivent partager le même contexte, ou qui comportent de nombreuses dépendances entre agents, conviennent mal à cette architecture.
Des erreurs qui se propagent
Dans un système multi-agents, l’erreur d’un agent passe au suivant. D’après la même étude, des agents qui travaillent sans coordination centrale amplifient les erreurs 17,2 fois. Avec un orchestrateur qui vérifie les résultats intermédiaires, le facteur tombe à 4,4. Ce contrôle fait donc partie du rôle de l’orchestrateur. Sans lui, l’ensemble devient fragile.
Une équipe de l’université de Berkeley a analysé plus de 1 600 traces d’exécution issues de 7 frameworks multi-agents. Sa taxonomie, présentée à la conférence NeurIPS 2025, recense 14 modes de défaillance. On y trouve des défauts de conception du système, des problèmes de coordination (un agent ignore ce qu’un autre lui transmet, ou dévie de sa tâche) et des vérifications finales insuffisantes.
La sécurité
Un orchestrateur lit et transmet des contenus qu’il n’a pas choisis. En décembre 2025, l’OWASP, référence internationale en sécurité applicative, a publié avec plus de 100 experts un Top 10 des risques propres aux applications agentiques. Le premier est le détournement d’objectif : un email ou un document contient des instructions cachées qui réorientent l’agent. Le classement mentionne aussi les défaillances en cascade, quand une faute se propage d’un agent à l’autre. Les parades connues consistent à traiter tout contenu externe comme non fiable, à donner à chaque agent un compte aux droits réduits et à journaliser chaque action.
Le cadre réglementaire
L’AI Act s’applique aux usages plutôt qu’à l’architecture. L’article 4 impose déjà de développer la maîtrise de l’IA du personnel. Depuis le 2 août 2026, l’article 50 oblige à informer une personne qu’elle échange avec une IA. Si l’un des agents intervient dans un usage classé à haut risque, comme le tri de candidatures, les obligations correspondantes s’appliqueront à partir du 2 décembre 2027.
Le RGPD ajoute une contrainte : son article 22 encadre les décisions fondées exclusivement sur un traitement automatisé lorsqu’elles affectent une personne de manière significative. Plus les agents sont nombreux, plus il devient important de pouvoir retracer qui a décidé quoi.
5 cas d’usage par secteur
Les configurations suivantes sont des exemples types. Elles montrent où un orchestrateur apporte quelque chose et le cas où il n’apporte presque rien.
Fiduciaire : l’entrée en relation avec un client
Un agent rassemble les pièces reçues et signale celles qui manquent. Un deuxième compare les informations déclarées avec les registres officiels, pendant qu’un troisième prépare la fiche de synthèse. Ces vérifications sont indépendantes et peuvent tourner en parallèle. L’évaluation du risque au titre de la loi luxembourgeoise du 12 novembre 2004 contre le blanchiment, comme la décision d’accepter le client, reste au professionnel.
Bureau d’études : la réponse à un appel d’offres
L’orchestrateur répartit le dossier de consultation entre 4 agents. Le premier extrait les exigences et les critères d’attribution. Le deuxième sélectionne les références du bureau qui correspondent au projet. Le troisième prépare un premier jet de méthodologie à partir des notes de l’ingénieur. Le dernier vérifie la cohérence entre le mémoire technique, le planning et l’offre de prix. L’ingénieur relit l’ensemble avant le dépôt.
Assurance : la gestion des sinistres
À réception d’une déclaration, 2 agents travaillent en même temps : l’un vérifie les garanties du contrat, l’autre repère les incohérences avec l’historique du dossier. Le gestionnaire reçoit un dossier préparé et décide de l’indemnisation. Le périmètre se fixe avec soin. L’AI Act classe à haut risque l’évaluation des risques et la tarification en assurance vie et santé (annexe III) et un refus d’indemnisation entièrement automatisé tomberait sous l’article 22 du RGPD.
Logistique : le traitement des commandes
Lecture de la commande reçue par email, vérification du stock dans l’ERP, préparation des documents de transport, confirmation au client : ces étapes s’enchaînent toujours dans le même ordre et chacune dépend de la précédente. C’est précisément le profil de tâche où un orchestrateur piloté par un modèle apporte peu. Un workflow fixe, avec de l’IA à 1 ou 2 étapes (lire l’email, rédiger la confirmation), sera plus fiable et moins cher.
Industrie : l’analyse d’un incident de maintenance
Après une panne, plusieurs pistes s’explorent en même temps. Des agents parcourent l’historique des interventions, la documentation du constructeur et les données des capteurs autour de l’heure de l’incident. L’orchestrateur confronte leurs résultats et propose des hypothèses classées par probabilité. Le technicien choisit celle à vérifier en premier.
Par où commencer
Avant de choisir un outil, 4 questions permettent de trancher :
- La tâche se découpe-t-elle en parties indépendantes ? Si chaque étape dépend de la précédente, un workflow suffit.
- Un agent seul échoue-t-il déjà ? S’il réussit bien, en ajouter d’autres rapportera peu.
- La valeur de la tâche couvre-t-elle un coût de calcul jusqu’à 15 fois supérieur à celui d’une conversation ?
- Pouvez-vous vérifier le résultat final et retrouver quel agent a fait quoi ?
Si les 4 réponses sont positives, un pilote limité à un seul processus, avec une validation humaine en sortie, permet de mesurer le gain réel en 6 à 8 semaines. Dans les autres cas, suivez le conseil d’Anthropic : n’ajoutez de la complexité que lorsqu’elle améliore le résultat de façon démontrée.
Chez SerendipAI, nous abordons ces projets par un diagnostic des processus concernés, pour choisir entre workflow, agent unique et orchestrateur avant de développer quoi que ce soit. Si ce projet vous parle, n’hésitez pas à en discuter avec nous.
Sources
- Gartner, Gartner Identifies the Top Strategic Technology Trends for 2026, 20 octobre 2025 : https://www.gartner.com/en/newsroom/press-releases/2025-10-20-gartner-identifies-the-top-strategic-technology-trends-for-2026
- Gartner, Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, 26 août 2025 : https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
- Anthropic, Building effective agents, 19 décembre 2024 : https://www.anthropic.com/engineering/building-effective-agents
- Anthropic, How we built our multi-agent research system, 13 juin 2025 : https://www.anthropic.com/engineering/multi-agent-research-system
- Kim et al. (Google Research, Google DeepMind, MIT), Towards a Science of Scaling Agent Systems, décembre 2025 : https://arxiv.org/abs/2512.08296
- Cemri et al. (UC Berkeley), Why Do Multi-Agent LLM Systems Fail?, NeurIPS 2025 : https://arxiv.org/abs/2503.13657
- OWASP GenAI Security Project, OWASP Top 10 for Agentic Applications for 2026, 9 décembre 2025 : https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/
- Linux Foundation, annonce de la création de l’Agentic AI Foundation, 9 décembre 2025 : https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation
- Axios, Google-backed agentic A2A protocol gets a new home, 17 août 2026 : https://www.axios.com/2026/08/17/a2a-agentic-ai-foundation-open-ai-standards
- Règlement (UE) 2024/1689 sur l’intelligence artificielle (AI Act), articles 4 et 50, annexe III : https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Règlement (UE) 2026/1744 (Digital Omnibus on AI) : https://eur-lex.europa.eu/eli/reg/2026/1744/oj
- Règlement (UE) 2016/679 (RGPD), article 22 : https://eur-lex.europa.eu/eli/reg/2016/679/oj
A lire aussi : Gestion de projet IA : le triangle coût-délai-qualité et ses trois angles morts
