Des agents IA orchestrés répartissent un flux de travail entre plusieurs agents spécialisés, puis réunissent leurs résultats sous la supervision humaine d’un coordinateur ou via des handoffs explicites. Cette orchestration de plusieurs IA devient utile pour les tâches complexes, lorsque chaque bloc mérite son propre contexte ou que plusieurs analyses améliorent la prise de décision. Elle devient contre-productive si un seul agent bien équipé suffit.
Par Louis LAURENT · Publié le 1er août 2026 · Mis à jour le 12 octobre 2026 : ponctuation rétablie, résumé, sous-agents de Codex et Agents n8n, tableau de décision, questions fréquentes, sources
En bref. Orchestrer plusieurs agents IA, c’est découper un travail en missions bornées, les confier à des agents qui ont chacun leur contexte, puis réunir leurs résultats. 2 architectures couvrent presque tout : un manager qui garde la responsabilité finale, ou des handoffs où la mission change de main. Commence avec un seul agent bien équipé, sépare seulement ce qui mérite un contexte propre, impose un format de sortie avec preuves et une règle d’arrêt, et garde un humain sur les actions sensibles
Le sujet est brûlant parce que les produits grand public commencent à montrer des arbres d’agents comme une fonctionnalité normale. La documentation de Codex décrit des sous-agents spécialisés lancés en parallèle, dont la session principale réunit les résultats en une seule réponse. Anthropic décrit de son côté le système de recherche de Claude comme un agent principal qui délègue l’exploration à plusieurs agents spécialisés. Au-delà des annonces, le signal durable est ailleurs : savoir découper, superviser et vérifier devient une compétence de travail
La différence entre un agent puissant et une équipe d’agents
Un agent unique peut déjà lire des fichiers, appeler des outils, naviguer, écrire et contrôler un workflow. Lui ajouter un deuxième agent ne double pas automatiquement la qualité. Tu ajoutes aussi une nouvelle conversation, un contexte séparé, un risque de doublon, une synthèse à faire et des coûts supplémentaires
La bonne question devient donc « quelle frontière de responsabilité justifie un contexte séparé », bien avant « combien d’agents puis-je lancer »
Un agent unique est généralement meilleur lorsque la tâche est courte, que chaque étape dépend directement de la précédente ou que tous les acteurs devraient modifier le même fichier. OpenAI recommande d’ailleurs de maximiser d’abord les capacités d’un agent unique avec de bons outils avant de passer à plusieurs agents dans son guide pratique de construction d’agents
Une équipe devient pertinente lorsque 5 conditions apparaissent
le travail se découpe en missions indépendantes et bornées
les missions peuvent avancer en parallèle sans écrire sur la même ressource
chaque spécialiste bénéficie d’un contexte plus petit et plus précis
une divergence entre analyses apporte une information utile
un coordinateur sait décider quoi garder, rejeter ou refaire
Cette distinction prolonge la base expliquée dans notre guide agent IA : définition et fonctionnement. Un agent est une boucle capable d’observer, décider, agir et vérifier. Plusieurs agents signifient plusieurs boucles, donc plusieurs endroits où le système peut gagner en couverture ou perdre en cohérence
Les deux architectures qui couvrent presque tous les cas
OpenAI distingue 2 familles simples : le manager et les handoffs. Elles suffisent pour concevoir la plupart des workflows sans inventer un organigramme de science-fiction
Le manager : un agent garde la responsabilité finale
Dans le modèle manager, un agent central reçoit la mission, choisit les spécialistes, distribue les sous-tâches et compose la réponse finale. Les autres agents sont traités comme des outils intelligents. Le manager garde donc la vue d’ensemble et la responsabilité du résultat
Ce modèle fonctionne bien pour une recherche, un audit ou une production éditoriale
un agent cherche les sources primaires
un autre vérifie les chiffres et les dates
un troisième attaque les angles faibles
le manager tranche et produit le livrable
L’avantage est clair : le destinataire reçoit une seule réponse cohérente. Le risque l’est aussi : un mauvais manager peut ignorer une alerte importante, synthétiser trop tôt ou simplement juxtaposer 3 comptes rendus
Le système de recherche multi-agent décrit par Anthropic suit cette logique. Un agent principal analyse la question, développe une stratégie puis crée des sous-agents qui explorent différentes directions avant de lui renvoyer leurs résultats. L’équipe Anthropic insiste sur le fait que cette approche vise surtout les problèmes ouverts qui demandent d’explorer plusieurs pistes, plutôt que les tâches linéaires faciles à prédire dans son retour d’ingénierie
Les handoffs : la responsabilité change de main
Dans le modèle décentralisé, les agents se passent la mission. Un agent de qualification peut transmettre un prospect à un agent commercial, qui transmet ensuite un dossier signé à un agent d’onboarding. Le prochain agent devient responsable du workflow avec un contexte et des outils adaptés
Ce modèle est utile lorsque les étapes représentent de vrais métiers ou des permissions différentes
support niveau 1 vers support technique
qualification vers vente
collecte de pièces vers contrôle conformité
rédaction vers validation juridique
Le danger est le ping-pong. Un agent peut transférer trop tôt, le suivant peut refuser la mission et personne ne porte alors le résultat. Pour éviter ça, chaque handoff doit inclure un état minimal : objectif, faits acquis, pièces disponibles, question ouverte et critère de sortie
Le workflow concret pour construire une orchestration
Commence par un livrable, jamais par des personnages. « Chercheur », « hacker » ou « génie créatif » ne décrivent pas assez le travail. La mission doit nommer un résultat observable comme « tableau de 10 concurrents avec source primaire et date » ou « 5 risques classés par impact avec preuve reproductible »
Étape 1 : dessine les dépendances
Écris les blocs de travail puis relie ceux qui dépendent les uns des autres. Les blocs sans dépendance peuvent avancer en parallèle. Les blocs qui utilisent la sortie précédente doivent rester séquentiels
Exemple pour évaluer un fournisseur IA
recherche des capacités produit
recherche du pricing et des limites
audit sécurité et données
test sur un cas réel
synthèse décisionnelle
Les 3 premières missions peuvent démarrer ensemble. Le test réel dépend de la configuration retenue. La synthèse dépend de toutes les preuves. Voilà une architecture : chaque agent existe parce qu’une dépendance le justifie
Étape 2 : définis un contrat de sortie
Chaque agent doit renvoyer le même minimum
conclusion en une phrase
faits vérifiés avec liens
hypothèses séparées
incertitudes ou contradictions
action recommandée
preuve observable attendue
Ce format évite au manager de fouiller 3 récits incompatibles. Il rend aussi le contrôle plus simple : si une source manque, la mission n’est pas terminée
Étape 3 : limite les droits
Un agent de recherche n’a pas besoin de publier. Un agent de validation n’a pas besoin de modifier la production. Un agent qui prépare une campagne n’a pas besoin d’envoyer les messages
Sépare lecture, écriture et action externe. Cette règle réduit le blast radius d’une erreur et rejoint les principes du NIST AI Risk Management Framework : gouverner, cartographier, mesurer puis gérer les risques sur tout le cycle de vie
Étape 4 : garde un journal d’exécution
Quand plusieurs agents travaillent, le résultat final ne suffit plus. Il faut savoir qui a fait quoi, avec quelle source et à quel moment. Un journal utile contient les missions lancées, les outils appelés, les décisions du manager, les erreurs, les relances et le statut final
Notre guide sur le tracing d’un agent IA explique comment conserver ces preuves sans exposer les données sensibles. Le tracing permet de comprendre si l’orchestration a échoué à cause du modèle, du contexte, d’un outil ou d’une mauvaise distribution du travail
Étape 5 : ajoute une vraie boucle de contrôle
Un système multi-agent doit pouvoir dire « je ne suis pas d’accord ». Un agent de contrôle indépendant peut vérifier les chiffres, reproduire un test ou challenger la recommandation. Il ne doit pas simplement reformuler le travail du manager
La méthode la plus simple consiste à lui donner le livrable final, les critères de réussite et l’accès aux preuves, mais pas le raisonnement détaillé du premier agent. Il réalise alors une lecture plus indépendante. Si les 2 analyses divergent fortement, le manager ouvre une nouvelle mission ciblée au lieu de moyenner les opinions
Cette logique rejoint notre méthode de boucle de feedback appliquée aux agents IA. La qualité vient de la capacité à détecter un écart, produire une preuve et corriger, bien plus que du nombre de voix
Quand le parallèle fait réellement gagner du temps
Côté OpenAI, Codex ne lance des sous-agents que si tu le lui demandes explicitement, et sa documentation prévient qu’un flux avec sous-agents consomme plus de tokens qu’un agent seul. Par défaut, Codex plafonne à 6 fils d’agents ouverts en même temps et à une profondeur de 1 : les sous-agents ne créent pas leurs propres sous-agents. Les recommandations d’OpenAI conseillent le parallèle pour des tâches indépendantes et bornées, pour l’exploration de plusieurs pistes et pour les comparaisons indépendantes. La documentation conseille de préférer un seul agent lorsque les étapes dépendent directement les unes des autres, lorsque le travail est petit ou lorsque plusieurs agents risquent de se battre sur la même ressource
Le gain se mesure en temps écoulé jusqu’au résultat ; le nombre total de tokens, lui, augmente. 3 recherches de 5 minutes lancées ensemble peuvent finir en 6 minutes au lieu de 15. Mais si le manager passe 20 minutes à réparer des doublons, l’orchestration a perdu
Mesure donc 4 chiffres
durée totale jusqu’au livrable validé
coût total en appels modèles et outils
nombre de relances ou de corrections
taux de critères de réussite satisfaits au premier passage
La meilleure architecture est celle qui réduit le délai ou augmente la couverture sans dégrader la preuve
Les erreurs qui transforment l’orchestration en usine à gaz
Créer un agent par compétence vague
Un agent « stratégie », un agent « créativité » et un agent « business » vont souvent produire 3 versions généralistes du même texte. Remplace les rôles vagues par des missions concrètes et non chevauchantes
Partager tout le contexte à tout le monde
Un contexte énorme réduit le bénéfice de la spécialisation. Donne à chaque agent les pièces nécessaires, les contraintes et le format attendu. Le manager garde la carte complète
Anthropic décrit le contexte comme une ressource finie dans son guide sur le context engineering. Les sous-agents deviennent utiles précisément parce qu’ils peuvent travailler dans des fenêtres séparées et restituer une synthèse compacte
Confondre parallélisme et chaos
Deux agents qui modifient le même document au même moment créent des conflits difficiles à détecter. L’un peut écraser le travail de l’autre. Réserve le parallèle aux lectures, recherches, tests isolés et variantes. Puis centralise l’écriture finale
Ne pas définir de règle d’arrêt
Une équipe d’agents peut continuer à chercher, critiquer et relancer sans fin. Fixe un budget, une durée maximale, un seuil de preuve et les conditions qui déclenchent une escalade humaine
Croire qu’un consensus prouve la vérité
Plusieurs agents peuvent répéter la même erreur s’ils utilisent les mêmes sources, le même modèle ou le même contexte. La diversité utile vient des méthodes : source primaire différente, reproduction indépendante, test contradictoire ou modèle différent
Manager ou handoffs : la matrice de décision
Agent unique | Manager | Handoffs | |
|---|---|---|---|
Quand le choisir | Tâche courte, étapes dépendantes, une seule ressource à modifier | Analyses parallèles à réunir dans un livrable unique | Étapes qui changent de métier, de droits ou de propriétaire |
Qui porte le résultat | L’agent lui-même | Le manager | L’agent qui a reçu la mission |
Risque principal | Contexte trop chargé | Synthèse trop rapide ou alerte ignorée | Ping-pong, mission que personne ne porte |
Garde-fou | Outils bien choisis, vérification finale | Contrat de sortie, contrôle indépendant | État minimal transmis à chaque handoff |
Choisis un manager lorsque le livrable final doit rester unifié, que plusieurs analyses peuvent avancer en parallèle et qu’un acteur doit arbitrer les contradictions
Choisis des handoffs lorsque le workflow change réellement d’étape, de droits ou de propriétaire, et lorsque chaque transition peut être décrite comme un contrat clair
Reste sur un agent unique lorsque le travail tient dans un contexte propre, suit une séquence courte et ne gagne rien à être exploré par plusieurs voix. Cette simplicité est aussi la recommandation d’Anthropic dans Building Effective AI Agents : commencer par des patterns simples et composables, puis ajouter de la complexité seulement quand les résultats réels l’exigent
FAQ
Combien d’agents faut-il lancer en parallèle ?
Commence par 2 ou 3 missions indépendantes. Codex autorise par défaut jusqu’à 6 fils d’agents ouverts en même temps, mais ce plafond n’a rien d’un objectif. Si 2 agents couvrent le problème, le 4e ajoute surtout du bruit
Faut-il utiliser des modèles différents ?
Pas toujours. Un même modèle avec des contextes séparés suffit souvent. Utilise des modèles différents lorsqu’une seconde méthode apporte une vraie indépendance, par exemple un modèle pour produire et un autre pour auditer
Comment éviter que les agents se contredisent ?
Ne cherche pas à empêcher la contradiction. Exige qu’elle soit visible, sourcée et arbitrée. Le manager compare les preuves au lieu de compter les votes
Peut-on orchestrer des agents sans coder ?
Oui, plusieurs environnements permettent déjà de créer des agents, des tâches et des handoffs en langage naturel. Le point difficile reste le design du travail : frontières, droits, preuves et règle d’arrêt. Les Agents n8n, annoncés le 25 septembre 2026, gèrent par exemple des sous-agents sans code, et notre tutoriel créer un agent IA avec n8n montre la prise en main
Les agents partagent-ils leur mémoire ?
Pas automatiquement. Chaque sous-agent travaille dans son propre contexte, et c’est tout l’intérêt. Ce qui doit survivre à la mission passe par le contrat de sortie et par une mémoire commune tenue par le manager : décisions, preuves, état. Notre guide sur la mémoire d’un agent IA détaille quoi y garder
Quel est le principal risque ?
Le principal risque est une complexité invisible. Le système semble plus puissant mais devient plus coûteux, moins traçable et plus difficile à corriger. La réponse est une architecture petite, des contrats de sortie et un contrôle indépendant
La règle à retenir
Un bon système multi-agent ressemble à une petite équipe dont chaque membre reçoit une mission bornée, produit une preuve et rend la main au bon moment. Commence avec un agent bien équipé, sépare uniquement ce qui mérite son propre contexte, puis mesure le gain réel
Tu veux construire cette logique sans collectionner des outils au hasard ? Rejoins la newsletter Kryve. Chaque semaine, tu reçois des workflows d’agents concrets, leurs limites et la méthode pour les intégrer à ton travail
Agents spécialisés, données en temps réel et contrôle humain
Une orchestration de plusieurs IA devient utile quand chaque agent spécialisé possède une mission et des droits distincts. Certains agents IA autonomes lisent des données en temps réel, prennent des décisions bornées ou répondent au service client. L’intervention humaine reste obligatoire pour les exceptions, les validations sensibles et les changements irréversibles. Open source ou propriétaire, l’outil compte moins que la clarté de cette responsabilité : notre tour des agents IA open source et notre guide agent IA service client montrent où la placer. Pour un cas appliqué au suivi de projet, vois notre guide de l’agent IA de gestion de projet
L’efficacité vient d’agents qui évitent les doublons, rendent leurs preuves et travaillent de manière autonome dans un périmètre clair. Un agent sans responsabilité distincte ajoute surtout du coût. Pour le service client, le bon indicateur reste l’expérience obtenue : réponse comprise, délai réduit, transfert fluide et responsabilité visible
Sources de la mise à jour
OpenAI, Codex Subagents : sous-agents lancés à la demande, plus de tokens qu’un agent seul, max_threads 6 et max_depth 1 par défaut, consulté le 12 octobre 2026
n8n, Introducing n8n Agents (25 septembre 2026) : agents avec instructions, outils, mémoire et sous-agents
Anthropic, How we built our multi-agent research system : agent principal et sous-agents de recherche
OpenAI, A practical guide to building agents : modèles manager et handoffs
