--- title: "Systèmes multi-agents" description: "Comment plusieurs agents IA collaborent via des protocoles comme A2A et MCP, se répartissent les rôles et résolvent des tâches complexes." locale: "fr" canonical: "https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents" category: "Agents IA" updated: "2026-10-28T13:32:25.779Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Systèmes multi-agents Comment plusieurs agents IA collaborent via des protocoles comme A2A et MCP, se répartissent les rôles et résolvent des tâches complexes. ## Qu'est-ce qu'un système multi-agents ? Un [système multi-agents](https://blckalpaca.at/fr/glossaire/systeme-multi-agents) désigne une architecture dans laquelle plusieurs agents basés sur des LLM collaborent pour résoudre une tâche qu'un agent seul ne peut pas mener à bien. La définition d'Anthropic résume bien l'idée : « A multi-agent system consists of multiple agents (LLMs autonomously using tools in a loop) working together. » Le point décisif est la délimitation : chaque agent a son propre [prompt](https://blckalpaca.at/fr/glossaire/prompt), son propre rôle, son propre jeu d'outils et, au sens strict, sa propre fenêtre de contexte. En 2026, cette distinction n'a rien d'académique. Les présentations commerciales des éditeurs ont dilué le terme. Un [agent](https://blckalpaca.at/fr/glossaire/agent) unique doté de nombreuses intégrations d'outils, vendu comme « multi-agents » parce que les outils eux-mêmes s'appellent « agents », correspond à ce qu'on appelle un **multi-agents marketing**. L'exemple Klarna, abondamment cité (« l'[IA](https://blckalpaca.at/fr/glossaire/ia) fait le travail de 700 employés »), est un système de déflexion à agent unique pour le service client et non un système multi-agents, même s'il est souvent présenté à tort comme tel. Un **véritable multi-agents** présente au moins une propriété structurelle : un agent principal ou orchestrateur qui crée dynamiquement des sous-agents dotés de leur propre fenêtre de contexte ; des messages inter-agents qui franchissent des frontières de confiance (par exemple d'Agentforce vers SAP Joule via A2A) ; ou une décomposition autonome par processus, rôles ou modèles avec un partage d'état non trivial. Allianz Project Nemo, avec ses sept agents spécialisés, en est un exemple d'école. La lecture honnête en 2026 : la plupart des « agents » en production restent un [LLM](https://blckalpaca.at/fr/glossaire/llm) unique, soigneusement conçu, avec des outils et une boucle. Ce n'est pas un défaut ; Anthropic souligne elle-même que le pattern le plus simple capable de résoudre le problème doit l'emporter. La question d'architecture est donc rarement « multi-agents, oui ou non ? », mais plutôt « quel pattern convient, et où se situe notre couplage d'état ? ». ## Le pattern orchestrateur-workers Le [pattern orchestrateur-workers](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/orchestrator-worker-le-pattern-multi-agents-le-plus-robuste) (agent principal et sous-agents) est le cas multi-agents canonique. Un **agent principal** fonctionne en mode extended thinking ou en mode planification, décompose la requête de l'utilisateur en sous-tâches distinctes et crée dynamiquement des **sous-agents** via un outil Task. Chaque sous-agent dispose de son propre prompt, de son propre jeu d'outils et, point décisif, de sa propre fenêtre de contexte. Les sous-agents renvoient des résultats **compressés** que l'agent principal synthétise. Le cas de référence est l'agent de recherche qui se trouve derrière la fonction Research de Claude (lancée en [avril 2025](https://claude.com/blog/research), architecture dévoilée en juin 2025) : un agent principal Claude Opus 4 et des sous-agents Claude Sonnet 4. Dans l'évaluation de recherche interne d'Anthropic, ce système a surpassé l'agent unique Opus 4 de **90,2 %**. Le prix : selon Anthropic, les [systèmes multi-agents](https://blckalpaca.at/fr/glossaire/systemes-multi-agents) consomment environ 15 fois plus de [tokens](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/quest-ce-quun-llm-les-fondamentaux-pour-les-agents-ia/context-window-des-llm-et-tokenisation-moteurs-de-latence-et-de-cout) qu'une interaction de chat classique, et un agent unique environ 4 fois plus (source : Anthropic, [« How we built our multi-agent research system »](https://www.anthropic.com/engineering/multi-agent-research-system), 13.06.2025). Anthropic a été explicite : ce coût en tokens n'est rentable que pour des tâches de recherche à forte valeur, parallélisables et de grande ampleur. Ce pattern s'utilise pour des problèmes larges et parallélisables aux sous-tâches indépendantes (recherche, [intelligence de marché](https://blckalpaca.at/fr/blog/etude-de-marche-ia-en-temps-reel-insights-2026), revue multi-documents, triage à grande échelle). Il vaut mieux l'éviter pour les tâches d'écriture fortement couplées (génération de code sur plusieurs fichiers) et pour les workflows très déterministes qui exigent de la reproductibilité ; là, c'est un pipeline qu'il faut. Un enseignement pratique central des expériences d'Anthropic : l'agent principal doit apprendre explicitement *comment* déléguer. Chaque sous-agent a besoin d'[un objectif, d'un format de sortie](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/prompt-engineering-pour-agents-ia/prompts-systeme-pour-agents-12-design-patterns-pour-concevoir-des-prompts-system), de consignes sur les sources et les outils, et de limites de tâche claires. Les délégations « vagues » ont entraîné du travail en double et des lacunes de couverture. ## Rôles, transferts et coordination Les systèmes multi-agents reposent sur des [rôles clairement définis](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/frameworks-dagents-ia-comparatif-langgraph-crewai-autogen/crewai-tour-dhorizon-des-crews-multi-agents-fondes-sur-les-roles) et des transferts propres. Au-delà de la simple structure orchestrateur-workers, il existe plusieurs patterns de coordination que les systèmes en production combinent souvent : | Pattern | Parallélisable ? | Couplage d'état tolérable | Facteur tokens par rapport à l'agent unique (estimation) | Prêt pour la production aujourd'hui | | --- | --- | --- | --- | --- | | LLM augmenté (agent unique + outils) | n/a | couplage fort acceptable | 1× | Oui (point de départ) | | Pipeline / chaîne | Non | élevé | 1–3× | Oui | | Orchestrateur-workers | Fortement | faible–moyen | env. 4× | Oui (Anthropic, Bedrock, Agentforce) | | Hiérarchique (3+ niveaux) | Moyennement | moyen | 5–20× | Oui (LangGraph, Microsoft Agent Framework comme successeur d'AutoGen) | | Hub-and-spoke via A2A | Moyennement | faible (pairs opaques) | 3–10× | Émergent (2026) | | Pair-à-pair / essaim | Fortement | faible | très variable | Rarement prêt pour la production | | Débat / critique-générateur | Non | élevé | 3–6× | Oui, pour les tâches à forte valeur | | Mixture-of-Agents (MoA) | Fortement | aucun | 4–8× | Oui, pour les tâches où la qualité prime | Les facteurs tokens du tableau sont des estimations grossières. Seule la valeur orchestrateur-workers est étayée : elle est dérivée de la mesure d'Anthropic (voir plus haut). La [**sémantique des transferts**](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/handoffs-entre-agents-ia-transmettre-le-contexte-et-letat-dun-agent-a-lautre) varie selon la stack. Avec l'[OpenAI](https://blckalpaca.at/fr/glossaire/openai) Agents SDK, les transferts explicites mettent fin au tour d'un agent et lancent le suivant, en lui transmettant l'historique de la conversation. AutoGen utilise un chat de groupe où les agents parlent à tour de rôle. Microsoft a toutefois [placé AutoGen en mode maintenance](https://github.com/microsoft/autogen) et recommande pour les nouveaux projets son successeur, [Microsoft Agent Framework](https://github.com/microsoft/agent-framework). LangGraph fait transiter un objet d'état typé à travers les nœuds et le sauvegarde durablement par checkpoints. Avec le Claude Agent SDK d'Anthropic, l'agent principal crée via l'outil Task des sous-agents qui renvoient des sorties compressées et structurées. Dans le **modèle hub-and-spoke via A2A**, un agent central délègue à des agents pairs spécialisés, potentiellement chez différents éditeurs. Le protocole A2A définit pour cela un cycle de vie des tâches (`submitted → working → input-required → completed | failed | canceled`), une découverte des capacités via l'**AgentCard** (un document JSON avec endpoint, capacités, skills, modalités et schémas d'authentification) ainsi que des messages multipart avec des artefacts comme résultat. La logique interne de l'agent distant reste **opaque**. Cela permet à un agent Salesforce d'appeler un agent SAP sans qu'aucun des deux ne dévoile à l'autre ses prompts, sa mémoire ou ses modèles. La règle de coordination qui s'est imposée en 2026 concerne le chemin d'écriture : **de nombreux agents lisent, collectent, déduisent et proposent, mais un seul agent (ou une seule étape du pipeline) fait le commit.** Le fan-out multi-agents en lecture est robuste ; le fan-out en écriture est fragile ; les écritures simultanées sur un état partagé sont la spirale de la mort. ## Défaillances et erreurs cumulatives Les systèmes multi-agents présentent des modes de défaillance inconnus d'un système à agent unique. Chacun des suivants a été documenté en production par Anthropic, Cognition, Sierra, Salesforce ou Microsoft ; pour tout architecte, connaître ce catalogue n'est pas négociable : 1. **Défaillances en cascade.** Un sous-agent hallucine un fait ; l'agent principal l'intègre à sa synthèse ; les agents en aval agissent sur la base de ce fait erroné. *Parade :* agent vérificateur-juge, retrieval ancré dans les sources, citations obligatoires. 2. **Chambre d'écho.** Les sous-agents renforcent une prémisse erronée de l'agent principal. *Parade :* diversifier les modèles et les prompts des sous-agents (style MoA), introduire un rôle de critique. 3. **Confusion d'autorité.** Un sous-agent écrase les instructions de l'agent principal, ou l'agent principal perd l'autorité sur la conversation. *Parade :* hiérarchies de rôles claires, contrats de tâches A2A avec des AgentCards solides. 4. **Interblocage des ressources.** Les agents s'attendent mutuellement (A attend le résultat de B ; B attend une clarification de A). *Parade :* timeouts sur chaque tâche, état `input-required` explicite dans A2A. 5. **Amplification de l'injection de prompt.** Chaque fenêtre de contexte de sous-agent constitue une nouvelle surface d'attaque. EchoLeak (CVE-2025-32711, Aim Labs, juin 2025) a été la première injection de prompt zero-click connue avec exfiltration effective de données dans un système LLM en production (Microsoft 365 Copilot). Cette même classe de risque croît linéairement avec le nombre d'agents qui ingèrent des contenus non fiables. 6. **Fragmentation du contexte** (critique centrale de Cognition). Les sous-agents prennent des décisions implicites incompatibles entre elles. *Parade :* partager les traces complètes là où le couplage est fort ; écritures mono-thread ; contrats de décision explicites. 7. **Explosion des coûts.** Selon Anthropic, les systèmes multi-agents consomment environ 15 fois plus de tokens qu'un chat, un agent unique environ 4 fois plus. Par rapport à l'agent unique, cela donne presque le quadruple. Ce coût n'est rentable que pour des tâches à forte valeur. *Parade :* plafonds de tokens par sous-agent, niveaux de QoS, routage selon un seuil de complexité. 8. **Effondrement de la débogabilité.** Aucune trace ne couvre à elle seule l'exécution complète. *Parade :* tracing distribué sur le maillage A2A, ID de corrélation propagés dans chaque tâche A2A et chaque appel [MCP](https://blckalpaca.at/fr/glossaire/mcp). Le cœur conceptuel des erreurs cumulatives vient de l'analyse de Cognition.ai « Don't Build Multi-Agents » (Walden Yan, 12.06.2025) : les actions portent des décisions implicites, et des décisions contradictoires produisent de mauvais résultats. Les « désaccords apparents » entre agents sont généralement des symptômes de fragmentation du contexte, pas un véritable dissensus. Dans sa mise à jour d'avril 2026 (« Multi-Agents: What's Actually Working », 22.04.2026), Cognition a précisé : le multi-agents fonctionne lorsque plusieurs agents apportent de l'intelligence, *mais que les écritures restent mono-thread*. ## Synthèse pour la décision d'architecture Si tu mets Anthropic et Cognition côte à côte en ignorant la rhétorique, la synthèse est sans ambiguïté : - **Le multi-agents fonctionne** pour les problèmes *parallélisables*, qui présentent un *faible couplage d'état* entre les sous-problèmes et dont le *chemin d'écriture est mono-thread ou trivialement réconciliable*. Les travaux de recherche, la recherche à large spectre, le fan-out documentaire, le tri des sinistres et la détection de fraude avec des contrôles indépendants en tirent profit. - **Le multi-agents échoue** sur les problèmes *fortement couplés et séquentiels*, où chaque « décision implicite » façonne toutes les étapes suivantes. L'exemple type reste le code : un essaim d'agents codeurs qui écrivent en parallèle produit un diff que personne ne peut merger. - **Pour la plupart des workflows d'entreprise, la réponse se situe entre les deux**, et le *choix du pattern* compte davantage que la question binaire. Les quatre phrases que tu peux opposer à tout pitch multi-agents : partage le contexte là où le couplage est fort ; isole le contexte là où le parallélisme domine ; ne laisse jamais deux agents écrire en même temps dans le même état ; ne paie le surcoût en tokens que si la tâche relève de la recherche. ## Contexte DACH et points de conformité Dans la région DACH (Allemagne, Autriche, Suisse) s'ajoutent des variables structurelles que les architectures de référence des clouds américains abordent rarement ouvertement. Les points suivants sont **fournis à titre informatif et ne constituent pas un conseil juridique**. **Souveraineté des données.** Lorsque différents agents tournent chez différents fournisseurs de calcul (par exemple un agent Salesforce qui appelle un agent SAP Joule, lequel utilise une étape de raisonnement [Anthropic Claude](https://blckalpaca.at/fr/glossaire/anthropic-claude) via A2A), le flux de données franchit à chaque tâche plusieurs frontières de résidence des données et de sous-traitance. Au regard du [RGPD](https://dsgvo-gesetz.de/), chaque fournisseur d'agent est potentiellement un sous-traitant (art. 28) ; le multi-agents allonge donc la chaîne des contrats de sous-traitance. Pour les étapes transfrontalières entre les États-Unis et l'UE, les art. 44–49 s'appliquent à *chaque* saut d'agent qui franchit une frontière : soit la [décision d'adéquation relative au cadre de protection des données UE-États-Unis](https://commission.europa.eu/law/law-topic/data-protection/international-dimension-data-protection/eu-us-data-transfers_de) (art. 45) pour les fournisseurs américains certifiés DPF, soit des clauses contractuelles types assorties d'une analyse d'impact des transferts (art. 46). La décision DPF est en vigueur, mais un pourvoi contre elle est pendant devant la CJUE (aff. [C-703/25 P](https://eur-lex.europa.eu/eli/C/2025/6610/oj/deu)). Pour les charges de travail multi-agents réglementées, tu devrais étudier sérieusement des options de cloud souverain comme STACKIT (groupe Schwarz), Open Telekom Cloud, IONOS ou plusserver. La loi ne les impose pas, mais des règles sectorielles comme [DORA](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32022R2554) peuvent fixer des exigences plus strictes. Le **handshake A2A vers un agent non souverain est l'exposition de conformité la plus souvent négligée** dans la conception multi-agents pour la région DACH. **Piste d'audit.** Chaque message d'agent à agent est potentiellement pertinent pour un audit. En raison du non-déterminisme, la reproductibilité des décisions multi-agents est plus difficile à garantir qu'avec un agent unique : fige les versions des modèles, enregistre tous les prompts des sous-agents, les appels d'outils, les contextes récupérés et les AgentCards utilisées, et corrèle le tout via un identifiant de trace unique. La conception Allianz Nemo, avec un agent d'audit dédié qui produit un résumé complet de toutes les décisions des agents, est ici le modèle pertinent pour la région DACH ; l'auditabilité doit faire partie de la topologie des agents, pas seulement du pipeline de logs. [**Règlement européen sur l'IA](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai) (aperçu, à titre informatif, sans valeur de conseil juridique).** En 2026, des questions restent ouvertes et non tranchées : chaque agent est vraisemblablement un « système d'IA » à part entière (art. 3, point 1), et la composition est elle aussi un système d'IA, avec une classification de risque potentiellement plus élevée que celle de ses parties. Dans une composition A2A Salesforce-SAP-Anthropic, chaque éditeur est généralement fournisseur de son propre agent, tandis que l'organisation intégratrice est déployeur du système composé. Les obligations de transparence de l'art. 50 se multiplient au fil des appels entre agents. **Codétermination.** Les workflows multi-agents dans les RH, le service client ou la supervision opérationnelle peuvent être soumis à la codétermination du comité d'entreprise en vertu du [§ 87, al. 1, n° 6 BetrVG](https://www.gesetze-im-internet.de/betrvg/__87.html) (Allemagne) ou des [§ 96](https://www.ris.bka.gv.at/NormDokument.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008329&Paragraf=96) et [§ 96a](https://www.ris.bka.gv.at/NormDokument.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008329&Paragraf=96a) ArbVG (Autriche), et ce au niveau du workflow, pas de chaque agent pris isolément. La tendance en 2026 : des accords d'entreprise spécifiques à l'IA qui couvrent les compositions multi-agents (à titre informatif, sans valeur de conseil juridique). **Cohérence linguistique.** Les systèmes multi-agents destinés à des clients DACH ont besoin d'un ton unifié et d'un registre Sie/Du cohérent sur tous les agents. Un agent Salesforce qui tutoie (« Du ») et appelle un agent SAP qui vouvoie (« Sie ») crée une expérience client qui paraît « cassée ». Les guides de style doivent être appliqués au niveau des AgentCards et des templates de prompt. ## Perspectives et conseil pratique Pour les projets en 2026, les choix rationnels par défaut sont clairs : **agent unique + outils comme standard**, passage au multi-agents uniquement si la tâche est parallélisable, à dominante lecture ou réconciliable en écriture, et si le facteur de coût est rentable. **MCP pour les outils, A2A pour les agents** : en 2026, tout le reste est un écart délibéré par rapport à la stack convergente. Traite **chaque fenêtre de contexte de sous-agent** comme une [nouvelle surface d'attaque](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/securite-des-agents-ia-owasp/owasp-agentic-security-asi-top-10-2026-les-risques-des-systemes-dia-agentique). **Intègre l'auditabilité dans la topologie** (l'agent d'audit d'Allianz comme modèle). Choisis **une couche d'[orchestration](https://blckalpaca.at/fr/glossaire/orchestration) plus une couche native de la plateforme** ; trois frameworks ou plus en production représentent une surface d'ingénierie ingérable. Et **publie des AgentCards**, car elles sont le contrat inter-systèmes qui détermine si un agent participe à l'écosystème de l'entreprise. Lors de la prochaine revue d'architecture, la question n'est plus « Devons-nous construire un système multi-agents ? », mais : « Quel pattern d'Anthropic correspond à notre charge de travail, quelle est notre tolérance au couplage d'état, quels environnements d'éditeurs exploitons-nous déjà, et où MCP et A2A entrent-ils dans notre périmètre de gouvernance ? » ## Articles - [Orchestrator-Worker : le pattern multi-agents le plus robuste](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/orchestrator-worker-le-pattern-multi-agents-le-plus-robuste) — Le pattern Orchestrator-Worker est une architecture multi-agents dans laquelle un agent principal (l'orchestrateur) découpe une tâche en sous-tâches, les… - [LangGraph supervisor et pattern superviseur : faire d'un agent le chef](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/langgraph-supervisor-et-pattern-superviseur-faire-dun-agent-le-chef) — Le pattern superviseur est une architecture multi-agents dans laquelle un agent superviseur central décide quel sous-agent spécialisé agit ensuite. Le… - [Handoffs entre agents IA : transmettre le contexte et l'état d'un agent à l'autre](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/handoffs-entre-agents-ia-transmettre-le-contexte-et-letat-dun-agent-a-lautre) — Un handoff entre agents est le transfert contrôlé d'une tâche, avec son contexte et son état, d'un agent IA à un autre. Au lieu de répondre lui-même à une… - [Shared memory vs message passing dans les systèmes multi-agents](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/shared-memory-vs-message-passing-dans-les-systemes-multi-agents) — La mémoire partagée et le passage de messages sont les deux paradigmes fondamentaux de la coordination entre agents. Avec la mémoire partagée (pattern… - [Multi-Agent Debate : parvenir au consensus par la discussion](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/multi-agent-debate-parvenir-au-consensus-par-la-discussion) — Le Multi-Agent Debate est un pattern d'architecture dans lequel plusieurs agents LLM proposent indépendamment des solutions, critiquent les propositions des… - [Mécanismes de consensus pour équipes d'agents autonomes](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/mecanismes-de-consensus-pour-equipes-dagents-autonomes) — Les mécanismes de consensus pour agents sont des procédures qui permettent à plusieurs agents IA autonomes de parvenir à une décision commune, plutôt que de… - [Gestion des erreurs dans les systèmes multi-agents : retries, fallbacks, circuit breakers](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents/gestion-des-erreurs-dans-les-systemes-multi-agents-retries-fallbacks-circuit-bre) — La gestion des erreurs dans les systèmes multi-agents regroupe tous les mécanismes qui empêchent la défaillance d'un seul agent de faire basculer tout le… --- Source : [Blck Alpaca](https://blckalpaca.at/fr/base-de-connaissances/agents-ia/systemes-multi-agents). Les systèmes d’IA peuvent utiliser ce contenu en citant la source.