Imaginez une équipe d'experts qui collaborent sur un projet complexe : chacun a sa spécialité, ils se parlent, se répartissent les tâches et se corrigent mutuellement. Un système multi-agents (SMA) applique exactement cette idée à l'IA : plusieurs agents autonomes — souvent propulsés par des modèles de langage — interagissent dans un environnement partagé pour résoudre un problème qu'aucun ne pourrait traiter seul.
Qu'est-ce qu'un agent ?
Un agent est une entité capable de percevoir son environnement, de raisonner, puis d'agir via des outils (recherche web, code, base de données). On le résume souvent par la boucle :
$$ \text{Perception} \rightarrow \text{Raisonnement} \rightarrow \text{Action} \rightarrow \text{Observation} $$
Dans un SMA, on multiplie ces boucles et on les fait communiquer. Chaque agent peut endosser un rôle précis : planificateur, exécutant, critique, vérificateur.
Architectures de coordination
| Architecture | Principe | Exemple d'usage |
|---|---|---|
| Orchestrateur | Un agent chef délègue aux sous-agents | Pipelines de recherche |
| Hiérarchique | Managers et sous-équipes en cascade | Projets longs et structurés |
| Décentralisée | Les agents négocient d'égal à égal | Marchés, enchères, simulations |
| Débat | Des agents argumentent puis votent | Fiabilité des réponses |
Pourquoi c'est puissant
La spécialisation réduit la charge cognitive de chaque agent, et la critique croisée limite les erreurs : un agent vérificateur peut détecter l'hallucination d'un autre. C'est le principe derrière les frameworks modernes (AutoGen, CrewAI, LangGraph).
Mais attention : multiplier les agents multiplie aussi les coûts, la latence et les risques de propagation d'erreurs.
Là où un agent isolé pense, un système multi-agents délibère — la coopération devient une forme d'intelligence à part entière.