Systèmes multi-agents : comment les agents IA travaillent ensemble 

Depuis l’émergence des grands modèles de langage (LLM), les entreprises explorent des moyens d’optimiser leurs processus métier. Parmi les approches qui gagnent du terrain figurent les systèmes multi-agents.

Les systèmes multi-agents permettent aux organisations d’automatiser des workflows complexes grâce à un ensemble collaboratif d’agents IA autonomes. Ils résolvent des difficultés qui empêchaient auparavant les entreprises de tirer pleinement parti des avantages offerts par les LLM. 

Selon une étude, les systèmes multi-agents représentent 66,4 % du marché de l’IA agentique, soulignant leur adoption croissante au service de la croissance, de l’innovation et de la productivité des entreprises. 

Ce guide présente les fondamentaux des systèmes multi-agents et leur importance. Il détaille également les architectures courantes, les types d’agents IA, les défis, les avantages et les cas d’usage, notamment en IA vocale. 

En résumé

• Les systèmes multi-agents utilisent plusieurs agents IA pour accomplir des tâches complexes qu’un seul agent ne pourrait pas réaliser.
• Un système multi-agents peut déployer sept types d’agents IA, dont les agents réflexes simples, basés sur un modèle et orientés objectif.
• Les agents peuvent fonctionner dans une architecture centralisée ou décentralisée. 
• Les principaux avantages des systèmes multi-agents sont leur évolutivité, leur parallélisme et la spécialisation qu’offre cette architecture.
• Les organisations déploient des systèmes multi-agents dans de nombreux cas d’usage, notamment le développement logiciel, la gestion d’entrepôt et la diffusion de contenu. 
  

Que sont les systèmes multi-agents ? 

Les systèmes multi-agents regroupent des agents IA qui poursuivent des objectifs communs afin de résoudre des problèmes complexes qu’un agent seul ne peut pas traiter. 

Un agent IA est une application autonome alimentée par des grands modèles de langage (LLM), capable de raisonner, d’agir et de se connecter à des outils externes. Si un agent IA unique est utile pour des tâches bien définies, il peine à gérer des tâches imprévisibles, très volumineuses ou trop complexes, couvrant plusieurs domaines. 

Fonctionnement des systèmes multi-agents 

Dans une architecture de système multi-agents classique, un coordinateur central décompose une tâche complexe en plusieurs sous-tâches. Il attribue ensuite chaque tâche à des agents spécialisés déployés dans un environnement partagé.

La communication est essentielle à la fiabilité et aux performances d’un système multi-agents. 

• Les agents échangent des données via des services de messagerie propriétaires ou le protocole A2A.
• Les agents interagissent avec des outils externes au moyen d’API tierces et du Model Context Protocol (MCP). 

Pour accomplir la tâche, les agents spécialisés partagent des informations, échangent des messages et s’améliorent continuellement grâce à leurs interactions avec les utilisateurs et l’environnement. 

Pourquoi les systèmes multi-agents sont-ils importants ? 

Les systèmes multi-agents fournissent une plateforme distribuée et flexible qui étend la fenêtre de contexte d’un LLM à agent unique. Un agent unique peut raisonnablement effectuer des inférences dans un domaine donné, mais le contraindre à accomplir un grand nombre de tâches dans un temps limité et avec peu d’informations réduit sa précision. 

Les systèmes multi-agents permettent de déployer l’IA à grande échelle dans différents cas d’usage grâce au traitement parallèle, au contrôle d’agents spécialisés et à une plus grande adaptabilité.

Prenons l’exemple d’un workflow de marketing de contenu. Un seul agent IA aurait du mal à réaliser la recherche de sujets, l’analyse d’audience, la création de contenu, la publication et le reporting. Vous devriez intervenir à différents points de contact.

À l’inverse, un système multi-agents déploie des agents IA dédiés, chacun compétent dans son domaine de connaissance, et les connecte aux outils nécessaires pour automatiser le workflow. 

Types d’agents IA dans les systèmes multi-agents  

Il existe sept types d’agents IA, chacun avec ses propres caractéristiques.

1. Agent réflexe simple

Un agent réflexe simple réagit aux entrées sensorielles selon des règles conditionnelles prédéfinies. Lorsqu’il reçoit une entrée, il produit une sortie, qui peut être une action, du texte, de l’audio ou un autre format. Il ne conserve aucune mémoire des résultats ni de son environnement, ce qui signifie que chaque inférence repart de zéro. 

2. Agent réflexe basé sur un modèle

Un agent réflexe basé sur un modèle a une connaissance partielle de l’environnement dans lequel il est déployé. Grâce à des interactions continues, il apprend comment ses actions affectent l’environnement et utilise ces informations pour enrichir les règles conditionnelles d’inférence. 

Toutefois, l’agent ne conserve pas la mémoire de ses inférences passées, ce qui le rapproche à certains égards d’un agent réflexe simple. 

3. Agent orienté objectif

Un agent orienté objectif évalue les actions possibles pour atteindre un objectif prédéfini. Au lieu d’agir selon des règles conditionnelles, l’agent IA utilise des algorithmes de recherche et de planification afin de prédire les résultats futurs pour chaque chemin identifié. Il choisit ensuite celui qui lui semble le plus susceptible de produire un résultat concluant. 

4. Agent basé sur l’utilité

Un agent basé sur l’utilité est conçu pour viser un résultat qui maximise l’utilité. Dans le contexte des agents IA, l’utilité correspond à la valeur tirée du système. Une fois déployé, l’agent prédit différents chemins possibles et attribue un poids à chacun. Il évalue ensuite les risques et les bénéfices potentiels avant de choisir l’option offrant le plus d’avantages.

5. Agent apprenant

Un agent apprenant améliore continuellement ses performances grâce à ses expériences passées et à ses interactions avec l’environnement. En fonctionnant dans une boucle de rétroaction, il évalue ses performances selon des critères précis et affine son comportement pour produire les résultats souhaités. 

6. Agent hiérarchique

Les agents hiérarchiques sont des agents IA qui opèrent selon différentes chaînes de commandement entre agents de haut et de bas niveau. Les agents de niveau supérieur décomposent généralement les tâches importantes en sous-tâches destinées aux agents de niveau inférieur. 

Les agents de niveau inférieur sont quant à eux chargés des mises en œuvre tactiques, comme l’ingestion de données de capteurs et le contrôle de la réponse des actionneurs. Dans une configuration complexe, les ingénieurs en machine learning déploient des agents à plusieurs niveaux pour mieux synchroniser et répartir les tâches. 

7. Agent collaboratif

Les agents collaboratifs sont des agents IA qui entretiennent des relations de pair à pair. Plutôt que de s’appuyer sur un orchestrateur central, chaque agent partage des informations, transmet le contrôle et collabore à l’atteinte d’un objectif commun. 

Architectures courantes des systèmes multi-agents 

Si les systèmes multi-agents améliorent l’efficacité opérationnelle, leur déploiement réussi dépend du choix de l’architecture adaptée au cas d’usage. 

Voici une comparaison rapide des différentes architectures de systèmes multi-agents. 

Examinons plus en détail chaque architecture.

Centralisée

Une architecture multi-agents centralisée comprend un orchestrateur central unique et plusieurs agents d’exécution. Ils partagent une base de connaissances commune contrôlée par l’orchestrateur. Lorsqu’une tâche lui est attribuée, celui-ci la décompose en parties plus petites et spécialisées, puis les assigne aux agents concernés. 

Par conception, une architecture centralisée simplifie l’exécution. Vous définissez les objectifs, appliquez les politiques de sécurité et gérez les agents depuis un Dashboard unifié. 

Toutefois, le point de contrôle unique dont dépend cette architecture constitue aussi un risque opérationnel. En cas de défaillance de l’orchestrateur, tout le système échoue, car les agents en dépendent pour se coordonner et partager des informations.

Utilisez une architecture multi-agents centralisée lorsque vous devez sécuriser et propager facilement les changements dans les environnements de production. 

Décentralisée

Un réseau décentralisé d’agents répartit équitablement le raisonnement, la communication et l’action entre tous les agents du système. Il repose sur une hiérarchie plate, sans qu’aucun agent ne dispose d’une autorité supérieure aux autres. Chaque agent est une entité autonome. L’architecture décentralisée est ainsi robuste, respectueuse de la confidentialité et moins sujette aux défaillances. 

Contrairement à un réseau multi-agents centralisé, une architecture décentralisée continue de fonctionner même si un agent échoue. Grâce à des mécanismes de consensus ou de partage des tâches, d’autres agents peuvent assumer le rôle de l’agent défaillant. Son inconvénient réside dans la complexité de la distribution des messages et de la sécurisation des communications au sein de réseaux de communication complexes. 

Choisissez une architecture d’agents décentralisée si vous souhaitez un système IA évolutif et tolérant aux pannes, comme l’edge computing.

Hiérarchique 

Une architecture hiérarchique se compose d’agents IA opérant à différents niveaux d’une chaîne de commandement. Imaginez l’organigramme d’une entreprise, où responsables de service, cadres intermédiaires et responsables des opérations supervisent différentes parties d’une même campagne. Un agent IA de niveau supérieur planifie, un agent de niveau intermédiaire coordonne et les agents de niveau inférieur exécutent avec précision.  

Une hiérarchie claire facilite la gouvernance et assure une piste d’audit. Vous pouvez suivre les décisions prises par les agents à chaque niveau. Toutefois, les empilements d’agents ajoutent une surcharge et peuvent entraîner une latence notable dans les applications en temps réel.

Choisissez une architecture IA hiérarchique lorsqu’il vous faut un système multi-agents évolutif couvrant plusieurs domaines, comme la gestion de la chaîne d’approvisionnement. 

Séquentielle 

Les systèmes d’agents séquentiels transmettent les résultats d’un agent IA à l’autre selon un schéma rigide. Par exemple, l’agent A transmet à l’agent B, qui transmet à l’agent C. Dans une architecture séquentielle, chaque étape dépend directement du résultat précédent, ce qui convient aux workflows prévisibles. 

La prévisibilité est un atout majeur de l’IA séquentielle. Elle facilite le traçage des erreurs et l’ajustement de l’agent concerné. Toutefois, un pipeline séquentiel perd en rapidité, car les agents en aval ne peuvent pas lancer d’inférence ni s’exécuter en parallèle. 

Utilisez des agents séquentiels lorsque des dépendances strictes sont essentielles, comme dans le triage médical menant à un diagnostic. 

Principaux avantages des systèmes multi-agents 

Les équipes opérationnelles déploient des systèmes multi-agents pour leurs avantages démontrables. 

Voici quelques exemples d’avantages des systèmes multi-agents :

• Spécialisation flexible
• Parallélisme accru
• Meilleure isolation des défaillances
• Évolutivité renforcée

Examinons ces avantages plus en détail.

Spécialisation

Plutôt que d’attribuer un large éventail de tâches à un seul agent, un système multi-agents les confie à des agents IA conçus spécifiquement pour les traiter. L’équipe opérationnelle peut ainsi concevoir un système d’agents qui reproduit fidèlement ses workflows.

Par exemple, vous utilisez un agent de web scraping pour récupérer les données produit, un agent d’analyse pour prévoir les tendances du marché et un agent e-commerce pour mettre à jour les prix. 

Parallélisme

Plusieurs agents IA s’exécutent simultanément pour accélérer l’obtention du résultat. Au lieu de parcourir une série d’agents en boucle, vous déléguez les tâches indépendantes à différents agents autonomes. Une fois leurs inférences terminées, vous consolidez les résultats pour une analyse approfondie. 

Par exemple, les équipes de réussite client lancent simultanément des agents pour récupérer les données clients, compiler les transactions passées et faire remonter les conversations historiques. 

Isolation des défaillances

Dans un système multi-agents, une défaillance n’arrête pas nécessairement tout le système. Lorsqu’un agent échoue, vous le corrigez ou l’isolez afin d’éviter qu’il affecte les workflows agentiques suivants. Les systèmes multi-agents sont ainsi attractifs pour les applications critiques qui tolèrent peu les perturbations opérationnelles.

Par exemple, des robots agentiques dédiés à l’entreposage prennent en charge les opérations d’un robot défaillant. 

Évolutivité

Les systèmes multi-agents évoluent facilement lorsque la charge de travail augmente. Au lieu de repenser l’architecture depuis zéro, vous ajoutez des agents pour améliorer l’efficacité. Grâce à l’environnement partagé, tous les agents accèdent au même contexte, ce qui aide les agents supplémentaires à effectuer des inférences plus précises. 

Par exemple, une start-up déploie un workflow marketing multi-agents pour gérer les prospects entrants. Lorsque les agents rencontrent un goulot d’étranglement, elle ajoute des agents IA à la même plateforme. 

Défis et limites des systèmes multi-agents 

Malgré les avantages des systèmes multi-agents, plusieurs défis compliquent encore leur mise en œuvre.

• Surcharge de coordination : Les agents doivent transmettre le contexte avec précision afin d’obtenir systématiquement les résultats souhaités. Dans une architecture complexe, en particulier avec des centaines d’agents, un échange de messages fiable est difficile. Cela peut entraîner une dérive de contexte, qui exige une coordination rigoureuse pour être atténuée. 
• Erreurs cumulatives : Les LLM, qui constituent la base des agents IA, peuvent commettre des erreurs. Toute imprécision qui échappe à un agent se propage au suivant. Les équipes peuvent donc constater d’importantes variations dans le résultat final, ce qui affecte les résultats opérationnels. 
• Multiplication des coûts : L’exécution d’agents IA peut s’avérer coûteuse, surtout pour les processus complexes. Chaque appel API à un fournisseur de LLM consomme des tokens, ce qui peut représenter un coût important. 
• Débogage opaque : Le dépannage d’un système multi-agents est complexe. Lorsque plusieurs agents contribuent à un résultat, identifier la cause racine demande davantage d’efforts. Même si vous parvenez à remonter jusqu’à l’agent défaillant, reproduire le symptôme est extrêmement difficile en raison de la nature probabiliste des LLM.

Exemples concrets de systèmes multi-agents 

Les systèmes multi-agents vont au-delà de l’innovation interne et répondent à des défis opérationnels concrets.

Voici quelques exemples de l’amélioration de workflows réels grâce aux systèmes multi-agents. 

Woven by Toyota utilise des systèmes multi-agents pour corriger automatiquement le code

Woven by Toyota est une entreprise de mobilité moderne qui fournit des solutions de conduite autonome. Les logiciels qu’elle développe doivent être conformes à MISRA, une norme de codage pour l’industrie automobile. Or, respecter MISRA est difficile : les ingénieurs doivent valider leur code par rapport à des centaines de pages de normes. 

Woven by Toyota a donc conçu un système multi-agents pour améliorer la sécurité du code à grande échelle. Le système se compose d’agents Reviewer, Coder et Evaluator. Reviewer et Coder parcourent le code source de manière itérative afin de détecter et corriger les problèmes de codage. Evaluator effectue ensuite une vérification finale et justifie sa décision. 

L’équipe d’ingénierie a ainsi réussi à corriger 81,5 % des erreurs de conformité MISRA grâce au système multi-agents.

PGA TOUR utilise l’IA agentique pour la recherche média et la production de contenu 

PGA TOUR organise des tournois de golf prestigieux et est suivi par une importante communauté de fans. Toutefois, l’organisation peine à produire du contenu couvrant suffisamment ses joueurs et à le diffuser pour gagner en visibilité. Avec des centaines de joueurs sur le terrain, elle souhaitait réduire le délai entre la création et la publication du contenu.

En déployant plusieurs agents IA, chacun avec un rôle distinct, l’équipe éditoriale crée du contenu conforme à l’identité de marque de PGA TOUR. Lorsqu’il reçoit une demande de contenu, le système charge un agent de données d’effectuer des recherches avant de transmettre le résultat à l’agent éditeur. Un agent rédacteur et un agent image créent ensuite l’ébauche qui, après vérification, est envoyée à un agent de publication. 

Après son déploiement, PGA TOUR a porté sa production à plus de 1 200 contenus par semaine. Plus important encore, l’organisation a réduit ses coûts de 95 %.

CUADRA s’appuie sur un système multi-agents pour renforcer son support client

CUADRA est une marque mexicaine de vente au détail haut de gamme qui sert ses clients sur plusieurs canaux, notamment les réseaux sociaux, son site web et le téléphone. L’entreprise sait que les clients préfèrent des réponses rapides et personnalisées, mais rencontre des difficultés pendant les périodes de forte activité.

Au lieu de s’appuyer uniquement sur des équipes de support humain, CUADRA a créé un système multi-agents pour filtrer les demandes entrantes et les escalader si nécessaire. Au cœur du système, un orchestrateur coordonne plusieurs agents spécialisés dans les recommandations produit, l’historique des commandes et les interactions clients. 

Les agents se sont révélés efficaces pour CUADRA : les clients ont évalué les réponses reçues à 95,5 %, contre 57 % lorsqu’elles étaient entièrement traitées par des humains. 

Synergy Logistics déploie des agents multiples pour les opérations d’entrepôt

Les opérations d’entrepôt sont sensibles au temps. Par exemple, les opérateurs humains peuvent manquer des échéances d’expédition ou risquer des ruptures de stock, ce qui entraîne un coût financier pour les entreprises. Synergy Logistics est l’un des principaux fournisseurs de solutions de gestion d’entrepôt. L’entreprise a pris l’initiative d’aider les opérateurs à améliorer leur efficacité et à réduire les oublis dans la gestion des stocks grâce aux systèmes multi-agents.

Le fournisseur de solutions d’entrepôt a créé un système d’IA agentique centralisé pour prédire les mouvements de stock et améliorer la visibilité sur les opérations d’entrepôt. Un agent orchestrateur agit comme coordinateur et délègue les tâches à des agents dédiés aux stocks à risque, à la priorisation des tâches et à la prédiction des ruptures de stock. Ces agents utilisent les données WMS pour effectuer des inférences et formuler des recommandations. 

Ensemble, ces agents peuvent prendre en charge jusqu’à 75 % des charges de travail habituellement gérées par les opérateurs. 

Systèmes multi-agents en IA vocale  

L’IA vocale est une technologie qui écoute les humains, comprend leur intention et répond avec des voix semblables à celles des humains. Vous pouvez créer un système d’IA vocale multi-agents afin de permettre des interactions verbales plus intelligentes, évolutives et efficaces, avec une intervention humaine minimale.

Par exemple, vous utilisez un système téléphonique IA pour renforcer votre équipe de support client. Un système téléphonique IA, contrairement à un système traditionnel de réponse vocale interactive, synthétise la parole en temps réel au lieu d’utiliser une bibliothèque audio préenregistrée. Les clients obtiennent la réponse qu’ils recherchent sans attendre plusieurs minutes d’être pris en charge. 

Toutefois, créer un système téléphonique IA exige la collaboration de plusieurs agents. Dans le workflow d’agent, un agent de triage filtre les demandes initiales des clients, récupère les données requises et transfère l’appel à un autre agent. Le mécanisme de transfert d’agent transmet le contexte et l’historique du chat, afin que les conversations restent fluides et intelligibles. 

Commencez avec ElevenAgents pour une collaboration fluide entre agents IA 

ElevenAgents vous permet de concevoir, tester et déployer des systèmes vocaux et de chat multi-agents depuis une plateforme unique. Appliquez des garde-fous de sécurité, suivez les performances des chatbots et consultez les transcriptions pour améliorer les conversations, en interne comme sur les canaux destinés aux clients. 

En savoir plus sur les systèmes multi-agents avec ElevenAgents ou inscrivez-vous dès aujourd’hui pour créer des agents pour vos workflows.

FAQ : comprendre les systèmes multi-agents