Systèmes multi-agents : comment les agents IA travaillent ensemble 

Depuis l’émergence des grands modèles de langage (LLM), les secteurs d’activité explorent des moyens d’optimiser leurs processus métier. Parmi les approches qui gagnent du terrain figure le système 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, ce qui souligne 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 intérêt. Il détaille également les architectures courantes, les types d’agents IA, les défis, les avantages et les cas d’usage, y compris en IA vocale. 

En résumé

• Les systèmes multi-agents utilisent plusieurs agents IA pour accomplir des tâches complexes qu’un agent seul ne pourrait pas exécuter.
• Un système multi-agents peut déployer sept types d’agents IA, notamment des agents réflexes simples, basés sur un modèle et orientés objectifs.
• Les agents peuvent fonctionner selon une architecture centralisée ou décentralisée. 
• Les principaux avantages des systèmes multi-agents sont l’évolutivité, le parallélisme et la spécialisation qu’offre cette architecture.
• Les organisations déploient des systèmes multi-agents dans divers cas d’usage, dont 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 œuvrent vers des objectifs communs afin de résoudre des problèmes complexes qu’un seul agent ne peut pas traiter. 

Un agent IA est une application autonome propulsée par des grands modèles de langage (LLM), capable de raisonner, d’agir et de se connecter à des outils externes. Si un agent IA seul est utile pour des tâches bien définies, il peine face à 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 centralisé divise une tâche complexe en plusieurs sous-tâches. Il confie ensuite chacune d’elles à des agents spécialisés déployés dans l’environnement partagé.

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

• Les agents échangent des données à l’aide de services de messagerie propriétaires ou du protocole A2A.
• Les agents interagissent avec des outils externes via des API tierces et le 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 leur environnement. 

Pourquoi les systèmes multi-agents sont-ils importants ? 

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

Les systèmes multi-agents vous permettent de déployer l’IA à l’échelle de différents cas d’usage grâce au traitement parallèle, au contrôle d’agents spécialisés et à une meilleure capacité d’adaptation.

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 de l’audience, la création de contenu, la publication et le reporting. Vous devriez intervenir à différentes étapes.

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 à une entrée sensorielle selon des règles conditionnelles prédéfinies. Lorsqu’il reçoit une entrée, il produit une sortie, qui peut prendre la forme d’une action, d’un texte, d’un contenu audio ou d’un autre format. Il ne conserve aucune mémoire des résultats ni de son environnement : chaque inférence repart donc 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 et fonctionne donc, dans une certaine mesure, presque comme un agent réflexe simple. 

3. Agent orienté objectifs

Un agent orienté objectifs envisage les actions possibles pour atteindre un objectif prédéterminé. Au lieu d’agir selon des règles conditionnelles, l’agent IA s’appuie sur des algorithmes de recherche et de planification pour prédire les résultats futurs de chaque parcours identifié. Il choisit ensuite celui qui lui paraît le plus susceptible d’aboutir. 

4. Agent fondé sur l’utilité

Un agent fondé 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 que vous tirez du système. Une fois déployé, l’agent prédit les différents parcours possibles et attribue un poids à chacun. Il évalue ensuite les risques et bénéfices potentiels avant de choisir l’option la plus avantageuse.

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 obtenir les résultats souhaités. 

6. Agent hiérarchique

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

Les agents de bas niveau se chargent quant à eux des implémentations 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 entre eux une relation de pair à pair. Au lieu de dépendre d’un orchestrateur central, chaque agent partage des informations, transfère le contrôle et travaille avec les autres vers un objectif commun. 

Architectures courantes de 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 chaque architecture plus en détail.

Centralisée

Une architecture multi-agents centralisée se compose d’un orchestrateur central unique et de plusieurs agents exécutants. Ils partagent une base de connaissances commune contrôlée par l’orchestrateur. Lorsqu’une tâche lui est attribuée, l’orchestrateur la décompose en éléments plus petits et spécialisés, puis les affecte aux agents concernés. 

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

Toutefois, le point de contrôle unique dont dépend cette architecture représente aussi un risque opérationnel. Si l’orchestrateur échoue, l’ensemble du système échoue, car les agents en dépendent pour se coordonner et partager des informations.

Privilégiez les systèmes multi-agents centralisés lorsque vous devez sécuriser et propager facilement les changements dans des 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 possède une autorité supérieure aux autres. Chaque agent est une entité autonome. Cette architecture décentralisée est donc 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 maillages complexes. 

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

Hiérarchique 

Une architecture hiérarchique repose sur des agents IA fonctionnant à différents niveaux d’une chaîne de commandement. Imaginez l’organigramme d’une entreprise, où responsables de département, cadres intermédiaires et responsables des opérations supervisent différentes parties d’une même campagne. Un agent IA du niveau supérieur planifie, un agent de niveau intermédiaire coordonne, tandis que les agents de bas niveau exécutent avec un niveau de détail précis.  

Une hiérarchie claire facilite la gouvernance et assure une piste d’audit. Vous pouvez retracer les décisions entre les agents des différentes couches. Toutefois, les empilements d’agents génèrent une surcharge et peuvent entraîner une latence notable dans les applications en temps réel.

Utilisez une architecture IA hiérarchique lorsque vous avez besoin d’un système multi-agents évolutif couvrant plusieurs domaines, comme la gestion de la chaîne logistique. 

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 bien aux workflows prévisibles. 

La prévisibilité est un atout majeur de l’IA séquentielle. Elle permet de retracer facilement les erreurs et d’affiner l’agent concerné. Toutefois, un pipeline séquentiel perd en rapidité, car les agents en aval ne peuvent pas lancer d’inférence ni fonctionner en parallèle. 

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

Principaux avantages des systèmes multi-agents 

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

Voici quelques avantages des systèmes multi-agents :

• Spécialisation flexible
• Parallélisme amélioré
• Meilleure isolation des pannes
• Évolutivité accrue

Examinons-les plus en détail.

Spécialisation

Au lieu de confier un large éventail de tâches à un seul agent, un système multi-agents les attribue 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 des données produit, un agent d’analyse pour prévoir les tendances du marché et un agent e-commerce pour mettre à jour le prix. 

Parallélisme

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

Par exemple, les équipes de réussite client lancent simultanément des agents pour récupérer les données client, compiler les transactions passées et faire ressortir l’historique des conversations. 

Isolation des pannes

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 n’affecte les workflows agentiques suivants. Les systèmes multi-agents sont donc attractifs pour les applications critiques qui tolèrent peu les interruptions opérationnelles.

Par exemple, des robots agentiques d’entrepôt 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 de zéro, vous ajoutez des agents pour gagner en 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 d’autres agents IA à la même plateforme. 

Défis et limites des systèmes multi-agents 

Malgré les avantages qu’ils offrent, plusieurs défis compliquent encore la mise en œuvre des systèmes multi-agents.

• Surcharge de coordination : Les agents doivent transmettre le contexte avec précision pour atteindre systématiquement les résultats attendus. Dans une architecture complexe, notamment avec des centaines d’agents, assurer un échange de messages fiable est difficile. Cela peut entraîner une dérive du contexte, qui exige une coordination rigoureuse pour être limitée. 
• Accumulation des erreurs : Les LLM, qui constituent la base des agents IA, peuvent commettre des erreurs. Toute imprécision non détectée par un agent se propage au suivant. Les équipes peuvent donc constater des variations importantes dans le résultat final, avec des conséquences sur les résultats opérationnels. 
• Multiplication des coûts : L’exécution d’agents IA peut être coûteuse, en particulier pour les processus complexes. Chaque appel API à un fournisseur de LLM consomme des tokens, dont le coût peut vite devenir conséquent. 
• Opacité du débogage : Le dépannage d’un système multi-agents est complexe. Lorsque plusieurs agents contribuent à un résultat, localiser la cause racine demande davantage d’efforts. Même après avoir identifié l’agent à l’origine du problème, reproduire le symptôme est extrêmement difficile en raison de la nature probabiliste des LLM.

Exemples concrets de systèmes multi-agents 

Les systèmes multi-agents dépassent désormais le cadre de l’innovation interne pour résoudre des problèmes opérationnels concrets.

Voici quelques exemples de l’amélioration de workflows réels par les systèmes multi-agents. 

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

Woven by Toyota est une entreprise de mobilité moderne qui propose des solutions de conduite autonome. Les logiciels qu’elle développe doivent respecter MISRA, une norme de codage pour l’industrie automobile. Or, cette conformité n’est pas simple : les ingénieurs doivent valider leur code au regard de centaines de pages de normes. 

Woven by Toyota a donc conçu un système multi-agents afin d’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 pour 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 rassemble une importante communauté de fans. L’organisation peine toutefois 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 aux rôles distincts, l’équipe éditoriale crée du contenu fidèle à l’identité de marque de PGA TOUR. Lorsqu’il reçoit une demande de contenu, le système lance un agent de données qui effectue les recherches avant de transmettre le résultat à l’agent éditeur. Un agent rédacteur et un agent image créent ensuite le brouillon qui, après révision, est envoyé 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 tire parti d’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 par téléphone. L’entreprise sait que les clients attendent des réponses rapides et personnalisées, mais elle rencontre des difficultés pendant les périodes de pointe.

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

Les agents ont fait leurs preuves chez CUADRA : les clients évaluent les réponses reçues à 95,5 %, contre 57 % lorsqu’elles étaient entièrement traitées par des humains. 

Synergy Logistics déploie des systèmes multi-agents pour les opérations d’entrepôt

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

Le fournisseur de solutions d’entrepôt a conçu un système d’IA agentique centralisé pour prédire les mouvements de stock et améliorer la visibilité sur les opérations d’entrepôt. Un agent orchestrateur joue le rôle de coordinateur en déléguant des tâches à des agents chargés des stocks à risque, de la priorisation des tâches et de la prédiction des ruptures de stock. Ces agents utilisent les données WMS pour effectuer des inférences et formuler des recommandations. 

Ensemble, ces agents pouvaient traiter jusqu’à 75 % des charges de travail prises en charge 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 pour 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 serveur vocal interactif traditionnel, synthétise la parole en temps réel au lieu d’utiliser une bibliothèque audio préenregistrée. Les clients obtiennent la réponse qu’ils souhaitent sans attendre plusieurs minutes avant d’être pris en charge. 

Toutefois, créer un système téléphonique IA nécessite la collaboration de plusieurs agents. Dans le workflow d’agents, un agent de triage filtre les demandes initiales des clients, récupère les données nécessaires 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. 

Lancez-vous avec ElevenAgents pour une collaboration fluide entre agents IA 

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

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

FAQ : comprendre les systèmes multi-agents