Pour concevoir un système multi-agents, commencez par un flux déterministe si les étapes sont connues. Un agent unique doté d’outils suffit lorsque le parcours reste maîtrisable ; la coordination autonome se justifie lorsque les sous-tâches émergent pendant l’exécution. Dans les tâches de programmation de CooperBench, la communication entre agents a eu peu d’effet sur les résultats, selon un résumé de Stanford HAI publié le 1er juin 2026.
Flux déterministes ou coordination à l’exécution ?
AWS distingue les flux dont les étapes sont définies à l’avance de ceux où un modèle dirige la coordination au fil du travail. Cette taxonomie décrit les recommandations d’AWS, pas une norme universelle. Le tableau présente les motifs cités par AWS et les compromis qui changent leur intérêt pratique.
| Motif | Flux de contrôle | Usage décrit par AWS | Compromis pratique |
| Pipeline séquentiel | Des étapes fixes transmettent chacune leur résultat à la suivante. | Traitement de documents, ETL, tri de demandes de garantie ou résumés de passation. | Prévisible et relativement simple à tester ; une erreur peut se propager aux étapes suivantes. |
| Workflow conditionnel | Des conditions prédéfinies aiguillent vers une branche, par exemple une reprise ou un déploiement. | Processus avec contrôle de réussite ou d’échec. | Fixer une limite aux reprises et transférer le cas à traiter quand elle est atteinte. |
| Routeur conditionnel | Un classificateur choisit une voie spécialisée pour la requête. | Orientation par intention, contrôle qualité ou tri d’anomalies. | Seule la branche sélectionnée s’exécute : la décision de routage détermine donc le traitement. |
| Exécution parallèle avec agrégation | Des tâches indépendantes s’exécutent en même temps ; une étape rassemble ensuite leurs résultats. | Analyses provenant de plusieurs sources ou maintenance prédictive. | L’agrégateur doit rapprocher les résultats ; la durée dépend du travailleur le plus lent, pas de la somme des durées simultanées. |
| Orchestration fondée sur un plan | Un planificateur répartit les tâches et leurs dépendances au fur et à mesure. | Problème dont les sous-tâches se précisent pendant l’analyse. | Plus adaptable, mais plus coûteux et plus complexe à déboguer, avec davantage de latence. |
| Transfert entre agents | Un agent transmet le contrôle et l’état de la tâche à un spécialiste. | Escalade ou passage à un autre domaine de compétence. | Selon AWS, un résumé de conversation ne suffit pas : le transfert doit inclure l’état validé, les éléments utiles et les questions non résolues. |
| Coordination par conversation | Les agents partagent un historique et prennent la parole à tour de rôle. | Collaboration avec sélection des tours fixe ou pilotée par un modèle. | L’état reste implicite dans la conversation et les participants voient les messages partagés. |
| Débat ou consensus | Plusieurs agents évaluent séparément une entrée ; leurs résultats sont rapprochés par vote, arbitre ou escalade. | Décisions à forts enjeux et peu fréquentes. | AWS présente cette option comme la plus coûteuse de sa taxonomie ; sur des tâches perceptives, le débat peut ajouter de la latence sans améliorer la précision. |
Les motifs peuvent être combinés : un système peut garder un flux fixe pour les opérations prévisibles et réserver une coordination plus souple aux étapes qui en ont réellement besoin. Une présentation en espagnol parcourt les architectures d’un agent seul aux systèmes multi-agents et souligne leur composabilité.
Comment choisir l’architecture adaptée ?
AWS propose de partir de quatre questions : la tâche doit-elle agir au-delà de la génération de texte ? Le chemin à suivre est-il connu ? Un chemin connu exige-t-il des expertises distinctes ? Si le chemin est inconnu, faut-il explorer ou gérer des effets secondaires importants ?
Un appel direct au modèle convient si la tâche ne requiert aucune action au-delà du texte. Lorsque des actions sont nécessaires et que les étapes sont connues, un agent avec outils peut suffire si aucune expertise distincte n’est requise ; dans le cas contraire, un flux multi-agent déterministe répartit le travail. Si le parcours reste inconnu, la coordination autonome devient une option lorsque l’exploration ou les effets secondaires le justifient ; sinon, un seul agent est préférable selon cette logique.
Ajoutez des agents lorsque la tâche réclame une séparation réelle du travail, pas simplement pour multiplier les échanges.
Ce choix explique aussi la différence entre un agent unique qui exécute plusieurs tâches et plusieurs agents coordonnés : le nombre de processus, à lui seul, ne tranche pas la question. Le critère utile est la structure du travail — étapes fixes, branches spécialisées, tâches indépendantes ou sous-tâches à découvrir — et la façon dont leurs résultats doivent être transmis ou rapprochés.
Quels garde-fous limitent les erreurs de coordination ?
AWS décrit cinq pièges de conception et les mesures qu’il recommande pour les contenir :
- L’agent couteau suisse accumule des outils sans rapport, ce qui peut compliquer leur sélection et l’analyse des échecs. AWS recommande de séparer les rôles et de borner les outils accessibles à chacun.
- Les reprises sans limite consomment des ressources et peuvent multiplier les problèmes de coordination. Fixez des plafonds d’itérations et de jetons, puis arrêtez automatiquement le processus au seuil prévu.
- Les consignes en texte libre peuvent faire dériver le sens d’un transfert. AWS préconise des échanges structurés, validés par schéma.
- La séparation prématurée en plusieurs agents ajoute des frais de coordination. AWS conseille d’abord de vérifier si un agent unique peut couvrir les phases en changeant d’outils.
- Les actions sans contrôle vers les clients ou des systèmes physiques nécessitent des garde-fous, une validation de schéma, des règles métier et une approbation humaine adaptées à l’action avant exécution.
Pour illustrer l’effet d’une chaîne séquentielle, AWS prend l’exemple d’étapes fiables à 95 % chacune : sans reprise, dix étapes donnent une fiabilité de bout en bout de 59,9 %, et vingt étapes de 35,8 %. C’est un calcul illustratif pour une chaîne strictement séquentielle, pas un résultat mesuré en production.
En production, pourquoi garder une frontière de contrôle ?
Pour l’industrie, AWS recommande de laisser les automates programmables (PLC), les systèmes SCADA de supervision et les systèmes MES d’exécution de la production sous contrôle déterministe. Les agents peuvent observer, analyser et formuler des recommandations ; la validation de l’état opérationnel et l’approbation doivent précéder toute action dont les conséquences le justifient.
La latence compte lorsque les décisions s’inscrivent dans un cycle de production : AWS recommande de fixer un budget au 99e percentile (p99) et de prévoir une solution déterministe de repli en moins d’une seconde. Pour les signaux sensibles au temps, son architecture proposée traite les données en périphérie, puis utilise les systèmes cloud pour les analyses entre équipes ou entre usines.
AWS propose aussi d’aligner la mémoire de l’agent sur les équipes : commencer un poste avec les objectifs et le contexte de la relève précédente, garder les informations de travail dans le périmètre de ce poste, puis transmettre un résumé des problèmes ouverts, anomalies et recommandations à l’équipe suivante.
Ce que CooperBench montre sur les agents de programmation
Dans son résumé publié le 1er juin 2026, Stanford HAI décrit CooperBench comme un ensemble de plus de 650 tâches logicielles choisies parce qu’elles pouvaient provoquer des conflits. Les tâches concernaient Python, TypeScript, Go et Rust ; les agents pouvaient modifier du code, lancer des commandes locales et échanger des messages en temps réel. Stanford HAI rapporte que la communication a eu presque aucun effet sur les résultats de ces tâches.
Le résumé rapporte aussi des avertissements de conflit de fusion ignorés et des engagements non tenus. Ces observations portent sur les tâches de programmation décrites par CooperBench. Pour approfondir les méthodes d’évaluation des sorties d’agents, consultez notre guide sur l’évaluation des agents d’IA au-delà de leur réponse finale.