Contexte et études empiriques

L’article s’appuie sur deux études majeures publiées en 2026. Google Research a testé 180 configurations d’agents réparties sur cinq architectures (single, independent, centralized, decentralized, hybrid) et trois familles de modèles. Les résultats montrent que, pour des tâches séquentielles, chaque variante multi‑agents a réduit la performance de 39 % à 70 %. En revanche, sur des tâches parallélisables comme le raisonnement financier, la même architecture centralisée a généré une amélioration de 80,9 %. Une seconde étude, Silo‑Bench (ACL 2026), a évalué 54 configurations avec 1 620 expériences impliquant de 2 à 100 agents. Les agents communiquaient largement, mais le taux de succès a chuté à zéro dès 50 agents pour les scénarios les plus difficiles, illustrant le « Communication‑Reasoning Gap ». Ces données concrètes permettent de quantifier les limites de l’échelle brute d’agents.

Mécanismes de coordination et d’orchestration

Les travaux cités introduisent deux approches d’orchestration. AIOS, un « LLM Agent Operating System », décompose chaque requête d’agent en appels système (LLM, lecture mémoire, écriture stockage, utilisation d’outil) et applique des politiques classiques de planification : FIFO et Round‑Robin. Un gestionnaire de contexte prend des instantanés pour interrompre et reprendre les agents, ce qui a permis d’obtenir jusqu’à 2,1× d’accélération d’exécution par rapport aux cadres existants. Parallèlement, LLM‑as‑Scheduler utilise un modèle dédié pour choisir, au moment de la requête, si un workflow multi‑agents est nécessaire. Cette sélection réduit la consommation de tokens de 43 % et la latence de plus de 36 %, avec une perte d’exactitude limitée à 1,4 point de pourcentage. Ces deux systèmes démontrent que la simple multiplication d’agents ne suffit pas ; il faut un planificateur capable de gérer les appels, la mémoire et les accès aux outils.

Analyse des performances et limites

Les chiffres d’erreur d’amplification illustrent l’impact de la coordination. Sans orchestrateur, les agents indépendants ont vu l’erreur se multiplier par 17,2×. L’introduction d’un orchestrateur centralisé a ramené ce facteur à 4,4×. Cette réduction confirme que la coordination agit comme un « manager » qui limite la propagation d’erreurs, mais elle consomme également une partie du budget cognitif disponible pour la tâche elle‑même. Ainsi, dans les scénarios séquentiels, la surcharge de communication fragmentait le raisonnement, expliquant la dégradation de 39 % à 70 %. À l’inverse, pour les tâches parallélisables, la coordination centralisée a permis de répartir le travail sans dépasser le budget, d’où le gain de 80,9 %.

Les expériences de Silo‑Bench soulignent une autre contrainte : même si les agents échangent des messages, ils ne parviennent pas à synthétiser un état distribué correct. Cette incapacité à raisonner collectivement devient critique dès que le nombre d’agents dépasse la capacité de traitement partagé, menant à un échec total à 50 agents pour les problèmes les plus complexes. En pratique, cela signifie que la « durabilité » doit être attachée à l’état partagé (bases de données, snapshots) plutôt qu’à l’agent individuel, à l’image des processus d’un système d’exploitation.

Implications pour la conception de systèmes d’agents

Les conclusions convergent vers trois recommandations techniques : (1) traiter les agents comme des processus légers, planifiables par un ordonnanceur classique ; (2) externaliser l’état persistant afin que les agents puissent être arrêtés et relancés sans perte de contexte ; (3) adapter l’architecture de coordination au profil de la tâche, en privilégiant une orchestration centralisée pour les charges parallélisables et en limitant le nombre d’agents pour les tâches séquentielles. Ignorer ces principes conduit à des inefficacités similaires à celles observées dans les systèmes distribués classiques, où la surcharge de communication dépasse les gains de parallélisme.