Mise à l'échelle des agents gérés : Dissocier le cerveau des mains

Lisa Ernst · 12.04.2026 · Intelligence Artificielle · 11 min

Architecturer pour l'agilité : Mise à l'échelle des systèmes d'agents IA en entreprise

En tant que journaliste technologique, j'ai été témoin d'innombrables changements, mais peu semblent aussi transformateurs que l'essor des agents d'intelligence artificielle. Ces systèmes sophistiqués, alliant raisonnement avancé et action pratique, sont sur le point de redéfinir le fonctionnement des entreprises. Pourtant, le passage d'un concept puissant à une solution prête pour la production est semé d'embûches, en particulier lors de la mise à l'échelle de ces entités intelligentes.

Source: L'approche "plus d'agents, mieux c'est" rencontre souvent des limitations, pouvant nuire aux performances si elle n'est pas précisément alignée avec les caractéristiques spécifiques de la tâche.

L'approche "plus d'agents, mieux c'est" rencontre souvent des limitations, pouvant nuire aux performances si elle n'est pas précisément alignée avec les caractéristiques spécifiques de la tâche, comme détaillé dans un récent article arXiv. . La coordination multi-agents améliore notablement les performances pour les tâches parallélisables, mais elle peut dégrader significativement les performances pour les tâches séquentielles, comme noté également dans la même recherche. . Un modèle prédictif peut identifier l'architecture optimale pour 87 % des tâches imprévues, mis en évidence dans l'article.

Résumé rapide

Voici un bref aperçu des principaux points à retenir sur la mise à l'échelle des agents IA :

• Agents IA définis: Les agents IA combinent de grands modèles linguistiques (LLM) ou des modèles multimodaux (VLM) avec des capacités de raisonnement, de planification, de mémoire et d'utilisation d'outils pour exécuter des tâches complexes.
• Les choix architecturaux comptent: L'efficacité des systèmes multi-agents dépend fortement de l'architecture choisie (Agent unique, Indépendant, Centralisé, Décentralisé, Hybride) et du type de tâche.
• Spécialisation des tâches: Pour les tâches parallélisables comme l'analyse financière, la coordination centralisée améliore considérablement les performances. Pour les tâches séquentielles, les approches multi-agents peuvent nuire aux performances en raison de la surcharge de communication.
• Compromis de coordination des outils: Plus d'outils signifient une surcharge de coordination plus importante, ce qui peut amplifier les erreurs dans les systèmes multi-agents indépendants. Les orchestrateurs dans les systèmes centralisés peuvent atténuer cela.
• Solutions d'entreprise: Les principaux fournisseurs de technologie (Google Cloud, Databricks, Atos, Microsoft, Camunda) proposent des cadres et des architectures pour déployer et mettre à l'échelle les agents IA, en mettant l'accent sur la modularité, la gouvernance et les opérations sécurisées.
• Défis: La mise à l'échelle des agents implique des obstacles tels que la garantie de la fiabilité, de la reproductibilité, la gestion du non-déterminisme et la résolution de nouveaux risques de sécurité comme l'injection de prompts.
• Cadres d'apprentissage: Des cadres d'apprentissage avancés, tels que Forge de Google, abordent le trilemme du débit système, de la stabilité de l'entraînement et de la flexibilité des agents pour permettre un déploiement à grande échelle.

L'anatomie d'un agent IA

Les agents IA fonctionnent comme des systèmes qui pensent, planifient et agissent, en s'appuyant sur de grands modèles linguistiques (LLM) ou des modèles multimodaux (VLM). Ils servent de pont pratique entre le langage naturel et le calcul du monde réel. Ces systèmes combinent des modèles fondamentaux avec des capacités telles que le raisonnement, la planification, la mémoire et l'utilisation d'outils. Ils agissent comme des contrôleurs, traduisant les intentions en procédures exécutées dans l'environnement externe. Le travail numérique moderne, souvent fragmenté entre interfaces et API, souligne la nécessité croissante des agents IA.

Les systèmes purement conversationnels luttent fréquemment contre les hallucinations, le manque d'ancrage et l'incapacité à effectuer ou à vérifier des actions, soulignant le besoin d'approches plus robustes et agentiques. Les conceptions augmentées par les outils et la récupération améliorent considérablement la fiabilité en basant les affirmations sur des preuves et en rendant les artefacts intermédiaires vérifiables.

Le cycle d'exécution d'un agent IA implique généralement l'observation, la récupération de la mémoire, la proposition d'action, la validation et l'exécution. Ces "Agent Transformers", comme on les appelle parfois, sont des modèles de politique basés sur des Transformers intégrés dans des cycles de contrôle structurés. Leur comportement est modélisé comme une modélisation de séquence sur des traces d'interaction, englobant observations, pensées, appels d'outils et résultats. Les politiques de décision peuvent se ramifier en fonction du risque, par exemple, en mettant en œuvre des étapes de vérification supplémentaires pour les actions à haut risque. Une trace de style ReAct s'avère inestimable pour la performance et la gouvernance, car elle lie les décisions à des preuves concrètes et à des sorties d'outils.

Mise à l'échelle des agents IA : Paradigmes architecturaux

La mise à l'échelle des systèmes d'agents IA dans une entreprise exige une réflexion architecturale soignée. Cinq architectures d'agents standard ont émergé : Système à agent unique (SAS), Indépendant, Centralisé, Décentralisé et Hybride, comme discuté dans un article arXiv.

Un système à agent unique (SAS) exécute toutes les étapes de pensée et d'action séquentiellement en utilisant un flux de mémoire unifié, selon la même source. . Les systèmes multi-agents indépendants fonctionnent en parallèle sur des sous-tâches sans communication, n'agrégeant les résultats qu'à l'étape finale, comme détaillé dans la recherche. . Les systèmes centralisés emploient un orchestrateur central qui délègue des tâches à des agents travailleurs et synthétise leurs sorties, comme décrit dans l'article. . Les systèmes décentralisés forment un réseau pair-à-pair où les agents communiquent directement pour échanger des informations et parvenir à un consensus, également mentionné dans l'article arXiv. . Les systèmes hybrides fusionnent une supervision hiérarchique avec une coordination pair-à-pair, équilibrant le contrôle centralisé avec une exécution flexible, comme également décrit dans l'article.

Les performances des systèmes multi-agents varient considérablement en fonction de la configuration et peuvent s'améliorer ou se dégrader selon la famille de modèles utilisée, telle qu'OpenAI GPT, Google Gemini ou Anthropic Claude, comme noté dans l'étude. . Pour les tâches parallélisables, comme l'analyse financière, la coordination centralisée a conduit à une augmentation des performances de 80,9 % par rapport à un agent unique, comme référencé dans l'article arXiv et les benchmarks Vals.ai. . Inversement, les tâches exigeant un raisonnement séquentiel strict, tel que la planification (par exemple, dans PlanCraft), ), ont vu les variantes multi-agents dégrader les performances de 39 à 70 %, la surcharge de communication fragmentant le processus de pensée séquentielle, selon cette recherche.

Un "compromis de coordination des outils" notable existe : à mesure que le nombre d'outils requis augmente, la surcharge de coordination pour plusieurs agents augmente de manière disproportionnée. Les systèmes multi-agents indépendants ont amplifié les erreurs de 17,2 fois en l'absence d'un mécanisme de vérification du travail, comme constaté dans l'article arXiv. . Les systèmes centralisés avec un orchestrateur ont atténué l'amplification des erreurs à 4,4 fois, l'orchestrateur fonctionnant comme un goulot d'étranglement de validation critique, également selon l'étude. . L'existence d'un modèle prédictif avec une valeur R carré de 0,513 indique que les caractéristiques de la tâche, telles que le nombre d'outils et la décomposabilité, peuvent prévoir le choix architectural optimal, comme mis en évidence dans la recherche. . Ce modèle identifie avec précision la meilleure stratégie de coordination pour 87 % des configurations de tâches inconnues, comme rapporté dans l'article.

Systèmes Agentiques de Qualité Entreprise

Plusieurs grands fournisseurs de technologie développent des cadres et des architectures robustes pour faciliter l'adoption et la mise à l'échelle des agents IA dans les contextes d'entreprise. Par exemple, Google Cloud propose des modèles de conception pour des solutions d'agents IA évolutives et rentables, même sur des plateformes concurrentes comme Azure. Leur Google Cloud Agent Development Kit (ADK) fournit l'échafaudage, les outils et les modèles pour développer des agents d'entreprise, tandis que l'Agent Engine offre un environnement d'exécution sécurisé pour gérer leur cycle de vie, orchestrer les outils et contrôler leur raisonnement. Le protocole de contexte modèle (MCP) standardise la manière dont les applications fournissent du contexte aux LLM, et le protocole Agent-à-Agent (A2A) permet la communication entre les agents à grande échelle.

Source: the-decoder.com

L'architecture de la chaîne d'approvisionnement de Google Cloud utilise un agent "Root" et des sous-agents spécialisés, alimentés par Gemini, pour le suivi et la gestion des commandes.

Une illustration concrète de cette approche peut être vue dans l'architecture de chaîne d'approvisionnement proposée par Google Cloud, qui comprend un agent "Root" orchestrateur et des sous-agents spécialisés pour le suivi, la distribution et la gestion des commandes. Ces agents, alimentés par Gemini, peuvent être affinés avec des données spécifiques au domaine pour optimiser les réponses et réduire les coûts. L'agent Root dirige les requêtes vers le sous-agent approprié ; par exemple, l'agent de commande, utilisant MCP, récupère les détails de l'inventaire d'un entrepôt de données BigQuery. De même, un agent distributeur utilise les connexions serveur MCP aux API externes pour passer des commandes.

Databricks, en collaboration avec BASF Coatings, a mis en œuvre une solution multi-agents prête pour la production pour automatiser la coordination et les tâches d'analyse qui nécessitaient auparavant un effort manuel intensif. Leur projet Marketmind, axé sur la division Ventes et Marketing, utilise des agents "Genie" spécialisés et des agents de fonction appelante interagissant avec un outil de récupération de magasin vectoriel Databricks pour gérer des données structurées et non structurées. Les agents Genie rendent les données structurées accessibles via des interfaces en langage naturel, construisant des requêtes SQL à partir des questions des utilisateurs en exploitant les métadonnées du Unity Catalog. Ce système emploie un modèle de superviseur pour coordonner ces agents spécialisés, s'intégrant à Microsoft Teams pour une exécution en temps réel. Marketmind, qui doit être utilisé par plus de 1 000 représentants commerciaux dans le monde, vise à transformer les interactions sur le terrain en actions opportunes et pilotées par l'IA, démontrant l'impact commercial tangible des architectures multi-agents caractérisées par la scalabilité, la modularité et une expérience utilisateur améliorée.

Atos fournit également un schéma directeur pour "Services en tant que logiciel", visant à transformer les flux de travail en résultats livrés par logiciel. Leur approche met l'accent sur un plan de contrôle pour la confiance à grande échelle, comprenant la gouvernance d'exécution, l'accès zero-trust, la sécurité comportementale, les interrupteurs d'urgence, l'observabilité et les pistes d'audit immuables. Ce cadre "Sovereign Agentic AI" garantit un contrôle délibéré sur les données critiques, les décisions et le comportement de l'IA sur l'ensemble de la pile technologique.

Microsoft propose également une architecture de référence pour des systèmes multi-agents adaptatifs, évolutifs et sécurisés, axée sur l'orchestration, la gouvernance et la mise à l'échelle d'agents spécialisés. Camunda 8.8 introduit des agents d'entreprise basés sur des normes, permettant la conception et l'exécution de processus de haute qualité. L'Agentic BPMN de Camunda facilite la création d'agents IA, leur connexion à des LLM et leur déploiement. L'Agent Connector d'IA permet aux agents d'agir de manière autonome au sein de processus de bout en bout et de s'intégrer avec des fournisseurs de LLM, étendant l'orchestration au-delà des tâches individuelles jusqu'à l'exécution dynamique des processus. Camunda peut orchestrer ses propres agents et des agents externes, en maintenant l'état et la continuité du processus, ce qui prend en charge des ensembles d'outils plus importants et une plus grande évolutivité.

Source: stickpng.com

Le projet Marketmind de Databricks intègre des agents spécialisés avec Microsoft Teams pour une exécution en temps réel, transformant les interactions de vente en actions pilotées par l'IA.

Défis de la mise à l'échelle et de l'apprentissage

Le chemin vers des systèmes d'agents IA robustes à l'échelle de la production présente encore des obstacles importants. L'évaluation des agents IA exige des mesures de bout en bout qui reflètent les trajectoires d'interaction réelles. Les métriques clés comprennent la performance globale des tâches, l'efficacité et le coût, la correction de l'utilisation des outils, la qualité de la trajectoire, la robustesse et la sécurité.

La fiabilité, la reproductibilité et la gouvernance constituent des limites substantielles pour les systèmes d'agents à grande échelle. Les tâches de longue durée amplifient les erreurs cumulées, et le non-déterminisme complique l'évaluation et le débogage. Les agents centrés sur les outils introduisent de nouveaux risques de sécurité, tels que l'injection de prompts et les actions à effets secondaires. Les compromis au niveau du système – latence vs précision, autonomie vs contrôlabilité, capacité vs fiabilité – restent mal compris.

Le cadre interne d'apprentissage par renforcement (RL) de Google, Forge, aborde le trilemme fondamental du débit système, de la stabilité de l'entraînement et de la flexibilité de l'agent lors de la mise à l'échelle du RL pour des agents complexes du monde réel. L'approche holistique de Forge combine une architecture système flexible, une conception algorithmique, une planification asynchrone optimisée et une efficacité d'entraînement-inférence extrême. Elle prend en charge l'entraînement d'échafaudages d'agents arbitraires via des protocoles d'interaction standardisés, ayant traité plus de cent mille échafaudages et environnements d'agents distincts du monde réel. Le système a atteint un débit quotidien de millions d'échantillons et une convergence de récompense cohérente.

Source: swishdata.com

Le cadre Forge de Google offre une approche holistique pour relever le trilemme du débit système, de la stabilité de l'entraînement et de la flexibilité de l'agent pour la mise à l'échelle du RL dans des contextes complexes.

Le système RL de Forge comprend un côté agent, une couche d'abstraction middleware et un côté entraînement/inférence. Le côté agent abstrait l'agent général et son environnement opérationnel, tandis que le middleware l'isole du côté entraînement/inférence. Un serveur Gateway gère les requêtes d'achèvement entre l'agent et le LLM, et un Data Pool distribué rassemble de manière asynchrone les trajectoires de déploiement et les rapports. Le côté entraînement et inférence gère la charge de calcul, comprenant un moteur LLM pour la génération de jetons à haut débit et un moteur d'entraînement pour mettre à jour les politiques sur la base des séquences de jetons traitées. Forge permet l'entraînement de divers échafaudages sans modifications internes des agents, garantissant une optimisation cohérente pour les agents en boîte blanche et en boîte noire.

Conclusion

L'avènement des agents IA représente un bond significatif dans l'automatisation d'entreprise, offrant des interfaces pratiques entre le langage naturel et les calculs complexes. Cependant, un déploiement efficace à grande échelle exige des choix architecturaux stratégiques, des modèles de gouvernance robustes et des cadres d'apprentissage sophistiqués. Les solutions des principaux innovateurs technologiques soulignent une concentration claire sur la modularité, la coordination spécialisée et les plans de contrôle complets pour surmonter les défis inhérents à la mise à l'échelle. À mesure que ces systèmes intelligents deviennent plus omniprésents, l'accent restera mis sur la garantie de leur fiabilité, de leur sécurité et de leur efficacité, en affinant continuellement l'équilibre entre l'autonomie et la supervision humaine.