Tu veux les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
L'efficacité des systèmes multi-agents remise en question
Les systèmes d'intelligence artificielle qui reposent sur des agents multiples sont souvent perçus comme plus performants. Cependant, une étude récente menée par des chercheurs de l'Université de Stanford remet en question cette idée reçue. Selon leurs conclusions, l'avantage apparent des systèmes multi-agents provient principalement de l'utilisation de ressources de calcul supplémentaires. Lorsqu'un agent unique et une équipe d'agents disposent de la même quantité de ressources, l'agent unique performe au moins aussi bien que l'équipe.
Les transmissions d'informations, un point faible
L'étude de Stanford explique que lorsque plusieurs agents collaborent, ils doivent échanger des résultats intermédiaires. Chaque transmission comporte un risque de perte d'informations pertinentes. À l'inverse, un agent unique conserve toutes les informations dans un processus de raisonnement continu, sans les interruptions causées par les échanges. Les chercheurs ont testé quatre modèles différents, notamment Qwen3-30B-A3B, DeepSeek-R1-Distill-Llama-70B, ainsi que Gemini 2.5 Flash et Pro, sur deux benchmarks de raisonnement multi-étapes. Ils ont comparé un agent unique à cinq architectures d'équipe différentes, incluant des chaînes séquentielles, des débats et des approches d'ensemble.
Les résultats de ces tests étaient clairs : avec le même budget de calcul, l'agent unique s'est révélé être presque toujours la meilleure option ou une option équivalente. De plus, il utilisait significativement moins de ressources que les équipes.
Les défis des contextes longs
L'étude reconnaît que l'avantage théorique de l'agent unique ne tient que s'il gère le contexte parfaitement. En pratique, les modèles de langage rencontrent des difficultés avec les processus de raisonnement longs. Ce phénomène est décrit par les chercheurs comme "dégradation du contexte" et "perdu au milieu", où les modèles négligent des informations enfouies au milieu de longs textes.
C'est précisément dans ces situations que les équipes d'agents peuvent prendre l'avantage. Dans des expériences où les textes d'entrée étaient délibérément corrompus, les équipes structurées ont surpassé l'agent unique lorsque la distorsion était élevée. La répartition du travail au sein des équipes permet de filtrer les informations pertinentes plus efficacement. L'étude a également révélé que les équipes bénéficiaient davantage lorsqu'elles étaient constituées de modèles de base plus faibles. L'analyse des erreurs a montré que les agents uniques pensent parfois trop étroitement, tandis que les équipes élargissent leur champ d'action et trouvent parfois des réponses que l'agent seul manque. Parmi les configurations d'équipe, l'architecture de débat s'est avérée être la plus performante.
Limites de l'étude
Il est important de noter que cette étude se concentre sur les tâches de raisonnement basées sur le texte. Les avantages potentiels des équipes d'agents dans d'autres domaines, comme l'utilisation d'outils ou le traitement d'images, ne sont pas abordés dans ce préprint.
