New Stanford study reveals when teaming up AI agents is worth the compute

Une nouvelle étude de Stanford révèle quand il est rentable de regrouper des agents IA

Les systèmes d'IA à agents multiples sont largement considérés comme plus performants. Une étude de Stanford montre que leur avantage apparent provient en grande partie de l'utilisation de plus de ressources de calcul. Cependant, il existe des exceptions importantes.

Une approche populaire dans la recherche en IA actuellement est celle des systèmes multi-agents : plusieurs modèles d'IA se répartissent une tâche, débattent entre eux ou vérifient les résultats. L'idée est que le travail d'équipe conduit à de meilleures réponses, en particulier pour des problèmes complexes nécessitant plusieurs étapes de raisonnement.

Les chercheurs de l'Université de Stanford remettent maintenant en question cette hypothèse à sa racine. Leur affirmation centrale : lorsqu'un agent unique et une équipe disposent de la même quantité de ressources de calcul, l'agent seul performe au moins aussi bien.

Chaque transmission perd des informations

L'explication, selon les chercheurs : lorsque plusieurs agents collaborent, ils doivent échanger des résultats intermédiaires. Chaque transmission risque de faire perdre des informations pertinentes. Un agent unique, en revanche, conserve tout dans un processus de raisonnement continu.

L'équipe a testé quatre modèles différents (Qwen3-30B-A3B, DeepSeek-R1-Distill-Llama-70B, et 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, y compris des chaînes séquentielles, des débats et des approches d'ensemble.

Les résultats étaient clairs : avec le même budget de calcul, l'agent unique était presque toujours la meilleure option ou une option équivalente. Il utilisait également significativement moins de ressources que les équipes.

Les contextes longs restent un point faible pour les agents seuls

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 ont du mal avec cela : plus un processus de raisonnement est long, plus il devient difficile de séparer les informations pertinentes du bruit. Les chercheurs appellent ces phénomènes "dégradation du contexte" et l'effet "perdu au milieu", où les modèles négligent des informations enfouies au milieu de longs textes.

C'est exactement là que les équipes peuvent prendre l'avantage. Dans des expériences avec des textes d'entrée délibérément corrompus, les équipes structurées ont surpassé l'agent unique lorsque la distorsion était élevée, car la répartition du travail aidait à 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. L'architecture de débat s'est avérée être la configuration d'équipe la plus performante dans l'ensemble.

L'étude est limitée aux tâches de raisonnement basées sur le texte. Les avantages des équipes pour l'utilisation d'outils ou le traitement d'images ne sont pas abordés dans le préprint.