3.7 — Quand NE PAS faire du multi-agents ⚖️

Le multi-agents impressionne, mais ce n’est pas un défaut à activer par réflexe.

🟢 En clair — ajouter des agents n’est pas « plus de cerveaux = mieux ». Chaque agent coûte des tokens (les unités de texte que l’IA facture — donc de l’argent et du temps), et plus ils sont nombreux, plus ils peuvent se gêner. La règle : on commence simple, on ne complexifie que si la tâche l’exige vraiment.

• C’est cher. Un agent consomme déjà ~4× plus de tokens qu’un simple chat ; un système multi-agents, ~15× (parfois bien davantage). Plus d’agents = plus d’appels = plus de coût et de latence.
• Ça peut dégrader la qualité. Sur les tâches séquentielles, la coordination crée des erreurs. Anthropic a mesuré une chute de performance de ~35 % quand un modèle est mis en configuration multi-agents sur une tâche de planification (mesure sur un cas précis — un ordre de grandeur, pas une règle universelle ; idem pour les ~4×/~15× ci-dessus).
• La règle pro : commencez par un seul agent bien conçu. Passez au multi-agents seulement quand la tâche est large et parallélisable (ex. faire des recherches sur 10 sujets en parallèle), pas quand elle est une simple suite d’étapes.

Astuce

🎯 À retenir : « un seul agent bien fait » bat « cinq agents mal coordonnés » dans la plupart des cas réels. Le multi-agents est un outil de spécialiste, pas un réflexe.

❓ Vérifie que tu as compris — « plus on met d’agents, meilleur est le résultat. » Vrai ou faux ?

Voir la réponse

Faux. Le multi-agents coûte beaucoup plus cher (~15× les tokens d’un chat simple) et peut dégrader les tâches séquentielles (Anthropic a mesuré −35 % sur une tâche de planification). On le réserve aux tâches larges et parallélisables.

✅ En résumé

• Le multi-agents est cher (~15× les tokens) et plus lent.
• Sur les tâches séquentielles, il peut dégrader la qualité (−35 % mesuré).
• Règle pro : commencer par un seul agent ; passer au multi-agents seulement si la tâche est large et parallélisable.