Aller au contenu

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.

❓ 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.
Comment évaluez-vous cette leçon ?
📝 Ma note

Une formationBaxIA