Table des Matières
Un système multi-agents répartit un processus industriel entre plusieurs agents IA, chacun avec ses propres instructions, outils et droits, coordonnés par un agent manager ou par du code. Il aide quand le travail se découpe en parties indépendantes, par exemple la collecte d'éléments dans plusieurs systèmes de l'usine. Pour les tâches strictement séquentielles, un agent unique ou un workflow fixe est en général plus fiable.
Points clés
- OpenAI et Anthropic recommandent tous deux d'exploiter d'abord au maximum un agent unique, et de n'ajouter des agents que lorsque la tâche l'exige (OpenAI, Anthropic).
- Dans une étude contrôlée, la coordination centralisée a amélioré les performances de 80,9 % sur une tâche financière parallélisable, tandis que toutes les variantes multi-agents les ont dégradées de 39 à 70 % sur une tâche de planification séquentielle (Google Research, 2026).
- Les systèmes multi-agents coûtent cher à faire tourner : Anthropic indique qu'ils consomment environ 15 fois plus de tokens que les échanges de type chat (Anthropic, 2025). Sur site, cela se traduit en capacité GPU.
- Les échecs tiennent souvent à la conception et à la coordination : une analyse de plus de 1 600 traces a recensé 14 modes de défaillance en 3 catégories, conception du système, désalignement entre agents et vérification des tâches (Cemri et al., 2025).
- En usine, la meilleure raison de séparer des agents est de séparer les droits : des spécialistes en lecture seule, un seul agent rédacteur, et les validations et décisions de conduite laissées aux personnes.
Qu'est-ce qu'un système multi-agents en milieu industriel ?
Les agents ne sont pas nouveaux en automatisme. La série de lignes directrices allemandes VDI/VDE 2653 traite des systèmes multi-agents en automatisation industrielle, et sa partie 4 (2022) propose une sélection d'architectures de systèmes multi-agents et de patterns pour le contrôle au niveau terrain (VDI). La norme IEEE 2660.1 (2021) définit des pratiques recommandées pour connecter des agents industriels aux fonctions d'automatisme de bas niveau (IEEE SA). Toutes deux concernent des agents logiciels en automatisme et contrôle-commande, et toutes deux ont été publiées avant que les agents fondés sur des modèles de langage ne se répandent.
Cet article porte sur la nouvelle génération : les agents fondés sur des grands modèles de langage (LLM). Chaque agent est un modèle doté d'instructions et d'un ensemble d'outils qu'il choisit d'appeler ; la différence entre chatbot, copilote et agent est expliquée dans chatbot, copilote ou agent IA. Un système multi-agents en assemble plusieurs. La fonction de recherche d'Anthropic, par exemple, utilise un agent principal qui planifie le travail et crée des sous-agents qui cherchent en parallèle, puis combine leurs résultats (Anthropic, 2025).
Des chercheurs testent aussi l'idée sur des tâches industrielles. Agents4PLC utilise des agents fondés sur des LLM pour générer du code d'automate (PLC) et le vérifier au niveau du code (Liu et al., 2024). Pour les cas d'usage des agents en usine de façon plus large, voir l'IA agentique pour l'automatisation des procédés industriels.
Comment les agents se coordonnent-ils ?
La documentation des éditeurs décrit un petit nombre de patterns. OpenAI distingue un pattern manager, où un agent central appelle des spécialistes par des appels d'outils, d'un pattern décentralisé, où les agents se transfèrent la tâche les uns aux autres (handoff) (OpenAI, A practical guide to building agents). Son SDK permet aussi d'orchestrer en code, ce qui rend la vitesse, le coût et les performances plus prévisibles (documentation OpenAI Agents SDK). Anthropic décrit les mêmes idées sous forme de workflows : orchestrateur-exécutants, parallélisation et boucles évaluateur-optimiseur (Anthropic, Building effective agents).
| Pattern | Fonctionnement | Exemple en usine | Point de vigilance |
|---|---|---|---|
| Workflow fixe en code | Le code appelle les agents dans un ordre défini | Main courante → résumé → rapport de relève mis en forme | Rigide, mais le plus facile à tester et à auditer |
| Manager (orchestrateur-exécutants) | Un agent manager appelle des spécialistes comme des outils et combine leurs résultats | Analyse d'un écart : un agent lit les exports de l'historian, un les résultats LIMS, un l'historique de maintenance, un les procédures | Le manager est un goulot d'étranglement et un point de défaillance unique |
| Transferts (décentralisé) | Un agent de tri confie toute la tâche à un spécialiste, qui prend la main | Un support interne qui oriente une question vers un agent maintenance ou un agent qualité | Le contexte peut se perdre à chaque transfert |
| Boucle d'évaluation | Un agent rédige, un autre vérifie selon des critères jusqu'à ce qu'ils soient remplis | Un projet de rapport vérifié par rapport au modèle du site et aux limites de spécification | Exige des critères clairs et un nombre maximal d'itérations |
| Agents parallèles indépendants | Les agents travaillent séparément ; les résultats sont fusionnés à la fin | Tri d'un grand lot de documents, un sous-ensemble par agent | Les erreurs ne sont pas recoupées avant la fusion |
La relève de poste est traitée plus en détail dans automatiser les rapports de poste et la relève.
Quand le découpage en plusieurs agents aide-t-il ?
Une comparaison contrôlée vient d'une étude de Google Research portant sur une architecture à agent unique et quatre architectures multi-agents, sur 180 configurations (Google Research, 2026) :
- Sur Finance-Agent, une tâche qui se découpe en parties parallèles, la coordination centralisée a amélioré les performances de 80,9 % par rapport à un agent unique.
- Sur PlanCraft, une tâche de planification strictement séquentielle, toutes les variantes multi-agents ont dégradé les performances de 39 à 70 %.
- Les agents indépendants ont amplifié les erreurs jusqu'à 17,2 fois ; une architecture centralisée a limité ce facteur à 4,4, l'orchestrateur jouant le rôle de contrôle.
- Le surcoût de coordination augmentait avec le nombre d'outils, si bien que les tâches à nombreux outils demandent de la prudence.
Anthropic rapporte un constat similaire tiré de la pratique. Son système de recherche multi-agents a surpassé un agent unique de 90,2 % sur une évaluation interne, mais le même article indique que les domaines qui exigent un contexte partagé ou comportent de nombreuses dépendances entre agents ne se prêtent pas bien aujourd'hui aux systèmes multi-agents (Anthropic, 2025). Cognition défend la position inverse pour les tâches longues : chaque action porte des décisions implicites, et des décisions contradictoires donnent de mauvais résultats, si bien que des agents travaillant en parallèle sur des hypothèses différentes produisent un travail qui ne s'assemble pas (Cognition, 2025).
Les conseils des éditeurs vont dans le même sens. La recommandation générale d'OpenAI est d'exploiter d'abord au maximum les capacités d'un agent unique, et de découper quand les instructions deviennent trop complexes ou que les outils se chevauchent ; certains systèmes gèrent plus de 15 outils bien distincts quand d'autres peinent avec moins de 10 outils qui se recoupent (OpenAI). La documentation de LangChain rappelle que toutes les tâches complexes n'exigent pas cette approche (documentation LangChain).
Quels processus industriels se prêtent à une conception multi-agents ?
Cartographiez le processus avant de choisir. Les processus à branches indépendantes conviennent à plusieurs agents ; les enchaînements où chaque étape a besoin du résultat précédent, en général non.
- Analyse d'écarts et d'incidents. Des spécialistes collectent en parallèle des éléments dans les exports de l'historian, les résultats de laboratoire, l'historique de maintenance et les procédures ; un manager compile un projet pour l'ingénieur. Chaque spécialiste est en lecture seule.
- Revue de grands ensembles documentaires. Vérifier un dossier constructeur ou les documents d'un sous-traitant par rapport à une spécification, un agent par section, avec un agent de revue qui contrôle les constats. Voir le RAG sur les manuels de maintenance.
- Reporting périodique à partir de plusieurs systèmes. Synthèses mensuelles de production, de qualité et de maintenance, où chaque agent interroge une source. Voir le text-to-SQL sur les bases de production.
- Préparation de la maintenance. Un agent lit l'historique de l'équipement, un autre cherche les procédures, un troisième rédige un projet d'avis pour un préparateur, comme décrit dans connecter un agent IA à une GMAO.
Les mauvais candidats sont les procédures séquentielles comme les étapes de démarrage ou d'arrêt, tout ce qui se trouve dans une boucle de régulation, et les tâches courtes qu'un agent unique fait déjà bien.
Combien coûte un système multi-agents sur site ?
Anthropic indique que les agents consomment environ 4 fois plus de tokens que les échanges de type chat, et les systèmes multi-agents environ 15 fois plus. Dans son analyse, la consommation de tokens expliquait à elle seule 80 % de la variance des performances sur le benchmark BrowseComp (Anthropic, 2025). Une partie du gain apporté par davantage d'agents vient donc d'une dépense de calcul plus élevée.
Sur vos propres serveurs, les tokens deviennent du temps GPU et des requêtes simultanées. Une architecture à plusieurs agents peut multiplier la charge d'un assistant unique ; dimensionnez donc le matériel pour le processus, pas pour une démonstration de chat. Voir le dimensionnement matériel et GPU d'un LLM sur site. Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts croissants, d'une valeur métier floue et de contrôles des risques insuffisants (Staffing Industry Analysts, 2025).
Pourquoi les systèmes multi-agents échouent-ils ?
L'étude MAST a analysé plus de 1 600 traces annotées issues de 7 frameworks multi-agents et a recensé 14 modes de défaillance en 3 catégories : problèmes de conception du système, désalignement entre agents et vérification des tâches. Ses auteurs notent que les gains de performance sur les benchmarks courants sont souvent minimes (Cemri et al., 2025).
Les ingénieurs d'Anthropic en listent les problèmes pratiques : les agents ont un état et les erreurs s'accumulent, les exécutions ne sont pas déterministes même avec des prompts identiques, et un agent principal qui attend ses sous-agents crée des goulots d'étranglement. Ils ont ajouté du traçage, des reprises et des points de reprise permettant de repartir de l'endroit de l'échec (Anthropic, 2025). En usine, les mêmes problèmes se traduisent par un mauvais repère d'équipement transmis d'un agent à l'autre, deux agents qui lisent des fenêtres de temps différentes, ou une synthèse qui masque une source de données manquante.
Comment sécuriser un système multi-agents en usine ?
- Un rôle, une liste d'outils. Donnez à chaque agent uniquement les outils dont son rôle a besoin. Les spécialistes qui lisent des données n'ont jamais d'outils d'écriture ; un seul agent rédige, et il ne crée que des brouillons.
- Autorisation dans le système cible. La spécification du Model Context Protocol impose aux serveurs d'outils de valider les entrées, de mettre en place des contrôles d'accès, de limiter le débit des appels et d'assainir les sorties (spécification MCP). C'est l'historian, le LIMS ou la GMAO qui décide de ce que le compte de chaque agent peut faire, pas le modèle.
- Traiter les messages entre agents comme des données non fiables. Un agent qui lit un document fournisseur peut transmettre une instruction cachée à l'agent suivant. Validez des sorties structurées entre agents au lieu de transmettre du texte libre.
- Validation humaine des actions. La spécification MCP recommande qu'il y ait toujours un humain dans la boucle capable de refuser l'appel d'un outil, et OpenAI recommande une supervision humaine pour les actions sensibles, irréversibles ou à fort enjeu. Le placement de ces points de validation est traité dans l'humain dans la boucle pour les agents IA.
- Rester hors du contrôle-commande. La CISA et ses partenaires recommandent de limiter le contrôle actif de l'OT par une IA sans humain dans la boucle, de privilégier des architectures en push ou via un intermédiaire (broker) qui font sortir les données de l'OT, et de prévoir des mécanismes de repli vers l'automatisme classique ou la conduite manuelle (CISA et al., 2025). Voir le modèle de Purdue et la place de l'IA et diodes de données et transfert unidirectionnel.
- Une identité distincte par agent. La CISA recommande que l'identité de l'IA dans les journaux soit distincte des autres identifiants de machines et d'utilisateurs. Avec plusieurs agents, journalisez chacun séparément pour pouvoir remonter d'un enregistrement erroné à l'agent qui l'a écrit.
- Limites et tests. Fixez un nombre maximal d'itérations, comme le recommande Anthropic (Anthropic, Building effective agents), et testez sur des copies des systèmes réels ; voir comment évaluer un LLM sur vos propres documents.
Deux protocoles ouverts émergent pour relier les éléments. MCP normalise la façon dont un agent accède aux outils et aux données. A2A, développé par Google puis confié à la Linux Foundation, normalise la façon dont des agents distincts échangent des tâches, et leur permet de collaborer sans partager leur mémoire interne, leurs outils ni leur logique propriétaire (protocole A2A). Aucun des deux ne remplace les contrôles ci-dessus.
Ce que nous avons constaté chez KABAS AI
DALILE, notre assistant sur site, est conçu comme un système multi-agents : un coordinateur comprend la question et l'oriente vers des agents spécialisés en recherche, en analyse de données et en génération de rapports. Il tourne sur les serveurs du client, se connecte à des systèmes comme l'ERP, le LIMS, la gestion documentaire et les bases SQL, et intègre contrôle d'accès et journaux d'audit. Notre équipe IA agentique construit des agents et des workflows sur mesure sur cette base.
Nos deux projets publiés, chez ADFC et ENAD Shymeca, utilisent Virtual Lab pour la R&D ; les deux entreprises étudient une intégration avec DALILE. Voici donc la démarche que nous recommandons pour cadrer un processus multi-agents, et non un résultat mesuré :
- Dessiner le processus et repérer les étapes indépendantes et celles qui dépendent de la précédente.
- Le construire d'abord avec un seul agent et le mesurer sur des cas réels.
- Ne découper que là où les données l'indiquent : collecte parallèle d'éléments, trop d'outils qui se recoupent, ou besoin de droits séparés.
- Valider la liste d'outils de chaque agent et ses points de validation avec l'exploitation, la maintenance et le HSE avant d'écrire du code.
Sources
- Anthropic, How we built our multi-agent research system (juin 2025)
- Anthropic, Building effective agents (décembre 2024)
- OpenAI, A practical guide to building agents
- Documentation OpenAI Agents SDK : Agent orchestration
- Documentation LangChain : Multi-agent
- Google Research, Towards a science of scaling agent systems: When and why agent systems work (janvier 2026)
- Cemri et al., Why Do Multi-Agent LLM Systems Fail?, arXiv 2503.13657, 2025
- Cognition, Don't Build Multi-Agents (juin 2025)
- Liu et al., Agents4PLC: Automating Closed-loop PLC Code Generation and Verification in Industrial Control Systems using LLM-based Agents, arXiv 2410.14209, 2024
- VDI, VDI/VDE 2653 partie 4 : Multi-agent systems in industrial automation, selected patterns for field level control and energy systems (2022)
- IEEE SA, IEEE 2660.1-2020, Recommended Practice for Industrial Agents: Integration of Software Agents and Low-Level Automation Functions
- CISA, ASD's ACSC et partenaires, Principles for the Secure Integration of Artificial Intelligence in Operational Technology (décembre 2025)
- Spécification Model Context Protocol (2025-11-25), Tools
- Documentation du protocole A2A
- Staffing Industry Analysts, Gartner says agent washing is taking place (juin 2025)
Questions fréquentes
Quelle est la différence entre un agent IA et un système multi-agents ?
Un agent IA est un modèle de langage qui planifie ses prochaines étapes et appelle des outils pour atteindre un objectif. Un système multi-agents répartit le travail entre plusieurs agents, chacun avec ses propres instructions, outils et contexte, coordonnés par un agent manager, par des transferts entre agents ou par du code fixe. Chaque agent fonctionne de la même manière ; la différence tient à la façon dont le travail et les droits sont répartis.
Un système multi-agents est-il toujours meilleur qu'un agent unique ?
Non. Dans une étude contrôlée de Google Research, la coordination centralisée a amélioré les résultats sur une tâche financière parallélisable, mais toutes les variantes multi-agents testées ont dégradé les performances sur une tâche de planification séquentielle. OpenAI et Anthropic conseillent tous deux d'exploiter d'abord au maximum un agent unique et de n'ajouter des agents que lorsque la tâche l'exige.
Un système multi-agents peut-il piloter un procédé ?
Il ne doit pas agir directement sur les systèmes de contrôle-commande. Les recommandations conjointes de la CISA et de ses partenaires invitent à limiter le contrôle actif de l'OT par une IA sans humain dans la boucle, et à pousser les données hors du réseau OT plutôt que d'accorder aux systèmes d'IA un accès entrant. Les agents peuvent lire des données exportées et préparer des recommandations qui passent par la gestion des modifications existante du site.
Les agents doivent-ils communiquer directement entre eux ou passer par un orchestrateur ?
Pour la plupart des processus industriels, par un orchestrateur. Un agent manager central garde une vue unique de la tâche, vérifie les résultats des spécialistes et constitue le point unique où s'appliquent les validations et la journalisation. Dans l'étude de Google Research, des agents indépendants qui ne communiquaient pas ont amplifié les erreurs bien plus qu'une architecture centralisée.
Faut-il MCP ou A2A pour construire un système multi-agents ?
Non. Le Model Context Protocol normalise la façon dont un agent se connecte aux outils et aux données, et A2A normalise la façon dont des agents distincts échangent des tâches et des résultats. Ils sont utiles quand agents et outils viennent d'équipes ou de fournisseurs différents. Au sein d'une même application sur site, les agents peuvent aussi être coordonnés par du code, et les contrôles restent les mêmes : outils restreints, contrôle d'accès dans le système cible, journaux et validation humaine.
Comment tester un système multi-agents avant de l'utiliser en exploitation ?
Faites-le tourner sur des scénarios réalistes, sur des copies de test des systèmes qu'il lit et modifie, plusieurs fois par scénario, car les exécutions d'agents ne sont pas déterministes. Tracez les appels d'outils et les messages de chaque agent, jugez les enregistrements finaux plutôt que les messages des agents, et comparez le résultat à une version à agent unique du même processus.



