Le Multi-agent est un système où plusieurs IA autonomes collaborent, chacune avec un rôle spécialisé. Selon Gartner, 50% des entreprises utiliseront des agents multi-agent d'ici 2027. Chaque agent expert dans son domaine communique pour résoudre des problèmes complexes.
Le Multi-agent (ou multi-agent system) est un paradigme où plusieurs agents IA autonomes travaillent ensemble sur une mission, chacun ayant un rôle, des outils, et des compétences spécialisés. Contrairement à un agent unique qui fait tout, un système multi-agent decompose le travail entre agents complémentaires. Exemple : un agent "researcher" récupère les données, l'agent "analyst" les interprète, l'agent "writer" rédige le rapport, et l'agent "reviewer" valide la qualité. La communication inter-agents se fait via un protocole de messages (similar à un système de messagerie asynchrone). Frameworks leaders : AutoGen (Microsoft), CrewAI, LangGraph, et Agents SDK (Anthropic).
Le Multi-agent, c'est comme une équipe de secours urgente : le secouriste qui pose les questions (agent intake), le médecin qui diagnostique (agent analysis), l'infirmier qui prépare les soins (agent preparation), et le chirurgien qui opère (agent execution). Aucun ne peut faire le travail des autres efficacement. Ils communiquent entre eux, partagent leurs observations, et coordonnent leurs actions pour sauver le patient. Un agent unique serait le médecin généraliste qui fait un peu tout, moins bien.
L'orchestrateur definit qui fait quoi, quand, et comment. Deux patterns : (1) hierarchical — un agent superviseur decompose la задача et delègue aux agents spécialisés ; (2) peer-to-peer — les agents communiquent librement et se répartissent le travail dynamiquement. L'orchestrateur gère aussi les conflits (deux agents veulent acceder à la même ressource), les dépendances (agent B doit attendre le résultat de agent A), et la validation finale. Outils : LangGraph (graphe d'états), AutoGen (conversational), CrewAI (role-based).
Chaque agent a un rôle précis avec des outils et des compétences dédiées. Exemple d'une pipeline de due diligence : (1) WebResearcher — browse le web, récupère les données publiques (rapports annuels, articles de presse), (2) FinancialAnalyst — analyse les métriques financières, calcule les ratios, détecte les anomalies, (3) LegalReviewer — vérifie les aspects juridiques (litiges en cours, brevets, compliance), (4) ReportWriter — sintetise les résultats en un rapport structuré avec recommandations. Chaque agent ne connaît que son domaine — le writer ne sait pas calculer un ratio, il demande à l'analyst.
Les agents échangent via des messages structurés (JSON) avec un protocole partagé. Chaque message contient : le sender (qui envoie), le receiver (qui reçoit), le content (l'information), et le intent (demande, réponse, notification). Le message bus peut être synchrone (l'agent attend une réponse avant de continuer) ou asynchrone (l'agent continue et traite la réponse plus tard). Un système de mémoire partagée (vector DB ou mémoire structurée) permet aux agents de partager des données sans communication directe. Les conflits sont résolus par un agent仲裁 (arbiter) qui evalue les propositions.
Une fintech (500K utilisateurs, application de prêt) traitait 800 demandes de prêt/jour avec une équipe de 25 analysts. Chaque demande nécessitait 20 minutes (vérification identité, analyse financière, vérification credit score, decision). Implémentation multi-agent : (1) IDVerificationAgent — vérifie les documents d'identité via OCR + validation, (2) FinancialAnalysisAgent — analyse les relevés bancaires, calcule le ratio d'endettement, (3) CreditScoreAgent — interroge les bureaus de crédit (Bureau van Dijk, Experian), (4) RiskDecisionAgent — agrège les scores et prend la décision (approuver, refuser, demande manuelle), (5) NotificationAgent — envoie la décision par email/SMS. Résultat : temps moyen de traitement 4 minutes (-80%), throughput 3x supérieur, analystes redisplacés vers les cas complexes uniquement. Précision de décision : 97.2% (vs 94.5% vorher).
| Métrique | Valeur |
|---|---|
| Adoption entreprise (2027) | 50% (Gartner) |
| Réduction temps traitement | -80% (ex: 20min → 4min) |
| Agents typiques par système | 3-7 agents spécialisés |
| Frameworks leaders | AutoGen, CrewAI, LangGraph |
| Précision décision (vs mono-agent) | +2.7 points (97.2% vs 94.5%) |