Ajouter des agents IA peut parfois réduire les performances

Une étude conduite par des chercheurs de Google Research, Google DeepMind et du Massachusetts Institute of Technology (MIT) démontre que l'ajout d'agents d'intelligence artificielle à un système ne garantit pas une amélioration des performances. Publiée dans la revue Nature Machine Intelligence, cette recherche dirigée par le premier auteur Yubin Kim remet en question l'approche intuitive qui consiste systématiquement à multiplier les agents pour résoudre des tâches complexes. Pour évaluer l'impact réel de l'architecture des systèmes, l'équipe a comparé un agent unique à quatre variantes multi-agents sur six benchmarks, en intégrant des modèles provenant de trois grandes familles de grands modèles de langage. Les paramètres de calcul, les instructions et les outils disponibles ont été strictement contrôlés afin d'isoler l'effet de l'organisation des agents. Au total, 260 configurations expérimentales ont été analysées. Les résultats démontrent que la performance dépend fortement de la nature de la tâche et de la capacité initiale de l'agent unique. Une règle empirique claire émerge : lorsqu'un agent seul atteint environ 45 % de précision sur une tâche, l'ajout d'autres agents a davantage de risques de dégrader les performances que de les améliorer. Cette observation s'est vérifiée dans 94 % des configurations testées sur des environnements de validation indépendants. La structure du travail joue un rôle déterminant. Sur un benchmark d'analyse financière où les informations peuvent être traitées en parallèle, les systèmes multi-agents ont progressé de 81 %. À l'inverse, sur une tâche de planification séquentielle, la collaboration multi-agents a réduit la performance jusqu'à 70 %. La complexité brute de la tâche n'est pas le seul critère ; c'est la capacité à la décomposer utilement et le rapport entre la valeur ajoutée par la collaboration et le coût de la coordination qui dictent le résultat. Lorsque l'agent unique est déjà performant, l'introduction de multiples agents génère davantage de communications redondantes et d'erreurs de synchronisation. L'analyse détaillée des traces a montré que les architectures à vérification centralisée contiennent mieux la propagation des erreurs que les réseaux d'agents indépendants. Grâce à ces données, les chercheurs ont développé un modèle prédictif capable d'identifier la configuration la plus efficace avec un taux de réussite de 87 % sur des configurations inconnues. Ces conclusions invitent à dépasser le débat idéologique entre agent unique et système multi-agents. Le choix architectural doit désormais reposer sur des critères objectifs, adaptés aux capacités du modèle sous-jacent et à la structure de la cible. Les prochaines étapes de la recherche viseront à explorer la conception dynamique d'architectures par les agents eux-mêmes, ainsi que l'intégration de modèles spécialisés et d'expertise humaine dans des environnements critiques. L'objectif n'est plus de construire le système autonome le plus vaste, mais d'optimiser la complémentarité entre différents types d'agents et l'utilisateur final.