Une nouvelle enquête publiée par l'IEEE cartographie de manière systématique l'évolution des systèmes multi-agents, passant des architectures classiques aux systèmes basés sur les grands modèles de langage (LLM). Cette analyse approfondie de seize pages, s'appuyant sur 142 références, aborde des sujets variés allant de l'intelligence en essaim aux déploiements complexes alliant périphérie et nuage. Le point crucial de cette étude réside dans la décomposition de l'architecture du système en trois couches d'optimisation. Les recherches montrent que deux tiers de ce qui fait fonctionner un système multi-agents ne proviennent pas du modèle de langage lui-même, mais des couches de "harnais". Ce terme désigne l'ensemble de l'infrastructure technique et organisationnelle qui encadre et rend utilisable l'intelligence brute du modèle. Cette constatation confirme une réalité structurelle : la majorité de la valeur ajoutée réside dans l'ingénierie du système et la gestion des connaissances, plutôt que dans le raffinement du modèle. Dans le contexte des systèmes multi-agents, les échecs au niveau des modèles, tels que la perte de contexte, les boucles de défaillance ou les erreurs de récupération, sont souvent inévitables. Cependant, la solution ne réside généralement pas dans l'amélioration du modèle, mais dans la conception du harnais. Ce dernier gère l'architecture mémoire, la gestion du contexte, la topologie de déploiement et la logique de routage. Plus le système est complexe, impliquant plusieurs agents en interaction, plus la dépendance à l'égard de ces couches d'infrastructure augmente. Pour les développeurs et les ingénieurs construisant ces systèmes, la clé du succès réside dans une approche pragmatique. Il est essentiel de ne pas surestimer l'investissement dans la couche du modèle, bien que le réglage des invites et l'optimisation des prompts restent importants. Ils ne représentent qu'un tiers de la surface d'optimisation. Les deux tiers restants concernent la couche de connaissance et la couche système. La communication entre les agents doit être traitée comme un problème d'ingénierie de premier plan. L'enquête identifie de nouveaux protocoles de communication et des stratégies d'élagage pour réduire les coûts. Souvent, la communication est le goulot d'étranglement, et non la capacité de raisonnement d'un agent individuel. Par ailleurs, la conception doit prévoir l'hétérogénéité des modèles. L'architecture système doit permettre de faire fonctionner différents modèles à différentes échelles et avec des latences variables, en utilisant un routage intelligent. Un exemple concret de ce design est le schéma d'escalade conscient de la confiance, où une inférence au périphérique peu sûre déclenche automatiquement une assistance basée dans le nuage. Enfin, les systèmes doivent être conçus pour coévoluer, notamment en coordonnant des planificateurs basés sur des LLM avec des contrôleurs classiques. La conception de l'interface entre ces entités constitue le défi majeur. La distinction est nette : la couche du modèle relève de la science, tandis que les couches de connaissance et de système relèvent de l'ingénierie. En production, l'ingénierie l'emporte. Le modèle fournit l'intelligence, mais c'est le harnais qui crée un système fonctionnel. En définitive, deux tiers de l'intelligence des systèmes multi-agents sont le fruit du harnais.