Le papier Towards a Science of Scaling Agent Systems, publié sur arXiv juste avant Noël 2025 par l’équipe de Google DeepMind, constitue une avancée majeure pour les ingénieurs et scientifiques des données travaillant sur les systèmes multi-agents (MAS). Contrairement aux approches empiriques courantes, cette étude repose sur une analyse systématique et mesurée, menée à grande échelle grâce à la puissance de calcul disponible dans les laboratoires de pointe. L’objectif : comprendre ce qui fait réellement progresser les systèmes agencés, au-delà de la simple addition d’agents. Les auteurs identifient quatre facteurs clés déterminant la performance des MAS : quantité d’agents, topologie de coordination, capacité des agents et complexité de la tâche. Leur recherche montre que le succès n’est pas atteint par une simple augmentation du nombre d’agents, mais par un équilibre précis entre ces dimensions. Sans structure, l’ajout d’agents amplifie le bruit plutôt que la performance, avec une amplification d’erreur pouvant atteindre 17,2 fois dans les configurations non structurées — un piège que les auteurs nomment le « Bag of Agents ». Ce modèle désorganisé, où chaque agent agit de façon autonome sans coordination, se révèle particulièrement dangereux. Il entraîne des pertes de budget en tokens, des dérives de logique, des boucles infinies et des résultats instables. En revanche, des architectures hiérarchiques, comme celle adoptée par Cursor dans ses expérimentations de développement logiciel autonome (génération d’un navigateur web, traduction de codebases), montrent des gains significatifs. Leur succès repose sur une décomposition planificateur-travailleur : un agent central (planificateur) décompose la tâche, orchestre les sous-tâches, et assure la traçabilité. Ce modèle, bien plus efficace qu’un swarm désordonné, réduit les conflits, améliore la responsabilité et permet une progression mesurable. La recherche DeepMind confirme que les architectures centralisées offrent les meilleurs résultats en matière de stabilité et de contrôle des erreurs (amplification réduite à ~4,4×), tandis que les systèmes décentralisés (débats, votes majoritaires) peuvent être robustes pour certaines tâches, mais risquent de déraper sur des problèmes séquentiels ou fortement couplés. Sur des tâches de raisonnement financier, les MAS apportent des gains de +80 %, mais sur des tâches strictement séquentielles comme le planification complexe (PlanCraft), toutes les configurations MAS dégradent la performance (jusqu’à –70 %), victimes de la surcharge de coordination. Un des enseignements clés est la règle des 45 % : les systèmes multi-agents apportent le plus de valeur quand le modèle unique (SAS) obtient moins de 45 % de précision. Au-delà, l’ajout d’agents peut saturer la capacité du système ou introduire du bruit. Cela signifie que les MAS ne sont pas une solution universelle, mais un outil de workaround pour les limites actuelles des LLM. Pour structurer ces systèmes, l’article propose une taxonomie de 10 archétypes d’agents : Orchestrator, Planner, Executor, Evaluator, Critic, Synthesiser, Retriever, Memory Keeper, Mediator, Monitor. Ces rôles s’organisent autour de six plans de contrôle fonctionnels (Gestion, Stratégie, Contexte, Exécution, Assurance, Médiation), inspirés de la structure d’une équipe humaine. Cette architecture en couches transforme un « sac d’agents » en un système à boucle fermée, capable de révision, de correction et d’amélioration continue. La loi d’échelle des agents établie par DeepMind permet de prédire, à partir d’une évaluation rapide de quelques configurations, quelle architecture est la plus prometteuse. Un modèle prédictif atteint un R² de 0,513 et sélectionne la meilleure stratégie dans 87 % des cas, réduisant drastiquement la nécessité d’essais exhaustifs. Enfin, le coût des MAS est fortement influencé par la topologie. Les systèmes décentralisés ou hybrides, avec beaucoup de messages entre agents, peuvent générer une surcharge de token proche de n², rendant l’optimisation du budget cruciale. La formule du coût total (travail + coordination) permet une estimation précise en fonction du nombre d’agents, des tours, des modèles utilisés, etc. En résumé, ce papier fournit un cadre scientifique solide pour passer d’une approche intuitive à une conception data-driven des systèmes multi-agents. Il montre que la clé du succès réside non pas dans le nombre d’agents, mais dans leur organisation intelligente, leur rôle bien défini et une architecture de contrôle rigoureuse. Pour les entreprises, maîtriser cette science de l’échelle représente une véritable barrière technique — une compétence stratégique pour 2026 et au-delà. Comme le suggère l’article, l’avenir pourrait bien être un modèle unique capable de tout faire, mais aujourd’hui, la puissance réside dans la coordination intelligente.