Les agents intelligents basés sur les grands modèles linguistiques (LLM) ont démontré des capacités impressionnantes dans la résolution de problèmes complexes nécessitant une réflexion approfondie. L'idée d'utiliser plusieurs agents pour aborder des tâches encore plus complexes semble logique : si un seul agent peut réussir, pourquoi ne pas multiplier les intelligences pour obtenir des résultats meilleurs ? Cette approche, notamment par le biais de débats entre agents, repose sur une hypothèse séduisante : en faisant interagir plusieurs modèles, on pourrait exploiter des perspectives différentes, corriger les biais individuels, remettre en question des raisonnements erronés et ainsi améliorer la qualité des conclusions. En théorie, cette méthode semble prometteuse. En théorie, le débat entre agents devrait permettre de filtrer les erreurs, d’identifier les failles logiques et de converger vers une solution plus robuste. Cependant, les résultats expérimentaux montrent une réalité plus nuancée — voire inquiétante. De nombreuses études récentes ont constaté que l’ajout d’agents supplémentaires, loin d’améliorer la précision, peut au contraire la réduire. Ce phénomène, connu sous le nom d’« échec multi-agents », révèle que la complexité ajoutée par la coordination, la communication et les interactions entre agents peut introduire des erreurs systémiques. Pourquoi cela se produit-il ? Premièrement, chaque agent, même s’il est puissant, peut générer des erreurs ou des biais cognitifs. Lorsqu’un agent se trompe, il peut influencer les autres, entraînant une cascade d’erreurs partagées. Deuxièmement, les débats entre agents ne sont pas toujours constructifs : ils peuvent se transformer en cycles de justification réciproque, où chaque participant défend sa position sans véritable évaluation critique. Troisièmement, les agents ont tendance à « s’accorder » sur des erreurs communes, car ils partagent des connaissances et des biais fondés sur les mêmes données d’entraînement. Ainsi, plus il y a d’agents, plus la probabilité qu’ils convergent vers une fausse certitude augmente. En réalité, l’effet de groupe dans les systèmes multi-agents peut être contre-productif. Contrairement à ce que l’on pourrait penser, la diversité d’opinions n’est pas garantie : les agents, bien qu’indépendants, sont souvent influencés par des patterns communs dans leurs réponses. Le débat n’est donc pas un remède à l’erreur, mais parfois un catalyseur de confusion. Alors, que faire ? La solution ne réside pas dans l’abandon des agents, mais dans une utilisation plus stratégique. Il est souvent plus efficace de laisser un seul agent travailler en profondeur, en lui offrant des outils de vérification, des étapes de réflexion structurées (comme le « reasoning par étapes ») ou des mécanismes de validation externe. L’ajout d’agents ne devrait pas être une règle générale, mais une décision ciblée, réservée à des cas où la complexité est réellement justifiée — et même alors, avec un contrôle rigoureux. Comme l’a dit Mark Twain : « Ne discute pas avec un imbécile, il te ramènera à son niveau et te battra avec son expérience. » Dans le monde des agents IA, ce principe prend tout son sens. Parfois, la meilleure réponse n’est pas la plus nombreuse, mais la plus claire, la plus rigoureuse — et parfois, la plus solitaire.