L’arrivée d’Agent Teams d’Anthropic marque une évolution significative dans l’architecture des agents intelligents, dépassant les modèles traditionnels comme les agents ReAct ou les workflows supervisés à sous-agents. Contrairement aux approches précédentes où les agents étaient définis via des fichiers de configuration, des schémas YAML ou des workflows codés, Agent Teams repose sur une interaction conversationnelle : un simple prompt naturel décrit l’équipe souhaitée, et Claude Code s’occupe de tout le reste — création des agents, gestion des tâches, coordination, communication entre membres. Il n’existe pas de fichier de définition d’agent, pas de schéma déclaratif. L’orchestration est entièrement gérée par le modèle, optimisé pour comprendre, planifier et exécuter des tâches complexes en autonomie. Ce changement représente une rupture conceptuelle : le modèle devient non seulement le moteur de génération, mais aussi le framework d’orchestration. L’agent n’est plus une entité statique définie à l’avance, mais une structure dynamique émergente, créée sur demande. Cette approche s’inscrit dans une tendance plus large où les fonctionnalités sont progressivement « déplacées vers le haut » dans la pile logicielle, c’est-à-dire intégrées directement dans les modèles. Le rêve d’Anthropic semble être que, à terme, les applications agentes ne soient plus des systèmes complexes de code, mais de simples fichiers Markdown, avec une intelligence suffisamment poussée pour gérer toute la logique d’orchestration. Deux modes d’exploitation s’offrent à l’utilisateur : les agents éphémères, idéaux pour des tâches ponctuelles (revue de PR, débogage, exploration de code), et les agents durables, destinés à des usages répétitifs comme l’intégration continue. Le premier est rapide, peu coûteux et interactif ; le second, plus contrôlé, nécessite une définition en code pour être testé, versionné et déterministe. Agent Teams se positionne clairement dans le premier segment : l’expérimentation interactive, l’exploration rapide, sans boilerplate. Un point clé est la communication directe entre agents. Contrairement aux sous-agents précédents, qui ne pouvaient communiquer qu’à travers un superviseur central (créant un goulot d’étranglement), les membres d’une équipe Agent Teams échangent directement via une messagerie interne, partagent une liste de tâches, se répartissent le travail, et peuvent même débattre ou corriger les idées les uns des autres. Chaque agent dispose d’un contexte propre, chargé automatiquement à partir du projet (CLAUDE.md, serveurs MCP, compétences), mais sans hériter de l’historique de conversation du leader. Cela garantit une indépendance fonctionnelle tout en maintenant une coordination fluide. La mise en œuvre est simple : activer l’expérience dans settings.json, puis décrire l’équipe en langage naturel. Deux modes d’affichage sont disponibles : en processus intégré (par défaut) ou en panneaux séparés (avec tmux ou iTerm2). L’architecture est locale, les données stockées dans ~/.claude/teams/ et ~/.claude/tasks/, avec un système de verrouillage pour éviter les conflits de tâches. Bien que cette simplicité soit séduisante, elle a ses limites : absence de réutilisabilité, coût en tokens qui augmente avec la complexité, et manque de contrôle sur les performances à long terme. Pour des usages critiques, un cadre dédié reste préférable. Mais pour l’exploration, la rapidité et l’expérimentation, Agent Teams est une avancée majeure. Les experts du secteur, comme le chef évangéliste de Kore.ai, soulignent que cette évolution n’est pas une simple nouveauté, mais un signe que les modèles sont en train de devenir des agents universels capables de remplacer les couches d’orchestration traditionnelles. Le pari d’Anthropic est que la puissance des modèles continuera de croître, rendant les frameworks classiques obsolètes pour la majorité des cas d’usage. L’avenir des applications agentes pourrait bien être une simple description en Markdown, exécutée par un modèle capable de tout orchestrer lui-même.