Des modèles connectés ne forment pas encore un système fiable

Utiliser un modèle, opérer avec un modèle

Deux situations sont couramment confondues. Using AI désigne l'accès à un modèle pour obtenir un résultat. Operating with AI désigne la capacité à lui confier des actions répétables, dans un périmètre défini, avec des garanties.

Accéder à un modèle est devenu banal. Construire un système capable de lui confier des actions répétables reste difficile. C'est cet écart, et non la puissance des modèles, qui sépare aujourd'hui les organisations.

Ce que recouvre réellement l'orchestration

Le terme est employé de façon très large sur le marché. Il désigne en pratique huit questions opérationnelles auxquelles un système doit répondre avant de pouvoir agir.

• Identity

  Qui agit ?

• Context

  Avec quelles données ?

• Tools

  Sur quels systèmes ?

• Policy

  Avec quelles permissions et quelles règles ?

• Control

  Avec quels seuils et quelles validations ?

• Observability

  Comment savoir ce qui s'est passé ?

• Economics

  Pour quel coût et dans quel budget ?

• Escalation

  Quand rendre la décision à l'humain ?

Des standards émergent, sans clore le sujet

Des protocoles comme MCP, ou les travaux sur la communication entre agents, témoignent de la construction progressive d'une couche d'interopérabilité entre modèles, agents et outils.

Anthropic · Model Context Protocol · 2024 — Consulter la source

OpenAI · New tools for building agents · 2025 — Consulter la source

L'interopérabilité ne résout pas à elle seule les questions de politique, de permissions, d'observabilité et de responsabilité. Savoir connecter un agent à un système ne dit pas ce qu'il a le droit d'y faire, ni qui répond de ses actions. Les travaux institutionnels sur la sécurisation des systèmes d'agents portent précisément sur cette couche.

NIST et CAISI · Securing AI agent systems · 2026 · consultation publique, référence institutionnelle — Consulter la source

Plus d'agents ne signifie pas automatiquement plus de performance

Google Research a testé 180 configurations d'architectures multi-agents. Le résultat ne dit pas que « les multi-agents dégradent les performances » : il montre que leur multiplication n'améliore pas automatiquement les performances et peut, selon l'architecture et la tâche, conduire à un plateau ou à une dégradation.

Google Research · Towards a science of scaling agent systems · 2026 · étude expérimentale sur des architectures multi-agents — Consulter la source

Ces architectures font aussi apparaître des modes de défaillance propres. Une analyse de plus de 1 600 traces issues de sept frameworks multi-agents étudiés identifie 14 catégories de défaillances — une taxonomie établie sur ce corpus, non une liste exhaustive de tous les systèmes existants.

Cemri et al. · Why do multi-agent LLM systems fail? · 2025 · sept frameworks multi-agents étudiés — Consulter la source

Le coût suit la même courbe. Dans le système de recherche décrit par Anthropic, les agents utilisaient environ 4× les tokens d'une interaction conversationnelle standard, et l'architecture multi-agent environ 15×. Ces ordres de grandeur décrivent cette architecture-là, pas une propriété générale des agents.

Anthropic · Model Context Protocol · 2024 · architecture de recherche décrite par Anthropic — Consulter la source

L'augmentation de capacité peut donc s'accompagner d'une augmentation significative du coût d'orchestration.

Gartner prévoit que plus de 40 % des projets d'IA agentique pourraient être abandonnés avant fin 2027, en raison des coûts, d'une valeur business mal définie ou de contrôles insuffisants. Il s'agit d'une prévision, non d'un résultat observé.

Gartner · Prévision sur les projets d'IA agentique · 2025 · prévision — Consulter la source

Le modèle crédible est celui d'une autonomie bornée

Le débat public oppose souvent autonomie et contrôle. Le partage opérationnel est plus simple à formuler.

1. L'humain définit
   Objectifs, budgets, politiques, seuils et responsabilité.
2. Le système exécute
   Tâches répétables, décisions autorisées, utilisation des outils déclarés.
3. Le système escalade
   Exceptions, incertitude, risque élevé, dépassement de seuil.

L'objectif n'est pas l'autonomie maximale. C'est le niveau d'autonomie économiquement utile et opérationnellement acceptable.

Le gain potentiel est réel. Dans le modèle décrit par McKinsey, une orchestration always-on pourrait faire passer le temps consacré aux tâches d'exécution de 60–70 % à 10–15 %, tout en améliorant le ROI marketing d'environ 30 %. Il s'agit d'une estimation liée à ce modèle, non d'un résultat moyen constaté.

Bain · Scaling AI to transform the enterprise · 2025 · estimation McKinsey citée — modèle prospectif, non un résultat mesuré — Consulter la source