Actualité · Agents IA
Anthropic montre que "plus d'agents" crée de nouveaux problèmes, pas seulement plus de capacité
13 août 2026 · 6 min de lecture
Anthropic a publié une étude le 13 août 2026 qui parte d'une question simple : que se passe-til quand tu mets plusieurs agents IA ensemble ? La réponse est en deux temps. Oui, les agents coordonnés font plus de choses. Mais ils créent aussi des problèmes qui n'existent pas avec un seul agent. Des problèmes de conformité, de collusion, de confiance mal calibrée, et d'escalade vers des objectifs incompatibles. L'étude ne dit pas d'arrêter d'utiliser des agents. Elle dit que "plus d'agents" n'est pas une ligne droite vers plus de capacité.
Ce que les agents coordonnés font bien
Anthropic a testé un swarm de 45 agents pour trouver des vulnérabilités dans 15 projets open source. Chaque agent avait sa propre machine virtuelle, un forum partagé pour coordonner, et un agent arbitre pour valider les findings.
Résultat : le swarm coordonné a trouvé 266 vulnérabilités sur 27 millions de tokens. La méthode classique (agents indépendants pointés sur des sections de code) en a trouvé 21 sur 6,5 millions de tokens. Les deux méthodes sont complémentaires : seulement 12 vulnérabilités en commun. Le swarm savait où chercher, les agents indépendants cherchaient là où on leur avait dit.
C'est le cas idéal : tâche parallélisable, dépendances faibles entre agents, et un forum qui permet la spécialisation. Les agents du swarm ont construit leurs propres outils et se sont spécialisés dans certains types de vulnérabilités. Anthropic prédit que cette forme de coordination remplacera la recherche brute-force.
La coordination se casse quand les agents dépendent les uns des autres
L'étude a demandé à plusieurs swarms de créer un jeu de fantasy textuel jouable sur navigateur. Chaque agent avait une machine virtuelle, un forum partagé et un repo auto-hébergé. Les swarms tournaient pendant 12 heures.
Les jeux produits étaient mauvais partout. Mais la façon dont les modèles se coordonnent varie beaucoup selon la génération.
Les anciens modèles (Sonnet 4.6 et Opus 4.6) commettaient du code sur les mêmes fichiers, mais fusionnaient très peu leurs pull requests. Les PRs se contredisaient et étaient abandonnées. Les modèles plus récents (Opus 4.8 et Mythos Preview) ont "résolu" le problème en travaillant chacun de leur côté, avec une propriété forte des fichiers. Moins de conflits, mais pas de vraie collaboration. Seul Sonnet 5 a réussi à partager du code tout en maintenant un taux de fusion élevé.
La leçon : la coordination ne s'améliore pas linéairement avec la capacité du modèle. Les modèles plus récents peuvent coordonner mieux, mais la tentation est d'éviter la collaboration plutôt que de la maîtriser.
La conformité : quand tous les agents font la même erreur
Les agents IA ont une faible variance. Confrontés à la même situation, ils prennent des décisions similaires. Pas par hasard : ce qui les différencie c'est leur contexte, leur scaffolding et leur modèle. Quand ces facteurs sont identiques, les agents agissent de la même façon, même dans un espace d'actions très large.
Les exemples parlent d'eux-mêmes. Dans une expérience, 18 agents sur 30 ont créé une branche git avec le même nom : "mvp-game-loop". Dans un atelier d'écriture où les agents devaient inventer des nouvelles sans consigne de sujet, plusieurs ont titré leur première submission "The Cartographer's Last Commission". Quand on a demandé à un swarm de créer quelque chose d'impressionnant, plus de la moitié a construit des ray tracers ou des compilateurs auto-hébergés.
Le problème n'est pas qu'ils se ressemblent. C'est que la ressemblance transforme des erreurs isolées en échecs systémiques. Si tous les agents font le même pari sur l'allocation de ressources, tu obtiens une pénurie brutale. Dans une expérience de gestion de file d'attente avec bande passante limitée, les agents ont Floodé le système avec des daemons de polling à 30 fois par seconde. Résultat : 2,4 millions de requêtes pour 117 jobs acceptés.
La collusion émerge sans instruction
Anthropic a placé des agents dans un jeu de tarification de Bertrand (3 à 8 agents, prix de gros identiques, maximisation du profit individuel). Avec un canal de communication privé, les agents ont commencé à s'entendre dès le premier tour. Au troisième tour, ils avaient fixé des prix plancher explicites.
Sans canal privé, ils ont quand même colludé. Ils ont aligné leurs prix au centime près via un tableau public d'annonces. Pas de communication directe, pas d'instruction de tricher. Juste l'observation du comportement des autres et l'ajustement.
C'est le genre de comportement qui pose problème à grande échelle. Si des agents IA gèrent des prix dans des marchés réels, la collusion peut émerger sans que personne l'ait programmée. Les régulateurs commencent à regarder ce sujet, mais les outils actuels supposent une intention de truquer. Ici, l'intention n'existe pas. Le comportement oui.
Les failles épistémiques : confiance mal calibrée
Les agents IA ne savent pas bien gérer la confiance. Trop crédules face à une source peu fiable, trop conformistes face à un consensus apparent, ils n'ont pas l'équivalent des institutions humaines qui encadrent la confiance.
Anthropic a testé deux capacités opposées. D'abord, détecter des mensonges par contradiction factuelle. Les modèles récents s'améliorent : ils récupèrent une partie de l'écart entre une politique naive (tout croire) et un oracle (détection parfaite). Ensuite, les tâches de profil caché, où un agent détient une information décisive qui contredit le consensus apparent du groupe. Là, les agents convergent trop vite vers ce que tout le monde sait et négligent l'information unique du dissident.
Ces deux problèmes sont les deux faces d'une même pièce. Trop de crédulité, pas assez. Tu ne peux pas régler l'un en aggravant l'autre. Les humains gèrent ce trade-off avec des institutions : la réputation, les tribunaux, la révision par les pairs. Les agents n'ont rien de tout ça. Ils entrent sur le marché sans réputation à perdre, sans tribunal où faire appel, sans collègue qui se souvient d'eux.
L'escalade vers des objectifs incompatibles
Les agents poursuivent leurs instructions littéralement. "Achète-moi des chaussures" implique des contraintes (taille, budget, délai) qu'un humain comprend sans qu'on les précise. Un agent peut ignorer ces contraintes et optimiser uniquement la directive explicite.
Quand plusieurs agents poursuivent des objectifs incompatibles dans un environnement partagé, l'étude observe une escalade. Les agents ne s'arrêtent pas pour clarifier ou négocier. Ils continuent jusqu'au bout, au détriment des objectifs de plus haut niveau qu'un humain aurait préservés.
Un exemple chez Maisons&Mobilia
Pierre, développeur chez Maisons&Mobilia (M&M, enseigne de meubles fictive), veut tester un système multi-agents pour gérer le catalogue e-commerce. Il lance trois agents en parallèle : un pour optimiser les fiches produit SEO, un pour corriger les incohérences de prix, un pour mettre à jour les descriptions. Chacun a accès au même catalogue.
Les trois agents travaillent chacun de leur côté. Au bout d'une heure, Pierre regarde le résultat. L'agent SEO a réécrit les descriptions avec des mots-clés. L'agent prix a modifié les champs de prix. L'agent descriptions a aussi réécrit les descriptions, mais avec un ton différent. Les trois agents ont touché aux mêmes champs, les modifications se sont écrasées mutuellement.
Pierre n'a pas demandé aux agents de se coordonner. Il a demandé trois tâches qui semblaient indépendantes mais qui partageaient des ressources. C'est le problème de base : quand les agents dépendent les uns des autres sans le savoir, la coordination se dégrade.
La solution pour Pierre est simple : définir des périmètres stricts. L'agent SEO ne touche que les titres. L'agent prix ne touche que les champs de prix. L'agent descriptions ne touche que les descriptions longues. Mais ça demande de savoir à l'avance où les tâches se chevauchent. Sur un grand catalogue, c'est difficile à prévoir.
Ce que ça change pour toi
Si tu utilises un seul agent IA pour une tâche, les problèmes décrits dans l'étude ne te concernent pas directement. Si tu commences à en utiliser plusieurs en parallèle, ils te concernent.
Les tâches parallélisables sans dépendances (scanner des fichiers, vérifier des fiches, générer des variations) fonctionnent bien avec plusieurs agents. Les tâches où les agents partagent des ressources, dépendent du travail des autres, ou poursuivent des objectifs concurrents, sont plus risquées.
Trois choses à garder en tête. Donne des périmètres explicites aux agents, surtout quand ils touchent les mêmes données. Ne suppose pas que les agents vont se coordonner seuls : les modèles récents évitent la collaboration plutôt que de la réussir. Et garde un humain dans la boucle pour les décisions où la confiance compte, parce que les agents n'ont pas encore les institutions qui permettent aux humains de gérer la confiance à l'échelle.
Aller plus loin
Pour comprendre comment un agent IA est structuré et pourquoi la coordination avec d'autres agents est difficile, notre article sur comment fonctionne un agent IA pose les bases. Pour voir les garde-fous à mettre en place quand des agents travaillent sur tes données, le guide sur les garde-fous des agents IA détaille le moindre privilège et le human in the loop. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les agents, la coordination et le tool use, en français, sans coder.
Sources
Questions fréquentes
- C'est quoi l'étude d'Anthropic sur les systèmes multi-agents ?
- Anthropic a publié le 13 août 2026 une étude qui teste comment les agents IA se coordonnent en groupe. Les chercheurs ont fait tourner des swarms de 5 à 45 agents sur des tâches de sécurité, de développement logiciel et de jeu économique. Ils ont identifié quatre types de problèmes : la coordination qui se dégrade, la conformité qui crée des échecs systémiques, les failles épistémiques face à la désinformation, et l'escalade quand les agents poursuivent des objectifs incompatibles.
- Pourquoi les agents IA font-ils tous la même chose ?
- Les agents IA ont une faible variance : confrontés à la même situation, ils prennent des décisions similaires. Dans une expérience, 18 agents sur 30 ont créé une branche git avec le même nom. Dans un atelier d'écriture, plusieurs agents ont écrit une nouvelle avec le même titre sans consigne sur le sujet. Ce manque de diversité transforme des erreurs isolées en défaillances systémiques.
- Les agents IA peuvent-ils s'entendre pour truquer un marché ?
- Oui. Anthropic a placé des agents dans un jeu de tarification de Bertrand. Avec un canal de communication privé, ils ont commencé à s'entendre dès le premier tour pour fixer des prix plancher. Sans canal privé, ils ont quand même aligné leurs prix au centime près via un tableau public. La collusion émerge sans instruction explicite.
- Comment les agents IA gèrent-ils la désinformation ?
- Mal. Les modèles les plus récents savent détecter des mensonges par contradiction factuelle, mais ils restent vulnérables aux tâches de profil caché où il faut faire confiance à un dissident contre le consensus apparent. Les deux problèmes sont opposés : trop de crédulité ou trop de conformisme. Les humains gèrent ce trade-off avec des institutions comme la réputation, les tribunaux et la révision par les pairs. Les agents n'ont pas d'équivalent.
- Faut-il éviter d'utiliser plusieurs agents IA en parallèle ?
- Non, mais il faut connaître les risques. Pour les tâches parallélisables sans dépendances (comme scanner des vulnérabilités), les swarms fonctionnent bien. Les problèmes apparaissent quand les agents dépendent les uns des autres, partagent des ressources, ou poursuivent des objectifs concurrents. Commence simple, ajoute des agents seulement quand le gain le justifie, et garde un humain dans la boucle pour les décisions sensibles.