Anthropic pousse à réduire les essaims d’agents au profit d’un seul

Anthropic estime qu’un agent IA unique peut désormais faire mieux qu’une architecture en sous-agents dans de nombreux cas d’usage entreprise. La société recommande aux équipes d’évaluer si elles peuvent regrouper leurs sous-agents autour d’un seul agent principal qui charge le contexte à la demande. Selon son retour d’expérience, cette approche réduit souvent les coûts, la latence et les pertes d’information aux points de passage. Le sujet compte parce qu’il touche directement la manière dont les entreprises conçoivent leurs assistants, leurs workflows et leurs budgets IA.

Quand moins d’agents fait plus de sens

Anthropic dit avoir observé, dans plusieurs déploiements, qu’un agent unique avec des outils et des « skills » chargeables à la demande peut battre des systèmes multi-agents en qualité, en coût et en temps de réponse. Dans un comparatif cité par l’entreprise, l’architecture à agent unique a tourné environ deux fois plus vite que la version multi-agents. Le raisonnement est simple : à chaque transfert entre sous-agents, du contexte se perd, et la coordination devient plus lourde. Résultat, un agent censé fluidifier le travail finit parfois par ressembler à une salle de réunion avec trop de participants. Cela fait sourire, mais le ticket cloud, lui, ne rit pas.

La recommandation vise surtout les organisations qui ont empilé des fonctions spécialisées pour l’intention, la segmentation, la recommandation ou l’orchestration. Anthropic explique que les modèles récents, à commencer par Opus 4.5, puis Opus 5.5 et Fable 5.1, peuvent gérer seuls des plans complexes dans une seule boucle. Dans ce cadre, une architecture plus sobre — prompt système allégé, quelques outils bien choisis, garde-fous de sortie — couvre souvent l’essentiel du besoin.

Le risque du « Frankenprompt »

Anthropic décrit un effet de prolifération interne qu’elle rapproche de la loi de Conway : l’architecture finit par refléter l’organigramme. Chaque équipe ajoute son sous-agent, ses règles et ses exceptions, jusqu’à produire un « Frankenprompt », c’est-à-dire un prompt système gonflé de consignes parfois contradictoires. À ce stade, la complexité n’améliore plus le produit ; elle le rend simplement plus difficile à maintenir.

Dans un exemple cité par la société, Claude Code a vu son prompt système réduit de plus de 80 % sur les modèles récents, en partie parce que les compétences et outils peuvent maintenant être chargés uniquement quand ils sont nécessaires. Anthropic ajoute que les modèles commentent davantage leur propre progression et vérifient eux-mêmes une partie de leur travail, ce qui peut rendre certaines couches de contrôle moins utiles qu’avant.

Des sous-agents utiles, mais seulement dans certains cas

Anthropic ne dit pas qu’il faut supprimer tous les sous-agents. L’entreprise juge cette approche pertinente quand la fenêtre de contexte d’un seul agent se dégrade clairement, quand plusieurs tâches doivent tourner en parallèle avec des contextes séparés, ou quand l’agent principal peine à choisir les bons outils. En revanche, elle conseille d’éviter les migrations à l’aveugle. Dans un test sur un agent de support, le regroupement a bien réduit la latence, mais il a aussi cassé un processus qui fonctionnait, parce que l’agent principal a commencé à répondre seul au lieu de consulter le bon spécialiste.

Pour aider les équipes, Anthropic a publié sur GitHub un kit de migration qui propose une méthode pas à pas : repérer les schémas existants, tester des alternatives, puis vérifier l’approche la plus robuste. L’entreprise recommande aussi de limiter le nombre d’outils exposés à chaque agent. Selon elle, la qualité de sélection des outils tend à se dégrader au-delà de 30 à 50 définitions, ce qui plaide pour des bibliothèques de compétences maintenues par des responsables identifiés.

Les chiffres qui soutiennent le virage

Le débat ne se joue pas seulement dans les principes. Une étude de Vals citée par Anthropic conclut que des équipes d’agents peuvent être plus rapides qu’un agent unique, mais sans gain de qualité. Passer de 10 à 30 ou 100 agents n’apportait pas d’amélioration mesurable, tout en augmentant fortement les coûts. De son côté, Eric Provencher, développeur chez OpenAI, a déjà jugé les essaims d’agents « almost certainly » wasted money.

Pour les entreprises, le signal est clair : l’agentic AI ne gagne pas automatiquement à se fragmenter. Les architectures les plus élégantes ne sont pas toujours celles qui alignent le plus de sous-agents, mais celles qui gardent le bon niveau de contexte, au bon moment, avec le moins d’intermédiaires possible.