En bref
Un orchestrateur d’agents IA découpe une demande et la confie à des agents spécialisés, chacun limité à ses outils. Il se justifie quand plusieurs agents travaillent sur les mêmes outils et se gênent. Avec un ou deux agents, un workflow et un registre des actions suffisent : c’est moins cher et plus simple à surveiller.
Ce qu’est un orchestrateur d’agents IA
Un orchestrateur d’agents IA est un agent qui reçoit une demande, la découpe en tâches, confie chaque tâche à un agent spécialisé et rassemble les résultats. Anthropic décrit ce schéma sous le nom « orchestrator-workers » : un modèle central découpe la tâche, la délègue puis synthétise les réponses, utile quand on ne peut pas prévoir les sous-tâches à l’avance.
La note publiée en juillet 2026 par la CNIL et le Conseil de l’IA et du numérique décrit la même architecture : un agent orchestrateur, des agents spécialisés qu’il coordonne, et des services externes (applications, bases de données, recherche web) auxquels ils se connectent. La différence avec un workflow tient au chemin : un workflow suit des étapes écrites d’avance, l’orchestrateur choisit la suite selon le contenu. Ce choix se fait tâche par tâche, comme l’explique la page agent IA ou workflow : comment choisir.
Quand ne pas orchestrer
Anthropic, Microsoft et OpenAI donnent le même conseil dans leurs guides : commencer simple. Anthropic recommande la solution la plus simple possible, et de n’ajouter de la complexité qu’en cas de besoin. Microsoft demande de retenir le niveau de complexité le plus bas qui répond de façon fiable au besoin, et rappelle que chaque niveau ajoute de la coordination, de la latence et du coût. OpenAI conseille de tirer le maximum d’un seul agent avant d’en ajouter d’autres.
Notre règle, tirée de la production : avec un ou deux agents, un workflow et un registre des actions suffisent. L’orchestrateur se justifie quand plusieurs agents travaillent sur les mêmes outils et doivent se passer le travail.
Agent et workflow Un ou deux agents, un registre | Critère | Orchestrateur Des agents spécialisés qui se passent le travail |
|---|---|---|
| Un ou deux | Nombre d’agents | Plusieurs, chacun spécialisé |
| Chaque agent a les siens | Outils | Plusieurs agents touchent les mêmes |
| Écrit d’avance dans le workflow | Chemin de la demande | Décidé par l’orchestrateur selon la demande |
| Le plus bas | Coût à l’usage | Plus élevé : chaque agent consomme le modèle |
| Les sorties de l’agent, les échecs du workflow | Ce qu’il faut surveiller | Chaque agent, chaque passage de relais, et l’ensemble |
Agent et workflow · Le bon choix si Le chemin de vos demandes est connu d’avance et un ou deux agents couvrent le texte libre. | Orchestrateur · Le bon choix si Plusieurs agents doivent se passer le travail sur les mêmes outils, avec des droits séparés. |
Le coût suit la même pente. Anthropic indique que ses agents consomment environ 4 fois plus de jetons qu’une conversation, et son système multi-agents de recherche environ 15 fois plus (juin 2025). Un orchestrateur ne se rentabilise que si la tâche vaut cette dépense.
Notre orchestrateur, en production
Notre infrastructure, en production, fait tourner un orchestrateur et 12 agents spécialisés (rédaction, référencement, prospects, code). Outils : Claude Code et ses sous-agents, les modèles Claude Sonnet et Haiku, n8n, NocoDB, GitHub Actions, Telegram, Brevo et un serveur privé virtuel. À chaque demande, l’orchestrateur suit cinq temps ; le dernier ne concerne que ce qui engage l’entreprise.
Lire l’état
L’état du projet et le registre des actions, à chaque démarrage.
Découper
La demande en tâches.
Déléguer
Chaque tâche à l’agent qui a les droits nécessaires, avec un format d’entrée et de sortie fixé.
Inscrire
Chaque action au registre : qui, quoi, résultat, coût.
Faire valider
Par un humain, dès que la tâche touche un achat, une mise en ligne ou une action irréversible.
Tout ne passe pas par le cycle complet : un petit modèle trie les messages entrants et répond seul aux plus simples. Microsoft recommande la même chose : donner à chaque agent un modèle à la mesure de sa tâche.
Des droits limités, agent par agent
Chaque agent n’a que les outils de sa tâche. C’est ce qui rend l’ensemble supervisable : un agent qui ne peut pas modifier le code ne peut pas le casser.
| Thème | Il fait | N’a pas le droit de |
|---|---|---|
| Orchestrateur | Découpe la demande, choisit l’agent, tient le registre | Engager une dépense ou publier sans validation |
| Relecteur | Relit le code | Modifier le code |
| Vigie de visibilité | Mesure chaque semaine Google et les réponses des IA, écrit des recommandations | Corriger elle-même une page |
| Agent de correction | Propose un correctif, soumis aux tests | Fusionner un correctif dont les tests échouent |
La vigie de visibilité a une limite à connaître : sa mesure dans ChatGPT est interrompue depuis août 2026 (modèle déprécié), et la part de voix dans les IA repose aujourd’hui sur Gemini seul. Son fonctionnement est détaillé sur la page mesurer sa visibilité dans les IA.
Microsoft range des frontières de sécurité distinctes parmi les raisons d’avoir plusieurs agents. La note de la CNIL et du Conseil de l’IA et du numérique recommande dans le même sens une mémoire dédiée et isolée pour chaque agent, sans accès automatique aux données des autres.
Trois problèmes rencontrés, trois règles
L’orchestrateur n’a pas été conçu d’un bloc. En multipliant les agents, trois problèmes sont apparus, et chacun a produit une règle.
| Ce qui se passait | Ce qui a changé | Ce qui le mesure |
|---|---|---|
| Des sessions d’agents se marchaient dessus | Des règles tirées des post-mortems ; l’orchestrateur lit l’état du projet et le registre avant de déléguer | 10 incidents documentés en post-mortem, dont les collisions entre sessions |
| Des coûts mal maîtrisés | Un petit modèle pour trier les messages simples ; un plafond de dépenses d’API, avec une alerte avant le plafond | Le coût de chaque action, inscrit dans le registre |
| Des erreurs passaient en silence | Une surveillance quotidienne des échecs (intégration continue, workflows n8n), une alerte, un correctif fusionné seulement si les tests passent | 16 erreurs détectées et 16 résolues du 17 juillet au 7 août 2026 |
Méthode : registre des erreurs tenu par la surveillance de notre infrastructure (intégration continue et workflows n8n). Mesure sur trois semaines, relevée au 4 octobre 2026.
Vos données, quand plusieurs agents se les passent
Plus il y a d’agents, plus les données circulent. La CNIL et le Conseil de l’IA et du numérique notent que la multiplication des espaces de mémoire disperse les données, et que les échanges entre agents peuvent devenir nombreux, notamment en cas d’échecs répétés. Leur note recommande une traçabilité qui permette de reconstituer chaque tâche : données mobilisées, agents intervenus, services tiers sollicités, chronologie. Notre registre en couvre une partie : quel agent a agi, ce qu’il a fait, avec quel résultat et quel coût.
Vos données, dans un système à plusieurs agents
- Ce que chaque agent voit
- Les outils et les fichiers de sa tâche, listés au cadrage, rien d’autre.
- Où partent les données
- Vers le modèle retenu au cadrage pour chaque tâche : européen, hébergé en Europe, ou sur vos serveurs si les données sont sensibles.
- Traçabilité
- Chaque action est inscrite au registre : qui, quoi, résultat, coût.
- Durée de conservation
- Six mois pour les journaux de l’agent, puis suppression.
- À décider au cadrage
- Ce que chaque agent garde en mémoire, et s’il peut lire la mémoire des autres.
- Ce qui reste humain
- Achats, mises en ligne et actions irréversibles.
Garder la main sur plusieurs agents
Trois décisions restent humaines : les achats, les mises en ligne et les actions irréversibles. Les dépenses d’API sont plafonnées, avec une alerte avant le plafond. Le reste se lit dans cinq rapports récurrents : erreurs informatiques, indexation Google, comportement des visiteurs, indicateurs, audit qualité.
Les éditeurs et la CNIL décrivent la même logique. OpenAI fait intervenir un humain quand un agent dépasse un seuil d’échecs, ou avant une action sensible ou irréversible. La note de la CNIL et du Conseil de l’IA et du numérique propose de classer les actions par niveau de risque, de garder l’humain dans la boucle pour les actions critiques et de pouvoir interrompre un processus à tout moment. Elle rappelle aussi que le règlement européen sur l’IA ne prévoit pas de règle propre aux agents : vos obligations dépendent de l’usage, détaillé sur la page AI Act pour les PME.
La méthode de supervision, agent par agent, est sur la page superviser un agent IA en production.
Ce que ce retour d’expérience ne prouve pas
Aucun gain de temps global n’est mesuré : les chiffres publiés portent sur des étapes précises (détection des erreurs, coût du tri). Aucun chiffre d’affaires n’est attribué à ce système. La mesure des erreurs couvre trois semaines, du 17 juillet au 7 août 2026. Et un des cinq rapports, l’audit qualité, part encore sur Telegram au lieu de l’e-mail. Le détail de l’infrastructure est sur la page notre infrastructure d’agents IA, en production.
Par où commencer chez vous
Commencez par un agent en production, branché sur un workflow, avec un registre de ses actions. Avant d’ajouter un orchestrateur, posez-vous ces cinq questions.
- Le chemin de vos demandes est-il connu d’avance ?Alors un workflow suffit, avec un agent pour le seul texte libre.
- Plusieurs agents touchent-ils les mêmes outils ?C’est le premier signal : sans coordination, ils se gênent.
- Un seul agent se trompe-t-il d’outil malgré des consignes claires ?OpenAI y voit le moment de répartir les outils entre plusieurs agents.
- Vos agents doivent-ils avoir des droits séparés ?Microsoft cite des frontières de sécurité distinctes parmi les raisons d’avoir plusieurs agents.
- Savez-vous déjà superviser un agent ?Sinon, commencez par là : un orchestrateur multiplie ce qu’il faut surveiller.
Ce qui a changé
- Création de la page.
Sources
Voir les 5 sources
- Anthropic, Building effective agents, 19 décembre 2024
- Anthropic, How we built our multi-agent research system, 13 juin 2025
- OpenAI, A practical guide to building agents, avril 2025
- Microsoft Learn, Modèles d’orchestration d’agents IA (Azure Architecture Center), 12 février 2026, consulté le 5 octobre 2026
- CNIL et Conseil de l’IA et du numérique, IA agentique et données personnelles : note exploratoire, 20 juillet 2026