TL;DR : Pour faire tourner 10 agents de code IA en simultané, arrêtez de traiter chaque agent comme un terminal à surveiller. Découpez chaque travail en tâche, associez à chacune une exécution d’agent dans un worktree isolé sur un Computer connecté, conservez les échanges de suivi sous forme de commentaires de tâche et laissez des déclencheurs d’événements lancer le travail récurrent. Vous vérifiez des résultats, pas des sessions.
Il est tout à fait possible de faire tourner 10 agents de code IA en même temps sans ouvrir 10 onglets de terminal — et la première limite que vous atteindrez ne vient pas du modèle. Dans leur essai intitulé « Exploring Super-agent Design », l’équipe DeepSeek Harness l’exprime clairement : une personne ne peut généralement suivre que 3 à 5 sessions actives à la fois. Au-delà, le goulot d’étranglement, c’est vous.
Leur solution repose sur un « super-agent » : un coordinateur unique qui échange avec les humains et délègue le travail à de multiples workers isolés. L’essai décrit une architecture, pas un produit commercialisé. Ce guide présente la version simplifiée qu’une équipe peut mettre en place dès aujourd’hui sur un tableau Sharkly, en tirant parti de votre configuration existante avec Claude Code ou Codex.
Une différence notable cependant : le coordinateur de DeepSeek est un LLM qui décide de qui fait quoi. Sur un tableau, c’est un être humain qui tranche, et chaque décision reste tracée.
Pourquoi l’approche à 10 terminaux atteint ses limites
Manuellement, gérer deux ou trois agents reste faisable. À dix, quatre problèmes surgissent en même temps.
- Vous devenez le routeur. Chaque prompt, chaque « continuer », chaque relance passe obligatoirement par vous.
- Les contextes s’entremêlent. Un correctif destiné à la branche d’authentification atterrit dans la session de facturation, ou deux agents modifient la même copie de travail et écrasent mutuellement leurs modifications.
- Votre ordinateur portable sert de serveur. Rabattez l’écran et l’ensemble des sessions se met en pause. Les exécutions de longue durée nécessitent un hôte qui reste éveillé.
- Rien n’est consigné. Lorsqu’une exécution déraille, l’historique est perdu dans la mémoire d’un terminal que vous avez déjà fermé.
Nous avons détaillé ce coût dans Too Many Terminals. La solution : sortir la coordination de votre tête pour la confier à un système qui conserve l’état.
Le super-agent de DeepSeek transposé sur un tableau
Chaque brique de l’architecture de DeepSeek possède un équivalent direct sur un tableau de tâches.
| Composant DeepSeek | Rôle dans l’essai | Sur un tableau Sharkly |
|---|---|---|
| Router | Une session persistante ; échange avec les humains, distribue le travail, n’exécute rien directement ; un modèle plus léger suffit | Le tableau combiné à la personne qui assigne les tâches |
| Workers | Une session isolée par tâche, modèle le plus performant, n’interagissent jamais avec les humains | Une exécution d’agent par tâche, dans son propre worktree |
| Threads | Les suivis sur une même PR ou un même sujet sont envoyés directement au Worker concerné | Les commentaires sur la tâche réveillent l’agent assigné |
| Triggers | Événements d’abord filtrés par le code (listes d’autorisation), puis par le modèle (règles transmises par prompts) | Automations basées sur le statut, une expression en commentaire, un webhook ou une planification |
| BYOM (bring your own hardware) | Boucle d’agent dans le cloud, environnements sur votre propre matériel via un démon léger | Computers connectés via Sharkly Desktop ou le CLI Sharkly |
| Watchdog | Une session externe qui intercepte les Workers bloqués dans une boucle ou qui dérivent | Une vérification planifiée combinée à l’historique des exécutions et à une étape de validation humaine |
Le filtrage des déclencheurs en deux étapes mérite d’être repris point par point. Le code rejette d’abord tout ce qu’il peut (mauvais dépôt, mauvais statut), et c’est seulement ensuite qu’un modèle analyse l’événement. Sur un tableau, le déclencheur constitue le filtre applicatif et les instructions de l’Automation font office de prompt de règles.
Comment faire tourner 10 agents de code IA sur un tableau Sharkly
Ne démarrez pas directement à dix. Commencez par trois, validez la boucle, puis augmentez la cadence.
Étape 1 : Connecter un Computer et définir une concurrence faible
Un Computer est la machine hôte qui exécute vos agents. Sur un ordinateur portable, installez Sharkly Desktop. Sur un serveur distant ou une machine Linux, utilisez le CLI Sharkly et son service local :
# On the remote host, with an install token from the Computers page
sharkly computer register --install-token <install-token>
sharkly daemon status
Le service local détecte les outils installés comme Claude Code et Codex, puis signale chacun d’eux sous forme de Runtime.
Chaque Computer est soumis à une limite de tâches simultanées. D’après la documentation des Computers, les exécutions en répertoire temporaire sont plafonnées par défaut à 50 % de cette limite, et les tâches supplémentaires patientent en file d’attente lorsque la capacité maximale est atteinte. Commencez plus bas que vous ne le pensez : trois exécutions parallèles sur un même Computer constituent un premier test parfaitement calibré.
Utilisez le mode répertoire temporaire pour le travail sur le code. Chaque exécution bénéficie ainsi de son propre dossier, et les exécutions sur dépôt peuvent s’appuyer sur un git worktree dédié, évitant ainsi que deux agents n’écrivent dans la même copie de travail. Si les worktrees sont nouveaux pour vous, lisez d’abord comment utiliser les git worktrees avec des agents de code IA.
Étape 2 : Créer deux ou trois agents aux rôles bien distincts
Avoir dix agents ne veut pas dire concevoir dix personnalités distinctes. Il s’agit simplement de quelques rôles qui prennent chacun en charge plusieurs tâches.
- Builder : écrit les modifications de code. Associez-lui votre modèle le plus performant, à l’instar de ce que fait DeepSeek avec ses Workers.
- Reviewer : examine le diff ainsi que les critères de validation de la tâche, puis formule des retours.
- Fixer : prend en charge la correction des tests en échec et des retours de revue.
Les Agents, les Crews et les Computers ne consomment pas de licences utilisateurs (« seats ») ; ajouter un nouveau rôle ne vous coûte donc aucun siège supplémentaire.
Étape 3 : Rédiger des tâches totalement autonomes
C’est ici que la plupart des configurations parallèles échouent. Une tâche qui dépend du code non fusionné d’une autre tâche se retrouve bloquée ou provoque des conflits.
Définissez chaque tâche autour de trois éléments précis : un résultat attendu, les fichiers ou le module concernés, et un test de validation que n’importe qui peut lancer. « Ajouter un rate limiting sur /api/upload ; validation avec succès de npm test -- upload » fonctionne. « Améliorer l’API » ne fonctionne pas.
Si deux tâches doivent intervenir sur les mêmes fichiers, exécutez-les l’une après l’autre.
Étape 4 : Assigner, puis centraliser les suivis sur la tâche
Assignez chaque tâche à un agent. Une tâche située hors du Backlog peut démarrer son exécution immédiatement ; une tâche dans le Backlog patiente jusqu’à ce qu’elle passe dans un statut prêt.
Les retours et précisions se font dans les commentaires de la tâche, jamais dans un fil de discussion séparé. Le commentaire d’un membre sur une tâche assignée à un agent peut déclencher une exécution de suivi, et Sharkly regroupe automatiquement les commentaires rapprochés pour éviter les lancements en doublon. C’est exactement le principe des Threads de DeepSeek : la conversation reste rattachée au travail.
Une formule convenue telle que /revise suivie des ajustements demandés permet de repérer immédiatement les demandes de reprise.
Étape 5 : Automatiser les actions récurrentes avec des Automations
Une Automation associe des instructions à un agent ou un Crew, ainsi qu’à un ou plusieurs déclencheurs. D’après la documentation des Automations, quatre types de déclencheurs sont disponibles, en plus d’un déclenchement manuel « Run now » :
- Planification (Schedule) : une expression cron à cinq champs et un fuseau horaire.
- Statut de la tâche : se déclenche dès qu’une tâche passe dans un statut donné.
- Expression en commentaire : se déclenche lorsqu’un commentaire contient une expression précise, sans distinction de casse.
- Webhook : une URL secrète qui reçoit une requête POST, avec signature de requête facultative.
Une précision importante issue de la documentation : la correspondance des statuts et des commentaires s’applique aujourd’hui à l’ensemble de l’organisation, et non au seul périmètre d’un Space. Rédigez vos instructions afin que l’agent commence par vérifier la tâche déclencheuse (le préfixe de son titre, son Space) et s’interrompe s’il ne s’agit pas d’une correspondance. C’est la seconde étape de filtrage préconisée par DeepSeek, formulée ici sous la forme d’un prompt.
Étape 6 : Mettre en place un watchdog et un point de validation humaine
DeepSeek utilise un Watchdog indépendant pour intercepter les Workers qui bouclent ou s’égarent. Vous pouvez vous en approcher grâce à une Automation planifiée qui signale les exécutions dépassant anormalement leur durée standard, en vous basant sur les statuts d’exécution suivis par Sharkly : queued, running, completed, failed, canceled.
Placez ensuite un humain en fin de parcours : un statut de revue où une personne valide le diff avant la fusion. Votre capacité de revue constitue votre véritable plafond opérationnel ; pensez donc à lire Human Review Is the Bottleneck avant de monter au-delà de cinq agents. Pour savoir quels indicateurs surveiller pendant les exécutions, consultez comment surveiller des agents de code exécutés en parallèle.
Ce que coûte l’exécution de dix agents
Deux postes de dépenses distincts s’appliquent : les tokens du modèle et la couche de coordination.
Les tokens. Sharkly ne vend pas de tokens. Les exécutions sont décomptées de l’abonnement Claude Code, Codex ou de l’accès API déjà configuré sur le Runtime. Nous en expliquons la raison dans Why an Agent Platform Should Not Sell You Tokens.
Le parallélisme consomme des tokens. Le benchmark mené par DeepSeek est particulièrement éclairant sur ce point. Ils ont testé environ 300 messages pour une vingtaine de demandes de tâches, avec du code simulé et 5 exécutions par configuration, en qualifiant les résultats d’indicatifs.
| Configuration (données DeepSeek) | Temps par tâche (p50) | Temps par tâche (p95) | Tokens lus en cache par exécution |
|---|---|---|---|
| Super-agent | 12,4 min | 15,7 min | 23,2 M |
| Session unique + sous-agents, prompt neutre | 20,4 min | 29,5 min | 6,1 M |
| Session unique + sous-agents, prompt incitant à la délégation | 13,8 min | 29,0 min | 10,8 M |
Avec le prompt neutre, la session n’a pas délégué une seule fois en cinq exécutions. Le compromis est net : davantage de tokens consommés en contrepartie d’exécutions plus courtes et plus régulières. Nous n’avons pas reproduit ces benchmarks de notre côté.
La plateforme. Au 4 novembre 2026, la grille tarifaire de Sharkly indique que le produit est actuellement gratuit pour les organisations comptant jusqu’à 5 personnes. Le forfait Team s’élève à 7 $ par personne en facturation annuelle. Seules les personnes physiques sont comptabilisées dans les sièges utilisateurs.
Dans quels contextes cette approche excelle
- Dépilage de backlog : vingt tickets indépendants de petite taille, une tâche par ticket, un builder secondé par un reviewer.
- Correction de tests après une montée de version : une tâche par package en échec, chacune dans son propre worktree.
- Code et documentation au diapason : un déclencheur de statut lance un agent de documentation dès qu’une tâche de fonctionnalité passe en revue.
- Traitements de nuit : les tâches tournent sur un Computer distant qui ne dort jamais, et vous passez en revue les résultats au matin.
Si vous souhaitez d’abord déterminer où exécuter vos agents, le comparatif Codex Cloud vs vos propres Computers explore cette question en détail.
Commencez par trois
Faire tourner dix agents en parallèle est un aboutissement, pas un point de départ. Connectez un Computer, créez un builder et un reviewer, rédigez trois tâches aux livrables facilement vérifiables, puis assignez-les. Observez une boucle complète : exécution, commentaire, reprise, revue. Une fois cette routine parfaitement maîtrisée, augmentez la concurrence de deux et ajoutez une Automation.
FAQ
Combien d’agents de code IA une personne peut-elle gérer ?
L’équipe de DeepSeek situe cette limite entre 3 et 5 sessions actives lorsque vous suivez chacune d’elles individuellement. Vous pouvez en piloter bien davantage lorsque le travail est structuré sous forme de tâches aux critères de validation précis, car vous évaluez des résultats finaux plutôt que de scruter des sessions.
Est-il possible d’exécuter plusieurs agents Claude Code sur un même dépôt ?
Oui, dès lors que chaque exécution travaille dans son propre répertoire. Le mode répertoire temporaire alloue à chaque tâche un dossier isolé, et les exécutions de dépôt peuvent s’appuyer sur un git worktree dédié, ce qui évite que des agents en parallèle n’écrasent leurs modifications respectives.
Que se passe-t-il si j’assigne plus de tâches que mon Computer ne peut en traiter ?
Les tâches en trop rejoignent une file d’attente. Chaque Computer a une limite de tâches simultanées, et les exécutions démarrent au fur et à mesure que de la capacité se libère. Une exécution en attente patiente également si le Computer est hors ligne ou si son Runtime n’est pas disponible.
Faut-il nécessairement un serveur dans le cloud pour faire tourner des agents en parallèle ?
Non. Un simple ordinateur portable fait office de Computer grâce à Sharkly Desktop. Pour les exécutions de longue durée ou nocturnes, un serveur distant ou une machine Linux connecté via le CLI Sharkly continue de tourner lorsque votre ordinateur portable se met en veille.
Un tableau fonctionne-t-il exactement comme le super-agent de DeepSeek ?
Pas tout à fait. Le Router de DeepSeek est un LLM qui distribue le travail de façon autonome. Sur un tableau, c’est une personne qui assigne les tâches, tandis que les Automations prennent en charge les événements répétitifs.
