En résumé : L'orchestration d'agents IA consiste à coordonner plusieurs agents vers un objectif commun : déterminer qui prend en charge quelle partie, dans quel ordre, avec quel contexte et comment assembler les résultats finaux. Cinq grands modèles couvrent la majorité des systèmes : séquentiel, routage, parallèle, orchestrateur-travailleurs (orchestrator-workers) et boucles de révision. Le propre système multi-agents d'Anthropic consomme environ 15 fois plus de tokens qu'un simple chat ; par défaut, la configuration la plus simple qui fonctionne reste donc la meilleure option. Pour les équipes qui déploient des agents de code, l'orchestration relève avant tout de la gestion du travail : assignation, isolation, passage de relais et validation humaine.
Voici un mardi ordinaire en 2026. Claude Code répartit une migration entre trois sous-agents. Codex exécute la suite de tests dans un autre terminal. La session Gemini d'un collègue relit la pull request d'hier. Chaque outil gère parfaitement ses propres assistants. Mais personne ne coordonne les outils entre eux : deux d'entre eux modifient le même fichier de configuration en même temps, et la revue porte sur un code qui a déjà changé.
C'est précisément tout l'enjeu de l'orchestration d'agents IA. Le terme englobe aussi bien un framework Python reliant des agents au sein d'un graphe qu'une équipe décidant quel agent de code traitera tel ticket. Ce guide fait le point : une définition de référence, les cinq modèles documentés par les éditeurs, le coût réel de l'orchestration et ce qui change lorsque les agents écrivent du code. Pour passer à la pratique, consultez notre guide pour exécuter plusieurs agents Claude Code en parallèle.
Qu'est-ce que l'orchestration d'agents IA ?
L'orchestration d'agents IA désigne la coordination de multiples agents IA vers un objectif partagé : décider quel agent accomplit quelle part du travail, dans quel ordre, avec quel contexte, et comment leurs résultats sont combinés et vérifiés. La définition d'IBM en est très proche : « le processus de coordination de multiples agents IA spécialisés au sein d'un système unifié » (IBM). Celle de GitHub y ajoute la finalité : coordonner des agents autonomes « pour collaborer vers des objectifs partagés » (GitHub).
La distinction la plus utile réside dans l'entité qui prend les décisions de coordination. Dans son article Building effective agents, Anthropic sépare les workflows (« des systèmes où les LLM et les outils sont orchestrés via des chemins de code prédéfinis ») des agents (« où les LLM dirigent dynamiquement leurs propres processus et l'utilisation des outils »). Le guide d'orchestration de l'Agents SDK d'OpenAI trace la même frontière entre orchestration par le code et orchestration par le LLM, tout en permettant de combiner les deux approches.
L'orchestration par le code est prévisible et peu coûteuse à déboguer. L'orchestration par le modèle permet de gérer des objectifs ouverts, mais au prix d'exécutions qu'il est impossible de prédire avec certitude. La plupart des systèmes en production s'appuient sur du code pour l'ossature et laissent le modèle décider à l'intérieur de ce cadre.
Cinq modèles d'orchestration d'agents IA
Chaque grand framework nomme ses modèles différemment, mais tous décrivent les mêmes schémas fondamentaux. L'Agent Framework de Microsoft, qui succède à AutoGen et Semantic Kernel, propose cinq orchestrations. La page des modèles de l'ADK de Google en liste sept. Voici comment ils se recoupent :
| Modèle | Flux de travail | Également appelé | Idéal pour | Point de vigilance |
|---|---|---|---|---|
| Séquentiel | La sortie de l'agent A alimente l'agent B, puis C | Prompt chaining, pipeline | Étapes fixes : rédaction, vérification, puis mise en forme | Une étape défaillante corrompt toute la suite |
| Routage | Un classificateur ou un agent oriente chaque requête vers un spécialiste | Handoff, triage, coordinateur | Entrées hétérogènes nécessitant des expertises différentes | Les erreurs d'aiguillage ressemblent à des défaillances du spécialiste |
| Parallèle | Des tâches indépendantes tournent en même temps, puis les résultats fusionnent | Concurrent, fan-out/fan-in, sectioning, vote | Exploration large : recherche, analyse sous plusieurs angles | Fusion de résultats contradictoires |
| Orchestrateur-travailleurs | Un agent principal planifie, délègue et synthétise | Superviseur, magentic, hiérarchique | Objectifs impossibles à découper à l'avance | Coût en tokens et erreurs de l'agent principal |
| Boucle de révision | Un agent génère, un autre évalue, puis le cycle se répète | Evaluator-optimizer, generate-and-review | Tâches avec un niveau d'exigence qualité précis | Boucles qui ne convergent jamais |
La description du modèle orchestrateur-travailleurs donnée par Anthropic correspond à ce que la plupart des gens entendent par « orchestration » : « un LLM central décompose dynamiquement les tâches, les délègue à des LLM exécutants et synthétise leurs résultats ». La discussion de groupe (group chat), dans laquelle les agents débattent au sein d'un fil partagé, constitue un sixième schéma proposé par certains frameworks. Le guide d'architecture de Microsoft recommande de ne pas y faire intervenir plus de trois agents.
Combien coûte l'orchestration d'agents IA
L'intérêt de l'orchestration est bien réel. Le système de recherche multi-agents d'Anthropic, où un agent principal lance 3 à 5 sous-agents en parallèle, « a surpassé Claude Opus 4 en agent unique de 90,2 % » sur son banc d'évaluation interne de recherche, et la parallélisation a « réduit le temps de recherche jusqu'à 90 % pour les requêtes complexes ».
Le même article détaille toutefois l'addition. Les agents consomment environ 4 fois plus de tokens qu'un simple chat, et « les systèmes multi-agents consomment environ 15 fois plus de tokens que les chats ». Sur BrowseComp, « l'utilisation de tokens explique à elle seule 80 % de la variance » des performances. Multiplier les agents revient surtout à multiplier les lectures : c'est très utile pour des recherches approfondies, mais c'est du gaspillage sur une tâche ciblée.
C'est pourquoi Anthropic et Microsoft ouvrent tous deux leur documentation par le même conseil. Anthropic recommande de « trouver la solution la plus simple possible, et de n'augmenter la complexité qu'en cas de besoin ». Le guide de Microsoft préconise : « Utilisez le niveau de complexité le plus bas qui réponde de manière fiable à vos exigences ». Pour la majorité des modifications isolées, un agent unique doté d'une consigne bien rédigée surpasse un graphe à cinq agents.
Voici à quoi ressemble la plus petite orchestration concrète dans un outil de développement. Un sous-agent Claude Code se définit par un simple fichier dans .claude/agents/, auquel la session principale délègue une mission :
---
name: test-writer
description: Writes missing unit tests for a module after a feature lands.
tools: Read, Edit, Bash
isolation: worktree
---
Write unit tests for the module you are given. Match the existing test style.
Run the suite and report which tests you added and whether they pass.
Voilà le modèle orchestrateur-travailleurs en huit lignes : la session principale joue le rôle de coordinateur, le sous-agent travaille dans sa propre fenêtre de contexte et son propre worktree, puis le résultat remonte au coordinateur.
L'orchestration appliquée aux agents de code
Les agents de code imposent des contraintes que les agents de recherche n'ont pas. Leurs modifications aboutissent dans un dépôt partagé ; deux agents peuvent ainsi produire des changements individuellement corrects, mais en conflit direct l'un avec l'autre. La documentation des équipes d'agents (agent teams) de Claude Code, encore expérimentales et désactivées par défaut, l'énonce clairement : « Deux coéquipiers qui modifient le même fichier provoquent des écrasements ».
Chaque fournisseur orchestre désormais au sein de son propre outil. Claude Code propose des sous-agents et des équipes d'agents. Codex active les workflows de sous-agents par défaut. GitHub a présenté Agent HQ en février avec la possibilité d'« assigner une issue à Copilot, Claude, Codex, ou aux trois à la fois pour comparer les résultats ». En revanche, aucun ne coordonne les différents outils et les intervenants humains entre eux, ce qui constitue pourtant le quotidien des équipes de développement :
- Assignation : quel agent, sur quel Computer, prend en charge cette tâche. Notre article expliquant quel agent de code choisir selon la tâche aborde le routage en détail.
- Isolation : un répertoire de travail dédié par tâche, pour éviter que des travaux en parallèle ne se corrompent mutuellement.
- Passage de relais (handoff) : formaliser par écrit ce qu'un agent transmet lorsqu'il a terminé. Consultez nos modèles de passage de relais pour agents de code.
- Revue : une validation humaine avant toute fusion. Notre guide sur le workflow de revue avec intervention humaine explique où positionner ce point de contrôle.
Utilisez un framework d'orchestration comme LangGraph, l'Agents SDK d'OpenAI, le Microsoft Agent Framework ou l'ADK lorsque vous concevez un produit d'agents et devez maîtriser chaque étape. Privilégiez une couche de gestion lorsque les agents existent déjà — sous forme de sessions Claude Code, Codex ou Gemini CLI — et que l'enjeu réside dans la coordination de leur travail au sein d'une équipe.
La place de Sharkly dans l'orchestration d'agents IA
Sharkly n'est pas un framework pour créer des agents, et ne remplace pas Claude Code, Codex ou d'autres outils d'exécution. C'est la couche de gestion et d'orchestration qui se positionne au-dessus d'eux. Vous avez déjà des agents de code ; Sharkly en fait une équipe.
Le modèle orchestrateur-travailleurs s'y concrétise sous la forme d'un Crew : un groupe réutilisable de People et d'Agents coordonné par un Agent leader. La documentation des Crews de Sharkly précise la règle décisionnelle : « Pour des tâches simples et bien définies, assignez directement la Task à un Agent. Utilisez un Crew lorsque le leader doit interpréter l'objectif, faire intervenir d'autres Agents membres et consolider leurs résultats ». L'exécution se fait sous l'impulsion du leader, et une Task de Crew laissée dans le Backlog ne démarre pas le leader.
Quelle que soit la configuration adoptée, le suivi reste le même. La Task conserve l'objectif, chaque session s'exécute sur l'un de vos Computers — par défaut dans son propre répertoire —, puis l'état d'avancement, les blocages et les résultats sont rattachés à la Task. Les agents effectuent les recherches, exécutent le code, lancent les tests et rendent compte. Les humains donnent la direction, accordent les autorisations et valident le résultat. La section Crews de la page des fonctionnalités Agents illustre comment un leader délègue les tâches, et l'article Sharkly Crews en détaille un cas concret.
Si vos agents fonctionnent déjà et que la difficulté réside dans leur coordination entre collaborateurs et dépôts de code, c'est précisément ce problème que Sharkly résout.
FAQ
L'orchestration d'agents IA est-elle la même chose qu'un système multi-agents ? C'est proche, mais pas identique. Un système multi-agents désigne l'ensemble des agents. L'orchestration représente la logique de coordination : qui intervient à quel moment, avec quel contexte et comment assembler les résultats. Un système avec un seul agent et plusieurs outils ne requiert que très peu d'orchestration.
Quelle est la différence entre l'orchestration d'agents IA et l'orchestration IA ? L'orchestration IA consiste généralement à connecter des modèles, des pipelines de données et des outils au sein d'un workflow. L'orchestration d'agents IA est plus ciblée : elle coordonne des agents qui prennent leurs propres décisions au cours d'une tâche.
Ai-je besoin d'un framework comme LangGraph pour orchestrer des agents ? Uniquement si vous développez vous-même vos agents. Les agents de code tels que Claude Code et Codex orchestrent déjà leurs propres sous-agents ; il ne reste donc qu'à coordonner des exécutions complètes : assignation, isolation et revue. Notre guide pour assigner votre première tâche à un agent IA part de ce constat.
Par quel modèle d'orchestration d'agents IA devrais-je commencer ? Par un agent unique avec une consigne claire, puis par des exécutions séquentielles ou parallèles pilotées dans le code. Ne passez au modèle orchestrateur-travailleurs que si le travail ne peut être découpé à l'avance et que la facture en tokens en vaut la peine.
