Le vrai écart ne vient pas de ChatGPT, mais de l’architecture

Pendant un mois, j’ai utilisé ChatGPT comme tant d’utilisateurs avancés le font déjà: une seule fenêtre, une seule mémoire de travail, une seule interface pour presque tout. Recherche, courriels, relecture de code, texte marketing, organisation, petits arbitrages du quotidien. L’expérience paraissait fluide. Je terminais mes journées avec une impression nette de productivité. Puis j’ai remplacé cette logique par un flux multi-agents, où plusieurs systèmes spécialisés se transmettaient le travail selon une séquence précise. C’est là qu’est apparu l’écart réel: moins de dispersion, moins de friction, et surtout davantage de projets effectivement terminés.

Le point intéressant n’est pas de savoir si les agents sont, en soi, plus brillants que ChatGPT utilisé seul. La question sérieuse est ailleurs: faut-il voir dans les workflows multi-agents une évolution naturelle du travail intellectuel, ou un piège de complexité artificielle? Mon test incline vers une réponse nuancée. Oui, l’orchestration peut produire un gain très concret. Non, elle ne vaut rien lorsqu’elle se contente d’ajouter des couches techniques à un processus mal pensé.

Ce que l’expérience mesurait vraiment

J’ai séparé les tâches récurrentes en trois familles. La recherche, d’abord, qui peut être menée en parallèle. L’écriture, ensuite, beaucoup plus séquentielle, car elle exige continuité argumentative, hiérarchie des idées et cohérence de ton. Enfin, les opérations, zone mixte qui regroupe formatage, gestion de fichiers, calendrier, suivis et petites routines. Chaque famille a reçu son propre agent, son propre prompt système et son propre format de sortie.

Ce détail organisationnel a produit l’essentiel du gain. Je n’ai pas découvert une intelligence supérieure. J’ai réduit la contamination des contextes. Un agent de recherche n’avait plus à porter les restes d’un brief commercial ou d’une conversation logistique. Un agent de rédaction recevait une matière déjà triée. Un agent opérationnel gérait l’exécution sans se mêler de création. Autrement dit, j’ai cessé d’utiliser un outil généraliste comme si toutes les tâches avaient la même forme cognitive.

Pourquoi un seul chat finit par mélanger les régimes de travail

Cette distinction n’a rien d’intuitif tant que l’on raisonne en termes d’outil unique. Pourtant, elle est bien documentée. Google Research montre que des systèmes multi-agents, lorsqu’ils opèrent sur des tâches parallélisables, peuvent améliorer la performance de 80,9 % par rapport à un agent seul. En revanche, sur des tâches séquentielles exigeant un raisonnement resserré, ces mêmes configurations peuvent dégrader la performance de 39 % à 70 %.

Ce résultat déplace complètement le débat. Il ne s’agit plus de demander s’il faut “passer aux agents”, comme on adopterait une mode technologique. Il s’agit de cartographier le travail. Où le parallélisme crée-t-il de la valeur? Où la continuité de raisonnement exige-t-elle au contraire un fil unique? À défaut de cette cartographie, la sophistication devient cosmétique. Elle donne l’illusion d’un système avancé, tout en détruisant une partie de l’efficacité qu’elle prétend produire.

Le piège de la complexité artificielle

Le principal risque apparaît lorsque plusieurs agents partagent trop librement leurs hypothèses. Ils cessent alors de se compléter et commencent à se confirmer. L’un suppose, l’autre reformule, le troisième polit le tout. Le résultat semble cohérent, mais cette cohérence n’est parfois que l’accumulation de la même erreur. Le même travail de Google Research observe d’ailleurs que des systèmes indépendants peuvent amplifier les erreurs jusqu’à 17,2 fois, alors qu’une coordination centralisée réduit cette amplification à 4,4 fois.

C’est ici que l’architecture devient un choix critique plutôt qu’un détail d’implémentation. Un bon workflow multi-agents n’organise pas seulement la coopération, il organise aussi le désaccord utile. L’agent de recherche doit faire remonter des éléments contradictoires. L’agent de rédaction doit bloquer les affirmations insuffisamment étayées. L’agent de relecture doit retrouver les angles morts des deux autres. Sans cette tension, on n’obtient pas un collectif intelligent. On obtient une machine coûteuse à valider ses propres présupposés.

Les chiffres au bout de 30 jours

Les résultats de mon essai étaient suffisamment simples pour être parlants. Mois ChatGPT seul: 47 projets lancés, 31 terminés, 4,2 heures en moyenne par livraison. Mois multi-agents: 44 projets lancés, car la mise en place a pris du temps, mais 42 terminés, avec 2,8 heures en moyenne par projet achevé. La statistique la plus importante n’était pas seulement la vitesse. C’était le taux d’achèvement: 66 % contre 95 %.

Ce point compte davantage que l’effet de démonstration. Beaucoup d’outils donnent une impression d’avancement. Peu améliorent réellement la clôture du travail. Un travail expérimental de Harvard et du MIT va dans le même sens: les gains observés viennent surtout d’une communication plus orientée vers la tâche et d’une délégation plus structurée. De son côté, McKinsey QuantumBlack insiste sur un principe voisin: ce n’est pas l’agent isolé qui crée la valeur, mais la refonte du workflow.

Peut-on adopter ces flux sans devenir dépendant de la complexité?

La réponse française à cette question devrait être prudente. Oui, ces flux peuvent devenir un avantage concret. Mais ils créent aussi une nouvelle dépendance: dépendance à l’orchestration, à la supervision, aux règles de validation, à la gouvernance. Ce n’est pas un détail. En France, Deloitte souligne que l’usage de l’IA agentique progresse rapidement, alors que seule une entreprise sur cinq dispose d’un modèle mature de gouvernance des agents autonomes. Le sujet n’est donc pas seulement technique. Il est organisationnel et politique.

La conclusion la plus utile reste pourtant modeste. Vous n’avez pas besoin d’une constellation d’agents dès demain. Commencez par séparer la recherche de la création. Ajoutez ensuite, si nécessaire, une couche opérationnelle. Cette discipline simple produit déjà plus d’effet que beaucoup de raffinements de prompt. Et elle éclaire aussi la tendance du marché: selon Gartner, 40 % des applications d’entreprise devraient intégrer des agents spécialisés d’ici fin 2026. L’enjeu n’est donc plus d’adopter l’outil le plus séduisant. L’enjeu est de savoir si l’on construit une architecture qui simplifie réellement le travail, ou une sophistication supplémentaire qui vous rendra seulement plus dépendant de votre propre complexité.