Anthropic indique que les entreprises peuvent gagner en rapidité, en coût et en qualité en remplaçant une multitude de sous‑agents spécialisés par un agent principal capable de charger le contexte à la demande. Cette recommandation repose sur plusieurs déploiements réels où les architectures à multiples agents montraient des temps de LatenceDélai entre l'envoi d'une requête à un système et l'obtention d'une réponse ou du début de celle-ci. plus élevés et des pertes d’information à chaque passage de main.

Un agent unique, plus rapide et moins cher

Les nouveaux modèles d’Anthropic – Opus 4.5, Opus 5.5 et Fable 5.1 – sont capables de gérer des plans complexes en une seule boucle de traitement. Dans un test comparatif, l’architecture à agent unique a exécuté les mêmes tâches en deux fois moins de temps que l’ensemble de sous‑agents. Le gain de vitesse s’accompagne d’une réduction des coûts d’InférencePhase durant laquelle un modèle entraîné utilise ses paramètres pour produire une prédiction ou une réponse à partir de nouvelles données., puisque le modèle ne doit plus charger plusieurs contextes distincts.

Quand les sous‑agents deviennent un frein

Un déploiement typique décrit par l’équipe Applied Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. d’Anthropic impliquait une centaine de sous‑agents répartis dans un agent de support client. Chaque sous‑agent ajoutait une couche de PromptL’instruction et le contexte fournis à un modèle pour orienter sa réponse. supplémentaire, ce qui rendait difficile le maintien d’une expérience de marque cohérente et augmentait la latence. De plus, chaque transfert de contexte entraînait une perte d’information partielle, nuisant à la pertinence des réponses.

Le rôle grandissant du modèle dans l’orchestration

Traditionnellement, les systèmes d’agents comprennent plusieurs étapes : détection d’intention, pipeline fixe, segmentation utilisateur, branches de recommandation et un orchestrateur final. Anthropic montre que le modèle lui‑même peut prendre en charge la plupart de ces fonctions, limitant ainsi le besoin d’un orchestrateur externe. Cette capacité à « commenter son propre progrès » et à vérifier son travail réduit la dépendance à des contrôles manuels et à des prompts « Frankenprompt » où les règles s’opposent.

Quand garder des sous‑agents ?

Anthropic ne recommande pas d’abandonner complètement les sous‑agents. Trois cas restent pertinents :

  • La Fenêtre de contexteQuantité maximale de tokens qu'un modèle peut prendre en compte dans son contexte lors d'un traitement. d’un agent unique montre une dégradation mesurable des performances.
  • Plusieurs tâches doivent s’exécuter en parallèle avec des contextes distincts.
  • Le choix d’outils devient trop difficile pour un seul agent.

Dans ces situations, un sous‑agent dédié peut éviter que le système principal ne surcharge son contexte ou ne fasse de mauvais choix d’outils.

Passer à l’agent unique : un kit de migration

Anthropic a publié sur GitHub un kit de migration détaillant les étapes nécessaires : identifier les patterns existants, évaluer les alternatives, tester la configuration la plus adaptée et valider les résultats. Le guide met en garde contre une fusion aveugle : dans un test de support, l’ajout d’un sous‑agent a certes réduit la latence, mais a aussi désactivé un processus fonctionnel, l’agent principal répondant sans consulter le spécialiste prévu.

Gérer les bibliothèques de compétences

Pour éviter la prolifération de compétences, l’entreprise conseille de centraliser les workflows sous forme de « skills » chargées à la demande via un moteur de recherche d’outils. Un petit groupe devrait maîtriser le System PromptInstructions de haut niveau utilisées pour définir le rôle, les règles et le comportement attendu d'un assistant IA. et la qualité globale, tandis que chaque équipe maintient un nombre limité de définitions d’outils (entre 30 et 50) afin d’éviter la dégradation des sélections d’outils.

Vers une architecture plus simple

En pratique, la simplification du système se traduit par une réduction de plus de 80 % du prompt système pour les modèles récents, comme le montre la version Claude Code. Moins de règles contradictoires, des outils qui se chargent uniquement quand ils sont nécessaires et un modèle capable de vérifier ses propres réponses créent un environnement plus prévisible et moins coûteux.

Un aperçu du futur

Les conclusions d’Anthropic rejoignent des études récentes, notamment celle de Vals, qui souligne que multiplier les agents n’apporte pas de gain de qualité et augmente les dépenses. Des voix comme celle d’Eric Provencher d’OpenAI questionnent déjà la valeur économique des « swarms » d’agents. Dans ce contexte, la consolidation apparaît comme la voie la plus robuste pour les équipes cherchant à déployer des solutions IA à grande échelle, tout en gardant la possibilité de réintégrer des sous‑agents lorsque les limites techniques le justifient.