Dans l’usage des cadres de développement, l’orchestration d’agents IA désigne la manière dont une application décide quels agents s’exécutent, dans quel ordre, et comment se choisit l’étape suivante. La documentation de l’Agents SDK d’OpenAI, consultée le 12 novembre 2026, la résume par ces trois interrogations. Le vocabulaire varie d’une source à l’autre : la documentation de CrewAI parle de processus, celle de LangChain de motifs.
Les modes d’orchestration se distinguent par celui qui décide. Dans l’enchaînement fixé par le code, l’équipe a écrit l’ordre des étapes. Avec un orchestrateur, un agent principal découpe la demande et délègue à des agents spécialisés. Dans le passage de relais, l’agent qui tient la tâche s’en dessaisit au profit d’un autre. Le premier convient lorsque les étapes se connaissent à l’avance, le deuxième lorsque le découpage change avec chaque demande et qu’un seul agent doit répondre du résultat, le troisième lorsqu’un spécialiste doit reprendre l’échange lui-même.
Ce que l’orchestration d’agents IA décide, et qui le décide
La notion de système multi-agents désigne une architecture ; l’orchestration, la règle de circulation à l’intérieur. Elle se pose dès qu’un traitement compte plusieurs étapes confiées à un modèle, que ces étapes soient de simples appels ou des agents IA complets.
| Mode | Qui choisit l’étape suivante | Ce que le mode coûte | Situation où il convient |
|---|---|---|---|
| Enchaînement fixé par le code | Le code écrit par l’équipe | Des cas à prévoir un par un ; une demande imprévue échoue ou part vers une personne | Étapes connues à l’avance, chacune testable seule |
| Orchestrateur et agents spécialisés | Un agent principal, qui garde la main | Des appels de modèle en plus ; des consignes de délégation à écrire ; un découpage erroné peut se propager | Découpage variable, un seul agent répond du résultat |
| Passage de relais | L’agent qui tient la tâche | Un contexte transmis à maîtriser ; pas d’agent qui tienne la vue d’ensemble ; des trajectoires plus nombreuses à tester | Un spécialiste reprend lui-même l’échange |
Ce tableau est notre synthèse des documentations citées plus bas, consultées le même jour ; les coûts y sont qualitatifs. Prenons, pour l’illustrer, le service après-vente d’un fabricant de machines-outils, qui reçoit des demandes de pièces détachées, des signalements de panne et des questions de garantie.
Quand le code fixe l’enchaînement
L’équipe écrit la suite des étapes ; le modèle n’intervient qu’à l’intérieur de chacune. Le guide « Building effective agents » d’Anthropic (19 décembre 2024) décrit ce chaînage comme une suite d’étapes où chaque appel au modèle traite la sortie du précédent, avec des contrôles programmés possibles entre deux étapes. La documentation de CrewAI nomme processus séquentiel l’exécution des tâches dans un ordre prédéfini. Celle de l’Agents SDK d’OpenAI range dans la même famille le classement d’une demande suivi d’un aiguillage, la boucle où un agent évalue le travail d’un autre et l’exécution en parallèle de tâches indépendantes.
Pour une demande de pièce, les étapes ne varient pas : identifier la machine par son numéro de série, retrouver la référence au catalogue, consulter le stock, rédiger la réponse. Chacune se teste seule, avec une entrée et une sortie attendue, et une exécution se relit dans l’ordre où le code l’a écrite.
Le prix est la rigidité : chaque cas doit avoir été prévu. Anthropic juge ce chaînage adapté aux tâches qui se décomposent proprement en sous-tâches fixes, et note qu’il échange du délai contre de la précision, chaque appel recevant une tâche plus simple.
Un orchestrateur délègue à des agents spécialisés
Un agent principal reçoit la demande, choisit les spécialistes à solliciter et ce qu’il leur transmet, puis compose la réponse à partir de leurs retours. Le guide d’OpenAI « A practical guide to building agents » nomme ce motif manager et le juge adapté lorsqu’un seul agent doit garder la main sur le déroulement et sur l’échange avec l’utilisateur. Anthropic le destine aux tâches complexes dont les sous-tâches ne se prévoient pas.
Pour un signalement de panne, le découpage dépend de la machine et des symptômes. L’orchestrateur interroge un agent chargé de la documentation technique, un autre chargé de l’historique des interventions, puis rédige le diagnostic proposé au technicien.
La documentation de LangChain compare ses motifs sur des exemples. Sur une demande simple, la délégation y ajoute un appel de modèle, puisque chaque résultat repasse par l’agent principal, et les agents délégués repartent de zéro à chaque sollicitation : leur contexte reste isolé, mais le parcours se répète. En contrepartie, des sous-tâches indépendantes s’exécutent en parallèle. S’y ajoute un travail de conception : un agent spécialisé ne connaît de la demande que ce que l’orchestrateur lui transmet.
Ce point de passage unique sert aussi de point de contrôle. La documentation d’OpenAI relève qu’il permet d’appliquer des garde-fous communs à un seul endroit.
Le passage de relais confie la suite à un autre agent
Ici, aucun agent ne garde la main. Un agent d’accueil qualifie la demande et la transmet à un spécialiste, qui devient l’interlocuteur. Le guide d’OpenAI parle de motif décentralisé, où les agents opèrent en pairs, et le juge adapté lorsqu’il n’est pas nécessaire qu’un agent unique conserve le contrôle central ou la synthèse.
Dans l’exemple, l’agent d’accueil reconnaît une question de garantie et passe le relais à l’agent qui connaît les contrats. Celui-ci poursuit l’échange avec le client, sans que le premier ait à relayer chaque réponse.
Le coût tient à ce qui est transmis. Dans l’Agents SDK d’OpenAI, l’agent qui reçoit le relais voit par défaut tout l’historique de la conversation, sauf si un filtre d’entrée en décide autrement. Ce qui circule d’un agent à l’autre se règle donc à la conception, pour le volume du contexte comme pour la confidentialité. La documentation de LangChain relève que l’agent actif le reste d’un tour à l’autre, ce qui épargne des appels lorsqu’une demande se répète, mais que le relais traite l’un après l’autre des domaines qu’une délégation aurait consultés en parallèle.
Le relais demande aussi un plafond au nombre de transmissions, faute de quoi deux agents peuvent se renvoyer une demande, et une trace que les transmissions n’interrompent pas, sujet du LLMOps. Comme chaque agent peut recevoir un contenu lu par un autre, le montage se revoit sous l’angle de la sécurité des agents IA.
Choisir un mode, puis en changer sur des relevés
Nous proposons de poser les questions dans cet ordre. Les étapes se connaissent-elles à l’avance ? Si oui, le code les fixe. Sinon, un agent unique doté des bons outils suffit-il ? Le guide d’OpenAI recommande de pousser d’abord les capacités d’un seul agent, et cite, parmi les signes qui justifient de répartir, des consignes devenues trop ramifiées et des outils trop semblables que l’agent confond. Si plusieurs agents sont nécessaires, le choix entre orchestrateur et relais dépend de celui qui doit répondre du résultat final et parler à l’utilisateur.
Les modes se combinent : un enchaînement fixé par le code peut confier une seule de ses étapes à un orchestrateur, ce qui garde le reste testable étape par étape.
Quel que soit le mode, les agents agissent par les interfaces des applications, dont la tenue relève de l’architecture du système d’information. Le degré d’autonomie, les permissions et la supervision humaine se décident avant le mode d’orchestration : notre page agents IA les décrit.
Le passage d’un mode à l’autre se décide sur des relevés : la part des demandes qui sortent des cas prévus, le nombre d’appels de modèle et le coût par demande, la part des résultats repris par une personne. Tant que ces relevés ne bougent pas, le mode le plus prévisible reste en place.