L'orchestration des agents IA pèse plus lourd que le choix du modèle, selon une étude arXiv

Une étude publiée sur arXiv en juillet 2026 a mis en évidence un résultat inattendu : optimiser la couche d'orchestration des agents IA (la manière dont le système assemble le contexte et gère les outils, l'enchaînement des actions et la logique d'exécution) influe davantage sur les coûts que le choix du modèle lui-même.

Comment l'effet de l'orchestration a été testé

Les auteurs ont mené une expérience contrôlée par substitution stricte. Ils ont retenu 22 tâches fixes d'évaluation d'agents et les ont testées sur six modèles de fondation. Seule la couche d'orchestration changeait ; tout le reste demeurait identique.

D'un côté, une architecture de production standard (le système ordinaire utilisé en conditions réelles) ; de l'autre, un Writer Agent Harness optimisé (une couche d'orchestration spécialement améliorée). Tous les modèles ont exécuté les mêmes tâches, avec la même durée et la même composition de contexte.

Résultats : des chiffres qui surprennent

• Baisse du coût : $0.21 → $0.12 par tâche (41 % d'économies)
• Exécution accélérée : 48 secondes → 27 secondes (44 % plus rapide)
• Économie de tokens : 14.2k → 8.8k tokens par tâche (38 % de moins)
• Qualité : 0.78 → 0.81 sur la métrique completion (maintenue ou améliorée)
• La qualité par dollar a progressé de 82 %
• Modèles testés : Claude Sonnet 4.6, Gemini 3.1, Gemini Flash 3.5, Qwen 3.6, GLM 5.1, Palmyra X6

La conclusion la plus frappante : sur cette charge de travail, la couche d'orchestration a pesé davantage sur le coût d'une tâche que toute la fourchette des écarts de prix entre les modèles eux-mêmes.

« L'orchestration est un composant unique dont l'efficacité se

multiplie sur chaque modèle qu'une organisation exécute : actuel et futur. »

L'effet joue-t-il sur tous les modèles ?

Oui. Les six modèles sont devenus de 33 à 61 % moins chers, quels que soient leur coût de base et leurs performances. L'effet est universel.

Mais les gains de qualité ont été inégaux : les modèles les plus puissants ont davantage progressé que les plus faibles. Les auteurs parlent de « harness leverage », l'effet de levier de l'orchestration. La corrélation entre l'amélioration de la qualité et la puissance initiale du modèle atteint r=0.99 (une relation quasi parfaite).

Quels mécanismes expliquent les économies ?

Les auteurs ont identifié six familles de mécanismes qui, ensemble, produisent le gain :

• Discipline de cache : forme et taille de cache adaptées, en évitant les cache misses
• Structuration des prompts : ordre de présentation du contexte, priorité aux données importantes
• Gestion des erreurs : si un appel d'outil renvoie une erreur, ne pas le relancer à l'aveugle
• Optimisation des relances : quand passer à l'étape suivante et quand un tour supplémentaire est nécessaire
• Observabilité et journalisation : voir ce que fait l'agent et repérer tôt les comportements inhabituels
• Maîtrise du coût des échecs : ne pas payer trop cher des tentatives infructueuses

Ces mécanismes se multiplient en outre entre eux.

Ce que cela signifie pour l'entreprise

Le choix du modèle ne représente qu'une partie de l'optimisation des coûts. L'ingénierie d'orchestration (comment on assemble le contexte, comment on gère le cache, comment on pilote la chaîne d'appels d'outils, comment on traite les erreurs et les défaillances) a plus de levier sur l'économie que le choix du modèle.

Pour les entreprises qui déploient des agents IA en production, cela signifie qu'avant de payer pour un modèle plus cher ou plus puissant, il vaut la peine d'examiner l'architecture du système lui-même. Une orchestration bien conçue peut offrir de plus gros gains de coût et de vitesse qu'une mise à niveau du modèle. Et ce gain passe à l'échelle : si vous exécutez six modèles, l'amélioration de l'orchestration profite aux six.