250 sous-agents contre 4 threads : pourquoi l'architecture d'orchestration compte plus que le nom tape-à-l'œil d'un modèle

• L'écart sur OSWorld 2.0 : 70,2 % de checkpoints franchis contre 34,7 % de tâches entièrement résolues
• Le parallélisme d'orchestration : 250 sous-agents simultanés et 5 niveaux d'imbrication dans Claude Code contre 4 threads dans Codex
• Le coût d'une seule tâche de migration dans Codex : 4,7 milliards de tokens en une semaine (sur 12,7 milliards en un an et demi)
• La durée du test en conditions réelles : plus de 12 jours d'exécution continue contre 1 jour de travail sur un essaim d'agents

Chaque vague de sorties des grands laboratoires s'accompagne de la même hypnose visuelle. Avec la sortie de GPT-6 Astra, les réseaux sociaux se sont remplis de vidéos léchées : le modèle fait pivoter des scènes 3D dans Blender, déroule des textures, assemble une pièce technique avec export au format STEP et franchit le niveau 44 d'un captcha humoristique en battant un moteur d'échecs. Les équipes marketing ont fait un travail impeccable — l'être humain pense avec les yeux, et une image spectaculaire fait naître instantanément la légende d'une superintelligence advenue.

Mais si l'on ouvre le code source de cette démonstration d'ingénierie si médiatisée avec ses plans techniques, un détail apparaît, que les auteurs de republications oublient systématiquement : il s'agit d'un ensemble de compétences open source tiers, `text-to-cad`, écrit par un développeur indépendant. Exactement comme mon Claude Code, équipé d'une compétence spécialisée, pilote AutoCAD et Blender sans aucune magie cachée dans les poids du modèle.

Pourquoi 72,6 % dans le tableau promotionnel d'OSWorld 2.0 ne

signifient pas 72 % du travail effectué ?

La seconde ruse réside dans la façon dont les fournisseurs présentent les chiffres des benchmarks informatiques. Certes, la reconnaissance visuelle des interfaces a fait un bond en avant — sur ScreenSpot-Pro, le score atteint désormais 92,7 %. Mais le chiffre de 72,6 % sur OSWorld 2.0, relayé par tous les blogs tech, est signalé dans une note en petits caractères du tableau lui-même comme un `partial score`.

Si l'on consulte le classement officiel indépendant d'OSWorld 2.0, deux colonnes apparaissent toujours : la part des points de contrôle intermédiaires franchis à l'intérieur d'un scénario, et la part des tâches menées jusqu'au résultat final. Sur l'exemple des exécutions vérifiées de Claude Opus 5, on voit comment cette proportion fonctionne : le modèle franchit 70,2 % des checkpoints, mais ne boucle entièrement que 34,7 % des tâches. L'écart est exactement du double. Entre « j'ai appuyé sur deux bons boutons sur trois » et « j'ai livré un projet terminé au client », il y a un gouffre qu'une belle vidéo de démonstration ne permet pas de franchir.

Qu'a révélé un test de charge de 12 jours portant sur la migration de

369 compétences et 40 agents ?

Pour tester les modèles autrement que sur des exemples jouets, je leur confie du vrai travail d'infrastructure. La tâche était formulée de manière extrêmement précise : réaliser une migration complète et sans couture de mon environnement de travail (369 compétences, 40 agents, routage, scripts et mémoire multicouche) du format Claude Code vers un environnement isolé Codex.

J'ai commencé cette expérience sur GPT-5.6 Sol, puis, après la sortie, j'ai basculé le travail sur GPT-6 Astra. Après douze jours d'exécution continue et 4,7 milliards de tokens consommés en une seule semaine, la tâche n'était toujours pas bouclée. À titre de comparaison : un volume de refactorisation équivalent dans mon environnement habituel prend une journée de travail.

En creusant la documentation et les limites binaires des deux outils, la cause est apparue clairement :

• Dans Claude Code, la variable `CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS` accepte n'importe quel nombre entier — en production, j'ai fixé 250 sous-agents en parallèle et jusqu'à 5 niveaux de hiérarchie.
• Dans Codex, le paramètre `max_threads` est bloqué à 4 threads ouverts, et un worker terminé continue d'occuper un emplacement tant que l'orchestrateur n'appelle pas explicitement `close_agent`.
• Au lieu de pipelines déclaratifs à plusieurs vagues, il faut déclencher manuellement, un par un, les primitives `spawn_agent` et `wait_agent`.

Pourquoi une semaine de travail autonome d'un agent est-elle le

symptôme d'un goulet d'étranglement, et non un motif de fierté ?

Il est aujourd'hui de bon ton de s'émerveiller qu'un agent puisse peiner seul sur une tâche pendant toute une semaine. En pratique, cela signifie une seule chose : le système ne dispose pas d'un bus d'orchestration digne de ce nom pour décomposer la tâche en cinquante bras indépendants et assembler le résultat en deux heures, avec vérification de chaque morceau. Même le modèle le plus rapide, coincé dans une file de quatre threads, perdra face à un essaim correctement conçu.

Des analyses détaillées de l'architecture des systèmes multi-agents et des tests honnêtes de modèles sans fard marketing, je les publie sur la chaîne [@jemal_hamidun](https://t.me/jemal_hamidun). Un orchestrateur complet sans limites artificielles de threads, nous le développons dans le produit [Nomad AI](https://nomadnet.ai). Apprendre à construire des vagues de sous-agents est possible en pratique à [Hamidun Academy](https://academy.hamidun.com) avec un essai gratuit de 72 heures, et récupérer des configurations d'essaims clé en main ainsi que plus de 370 compétences se fait sur [Vibe Club](https://hamidun.com/club).