128 agents IA sans chef passent 49% de tests en plus qu'un seul agent

Des chercheurs de Microsoft Research ont testé ce qui se passe quand on confie une même tâche à un grand groupe d'agents IA sans désigner de chef. Dans le préprint Agensh, jusqu'à 1024 copies d'un même modèle de langage ont reproduit pendant six heures d'affilée le comportement de programmes existants. Ni manager, ni chef d'équipe, ni distribution de sous-tâches : l'instruction disait seulement « tous sont égaux, chacun décide seul ».

Le résultat a été mesuré avec le benchmark ProgramBench. L'agent reçoit un exécutable fonctionnel et sa documentation ; il ne peut ni consulter les sources ni désassembler, et n'a pas accès à Internet. Il doit écrire de zéro un code au même comportement, et des tests cachés vérifient combien de cas il reproduit.

Sur cinq tâches difficiles, un agent seul a passé en moyenne 19,31% des tests, contre 28,78% pour un essaim de 128. Le gain est de 9,47 points de pourcentage, soit environ 49% en relatif.

Pourquoi avoir supprimé l'agent principal

Un agent seul est limité à une fenêtre de contexte, une mémoire et un flux d'actions. Une grosse tâche lui prend beaucoup de temps. La solution habituelle est la hiérarchie : un agent principal découpe la tâche et distribue les morceaux à des exécutants. C'est ainsi que fonctionnent les sous-agents de Codex et de Claude Code, Copilot fleet et Kimi Agent Swarm. Mais plus il y a d'exécutants, plus l'agent principal passe de temps à planifier, à coordonner et à fusionner le travail des autres, et il devient lui-même le goulot d'étranglement.

Dans le système de recherche d'Anthropic, l'agent principal lance les sous-agents de façon synchrone et attend chaque groupe. La coordination y est plus simple, mais les sous-agents ne peuvent pas s'accorder entre eux, et tout le système reste à l'arrêt tant que l'un d'eux n'a pas fini sa recherche. Agensh supprime complètement le centre.

L'expérience des essaims d'égaux reste pour l'instant modeste. En août, la Frontier Red Team d'Anthropic a fait travailler de 10 à 80 agents pendant 12 heures sur un jeu. Les premiers modèles fusionnaient mal les correctifs ; les plus récents évitaient les conflits en travaillant chacun de leur côté.

Les rôles et un « directeur » désigné dans les prompts n'ont presque rien changé. En revanche, en février 2026, Nicholas Carlini a fait écrire à 16 agents Claude un compilateur C en Rust, avec un dépôt git commun et des verrous textuels. En deux semaines et pour environ 20 000 dollars, ils ont produit un compilateur de 100 000 lignes, capable de compiler Linux 6.

9. Agensh reprend le tableau de notes du travail DeLM de Stanford et ajoute sa propre messagerie.

Un cycle en cinq étapes et un tableau de notes courtes

Tous les agents travaillent simultanément et répètent le même cycle, décrit en mots dans le prompt et non codé en dur :

• rassembler le contexte : objectif, état du dépôt, messages et découvertes des collègues ; • prendre une tâche : annoncer par une entrée CLAIM ce dont on s'occupe, afin que les autres choisissent autre chose ; • exécuter : écrire le code et partager au fil de l'eau ce qui peut servir ; • vérifier : confronter le résultat aux critères d'acceptation et refaire en cas d'écart ; • fusionner : intégrer les changements dans la branche commune et décrire ce qui a changé, pourquoi et sur quelle preuve.

Le prompt est identique pour tous ; seul le numéro de l'agent diffère. Trois services partagés fonctionnent : un dépôt sur Gitea, un canal commun et des messages privés dans Mattermost (un message privé arrive en plein milieu du tour d'un agent), et un tableau de contexte. Le tableau comporte cinq types d'entrées : OBSERVED, un comportement observé ; FACT, un fait confirmé ; FAIL, une hypothèse réfutée ; CLAIM, la revendication d'une tâche ; PATCH_SUMMARY, la description d'un correctif terminé. Une entrée est limitée à 100 caractères (300 pour PATCH_SUMMARY), les détails allant dans un champ séparé. Le prompt présente FAIL comme l'entrée la plus précieuse : elle évite aux autres de gaspiller du budget dans une impasse.

Parmi les 200 tâches de ProgramBench, les chercheurs ont retenu les cinq plus difficiles : traitement vidéo et audio (FFmpeg), modélisation moléculaire (gromacs), convertisseur de documents (pandoc), interpréteur de langage (PHP) et indexeur de code (ctags). Partout, c'est GPT-5.6-sol avec un niveau de raisonnement élevé, associé à Copilot, qui a travaillé. Le groupe de 1024 agents a été réparti sur 16 serveurs de 64 agents et activé progressivement : un agent toutes les 30 secondes pendant la première heure, puis un toutes les trois secondes.

Des rôles que personne n'a assignés, et les réserves

Part moyenne de tests passés : 19,31% pour un agent, 20,68% pour huit, 26,52% pour 32 et 28,78% pour 128. Le gain est inégal : +1,37 point de un à huit agents, +5,84 de huit à 32, +2,26 de 32 à 128. Sur pandoc, 128 agents ont dépassé 30% des tests à la trentième minute, 32 agents dans la première heure, huit en une heure et demie. L'agent seul n'a pas atteint ce seuil en deux heures. Les mille agents n'ont été lancés que sur pandoc : 33,89% pour un agent, 50,94% pour 128, 55,06% pour 1024.

Avec un prompt identique, le comportement de l'essaim a changé avec sa taille :

• huit agents s'accordent sur l'interface d'un module et écrivent les parties en parallèle ; dans FFmpeg, un agent a changé de tâche après une discussion pour ne pas dupliquer celle d'un autre ; • à partir d'environ 30 agents, ils se relisent mutuellement : dans PHP, un correctif a été approuvé, puis un autre agent a trouvé un contre-exemple, l'approbation a été retirée, l'auteur a corrigé l'erreur et le correctif a été fusionné à la deuxième tentative ; • à 128, une spécialisation apparaît : les agents choisissent leurs relecteurs selon leur expérience, et dans pandoc, deux d'entre eux ont inventé un protocole avec hash de commit, repris ensuite par d'autres ; • à mille, des intégrateurs émergent : l'auteur d'un correctif envoie une demande à plusieurs candidats, retient le premier qui répond et annule les autres demandes.

Les rôles sont interchangeables : le départ d'un agent n'interrompt donc pas le travail.

Les réserves sont nombreuses. Le coût des exécutions n'est pas indiqué, et le passage de 128 à 1024 agents sur pandoc n'a apporté que +4,12 points, après +17,05 sur les 128 premiers. Les mille agents n'ont tourné que sur une tâche sur cinq. On ignore à quelle fréquence les agents ont réellement coopéré : les exemples sont tirés des journaux de travail. Surtout, l'essaim a été comparé à un agent seul, et non à un essaim dirigé par un agent principal ; la thèse « sans centre, c'est mieux » n'est donc pas démontrée.

Enseignement pratique : ce schéma convient là où un juge externe existe. Dans ProgramBench, c'est le programme de référence et les tests cachés ; pour le compilateur de Carlini, ce sont les tests et le GCC de référence. Dans l'expérience d'Anthropic avec le jeu, il n'y avait pas de juge, et l'essaim n'y est pas parvenu. L'infrastructure requise est minimale : Git, un chat et un tableau de notes. Les données sont insuffisantes pour un déploiement, mais suffisent pour une expérience sur une petite tâche dotée de tests prêts à l'emploi.