Une pile open source de 6 modèles et 9 agents montre comment monter une équipe d'IA sur un seul serveur

Une équipe autonome de neuf agents d'IA peut concevoir, écrire, tester et déployer de nouveaux agents sans intervention humaine. Elle ne nécessite pas un ensemble d'API fermées : le schéma repose sur six modèles open source et, dans sa version de base, tient sur un seul serveur GPU.

Comment l'équipe est organisée

Au lieu d'un modèle « universel » unique, l'auteur a bâti une chaîne de neuf rôles. Certains agents s'occupent de la définition de la tâche et de l'architecture ; d'autres, de l'écriture du code, du contrôle qualité, des tests et de la mise en production. Le résultat n'est pas un gros assistant, mais une petite organisation d'ingénierie où chaque membre accomplit une portion étroite du travail.

Cette approche limite le chaos : l'agent n'a pas à planifier le système, écrire des modules, lancer des tests et évaluer ses propres erreurs en même temps. L'idée centrale est que l'autonomie ne vient pas de la magie, mais du découpage du processus en étapes. Si l'agent ne comprend que son périmètre et reçoit en entrée une tâche déjà structurée, les exigences envers le modèle deviennent plus claires. L'orchestrateur doit savoir raisonner et garder le contexte, le constructeur doit générer du code de façon stable, et le critique doit repérer les problèmes dans l'usage des outils et les scénarios d'exécution. Le gain ne vient donc pas d'un supermodèle, mais de l'assemblage précis des rôles dans un pipeline opérationnel.

Rôles et benchmarks

L'auteur rejette explicitement l'idée d'un « meilleur modèle en général ». Les rôles sont choisis d'après ce que confirment les benchmarks. Pour l'orchestrateur, le raisonnement compte : la référence est un score GPQA de 88,4 %. Pour le constructeur, la génération de code est critique, et c'est HumanEval qui sert de repère, avec 92,7 %. Pour le critique, la compréhension de l'usage des outils et du comportement des agents dans les tâches prime ; on retient donc tau-bench, avec un résultat de 87,4 %. C'est cette spécialisation qui explique l'emploi de six modèles open source différents plutôt que d'un modèle de classe GPT pour tous les cas.

• Orchestrateur : raisonnement solide, priorisation et décomposition des tâches
• Constructeur : génération de code et traitement rapide des modifications d'ingénierie
• Critique : vérification de l'usage des outils, de la qualité des solutions et des points faibles du pipeline
• Autres rôles : tests, déploiement et étapes de service, où l'on peut réutiliser des instances partagées

Neuf agents ne signifient pas neuf modèles complets en mémoire simultanément. Une astuce pratique est le partage d'instances : plusieurs rôles se servent du même modèle si leurs charges et profils de tâches sont proches. Ainsi, un système de neuf agents peut fonctionner avec seulement trois ou quatre instances de modèle. Cela réduit fortement la consommation de VRAM, simplifie la maintenance et rapproche l'architecture de la production réelle, plutôt que d'une démonstration à budget illimité.

Matériel et lancement

Le volet infrastructure mérite une attention particulière. L'auteur décrit trois configurations de déploiement : d'une seule RTX 4090 avec 24 Go de mémoire à un cluster de A100 totalisant 211 Go. Entre ces extrêmes, on peut choisir l'équilibre entre vitesse, qualité et parallélisme. Pour réduire les coûts, on recourt à la quantification, à une infrastructure d'inférence soignée et à un tableau de bord interactif qui aide à suivre les rôles, la charge et l'avancement des tâches. Autrement dit, il ne s'agit pas seulement de choisir des modèles, mais aussi de leur offrir un véritable environnement d'exploitation.

La conclusion pratique est simple : l'IA agentique open source cesse d'être un jouet de laboratoire. Si ces schémas étaient jusqu'ici associés soit à des API coûteuses, soit à des clusters lourds, celui-ci montre une voie de démarrage plus terre à terre. Une petite équipe peut commencer avec un serveur, vérifier la viabilité du pipeline, puis le faire monter en charge à mesure que les tâches augmentent. Le coût ressemble désormais à un choix d'ingénierie, et non à une barrière qui écarte d'emblée la plupart des équipes.

Ce que cela signifie

Le marché s'éloigne de l'idée d'un modèle « magique » pour aller vers des systèmes orientés rôles, où la bonne composition compte plus qu'un nom retentissant dans une API. Pour les entreprises, c'est un signal : on peut dès maintenant assembler des équipes d'IA autonomes à partir de composants open source, à condition de les traiter comme une infrastructure et un processus, et non comme une simple fenêtre de chat.