L’intelligence artificielle a franchi un nouveau cap dans le monde professionnel. Alors que la plupart des outils actuels reposent sur un agent unique pour gérer l’ensemble d’une tâche, une nouvelle approche émerge : les systèmes multi-agents. Cette évolution promet de transformer radicalement notre façon de créer des documents d’entreprise.
C’est cette vision qu’a présentée Damien Hontang, CEO de la start-up française Thinkeo, lors du salon Big Data & AI Paris. À travers trois démonstrations concrètes de sa plateforme, il a illustré comment les systèmes multi-agents peuvent répondre aux défis documentaires complexes des entreprises.
Le constat : un agent seul ne suffit plus
Sur le marché actuel de l’IA, la plupart des solutions proposent un fonctionnement simple : un seul agent définit les tâches, orchestre le travail et opère de manière autonome. Cette approche peut sembler séduisante par sa simplicité, mais elle se heurte rapidement à la complexité du monde réel.
Dans une entreprise, chaque document professionnel est soumis à une multitude de contraintes : règles juridiques, normes commerciales, contexte client, charte graphique, templates spécifiques. Qu’il s’agisse de répondre à un appel d’offres, de créer un tableau de bord ou de rédiger un contrat, ces règles explicites et implicites sont si nombreuses qu’un agent unique ne peut pas toutes les maîtriser efficacement.
C’est là qu’intervient un principe fondamental : plus la mission d’une IA est précise, moins elle risque d’halluciner. En spécialisant plusieurs agents sur des tâches distinctes et en les faisant collaborer, on peut aborder des cas d’usage beaucoup plus complexes et proches de la réalité entrepreneuriale. Et c’est ce que propose donc Thinkeo.
L’approche multi-agents : le Taylorisme à l’ère de l’IA
L’analogie avec le fonctionnement humain est éclairante. Dans une entreprise, les équipes sont spécialisées : chacune possède son domaine de compétences, sa documentation propre et ses outils spécifiques. Les systèmes multi-agents reproduisent cette logique organisationnelle.
Plutôt que de demander à un seul agent de produire un document complet, on divise la tâche complexe en multiples sous-tâches. Un agent s’occupe de l’introduction, un autre de la première partie, un troisième de la section suivante, et ainsi de suite. Chaque agent bénéficie du contexte créé par les précédents, formant une chaîne de production documentaire intelligente.
Cette approche permet d’interagir avec n’importe quel type de données en entrée (documents PDF, PowerPoint, Excel, données web, données issues d’outils métier) et de produire en sortie des documents structurés et professionnels.
L’enjeu crucial de l’orchestration
Mais travailler avec 5, 10 ou 15 agents simultanément soulève des questions inédites :
- Comment s’assurer que le contexte partagé entre agents liés est correct ?
- Que se passe-t-il si une erreur survient au début de la chaîne de création ?
- Comment interagir efficacement avec cette multiplicité d’intelligences artificielles ?
La solution adoptée par les pionniers de cette approche repose sur un agent parent (ou « master agent »). Ce super-agent concentre l’interaction avec l’utilisateur et coordonne le travail des agents spécialisés qui opèrent en parallèle. L’utilisateur peut ensuite interagir avec les différents agents ou leurs résultats, mais le point d’entrée reste unique, simplifiant considérablement l’expérience.
Premier cas d’usage : la génération de mémoires techniques pour les réponses à appels d’offres
Le défi des réponses à appels d’offres
Répondre à un appel d’offres représente un investissement considérable pour les entreprises. En moyenne, quatre appels d’offres sur cinq sont perdus, rendant ces efforts particulièrement coûteux. Le processus traditionnel implique de jongler entre une volumineuse documentation interne d’un côté et un plan de réponse imposé par le client de l’autre, pour finalement constituer un document cohérent et convaincant.
Une solution multi-agents sophistiquée
L’application développée pour répondre à ce besoin met en œuvre plus de 20 agents IA travaillant de concert. Malgré cette complexité technique, l’interface utilisateur reste volontairement simple : l’objectif est de masquer la machinerie sous-jacente pour offrir une expérience fluide.
Le processus se déroule en plusieurs étapes orchestrées :
- Identification du plan : Un premier agent analyse le cahier des charges du client pour extraire le plan de réponse attendu
- Répartition du travail : Un second agent distribue les tâches d’identification et de recherche de données pertinentes dans la base de connaissances interne
- Recherche spécialisée : Jusqu’à 16 agents contributeurs travaillent en parallèle, chacun spécialisé sur une section précise du document
- Rédaction finale : Des agents rédacteurs prennent le relais pour produire le contenu définitif de chaque partie
Cette architecture permet de diviser le temps de réponse par 10 par rapport aux méthodes traditionnelles — un gain considérable dans un domaine où le temps et les ressources sont précieux.
L’équilibre délicat entre prédictibilité et flexibilité
Un enjeu majeur des systèmes multi-agents réside dans l’équilibre à trouver entre deux exigences apparemment contradictoires :
- La prédictibilité : certaines tâches doivent être exécutées dans un ordre précis, avec des garanties de cohérence
- La flexibilité : le système doit pouvoir s’adapter aux variations de contexte et aux spécificités de chaque appel d’offres
Il ne s’agit ni d’un workflow rigide où tout est déterminé à l’avance, ni d’une autonomie complète où les agents opèrent sans garde-fous. En fonction des usages et de la réalité de chaque entreprise, cet équilibre doit être finement calibré.
L’interaction humaine reste essentielle
Bien que le système puisse fonctionner de manière largement autonome pendant environ 15 minutes pour générer un mémoire complet, l’expérience montre que les utilisateurs préfèrent généralement travailler avec l’IA plutôt que de la laisser opérer seule. Les enjeux de fiabilité, de véracité et de précision sont trop importants dans ce type de documents stratégiques.
C’est pourquoi l’interface intègre des étapes de validation permettant à l’utilisateur de garder la main sur le processus. Par exemple, si le plan initialement identifié par l’agent nécessite des ajustements, l’utilisateur peut le modifier avant la phase de rédaction, et ces modifications seront automatiquement prises en compte par tous les agents suivants dans la chaîne.
Le document final est éditable : ajout d’images, modification de texte, restructuration de sections. L’objectif n’est pas de remplacer l’humain mais de créer un espace de collaboration entre l’utilisateur et le système multi-agents.
Deuxième cas d’usage : la génération de propositions commerciales
Le principe du parallélisme intelligent
La seconde application illustre un autre avantage majeur des systèmes multi-agents : la capacité de faire travailler plusieurs agents simultanément sur des tâches différentes, plutôt que séquentiellement.
Comme pour les appels d’offres, le processus commence par l’upload de documents (notes de réunion, cahier des charges client, etc.). Mais ici, plusieurs flux de travail se déroulent en parallèle :
- Des agents travaillent sur le contenu de la proposition
- D’autres agents rédigent et publient automatiquement des notifications sur Slack pour informer les collègues
- Des agents créent des opportunités dans le CRM avec un résumé de la situation
- Des agents spécialisés effectuent des calculs de ROI basés sur des données de cas clients
L’importance des contraintes et templates d’entreprise
Un point crucial émerge dans ce cas d’usage : comment intégrer les contraintes internes de l’entreprise : templates, chartes graphiques, formats de présentation ?
L’approche adoptée consiste à partir du template existant de l’entreprise et à le fournir au système. En fonction du contexte, l’IA choisit automatiquement les slides appropriées du template et les remplit avec du contenu sur-mesure adapté à la situation spécifique du client.
Le résultat final respecte l’identité visuelle de l’entreprise tout en proposant un contenu personnalisé et pertinent. Certaines slides proviennent directement du template (informations institutionnelles, présentation de l’entreprise), tandis que d’autres sont entièrement générées par l’IA (analyse du besoin client, présentation de la solution, chiffres et calculs de ROI).
Cette capacité à interopérer avec les données et les contraintes internes de l’entreprise constitue un facteur clé de succès pour l’adoption de ces technologies. L’IA ne travaille pas dans le vide mais s’intègre dans l’écosystème existant.
Validation et itération continues
Comme pour les appels d’offres, l’interface est conçue pour permettre des étapes de validation. Dans les usages documentaires complexes, il est rare qu’un processus soit entièrement automatique — il y a toujours besoin d’itérer, de valider, d’ajuster. L’utilisateur conserve le contrôle sur le document, dont la finalité est trop importante pour être entièrement déléguée à l’IA.
Troisième cas d’usage : l’analyse de marché avec une application de Benchmark
Un nouveau paradigme d’interaction : la voix et le chat
L’exemple de benchmark illustre une évolution vers des modes d’interaction plus naturels et intuitifs avec les systèmes multi-agents. Plutôt que de remplir des formulaires ou de suivre un workflow prédéfini, l’utilisateur peut interagir par la voix ou via une interface conversationnelle avec l’agent parent.
Prenons l’exemple concret présenté : « Je suis Décathlon et je souhaite analyser les acteurs présents en Chine pour un projet d’implantation. Je ne connais pas du tout les acteurs sur place, donc je te laisse te concentrer sur les plus gros acteurs du retail sportif en Chine. »
Cette simple instruction verbale déclenche un processus complexe d’analyse de marché.
Une orchestration sophistiquée pour la recherche web
L’application mobilise 4 à 5 agents de « deep research » qui travaillent en parallèle pour collecter des données sur le web. Le système fonctionne en plusieurs phases :
- Extraction des métadonnées : L’agent parent analyse la demande et extrait les informations clés (industrie, zone géographique, type d’analyse souhaitée)
- Distribution des tâches : Ces métadonnées sont distribuées aux différents agents spécialisés qui en ont besoin pour accomplir leur travail
- Recherche parallélisée : Chaque agent web se concentre sur un aspect particulier de l’analyse (concurrents, stratégies go-to-market, références clients, etc.)
- Synthèse et croisement : Les résultats sont agrégés et analysés pour produire une vue d’ensemble cohérente
Création de liens complexes entre agents
Cette application démontre la possibilité de créer des architectures aussi sophistiquées que nécessaire. On peut imaginer un agent effectuant une recherche approfondie sur les clients et références, alimentant un autre agent qui analyse les stratégies d’attraction et de mise sur le marché, lui-même connecté à un agent évaluant les forces et faiblesses concurrentielles.
Comme dans une organisation humaine où l’on crée des hiérarchies, des équipes et des groupes de travail collaboratifs, les systèmes multi-agents permettent de concevoir n’importe quelle structure de collaboration entre agents artificiels.
L’application à d’autres cas d’usage
Bien que l’exemple se concentre sur l’analyse de marché, cette approche conversationnelle peut s’étendre à tous les autres cas d’usage : génération de propositions commerciales, création de contrats, élaboration de rapports d’analyse, etc. L’idée est de pouvoir interagir naturellement avec un super-agent qui, en coulisses, orchestre le travail de dizaines d’agents spécialisés.
Les principes clés des systèmes multi-agents efficaces
Au-delà des cas d’usage spécifiques, plusieurs principes fondamentaux émergent pour concevoir des systèmes multi-agents performants :
1. L’équilibre entre stabilité et agilité
Il ne faut pas confondre un workflow IA (déterministe, avec l’IA intervenant à des moments précis) et un workflow agentique (combinant déterminisme et flexibilité). Dans ce dernier, certaines étapes sont fixes (définir le plan, distribuer les tâches), tandis que d’autres s’adaptent au contexte (quel contenu générer, comment le structurer, quel format de sortie choisir).
L’enjeu est de trouver le bon curseur entre :
- Ce qui doit être certain et prévisible (application de règles métier, respect de contraintes légales)
- Ce qui peut être généré ou analysé de manière flexible (adaptation au contexte client, personnalisation du contenu)
2. Un point d’entrée unique pour l’utilisateur
Malgré la complexité technique sous-jacente, l’expérience utilisateur doit rester simple. L’agent parent joue ce rôle de chef d’orchestre invisible, permettant à l’utilisateur d’interagir naturellement sans avoir à gérer directement la coordination de multiples agents.
3. La transparence sélective
Bien que la complexité soit masquée par défaut, le système doit permettre d’afficher à l’écran le résultat de chaque agent pour validation, modification ou amélioration. Cette transparence à la demande est essentielle pour maintenir la confiance et le contrôle de l’utilisateur.
4. L’intégration dans l’écosystème existant
Les systèmes multi-agents ne doivent pas vivre en vase clos. Ils doivent pouvoir :
- Accéder aux données internes de l’entreprise (bases de connaissances, CRM, outils métier)
- Respecter les contraintes internes (templates, chartes graphiques, formats spécifiques)
- S’intégrer aux workflows existants (notifications Slack, création d’opportunités dans le CRM)
5. L’humain dans la boucle
Même avec des systèmes puissants capables de générer « à peu près n’importe quoi », la validation humaine reste indispensable. Les enjeux de fiabilité, de précision et de conformité sont trop importants dans le contexte professionnel pour être entièrement automatisés.
L’objectif n’est pas de remplacer l’expertise humaine mais de créer un espace de collaboration où l’IA accélère la production tout en laissant l’humain maître des décisions stratégiques.
Perspectives et évolutions futures
Les systèmes multi-agents pour la création documentaire en sont encore à leurs débuts, mais plusieurs évolutions se dessinent :
Génération d’éléments visuels
La prochaine étape concerne la capacité à générer non seulement du texte mais aussi des graphiques, des schémas et des images contextualisés. Un mémoire technique ou une proposition commerciale ne se compose pas uniquement de texte — les éléments visuels sont essentiels pour communiquer efficacement.
Interfaces conversationnelles
L’interaction vocale ou par chat avec les systèmes multi-agents représente une évolution majeure vers des expériences plus naturelles et accessibles. Plutôt que de naviguer dans des interfaces complexes, l’utilisateur pourra simplement exprimer son besoin et laisser le système orchestrer le travail nécessaire.
Apprentissage continu
Les futurs systèmes pourront apprendre des corrections et validations effectuées par les utilisateurs, affinant progressivement leur compréhension des préférences et contraintes de chaque entreprise.
Extension à d’autres domaines
Si la création documentaire constitue un terrain d’application naturel, les principes des systèmes multi-agents s’appliquent à de nombreux autres domaines : analyse de données complexes, support client multi-niveaux, recherche et développement, planification stratégique, etc.
Conclusion : une révolution en marche
Les systèmes multi-agents marquent une rupture avec l’approche traditionnelle de l’IA en entreprise. Plutôt que de chercher à créer un agent omniscient capable de tout faire, ils s’inspirent de l’organisation humaine : spécialisation, collaboration et coordination.
Cette approche permet de s’attaquer à des cas d’usage réellement complexes, ceux qui reflètent la vraie vie des entreprises avec leurs multiples contraintes, leurs processus établis et leurs exigences de qualité. Les gains sont spectaculaires — division du temps de travail par 10 pour les réponses à appels d’offres, automatisation de tâches parallèles, personnalisation à grande échelle — tout en maintenant l’humain au centre du processus décisionnel.
Nous ne sommes qu’au début de cette révolution. À mesure que ces systèmes gagneront en maturité et que les interfaces deviendront encore plus intuitives, ils transformeront profondément notre manière de travailler avec l’intelligence artificielle. L’avenir n’est pas à l’agent unique mais à l’orchestre d’agents spécialisés, coordonnés par un chef d’orchestre attentif aux besoins de l’utilisateur humain.
La question n’est plus de savoir si cette évolution aura lieu, mais à quelle vitesse les entreprises sauront l’adopter pour en tirer pleinement parti.
Arnaud Dupuis – Practice Leader Data ALGOFI.
D’après la conférence « Le prochain tournant de l’IA: la collaboration entre agents » animée par Damien Hontang lors du salon Big Data & AI Paris 2025.
