L’essentiel
- Vals AI a comparé agent unique et équipe d’agents sur le Vibe Code Bench, avec GPT-6 Sol et Claude Opus 5.5 à deux niveaux de raisonnement : les équipes coûtent de 1,8 à 5,1 fois plus.
- Sur quatre comparaisons, une seule sort du bruit statistique : GPT-6 Sol en raisonnement moyen, avec 7,3 points de plus.
- Chez Anthropic, Opus 5.5 passe de 0,53 à 0,70 sur une base de connaissances en passant d’un à dix agents, puis plafonne à 0,74 avec cent agents.
- Noam Brown, chercheur chez OpenAI, résume l’effet : quatre agents vont deux fois plus vite et coûtent deux fois plus cher.
Une équipe d’agents coûte jusqu’à cinq fois plus cher qu’un agent seul, et sur la génération d’applications le gain mesuré est à peine visible. Faut-il en conclure qu’un agent unique suffit ? Pour ce cas précis, oui. Pour le reste, les mêmes chiffres indiquent presque l’inverse.
Une comparaison sur quatre sort du bruit
La société d’évaluation Vals AI a fait passer le Vibe Code Bench, un banc d’essai de génération d’applications, à GPT-6 Sol et à Claude Opus 5.5. Chaque modèle a travaillé seul puis en équipe, à deux niveaux d’effort de raisonnement : moyen et maximal. Le surcoût des équipes va de 1,8 à 5,1 fois celui de l’agent solo.
Un seul des quatre duels produit une amélioration statistiquement significative : GPT-6 Sol à raisonnement moyen, où l’équipe gagne 7,3 points. À raisonnement maximal, ni Sol ni Opus 5.5 n’en tirent un avantage réel. Un modèle qui dépense déjà tout son calcul à réfléchir n’a manifestement plus grand-chose à gagner d’un collègue qui refait une partie du même travail.
La mesure est nette, mais elle porte sur un seul banc d’essai, deux modèles et des équipes dont nous ne connaissons pas ici la composition. Elle établit que l’équipe ne rachète pas un raisonnement poussé. Elle n’établit pas que la parallélisation est inutile.
Entre un et dix agents, le saut est considérable
Les mesures d’Anthropic, réalisées avec Opus 5.5, montrent un tout autre profil. Sur une tâche de base de connaissances, le score passe de 0,53 pour un agent à 0,70 pour dix, soit un tiers de mieux. Sur la démonstration de théorèmes en Lean (un assistant de preuve formelle), il passe de 0,39 à 0,66 : près de 70 % de plus.
La courbe s’aplatit ensuite. Avec trente agents, les scores sont de 0,71 sur la base de connaissances et 0,66 sur Lean. Avec cent, ils atteignent 0,74 et 0,68. Multiplier l’effectif par dix entre dix et cent agents rapporte quatre points sur la première tâche, deux sur la seconde. Le plafond existe bel et bien, mais il vient après la première marche, pas avant.
Fable 5.1 nuance le tableau sans l’inverser. Le modèle progresse davantage au-delà de dix agents sur Lean, tout en restant sous Opus 5.5 sur l’ensemble des tests. Sur la base de connaissances, son score recule même légèrement entre trente et cent agents. Plus d’agents ne garantit donc pas plus de qualité, quel que soit le modèle.
Les grandes équipes achètent de la vitesse
Anthropic observe que les grandes équipes atteignent un niveau donné plus vite. Sur ProgramBench, ce gain de rapidité se paie en tokens consommés. Noam Brown l’a formulé dans le podcast de Dwarkesh Patel : les systèmes multi-agents achètent surtout de la vitesse. Quatre agents résolvent les tâches deux fois plus vite, pour un coût multiplié par deux. À seize agents, le schéma tient, avec un rendement un peu moins bon.
Tout dépend aussi de la tâche, ajoute-t-il. La recherche web et les mathématiques se découpent bien. Un roman, non : y mettre 10 000 agents serait aussi vain que d’y mettre 10 000 personnes. Il reconnaît que les très grands effectifs restent peu explorés, tout simplement parce que leur coût est prohibitif.
Les deux séries de mesures se lisent ensemble. Une base de connaissances et des preuves Lean se découpent en morceaux indépendants, donc dix agents y gagnent beaucoup. La construction d’une application impose des choix cohérents d’un bout à l’autre, et les agents se gênent. Eric Provencher, développeur chez OpenAI, nomme ce frein la taxe de coordination et juge les essaims d’agents probablement de l’argent gaspillé. Cette explication reste une inférence de notre part : aucun des tests cités ne mesure directement la coordination.
Dans quel ordre vérifier avant de recruter des agents
Première étape : mesurer l’agent seul à raisonnement maximal sur votre tâche. C’est la ligne de base que l’équipe doit battre, et Vals AI montre qu’elle est parfois imbattable. Deuxième étape : se demander si le travail se découpe en parties indépendantes. Si oui, une équipe d’une dizaine d’agents est une hypothèse crédible. Au-delà, seul le délai peut la justifier, pas la qualité.
Reste le coût, à rapporter à ce qu’il achète : le prix du point de score gagné, ou de l’heure économisée. Un facteur 5,1 pour 7,3 points peut se défendre dans un cas et pas dans l’autre. Les mesures publiées donnent des repères, pas un tarif.
Mon avis
Le nombre d’agents est un mauvais indicateur de sérieux. Tant qu’une équipe n’a pas battu l’agent seul à raisonnement maximal sur sa propre tâche, elle ne sait pas si elle achète de la qualité ou seulement de la vitesse, et la facture est la même dans les deux cas. J’attends des fournisseurs qu’ils affichent cette comparaison à côté de chaque démonstration d’essaim.
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 17 évaluations
Faire appel à mes services →
