Orchestration des IA : le prochain saut ne viendra peut-être pas d’un meilleur modèle

En avril 2025, une équipe de l’université de Pékin met en ligne un système capable de retrouver seul, à partir de données brutes et sans connaissance physique préalable, des principes aussi fondamentaux que la deuxième loi de Newton. En octobre de la même année, une autre équipe publie un modèle qui améliore une formule de la NASA datant de 1993. En mai 2026, deux articles paraissent le même jour dans Nature : dans les deux cas, le résultat n’est pas obtenu par un modèle, mais par un ensemble d’agents spécialisés qui se répartissent le travail.

Pendant ce temps, la conversation publique sur l’intelligence artificielle continue de tourner autour d’une seule question : quel est le meilleur modèle du moment ?

Ces deux plans se croisent rarement. C’est précisément ce décalage que cet article examine, ainsi que l’hypothèse qu’il propose de mettre en discussion : la valeur est peut-être en train de se déplacer du modèle vers la manière de l’orchestrer.

« Quelle est la meilleure IA ? » est peut-être déjà une question insuffisante

Depuis trois ans, le réflexe collectif est comparatif. On oppose des modèles, on commente des classements, on teste le dernier arrivé sur quelques prompts, on conclut. En entreprise, ce réflexe se traduit par une décision qui paraît naturelle : choisir une IA, souscrire des licences, former les équipes à l’outil retenu.

Cette approche a une logique. Elle a aussi une limite rarement formulée : un modèle, pris isolément, est une capacité, pas un système. Il ne sait pas où se trouvent vos données, quelles méthodes font autorité dans votre métier, à quel moment une vérification humaine est indispensable, ni quels outils devraient être appelés plutôt que simulés. Ces éléments ne relèvent pas du modèle. Ils relèvent de ce qui est construit autour de lui.

Nous avions abordé une bascule voisine dans notre article sur l’IArisation et la transformation des marchés par l’IA : les transformations les plus structurantes ne se produisent pas toujours là où l’attention se porte. Le même décalage semble à l’œuvre ici. Pendant que le débat public arbitre entre modèles, une partie de la recherche a cessé de raisonner en modèles.

C’est une lecture, pas une certitude. Elle mérite d’être confrontée à ce que montrent les travaux récents.

La science comme laboratoire : quand des IA spécialisées découvrent autrement

Premier signal. En 2025, une équipe chinoise met en ligne AI-Newton, un système décrit comme capable de dériver des lois physiques à partir de données brutes, sans connaissance physique préalable. Précision importante : il s’agit d’un preprint déposé sur arXiv, donc d’un travail non encore validé par les pairs au moment de sa diffusion. Nature lui a consacré un article journalistique le 14 novembre 2025, ce qui n’équivaut pas à une publication scientifique dans la revue. La distinction n’est pas un détail : elle conditionne le crédit à accorder au résultat.

Deuxième signal, de statut différent. Le 15 octobre 2025, Nature Machine Intelligence publie « A neural symbolic model for space physics », un article évalué par les pairs présentant le cadre PhyE2E. Résultat concret rapporté par les auteurs : l’amélioration d’une formule de la NASA relative à l’activité solaire, formulée en 1993.

Ce qui retient l’attention n’est pas seulement le résultat. C’est la manière dont il est obtenu. PhyE2E ne repose pas sur un modèle unique : il découpe le problème en sous-problèmes à l’aide de dérivées secondes d’un réseau de neurones, traduit les données en formules symboliques via une architecture transformeur, puis affine les expressions produites par recherche arborescente Monte-Carlo et programmation génétique, un grand modèle de langage servant par ailleurs à synthétiser des formules d’entraînement réalistes.

Autrement dit, le système est déjà un assemblage. Plusieurs techniques distinctes, chacune performante sur une tâche précise, articulées dans un enchaînement. La performance n’est pas attribuable à un composant, mais à leur agencement.

Du modèle au système : plusieurs intelligences se répartissent le problème

Le 19 mai 2026, Nature publie deux articles de recherche dans le même numéro.

Le premier, « Accelerating scientific discovery with Co-Scientist », décrit un système multi-agents construit sur Gemini par Google DeepMind. Des agents spécialisés y génèrent des hypothèses, les critiquent et les affinent en continu, un mécanisme de tournoi classant les propositions entre elles. Les auteurs rapportent trois applications biomédicales validées expérimentalement : identification de candidats thérapeutiques et de combinaisons pour la leucémie myéloïde aiguë, confirmée in vitro ; génération de cibles épigénétiques pour la fibrose hépatique ; explication de mécanismes de transfert de gènes impliqués dans la résistance aux antimicrobiens.

Le second, « A multi-agent system for automating scientific discovery », présente Robin, développé par FutureHouse. Le système associe des agents de recherche bibliographique et des agents d’analyse de données, et enchaîne hypothèses, propositions d’expériences, interprétation des résultats et reformulation des hypothèses. Appliqué à la dégénérescence maculaire liée à l’âge de forme sèche, il a proposé le ripasudil, un inhibiteur de Rho kinase déjà approuvé cliniquement mais jamais envisagé pour cette indication, ainsi que la molécule KL001, avec une efficacité in vitro confirmée.

Ce que ces deux travaux ont en commun mérite d’être formulé précisément. Ce qui est spécialisé n’est pas la connaissance, mais la fonction : chercher, analyser, produire, critiquer, décider de l’étape suivante. La qualité ne vient pas d’un composant plus intelligent, elle vient d’un désaccord organisé entre composants. Un agent propose, un autre conteste, un troisième arbitre.

C’est une différence de nature avec l’usage courant d’un assistant conversationnel, où la contradiction dépend entièrement de l’utilisateur qui pense à la demander.

Agents, outils et connaissances : ce que change l’interopérabilité

Une étape supplémentaire apparaît en septembre 2026. Nature publie le 16 septembre « Reimagining research papers as interactive and reliable AI agents », présentant Paper2Agent, développé à Stanford. Le principe : convertir automatiquement un article scientifique en agent interrogeable. Le système construit des serveurs MCP, du nom du protocole standardisant la connexion entre une IA et des ressources externes, qui exposent le manuscrit, les matériels supplémentaires, les jeux de données, le code et les workflows comme des ressources directement mobilisables par un agent.

La conséquence rapportée par les auteurs est la plus intéressante : des agents issus d’articles différents ont collaboré pour prioriser un gène causal du psoriasis. Des publications distinctes, transformées en interlocuteurs, produisant ensemble un résultat qu’aucune ne contenait.

Le déplacement mérite d’être nommé. Jusque-là, la question était de faire dialoguer plusieurs IA entre elles. Elle devient autre chose : permettre à un système d’aller chercher la bonne méthode, la bonne donnée, le bon outil ou la bonne source au moment précis où il en a besoin. La connaissance cesse d’être une matière à consulter pour devenir une ressource à interroger, et l’outil cesse d’être imité pour être réellement appelé.

Sur le plan de la fiabilité, la différence n’est pas mince. Lorsqu’un modèle décrit lui-même une opération, le résultat reste une production générée, avec les approximations que cela suppose. Faire exécuter cette opération par l’outil prévu pour la réaliser réduit une partie de ces erreurs et, surtout, rend l’opération plus contrôlable : elle peut être rejouée, tracée et vérifiée indépendamment du raisonnement qui l’a déclenchée. Une part du problème se règle donc moins par un modèle supérieur que par un accès correct à ce qui existe déjà.

Ce déplacement concerne déjà l’entreprise

Il faut ici avancer prudemment. La recherche scientifique n’est pas une entreprise. Ses critères de validation, ses temporalités, ses ressources et son rapport à l’erreur n’ont pas d’équivalent direct dans une direction RH ou une direction de la communication. Transposer mécaniquement ces résultats serait une faute de raisonnement.

La question qui se pose reste néanmoins légitime, et c’est elle que nous proposons de poser plutôt que de trancher : si cette logique commence à produire des résultats dans un domaine aussi exigeant que la recherche, pourquoi continuerions-nous à penser l’IA en entreprise presque uniquement sous la forme « un collaborateur, plus son chatbot préféré » ?

Le modèle dominant en entreprise reste en effet individuel et conversationnel. Une personne, un outil, une fenêtre de dialogue, des résultats qui dépendent largement de son habileté à formuler. Ce modèle a produit des gains réels de productivité. Il reproduit aussi, à l’échelle de chaque poste de travail, exactement ce que les travaux cités cherchent à dépasser : une intelligence généraliste isolée, sans accès natif aux données de l’organisation, sans mécanisme de contradiction, sans traçabilité.

Des signaux d’un autre modèle existent déjà, y compris dans notre secteur. Nous avions analysé la manière dont un agent peut enchaîner recherche d’offres, scoring, personnalisation et suivi de candidatures côté candidat, et posé la question de recruteurs confrontés à des candidatures augmentées par l’IA. Dans les deux cas, ce qui change la donne n’est pas la puissance d’un modèle, mais le fait qu’une séquence complète soit automatisée et connectée à des sources réelles.

La nouvelle compétence : orchestrer, contrôler et arbitrer

Si cette hypothèse se vérifie, la compétence stratégique se déplace. Elle ne consiste plus à savoir manipuler un outil, mais à concevoir un dispositif.

Concrètement, cela suppose de répondre à des questions qui ne sont pas techniques. Comment ce problème se découpe-t-il en étapes distinctes ? Quelles sources font autorité dans notre organisation, et lesquelles ne doivent jamais servir de référence ? Où placer un point de vérification déterministe plutôt qu’une estimation ? Quelles décisions restent humaines, non par précaution rhétorique, mais parce que leur nature l’exige ? Qui peut constater, a posteriori, sur quoi une recommandation s’est appuyée ?

Ce sont des questions d’organisation, d’architecture de l’information et de gouvernance. Elles relèvent de la direction générale, des métiers et des fonctions support autant que de la DSI. C’est probablement la conséquence la moins spectaculaire de ce déplacement, et la plus exigeante.

La question de la traçabilité mérite une attention particulière. Dès lors qu’un enchaînement automatisé intervient dans des processus touchant des personnes, être en mesure de reconstituer ce qui a été utilisé, par quel composant et à quel moment devient une condition de sérieux. Nous avions détaillé les points de vigilance concrets sur ce terrain dans notre article consacré aux vérifications attendues sur l’IA et les ATS. Le cadre réglementaire évolue et ne sera pas commenté ici : ce qui relève en revanche du bon sens organisationnel est de ne pas construire des dispositifs dont personne ne saurait expliquer le fonctionnement.

Les limites : plusieurs IA ne produisent pas mécaniquement une meilleure réponse

Cette hypothèse appelle une contrepartie honnête, et la littérature scientifique la formule elle-même. Dans un éditorial publié le 27 janvier 2026, Nature Machine Intelligence alerte sur le manque de transparence des systèmes multi-agents.

Les points soulevés sont directs. La fragilité aux prompts, déjà connue sur un modèle unique, s’amplifie lorsque plusieurs agents s’enchaînent : des entrées subtilement différentes produisent des résultats différents. Les hallucinations ne disparaissent pas, elles peuvent se propager d’un agent à l’autre. La reproductibilité devient difficile sans documentation des workflows, des versions de modèles, des prompts et des chaînes de raisonnement, ni sans déclaration honnête des interventions humaines manuelles. L’éditorial demande au minimum une comparaison avec une approche mono-agent, et idéalement avec un travail d’experts humains, afin de vérifier que la complexité et le coût sont justifiés. Il met en garde contre un « cycle sans fin de vérification et de curation » des productions de ces systèmes.

Ces réserves ne contredisent pas l’hypothèse de cet article. Elles la précisent. Ajouter des agents n’améliore pas mécaniquement un résultat : mal conçue, une orchestration multiplie les coûts, dilue les responsabilités et rend les erreurs plus difficiles à localiser qu’avec un outil unique. Ce qui produit de la valeur n’est pas le nombre d’intelligences mobilisées, mais la pertinence de la répartition et la solidité des points de contrôle.

Il faut y ajouter deux réserves de terrain. La plupart des organisations n’ont pas encore les données propres, documentées et accessibles que supposent ces architectures. Et la dépendance à un fournisseur d’orchestration soulève des questions de réversibilité qui ne se posaient pas avec un simple abonnement à un assistant.

Ce que cette hypothèse invite à faire dès maintenant

Rien de tout cela n’impose de refondre un dispositif existant. Trois déplacements paraissent en revanche raisonnables.

Cesser de formuler le besoin comme « quelle IA choisir » et le formuler comme « quel enchaînement de tâches, de données et de contrôles voulons-nous construire ». La réponse n’est pas la même, et la seconde question survit mieux au changement de modèle.

Documenter ce qui existe déjà : quelles données sont réellement exploitables, où elles se trouvent, qui en répond, quels outils métiers pourraient être appelés directement plutôt que décrits à un assistant. Ce travail, peu spectaculaire, conditionne tout le reste.

Identifier un processus limité, à enjeu réel mais à risque maîtrisé, et y tester une chaîne complète avec un point de contradiction et un point de décision humaine explicites. Puis comparer honnêtement au fonctionnement actuel, en incluant le coût et le temps passé à vérifier.

La conclusion, elle, reste ouverte. Il est possible que le prochain saut vienne malgré tout d’un modèle nettement supérieur. Il est possible aussi qu’il vienne de la capacité à faire travailler ensemble des intelligences spécialisées, des outils fiables et des connaissances interrogeables, sous la responsabilité de personnes qui savent pourquoi elles ont conçu ce dispositif ainsi. Dans le second cas, l’avantage ne se souscrira pas. Il se construira.

Questions fréquentes

Qu’appelle-t-on l’orchestration des IA ?

L’orchestration désigne la conception d’un dispositif où plusieurs composants d’intelligence artificielle, des outils déterministes et des sources de connaissance sont articulés pour traiter un problème, chacun intervenant sur la tâche à laquelle il est adapté. Elle se distingue de l’usage d’un assistant unique en ce qu’elle organise explicitement la répartition des rôles, la contradiction entre composants et les points de contrôle humain.

Un système multi-agents donne-t-il toujours de meilleurs résultats qu’un modèle seul ?

Non, et la littérature scientifique est explicite sur ce point. L’éditorial de Nature Machine Intelligence du 27 janvier 2026 demande que les travaux comparent systématiquement les systèmes multi-agents à une approche mono-agent, afin de vérifier que la complexité et le coût supplémentaires sont justifiés. Mal conçue, une orchestration peut amplifier les erreurs et rendre leur origine plus difficile à identifier.

Qu’est-ce que le protocole MCP et pourquoi en parle-t-on ?

MCP désigne un protocole standardisant la manière dont un système d’intelligence artificielle se connecte à des ressources externes : jeux de données, code, outils, documents. Son intérêt est de rendre ces ressources réellement interrogeables par un agent plutôt que seulement décrites dans un prompt. Le travail Paper2Agent, publié dans Nature le 16 septembre 2026, s’appuie sur ce principe pour transformer des articles scientifiques en agents capables de coopérer entre eux.

Par où commencer dans une organisation qui utilise déjà des assistants IA ?

Par l’inventaire de ce qui existe : données réellement exploitables, outils métiers déjà en place, processus où une chaîne automatisée apporterait un gain mesurable. Puis par une expérimentation délimitée, sur un processus à enjeu réel mais à risque maîtrisé, avec un point de contradiction et une décision humaine explicites, comparée honnêtement au fonctionnement actuel en incluant le temps de vérification.