Vous pourriez être surpris par cela, mais cela vaut la peine de le revisiter : plus d'agents ne signifie pas automatiquement de meilleures solutions. C'est une idée fausse fondamentale qui refait surface dans les discussions sur l'IA.

Nous avons déjà vu ce schéma auparavant. Il y a deux décennies, l'industrie des CPU a appris à ses dépens que le nombre de cœurs seul ne détermine pas la performance — l'optimisation et l'architecture comptent beaucoup plus. Le même principe s'applique aujourd'hui aux systèmes multi-agents.

Les vraies réponses viennent rarement uniquement des articles académiques. Qu'est-ce qui fait réellement avancer les choses ? L'itération. L'expérimentation. Échouer, apprendre, réessayer. C'est là que se produisent les avancées. L'écart entre la théorie et la pratique dans la conception d'agents est plus large que ce que la plupart réalisent, et seul le test pratique le comble.

Si vous relevez des défis similaires dans le déploiement d'agents ou les systèmes distribués, la voie à suivre n'est pas de faire du scaling à l'aveugle — c'est de comprendre ce que vous optimisez.