Orchestrating AI agents: comparing frameworks and platforms
LangGraph, AutoGen, CrewAI, SDK des fournisseurs de modèles, services gérés des grands clouds, outils sans code : l'offre pour orchestrer des agents d'IA s'est multipliée en quelques mois. Cinq familles, les mêmes critères pour toutes, et une question préalable : avez-vous besoin de plusieurs agents ?
Il y a deux ans, construire un agent d’IA voulait dire écrire beaucoup de code autour d’un modèle de langage. L’offre s’est depuis multipliée : bibliothèques libres, kits de développement publiés par les fournisseurs de modèles, services gérés des grands clouds, outils d’automatisation sans code dotés d’agents. Choisir parmi les plateformes d’orchestration d’agents demande d’abord de savoir ce que l’on orchestre. Ce comparatif propose une question préalable, cinq familles et huit critères identiques pour toutes.
La question préalable : combien d’agents ?
Beaucoup de projets présentés comme « multi-agents » n’en ont pas besoin. Les recommandations publiées par plusieurs fournisseurs de modèles, dont Anthropic dans son guide sur la construction d’agents efficaces, vont dans le même sens : commencer par la solution la plus simple qui fonctionne, et n’ajouter de l’autonomie que si elle apporte un gain mesurable.
Un traitement de documents dont les étapes sont connues (lire, extraire, vérifier, classer) relève d’un enchaînement fixe. Une assistance qui doit chercher dans plusieurs sources selon la question relève d’un agent unique avec des outils. Le schéma à plusieurs agents se justifie pour des tâches longues, décomposables en sous-tâches de nature différente, et dont le déroulé ne peut pas être prévu. Il coûte plus cher à faire tourner et à tester.
Les cinq familles
Les bibliothèques de code libres. LangGraph (de l’écosystème LangChain), AutoGen et Semantic Kernel (publiés par Microsoft), CrewAI ou les flux de travail de LlamaIndex permettent de décrire des agents, leurs outils et leurs enchaînements dans le code. Elles diffèrent par leur modèle : graphe d’états explicite pour LangGraph, conversation entre agents pour AutoGen, équipes de rôles pour CrewAI.
Les kits des fournisseurs de modèles. OpenAI a publié son Agents SDK en mars 2025, Google son Agent Development Kit en avril 2025. Ils sont pensés d’abord pour les modèles de leur éditeur, tout en permettant, à des degrés divers, d’en utiliser d’autres.
Les services gérés des grands clouds. Amazon Bedrock Agents, Vertex AI Agent Builder chez Google et les offres équivalentes de Microsoft Azure prennent en charge l’exécution, la mémoire, la sécurité et la supervision des agents dans l’infrastructure du fournisseur.
Les outils d’automatisation sans code ou à faible code. Copilot Studio chez Microsoft ou n8n, par exemple, permettent de composer des agents et des enchaînements dans une interface graphique, avec des connecteurs vers les applications courantes.
Le code sans cadre. Des appels directs à l’interface de programmation d’un modèle, une boucle de contrôle écrite pour l’occasion, des outils déclarés à la main. C’est souvent la voie la plus lisible pour un agent simple.
Le tableau comparatif
| Critère | Bibliothèques libres | Kits des fournisseurs | Services cloud gérés | Sans code | Code sans cadre |
|---|---|---|---|---|---|
| Contrôle du déroulé | Élevé | Élevé | Moyen | Limité à l’interface | Total |
| Rapidité du premier prototype | Moyenne | Bonne | Bonne | La meilleure | Bonne pour un cas simple |
| Choix du modèle | Large | Orienté vers l’éditeur | Catalogue du fournisseur | Selon les connecteurs | Libre |
| Hosting | Au choix, dont interne | Au choix pour le code, modèle selon l’éditeur | Infrastructure du fournisseur | Service en ligne ou auto-hébergé selon l’outil | Au choix |
| Traçabilité des décisions | Bonne avec un outil d’observabilité | Intégrée, à des degrés divers | Intégrée | Variable | À construire |
| Validation humaine en cours d’exécution | Prévue par plusieurs cadres | À vérifier | À vérifier | Souvent par étape d’approbation | À construire |
| Stabilité des interfaces | Évolutions rapides, versions à suivre | Récents, évolutions à prévoir | Liée au fournisseur | Liée à l’outil | La vôtre |
| Dépendance | Au cadre | Au fournisseur de modèles | Au fournisseur de cloud | À l’outil | La plus faible |
Ces appréciations décrivent des familles, pas des produits, et le domaine évolue vite : plusieurs de ces solutions publient des versions majeures en quelques mois. Elles sont à vérifier sur la version disponible au moment du choix, par un prototype sur un cas réel plutôt que sur la documentation.
Pour un usage en production, les fonctionnalités se ressemblent vite. Trois questions font la différence : peut-on reconstituer après coup chaque décision et chaque appel d’outil d’un agent ? Peut-on limiter précisément ce que chaque agent a le droit de faire ? Peut-on imposer une validation humaine avant une action sensible, et reprendre l’exécution ensuite ?
Les protocoles ouverts, une protection partielle
Deux protocoles cherchent à rendre les agents moins dépendants de leur cadre. Le Model Context Protocol (MCP), publié par Anthropic en novembre 2024 et repris depuis par de nombreux outils, normalise l’accès des agents aux outils et aux sources de données : un outil exposé une fois peut servir à plusieurs cadres. Le protocole Agent2Agent (A2A), présenté par Google en avril 2025, vise la communication entre agents de systèmes différents.
Leur adoption réduit le coût d’un changement de cadre, sans le supprimer : la logique d’orchestration, les invites et les jeux d’évaluation restent propres à chaque projet. La meilleure assurance reste de documenter cette logique et de garder les jeux d’évaluation indépendants de l’outil.
Lecture par situation
Un premier cas d’usage, des équipes qui découvrent. Un enchaînement simple ou un agent unique, écrit avec un kit de fournisseur ou sans cadre, sur un périmètre restreint. L’objectif est d’apprendre à évaluer, pas de bâtir une architecture.
Plusieurs cas d’usage, une équipe de développement interne. Une bibliothèque libre éprouvée, avec un outil d’observabilité et des jeux d’évaluation communs, permet de mutualiser les pratiques sans dépendre d’un fournisseur de modèles.
Une organisation déjà engagée chez un fournisseur de cloud. Son service géré simplifie la sécurité, l’hébergement et la supervision, au prix d’une dépendance plus forte. À arbitrer explicitement, avec un plan de sortie.
Des automatisations métier simples, peu de développeurs. Un outil sans code convient, à condition d’encadrer les droits des connecteurs et de garder la trace des actions.
Quel que soit le choix, les règles de sécurité des automatisations s’appliquent, renforcées : notre guide sur les comptes, secrets et traces des robots logiciels les détaille. Côté réglementation, les obligations de l’AI Act applicables aux fournisseurs de modèles d’IA à usage général entrent en application le 2 août 2025 ; la plupart des obligations des déployeurs suivront à partir du 2 août 2026. Notre produit IA d’entreprise part de ce principe : des agents aux droits bornés, dont chaque action laisse une trace, avec un modèle choisi pour le cas d’usage.
- Anthropic, Building effective agents (décembre 2024).
- Model Context Protocol, spécification publiée par Anthropic (novembre 2024).
- Google, annonce du protocole Agent2Agent (avril 2025).
- Règlement (UE) 2024/1689 sur l’intelligence artificielle, Journal officiel de l’Union européenne.
Pour approfondir : IA d’entreprise · Automatisation des processus
Questions fréquentes
Quelle différence entre un agent et un enchaînement automatisé ?
Un enchaînement automatisé suit des étapes fixées à l'avance : le modèle de langage intervient à certaines étapes, mais le chemin est décidé par le code. Un agent choisit lui-même, à chaque étape, l'action suivante et l'outil à utiliser. Les enchaînements sont plus prévisibles et plus faciles à tester ; les agents conviennent aux tâches dont le déroulé ne peut pas être prévu.
Faut-il un cadre d'orchestration pour construire un agent ?
Pas toujours. Un agent simple se construit avec quelques appels à l'interface de programmation d'un modèle et un code de quelques centaines de lignes. Un cadre devient utile quand il faut gérer un état persistant, des reprises après erreur, plusieurs agents, des validations humaines en cours d'exécution ou une observabilité détaillée.
Que changent MCP et A2A ?
Le Model Context Protocol, publié par Anthropic fin 2024, normalise la façon dont un agent accède à des outils et à des sources de données. Le protocole Agent2Agent, présenté par Google en avril 2025, vise la communication entre agents de systèmes différents. Ils facilitent l'interopérabilité et réduisent une partie de la dépendance à un cadre, mais leur adoption est encore récente.
Comment garder la maîtrise d'un système à plusieurs agents ?
En bornant les droits de chaque agent sur les outils, en soumettant les actions sensibles à une validation humaine, en traçant chaque décision et chaque appel d'outil, et en évaluant le système sur un jeu de cas de référence avant toute mise en production et à chaque modification.