Un grand modèle ou de nombreux agents ? La sécurité d'abord

Pour l'IA d'entreprise, plusieurs petits agents qui font chacun une tâche avec un accès limité peuvent être plus sûrs et moins chers qu'un grand modèle relié à tout. L'avantage n'est pas automatique : il vient du fait de donner à chaque agent le moins de données et de pouvoir possible, et il apporte davantage de pièces à gouverner.

Cet article s'adresse aux dirigeants qui choisissent une architecture d'IA. Il expose les arguments de sécurité et de coût en faveur d'agents bornés, les arguments contre, et la façon de gouverner l'une ou l'autre approche.

Quelle différence entre un modèle unique et plusieurs agents ?

Dans une architecture à modèle unique, un modèle généraliste répond à toutes les demandes et est relié à toutes les sources de données et à tous les outils dont il pourrait avoir besoin. Dans une architecture multi-agents, des agents distincts se chargent de tâches distinctes, comme lire des factures, vérifier des fournisseurs ou rédiger des réponses, et se passent le travail. Des cadres open source comme AutoGen ont été conçus pour construire des applications à partir d'agents qui dialoguent.

La question pour une entreprise n'est pas de savoir laquelle est la plus avancée, mais laquelle limite les dégâts quand quelque chose tourne mal.

Les systèmes multi-agents sont-ils plus sûrs ?

Ils peuvent l'être, pour une raison principale : le rayon d'impact. Le guide de l'OWASP sur l'autonomie excessive ramène les dégâts causés par une IA trompée à trois causes profondes : fonctionnalités excessives, permissions excessives et autonomie excessive. Un modèle unique branché sur tous les systèmes cumule les trois. Un agent qui ne peut que lire des factures, sans pouvoir envoyer d'e-mails ni déplacer de l'argent, a bien moins de choses à détourner.

C'est important parce que la principale attaque contre les systèmes d'IA consiste à leur fournir des instructions. L'OWASP classe l'injection de prompt en tête des risques des applications fondées sur de grands modèles de langage, et le Cost of a Data Breach Report 2026 d'IBM a établi que les incidents d'injection de prompt visant l'IA des organisations ont entraîné en moyenne 5,89 millions de dollars de pertes. Si une instruction injectée atteint un agent aux permissions étroites, elle peut faire moins.

La même fiche de l'OWASP signale aussi l'autre face : dans les systèmes multi-agents, un agent pair compromis devient lui-même une voie d'attaque. Des agents qui se font confiance sans contrôle propagent le problème au lieu de le contenir.

Est-ce moins cher d'utiliser de nombreux petits modèles ?

Souvent, oui. Beaucoup de demandes sont simples et n'ont pas besoin du plus grand modèle. L'étude FrugalGPT a testé l'envoi de chaque requête au modèle le moins cher susceptible d'y répondre correctement, avec escalade seulement si nécessaire. Sur les tâches testées, cela a égalé les performances du meilleur modèle unique avec jusqu'à 98 % de coût en moins.

Les économies dépendent du travail. Un système qui exige un raisonnement approfondi pour la plupart des demandes y gagnera moins.

Quels sont les risques du multi-agents ?

• Complexité. Plus d'agents, c'est plus de connexions, plus d'identifiants et plus d'occasions de mal configurer.
• Effet de mode. Gartner prévoit que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, et met en garde contre l'« agent washing », ces chatbots et automatisations existants rebaptisés agents. Il estime que seuls environ 130 des milliers de fournisseurs qui revendiquent l'IA agentique sont réels.
• Responsabilité. Quand une chaîne d'agents prend une décision, il doit rester clair quelle personne en répond.

En quoi cela aide-t-il face au shadow AI ?

Les salariés utilisent l'IA, qu'elle soit approuvée ou non. Le Work Trend Index 2024 de Microsoft et LinkedIn a montré que 75 % des travailleurs du savoir utilisent l'IA au travail et que 78 % de ces utilisateurs apportent leurs propres outils. Analyse : un catalogue d'agents approuvés et bien bornés pour les tâches courantes offre une meilleure option que des outils non approuvés, et se défend mieux qu'une interdiction.

Comment gouverner les agents d'IA ?

Le cadre de gestion des risques de l'IA du NIST s'applique à chaque agent autant qu'au système entier :

1. Gouverner : donner à chaque agent un responsable nommé et une finalité écrite.
2. Cartographier : consigner les données et outils que chaque agent peut atteindre, et ce qui se passe s'il est trompé.
3. Mesurer : tester chaque agent contre l'injection de prompt et la fuite de données avant le lancement et après chaque changement.
4. Gérer : accorder le moindre accès, exiger une validation humaine pour les actions qui font sortir de l'entreprise de l'argent, des données ou des messages, et conserver des journaux.
5. Commencer petit : ne créer des agents que là où la valeur est claire, et retirer ceux qui ne se justifient pas.

Pour le coût de l'impasse sur ces étapes, voir Réduire la gouvernance de l'IA fait-il vraiment économiser ?. Pour les risques des agents sur les ordinateurs personnels, voir Agents d'IA locaux : privés, mais sont-ils sûrs ?.

Questions fréquentes

Les systèmes d'IA multi-agents sont-ils plus sûrs qu'un grand modèle unique ?

Ils peuvent l'être, si chaque agent ne reçoit que les données et outils dont sa tâche a besoin : une attaque réussie contre un agent atteint alors moins de choses. Ils ne sont pas sûrs par défaut : plus d'agents, c'est plus de connexions à protéger et de permissions à gérer.

Les petits modèles coûtent-ils vraiment moins cher ?

Souvent. L'étude FrugalGPT a montré qu'envoyer chaque requête au modèle le moins cher capable d'y répondre pouvait égaler les performances du meilleur modèle unique avec jusqu'à 98 % de coût en moins, sur les tâches testées.

Qu'est-ce que le shadow AI ?

C'est l'usage par les salariés d'outils d'IA que leur employeur n'a pas approuvés. Microsoft et LinkedIn ont constaté en 2024 que 78 % des personnes qui utilisent l'IA au travail apportent leurs propres outils.

Toutes les entreprises doivent-elles construire des agents d'IA maintenant ?

Non. Gartner prévoit que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027 à cause des coûts, d'une valeur floue ou de contrôles de risque faibles. Commencez là où un agent apporte clairement de la valeur.

Références

1. OWASP (2025), LLM06:2025 Excessive Agency — Fonctionnalités, permissions et autonomie excessives comme causes profondes ; couvre les agents pairs compromis dans les systèmes multi-agents.
2. OWASP (2025), LLM01:2025 Prompt Injection — Injection de prompt, y compris l'injection indirecte via des sites web ou des fichiers.
3. NIST (2023), Artificial Intelligence Risk Management Framework (AI RMF 1.0) — Les fonctions Gouverner, Cartographier, Mesurer et Gérer.
4. Wu et al. (2023), AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — Un cadre open source pour construire des applications à partir de plusieurs agents qui conversent entre eux.
5. Chen, Zaharia and Zou (2023), FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance — Des cascades de modèles ont égalé le meilleur modèle unique avec jusqu'à 98 % de réduction des coûts dans les expériences rapportées.
6. Microsoft and LinkedIn (2024), AI at Work Is Here. Now Comes the Hard Part (Work Trend Index) — 75 % des travailleurs du savoir utilisent l'IA au travail ; 78 % des utilisateurs d'IA apportent leurs propres outils.
7. Gartner (2025), Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 — Prévision d'annulations et « agent washing » ; Gartner estime que seuls environ 130 des milliers de fournisseurs d'IA agentique sont réels.
8. IBM (2026), AI-powered adversaries and the enterprise risk challenge (Cost of a Data Breach Report 2026) — Les incidents d'injection de prompt ont entraîné en moyenne 5,89 millions de dollars de pertes.