En 2024, les "agents IA" étaient un buzzword. En 2026, ils tournent en production. Pas tous. Pas parfaitement. Mais certains systèmes fonctionnent 24/7 sans intervention humaine. Voici ce qu'on a appris.

Le constat : les modèles ne suffisent pas

Le benchmark APEX-Agents a mis tout le monde d'accord : les modèles qui scorent 90%+ sur les tests théoriques chutent à 24-40% sur des tâches professionnelles réelles. La cause n'est pas un manque d'intelligence — c'est un défaut d'orchestration.

Un agent qui doit enchaîner 15 étapes se perd à l'étape 8. Il oublie le contexte, tourne en boucle, ou prend une mauvaise décision qui cascade sur tout le reste.

Le problème n'est jamais le moteur. C'est le châssis.

Les trois approches qui marchent

1. Claude Code (Anthropic) — Le minimalisme radical

Quatre outils seulement : Read, Write, Edit, Bash. Pas de frameworks complexes, pas d'orchestrateurs à 15 couches. L'intelligence est dans le modèle (Opus 4.6), pas dans l'architecture.

Résultat : il résout des tâches d'ingénierie logicielle complètes — lecture de codebase, modification de fichiers, exécution de tests — avec un taux de réussite parmi les plus élevés du marché.

2. Manus (racheté par Meta) — Le déchargement mémoire

Principe ROI : Reduce le contexte, Offload la mémoire sur le disque, Isolate les sous-tâches. L'agent écrit ses avancées dans un fichier todo.md et le relit au lieu de tout garder en mémoire.

C'est contre-intuitif : pourquoi faire lire un fichier à l'IA alors qu'elle "sait" déjà ? Parce que les fenêtres de contexte géantes dégradent la performance. Trop d'information = bruit = erreurs.

3. OpenAI Codex — L'architecture en couches

Trois rôles distincts : un orchestrateur qui planifie, un exécuteur qui agit, une couche de récupération qui gère les échecs. Chaque couche est spécialisée et n'a accès qu'à ce dont elle a besoin.

La leçon Vercel : moins d'outils = meilleur résultat

L'équipe Vercel a testé un agent Text-to-SQL avec des dizaines d'outils spécialisés (schéma, requêtes, validation, gestion d'erreurs). Résultat : 80% de réussite, lent et coûteux.

Ils ont ensuite supprimé 80% des outils, ne gardant que Bash, lecture de fichiers et grep. Résultat :

  • 100% de réussite (contre 80%)
  • 3.5x plus rapide
  • 40% de tokens en moins

Cette expérience confirme la "Bitter Lesson" de Rich Sutton : les approches qui misent sur la puissance de calcul et la simplicité gagnent toujours sur les règles humaines complexes.

En pratique : comment déployer un agent fiable

  1. Épure ton setup — Si ton agent échoue, ne rajoute pas d'outils. Reviens aux fondamentaux : terminal + gestion de fichiers.
  2. Fichier de progression — Force l'agent à maintenir un progress.md sur disque. Il le lit au début de chaque action, le met à jour à la fin. C'est sa mémoire de travail externe.
  3. Isole les sous-tâches — Les recherches lourdes (exploration de codebase, scraping web) dans des sous-agents qui ne renvoient qu'un résumé.
  4. Gestion d'erreur simple — Pas de retry loops complexes. Échec → alternative → explication → suggestion.

Tu veux voir un système multi-agents en action ?

OpenClaw orchestre 7 agents spécialisés 24/7 — trading, bounty hunting, code, analyse.

Voir sur GitHub

Ce qui arrive en 2026-2027

La prochaine étape n'est pas des modèles plus gros. C'est des harnais plus intelligents. L'ingénierie logicielle IA se déplace vers le "scaffolding" — construire un environnement où l'IA peut s'auto-corriger et naviguer simplement, plutôt que lui dicter chaque étape via des prompts de 10 pages.

Les développeurs solos qui maîtrisent l'orchestration d'agents ont un avantage démesuré. Un individu avec 5 agents bien configurés peut produire autant qu'une équipe de 10.