La société chinoise d’IA DeepSeek a dévoilé une architecture expérimentale pour un agent d’IA plus autonome conçu pour coordonner plusieurs assistants, répartir les tâches et réaliser des flux de travail complexes avec moins de supervision humaine.
Le système proposé, appelé « super agent », vise à répondre à une limitation croissante de l’automatisation de l’IA : alors que les agents individuels deviennent de plus en plus performants, la gestion de plusieurs d’entre eux à la fois nécessite toujours une attention humaine considérable. La proposition intervient alors que la concurrence s’intensifie entre DeepSeek et ses rivaux américains OpenAI et Anthropic pour développer des systèmes d’IA capables d’assumer des tâches d’ingénierie logicielle de plus en plus complexes.
Plutôt que de simplement répondre à des invites individuelles, la prochaine génération d’assistants de codage devrait gérer des flux de travail plus longs, réagir aux nouvelles informations et coordonner plusieurs opérations avec une intervention limitée.
Réduire le goulot d’étranglement humain dans l’automatisation de l’IA
DeepSeek affirme que les capacités croissantes des modèles d’IA ont permis aux agents d’automatiser des tâches allant de la gestion des calendriers et de la rédaction d’e-mails à la préparation de rapports et à la rédaction de logiciels. Cependant, la coordination de plusieurs agents reste difficile car les humains doivent toujours attribuer des tâches, suivre les progrès et résoudre les conflits entre leurs résultats.
L’équipe estime qu’une personne ne peut généralement superviser que trois à cinq sessions actives d’agents IA à la fois. Cela crée une limite pratique à la quantité de travail que les organisations peuvent déléguer, même lorsque les agents individuels sont capables d’accomplir leurs tâches de manière indépendante.
Le super agent proposé vise également à répondre à cette contrainte grâce à un système de coordination central. Cela permettrait de décomposer les missions plus importantes, de les répartir entre plusieurs agents travaillant en parallèle et de suivre leur progression sans qu’il soit nécessaire qu’une personne gère chaque session séparément.
Le système serait également conçu pour répondre de manière proactive aux événements, plutôt que d’attendre des instructions explicites. Par exemple, un agent pourrait détecter un bug logiciel signalé lors d’une discussion de groupe, tenter de reproduire le problème et développer un correctif. S’il trouvait une solution viable, il pourrait soumettre une proposition de modification du code pour examen humain. De plus, en cas d’échec, il resterait silencieux plutôt que de générer des notifications inutiles.
Les assistants de codage deviennent le prochain champ de bataille
La dernière proposition de DeepSeek reflète également un changement plus large dans le secteur de l’IA, où les développeurs sont en concurrence pour créer des systèmes capables de gérer des flux de travail de développement de logiciels complets plutôt que des demandes de codage isolées.
Claude Code d’Anthropic et Codex d’OpenAI ont tous deux étendu les capacités des assistants de codage d’IA, leur permettant de travailler sur des bases de code, d’exécuter des tâches et de participer à des processus de développement plus complexes. L’architecture proposée par DeepSeek adopte un angle différent en se concentrant sur la manière dont plusieurs agents peuvent coordonner leur travail et répondre à des conditions changeantes.
Lors des tests expérimentaux décrits par l’entreprise, l’approche a permis d’accomplir une tâche en un peu moins de 16 minutes, contre plus de 29 minutes avec une approche conventionnelle. Le résultat suggère que l’exécution parallèle et la coordination automatisée pourraient réduire le temps requis pour certains flux de travail.
Cependant, l’évaluation à elle seule ne permet pas d’établir que le système est plus efficace que les agents de codage concurrents. L’article technique ne fournit pas suffisamment de détails pour déterminer dans quelle mesure le résultat s’applique, comment la qualité des tâches a été mesurée ou si l’approche fonctionne de manière cohérente dans différents scénarios de développement logiciel.
