• agents
• workflow
• applications-ia
• bonnes-pratiques

Le point de depart de ce projet etait un workflow LLM classique orchestre manuellement: rediger un prompt, extraire une reponse, la transferer vers un autre modele, affiner, puis consolider les resultats intermediaires. Cette approche fonctionne, mais elle genere une part elevee de travail non createur de valeur, notamment via les changements de contexte, le copy/paste et des etats intermediaires incoherents.

Le principal levier n'a donc pas ete une optimisation supplementaire des prompts, mais un changement d'architecture de processus: passer a des workflows agentiques qui prennent en charge la planification, la selection des modeles et l'integration des resultats dans une boucle d'execution continue.

Question et validation #

La these directrice est la suivante: dans les configurations multi-LLM, les gains de productivite proviennent principalement de la reduction des couts d'orchestration, et pas uniquement d'un meilleur prompt unitaire. Dans mon contexte projet, cette these est observee de maniere coherente et reste compatible avec les travaux actuels sur l'IA agentique.

Les constats les plus robustes sont:

• le multi-prompting manuel cree de la friction par changements de contexte,
• les workflows agentiques reduisent la charge de coordination,
• le gain de productivite apparait surtout au niveau du processus,
• les setups multi-LLM deviennent reellement efficaces quand les transitions sont orchestrees.

Ce billet reste volontairement qualitatif. Je n'utilise pas de pourcentages generiques sans protocole de mesure comparatif explicite.

Processus de depart: orchestration multi-LLM manuelle #

Un cycle d'implementation typique suivait les etapes suivantes:

1. analyser le probleme avec le modele A,
2. contre-verifier la solution avec le modele B,
3. generer le code avec le modele C,
4. fusionner manuellement les resultats,
5. corriger et reiterer.

Ce schema etait operationnel, mais fortement frictionnel: chaque changement de modele impliquait re-contextualisation, rupture d'outil et risque d'integration accru.

Processus cible: flux agentique de bout en bout #

En mode agentique, la sequence devient structurellement plus simple:

1. definir objectif et contraintes,
2. laisser l'agent decomposer la tache,
3. laisser l'agent choisir le systeme LLM pertinent pour chaque etape,
4. laisser l'agent consolider les resultats intermediaires,
5. reviewer la qualite finale plutot que reconstituer des fragments.

La difference decisive est le lieu de l'orchestration: la coordination passe de l'operateur humain au workflow.

Mecanisme du gain de temps #

Le gain observe ne vient pas principalement d'une vitesse brute de generation, mais d'une reduction de friction de processus:

• moins de copie manuelle entre modeles,
• moins de re-explication de contexte,
• moins de ruptures entre outils,
• moins d'erreurs dues a des etats intermediaires incoherents.

Au total, le temps de cycle diminue a qualite stable.

Pattern d'architecture robuste dans ce projet #

Un pattern multi-LLM par roles s'est revele particulierement robuste sans changement manuel d'interface:

• Systeme A pour la structuration,
• Systeme B pour la transformation de code,
• Systeme C pour la critique, les tests et les cas limites.

L'agent orchestre ces specialisations dans un flux de controle unique. La plus grande valeur apparait aux points de passage qui constituaient auparavant le principal cout de coordination.

Implications pratiques #

• Le levier principal est la conception du processus, pas l'optimisation isolee d'un prompt.
• Les agents performants se definissent mieux comme des workflows controles avec quality gates explicites que comme des prompts uniques.
• Les architectures multi-LLM prennent leur valeur quand les transitions entre systemes specialises sont automatisees.
• Les gains de productivite les plus significatifs apparaissent la ou les couts de coordination et de contexte diminuent.

Conclusion #

Le resultat central de ce projet est clair: dans ce contexte, les workflows agentiques sont plus productifs que le multi-prompting manuel coordonne par copy/paste.

Non pas parce que les modeles sont soudainement "magiques", mais parce que leurs forces complementaires peuvent etre orchestrees dans un processus d'execution stable.

En une formule:

Moins de jonglage de prompts, plus de flux agentique continu.