Ta boîte a probablement déployé son premier agent IA — un programme qui agit de façon autonome, pas un simple chatbot — quelque part ce printemps. Peut-être qu'il review des pull requests sur GitHub. Peut-être qu'il trie les tickets de support. Peut-être qu'il surveille tes dashboards cloud à 3h du mat' pour que tu n'aies pas à le faire. Chacun affiche du vert sur son petit tableau de bord. La vie est belle.

Sauf que les trois écrivent sur le même board Jira, les mêmes canaux Slack, les mêmes repos GitHub. Et personne — ni ton équipe, ni le vendeur — n'a défini ce qui se passe quand leurs actions entrent en collision sur des ressources partagées. Tu as embauché trois employés autonomes et tu les as assis au même bureau sans les présenter.

Trois plateformes, zéro feu de signalisation

Google ouvre Cloud Next 2026 aujourd'hui (22 avril, Las Vegas) avec sa stack IA agentique en vitrine : ADK v1.0 — un toolkit pour construire des agents — plus le protocole A2A (Agent-to-Agent, un standard qui permet aux agents de se découvrir et de se déléguer des tâches), qui passe en v1.0 aujourd'hui après sa preview initiale à Cloud Next 2025, désormais soutenu par plus de 150 organisations dont AWS, Microsoft et Salesforce. Il y a deux semaines (8 avril), Anthropic a lancé Managed Agents en bêta publique — des instances Claude longue durée qui exécutent des workflows complets, pas juste des réponses à des prompts — avec Notion, Asana et Sentry comme premiers adoptants. La semaine dernière (15 avril), OpenAI a mis à jour son Agents SDK avec l'exécution sandbox native — des conteneurs isolés où les agents exécutent du code en toute sécurité — et un harness model-native.

Trois runtimes concurrents, chacun traitant son agent comme le seul acteur autonome de ton infrastructure. Aucun n'inclut le concept de « hé, un autre agent bosse déjà là-dessus ».

Comment les agents réussissent jusqu'à l'échec

Voici le pattern, déjà observé en production. L'Agent A (ton bot à tickets) crée une issue Jira. L'Agent B (ton bot de dédup) la classifie comme doublon et la ferme. L'Agent A détecte la fermeture comme une anomalie et rouvre le ticket. Chaque agent a raison dans son propre contexte — sa propre fenêtre de contexte (le bloc d'information que l'IA peut « voir » à un instant donné). Le système dans son ensemble a tort, coincé dans une boucle infinie où des actions correctes produisent des résultats incorrects.

Cogent Infotech a documenté trois variantes de ce problème le 26 mars : l'effet « Mirror Mirror » (des agents qui écrasent mutuellement leurs modifications en boucle, cramant des milliers de dollars en quelques minutes), le consensus halluciné (plusieurs agents qui convergent vers des données fabriquées — « silencieux et convaincant »), et les deadlocks de ressources (des agents qui s'attendent mutuellement dans des dépendances circulaires). Leur verdict : « On ne peut pas demander à un agent s'il est dans une boucle ; il faut le prouver mathématiquement. »

Les données confirment. Le benchmark MAST de UC Berkeley, publié en mars 2025 et révisé en octobre 2025, a analysé plus de 1 600 traces sur sept frameworks multi-agents et trouvé des taux d'échec entre 41% et 86,7%. Le coup de grâce : environ 79% de ces échecs provenaient de problèmes de spécification et de coordination — pas de la bêtise des modèles. Les agents étaient assez intelligents. Ils n'avaient simplement aucune idée de l'existence des autres.

Un article publié le 16 avril 2026, « Semantic Consensus », donne un nom formel à ce phénomène : la Divergence d'Intention Sémantique — des agents coopérants qui développent des interprétations incohérentes d'objectifs partagés parce que chacun opère dans son propre silo d'information. Sur 600 exécutions de test avec AutoGen, CrewAI et LangGraph, les chercheurs ont atteint 100% de complétion des workflows avec leur framework de coordination proposé, contre 25,1% pour le meilleur concurrent. L'écart est vertigineux, et il confirme ce que les chiffres murmurent déjà : le problème n'est pas l'intelligence, c'est la coordination.

Le prix du correctif que personne ne livre

Le protocole A2A de Google est ce qui se rapproche le plus d'une solution. Il permet aux agents de s'annoncer, de décrire leurs capacités via des « Agent Cards » (désormais avec vérification d'identité cryptographique), et de se déléguer des tâches. Plus de 150 organisations ont signé. Mais A2A définit la découverte et la délégation — pas la résolution de conflits. Si l'Agent A et l'Agent B ont tous deux l'autorité légitime de modifier le même ticket Jira, A2A n'a aucun avis sur qui gagne. Et adopter A2A signifie router la coordination inter-agents via Vertex AI, la plateforme cloud de Google — résoudre la collision entre vendeurs avec le lock-in d'un autre vendeur.

Comme l'a écrit John Furrier de SiliconANGLE le 20 avril : « Qui possède le plan de contrôle où l'IA fait réellement le travail ? Les modèles deviennent une commodité. » Il a raison. La bataille ne porte pas sur quel modèle est le plus malin. Elle porte sur qui construit la couche de contrôle du trafic au-dessus de tous les autres.

L'architecture Managed Agents d'Anthropic décrit explicitement « many brains, many hands » — mais documente zéro coordination entre les cerveaux. Le Agents SDK d'OpenAI supporte les Handoffs (délégation de tâches entre agents) et les Guardrails (validation des entrées/sorties) mais aucune résolution de conflits inter-agents. Chaque vendeur a construit un opérateur solo très capable et a supposé que tu n'en déploierais qu'un seul à la fois. En 2026. Dans une entreprise.

Ce que tu fais concrètement

Avant de déployer un deuxième agent sur n'importe quel système partagé — Jira, GitHub, Slack, ta console cloud — ton équipe a besoin de trois choses qu'aucun vendeur ne fournit actuellement : des règles explicites de propriété des ressources (quel agent possède quels objets), un registre d'état partagé (une source unique de vérité sur ce que chaque agent a fait), et des politiques de résolution de conflits (quand deux agents sont en désaccord, qui gagne et pourquoi). Construis ça comme middleware interne ou subis la taxe de la boucle infinie.

La couche manquante

Tu te souviens du premier agent que tu as déployé, celui qui affiche du vert sur son dashboard ? Il affiche toujours du vert. Le deuxième aussi. Le troisième aussi. Chaque agent pense qu'il fait un boulot formidable. Le système qu'ils partagent raconte une toute autre histoire.

La couche d'infrastructure manquante de l'ère agentique, ce n'est pas un modèle plus intelligent — c'est le contrôle aérien pour les agents déjà en service. La première plateforme à la livrer capture le tier d'orchestration au-dessus de Google, Anthropic et OpenAI. En attendant, tes agents sont trois chats dans une cuisine, chacun convaincu d'être le seul à vivre ici.