Trente et une pages, et la spécification était bonne. Vraiment bonne : critères d'acceptation numérotés, dictionnaire de données, cas limites sortis dans leur propre section, le genre de document qui laisse un responsable de livraison dormir pour la première fois de la semaine. On était quarante minutes dans la revue quand une femme arrivée en retard, qui gérait la plateforme de facturation et pas le produit, a demandé ce qui arrive à une commande déjà en cours quand un client supprime son compte. Silence. Le document couvrait la suppression au grand complet, il couvrait la rétention, l'export, le consentement et la piste d'audit, mais il n'avait jamais rencontré cette question-là, parce que la personne qui l'avait écrit n'avait jamais eu à réconcilier une transaction contre un client qui n'existe plus.
Une relectrice. C'est toute la distance entre une spécification qui livre et une spécification qui livre un processus de remboursement que personne n'a conçu. Et c'est pour ça que la forme actuelle de l'IA en exigences me chicote, en le disant comme quelqu'un qui bâtit dans la catégorie : presque tous les outils sur le marché, dont plusieurs que j'admire, pointent un modèle unique sur votre matière première et lui demandent une spécification. C'est la réunion ci-dessus avec seulement le premier analyste dans la salle, à vitesse machine.
Ajouter des agents ne règle pas ça automatiquement, et cette nuance passe en premier parce que le pitch s'écrit tout seul et que les données refusent de collaborer. Yubin Kim et ses collègues ont bâti une étude systématique de la mise à l'échelle des agents sur 260 configurations, six bancs d'essai agentiques, cinq architectures multi-agents et trois familles de modèles, en gardant constants les outils, les consignes et les budgets de jetons pour que la structure soit la seule variable. Sur du raisonnement financier décomposable, le multi-agents bat l'agent unique de 80,8 %. Sur de la planification strictement séquentielle, il perd de 70,0 %. Le nombre d'agents n'est pas la variable. La vraie variable, c'est si le travail se découpe.
L'IA multi-agents en analyse d'affaires, ça veut dire quoi au juste ?
Ça veut dire plusieurs agents avec des mandats différents, des consignes différentes et des critères de succès différents, qui lisent la même matière première et ont le droit de se contredire par écrit. Pas un modèle appelé cinq fois. La distinction a l'air d'une chicane de mots jusqu'au jour où on la voit échouer, parce que cinq appels au même modèle avec le même cadrage retournent cinq variations confiantes du même angle mort : ils partagent une intuition sur ce qui compte, alors ils sautent la même affaire cinq fois et vous remettent un consensus qui a l'air d'une corroboration.
La spécialisation, c'est tout le mécanisme. Un agent à qui on demande d'être exhaustif sur les scénarios non dits ne se comporte pas comme un agent à qui on demande d'attaquer les hypothèses sous un document, non pas parce que l'un est plus brillant, mais parce que la fonction objectif a bougé. Donnez au deuxième le mandat explicite d'avoir tort en public et il va sortir des affaires que le premier avait poliment lissées. La plupart des entreprises ne sont pas rendues là, ce qui est utile à savoir avant de paniquer sur son retard. Anthropic, avec Material, a sondé plus de 500 leaders techniques à la fin de 2025 pour The 2026 State of AI Agents Report : 57 % utilisent maintenant des agents pour des workflows en plusieurs étapes, et seulement 16 % ont atteint des processus transversaux ou de bout en bout entre équipes. Le marché a appris à mettre ses agents en séquence. Il n'a pas appris à les faire se chicaner.
Pourquoi un seul agent d'exigences produit un cahier des charges crédible mais mince ?
Parce qu'un agent unique optimise pour un document qui a l'air fini, et fini n'est pas la même chose que complet. Regardez ce qu'une passe unique fait avec une ambiguïté. Votre source dit que le système doit « aviser le client quand le statut de la commande change », ce qui est quatre ou cinq exigences déguisées en une, et le modèle doit bien faire quelque chose avec ça. Il tranche. Il choisit la lecture la plus probable, écrit une exigence propre, et l'embranchement disparaît dans de la prose compétente au lieu d'arriver sur votre bureau sous forme de question sur quels changements de statut, par quel canal, à quelle heure, et quoi faire quand le client s'est désabonné d'un canal mais pas de l'autre.
Je classais ça dans la catégorie « ingénierie de consignes ». Demander mieux pour obtenir mieux, et il y a du vrai là-dedans : une bonne consigne améliore visiblement un premier jet. Puis j'ai vu assez de premiers jets pour remarquer que l'amélioration plafonne pas mal en dessous de ce qu'une revue humaine compétente produit, et la raison est structurelle, pas lexicale. Une passe unique ne peut pas être en même temps l'auteur qui défend un document et le critique qui l'attaque. Ce sont des objectifs opposés. Demandez les deux au même agent et vous obtenez la version polie des deux.
Le portrait académique est cohérent avec ce plafond. Anna Arnaudo et ses collègues de Politecnico di Torino ont évalué des pipelines de grands modèles de langage pour l'extraction d'objectifs en ingénierie des exigences en avril 2026, en testant des stratégies d'apprentissage en contexte et un mécanisme génération-critique avec des modèles appariés. Leur pipeline atteint 61 % d'exactitude sur l'identification des objectifs de bas niveau. Leur propre conclusion est la bonne, et elle est citable : l'approche sert à accélérer l'extraction manuelle plutôt qu'à la remplacer. Soixante et un pour cent, c'est vraiment utile. C'est aussi très loin d'un chiffre sur lequel on mise une livraison réglementée.
Quelles disciplines de l'analyste d'affaires correspondent à quels agents ?
Faites-les correspondre à ce qu'un bon analyste d'affaires fait vraiment, pas aux sections d'un gabarit. C'est ici que la plupart des montages d'agents déraillent : on assigne un agent par livrable, un agent user story, un agent processus, un agent glossaire, ce qui donne une chaîne de montage plus rapide pour la même perspective unique. Quatre disciplines couvrent l'essentiel du terrain, et chacune a une question qu'elle est constitutionnellement incapable d'arrêter de poser.
Relisez ces quatre-là et remarquez que ce ne sont pas quatre vues du même livrable. Ce sont quatre modes de défaillance. Un scénario manquant, une hypothèse non testée, un désaccord enterré et une règle injustifiée échouent différemment, se font attraper par des personnes différentes, et coûtent de l'argent à des moments différents du projet. C'est exactement pour ça que rouler le même relecteur quatre fois en attrape à peu près un.
Le 11 août 2020, Citibank voulait envoyer aux prêteurs de Revlon un paiement d'intérêts d'environ 7,8 millions de dollars américains. La banque a envoyé à peu près 893 millions à la place, tout le capital d'un prêt syndiqué, pris à même son propre argent. Elle a passé les deux années suivantes en cour à essayer de le récupérer.
Voici le bout que toute personne qui travaille en exigences devrait garder. Cette transaction n'a pas été approuvée à la légère. Elle est passée par le protocole « six yeux » de Citibank, qui exige que trois personnes distinctes révisent et approuvent avant l'exécution : un « maker » qui entre le paiement, un « checker » qui le vérifie, et un approbateur principal qui signe en dernier. Trois relecteurs. Pour retenir le capital et le router vers un compte technique interne, la plateforme de prêts exigeait de surcharger trois champs : FRONT, FUND et PRINCIPAL. Les trois relecteurs croyaient que cocher PRINCIPAL tout seul suffisait. Les trois avaient tort exactement de la même façon.
Six yeux, un seul modèle mental. Le protocole ajoutait de la redondance et zéro diversité, alors il multipliait la confiance sans ajouter une seule question neuve, et la défaillance qu'il devait empêcher est passée tout droit au travers. C'est précisément le mode de défaillance de cinq appels au même modèle avec la même consigne. Trois humains ne l'ont pas attrapé non plus, parce qu'aucun des trois n'avait reçu un mandat différent.
Sources : In re Citibank August 11, 2020 Wire Transfers, conclusions de fait et de droit, Cour de district des États-Unis pour le district sud de New York, 16 février 2021 (520 F. Supp. 3d 390), et l'arrêt du Second Circuit dans le dossier 21-487, 8 septembre 2022, qui a infirmé et permis la récupération. Secteur : logiciel d'opérations bancaires.
La leçon dépasse la finance, et c'est pour ça que je reviens à ce cas-là plutôt qu'à un cas logiciel. La redondance n'est pas une revue. Trois personnes qui appliquent une seule compréhension partagée d'un écran produisent une opinion livrée trois fois, et l'organisation lit les trois signatures comme trois vérifications indépendantes alors que c'était depuis le début un point de défaillance unique déguisé en processus. Concevez vos agents pour qu'ils se contredisent, sinon ne prenez pas la peine d'en bâtir quatre.
En quoi la découverte multi-agents diffère de l'analyse automatisée des exigences ?
Les deux travaillent à des étages différents, et la réponse honnête, c'est que vous voulez les deux. L'analyse automatisée des exigences, cette couche de traitement du langage naturel en passe unique que des outils comme ScopeMaster occupent bien, prend les exigences que vous avez déjà écrites et vous dit lesquelles sont ambiguës, non testables, dupliquées ou mal dimensionnées. Elle mesure un vrai livrable contre de vrais critères, plus vite et plus uniformément qu'un humain un jeudi à 16 h. Si vos exigences existent et que vous ne roulez rien de ce genre dessus, commencez là.
La découverte multi-agents se place un cran plus tôt, avant que le livrable existe. Sa matière première, c'est la transcription d'entrevue, le fil de billets, le PDF de politique que personne n'a rouvert depuis le dernier audit, la chicane dans un canal Slack réglée par la dernière personne qui a écrit. Son extrant n'est pas un document plus propre. Son extrant, c'est une liste de questions et de contradictions, classée, avec une note sur qui peut trancher chacune.
Dit simplement : la validation vérifie la page, la découverte questionne ce qui n'a jamais atteint la page. Et l'ordre compte, parce que le coût d'une exigence manquante se compose à travers chaque livrable en aval, ce qui est la thèse posée dans ce qu'est vraiment l'intelligence des exigences. L'analyse ne peut pas signaler une ambiguïté dans une exigence qui n'a jamais été écrite. Rien ne le peut.
Et c'est ici que l'étude de Kim gagne sa place au lieu de décorer l'article. La découverte des exigences se décompose presque parfaitement : quatre disciplines peuvent lire le même corpus en parallèle, produire des constats indépendants, puis se faire réconcilier à la fin, ce qui la place solidement du côté +80,8 % de la frontière plutôt que du côté -70,0 % où un plan strictement séquentiel s'écroule sous la coordination. Ce n'est pas gratuit par exemple. Anthropic a rapporté que son propre système de recherche multi-agents dépassait une configuration à agent unique de 90,2 % sur une évaluation interne, en brûlant environ quinze fois les jetons d'une conversation ordinaire, et c'est le fournisseur qui corrige sa propre copie, alors lisez ça comme un ordre de grandeur et pas comme un banc d'essai. Quinze fois. Pointez ça sur chaque billet de deux lignes de votre backlog et vous allez mériter la facture.
À quoi ressemble un flux d'analyse d'affaires multi-agents en pratique ?
Plus étroit que le monde l'imagine, et c'est justement le point. Vous ne remplacez pas l'analyste d'affaires, une position défendue au long dans est-ce que l'IA va remplacer votre analyste d'affaires, et rien ici ne change cette réponse. Vous donnez à un analyste quatre collègues infatigables qui lisent tout et qui refusent chacun d'arrêter de poser une question précise. Cinq étapes :
- Choisissez une capacité, pas un backlog. Une capacité où une exigence manquée coûte de l'argent réel : les paiements, les droits d'accès, n'importe quoi qu'un régulateur va lire. L'économie d'une facture quinze fois plus grosse tient seulement si le risque est cher.
- Donnez aux agents le désordre, pas le résumé. Transcriptions, billets, vieille politique, fil de courriels contradictoire. Un résumé a déjà eu ses ambiguïtés tranchées par la personne qui l'a écrit, ce qui efface exactement le signal que vous cherchez.
- Donnez à chaque agent son mandat et son critère de succès. Le sceptique est récompensé quand il trouve une fausse hypothèse, pas quand il est d'accord. Des consignes partagées produisent des angles morts partagés, chaque fois.
- Réconciliez, puis classez par rayon d'impact. Les quatre agents vont produire des constats qui se recoupent et parfois se contredisent, et cette friction est le produit. Triez ce qui survit selon ce que ça coûte si ça reste sans réponse.
- Acheminez chaque question ouverte vers un humain capable de trancher. Une question sans réponse n'est pas un constat, c'est un billet avec un nom dessus. C'est l'étape où la valeur atterrit vraiment, et c'est celle que les équipes sautent.
L'étape cinq, c'est tout, honnêtement. Tout ce qui est en amont vous donne juste une meilleure liste. Ce que les agents ne peuvent pas faire, c'est marcher jusqu'au bureau de quelqu'un et le forcer à décider, et tout fournisseur qui laisse entendre le contraire, nous inclus, mérite d'être lu attentivement.
Un agent donne une perspective. La découverte en demande quatre.
L'IA multi-agents en analyse d'affaires, ce sont des agents avec des mandats différents, des consignes différentes et des critères de succès différents, avec le droit de se contredire par écrit. Pas un modèle interrogé plusieurs fois. Mappez-les aux disciplines de l'analyste d'affaires plutôt qu'aux sections d'un document : un intervieweur pour les scénarios non dits, un sceptique du domaine pour les hypothèses héritées, un révélateur de conflits pour les désaccords silencieux, et un vérificateur de traçabilité pour les règles sans justification derrière.
Plus d'agents n'est pas automatiquement mieux, et la recherche le dit sans détour : 80,8 % mieux qu'un agent unique quand la tâche se décompose, 70,0 % pire quand elle est strictement séquentielle. La découverte des exigences se décompose proprement par discipline, et c'est ce qui la place du bon bord de cette ligne. L'analyse automatisée en passe unique valide les exigences que vous avez écrites, et ça vaut la peine de l'avoir. La découverte multi-agents sort celles que vous n'avez jamais écrites, qui sont justement celles qui se rendent en production.
Quelles sont les questions les plus fréquentes sur l'IA multi-agents en analyse d'affaires ?
