Chez Outshift de Cisco, cinq agents IA se sont mis d'accord sur la mauvaise réponse trois fois sur quatre

L'affirmation vient de Vijoy Pandey, senior vice president et general manager d'Outshift by Cisco, l'incubateur interne du groupe. Selon lui, les entreprises qui dotent leurs agents IA d'une mémoire partagée et d'un contexte soigneusement calibré se retrouvent quand même avec des équipes d'agents qui échouent sur des objectifs communs. Quand Outshift a organisé des débats entre équipes de cinq agents, 75 % se sont terminés avec tous les agents d'accord sur un résultat erroné.

Le mécanisme décrit par Pandey tient en une phrase : une équipe qui débat une question jusqu'à la résolution brûle plus de tokens qu'une équipe qui plie tôt. Donc une facture qui baisse peut signifier que les agents ont abandonné le désaccord qui aurait permis d'attraper l'erreur. Le consensus, dans cette lecture, n'est pas le signe que le système fonctionne. Il est le symptôme.

C'est là que l'argument touche directement la pile de supervision que les équipes IT ont déployée ces deux dernières années. Les outils d'observabilité suivent la latence, les erreurs et, de plus en plus, la dépense en tokens. Une équipe d'agents qui converge vers une mauvaise réponse ne déclenche aucune de ces alarmes. Pas d'exception, pas de timeout, pas de pic de coût — un code 200 et une facture en baisse.

Pandey situe le point de rupture en amont de l'exécution : l'alignement sur l'objectif échoue avant même qu'un agent commence à travailler. Partager un contexte ne suffit pas à aligner des agents sur un but commun, et aucune quantité de mémoire partagée ne corrige un désaccord de départ que personne n'a formulé.

Le chiffre de 75 % sort d'un testbed maison. Outshift le rattache à un outil interne, MAS-Lab, construit autour d'un scénario de triage d'incident de type Site Reliability Engineer. Dans les communications de l'équipe, un chiffre encore plus brutal circule : sur un autre volet de la même recherche, 100 % des sessions multi-agents auraient rencontré au moins une défaillance de coordination. Les deux pourcentages viennent du même acteur, sur son propre banc d'essai, sans périmètre externe ni réplication publiée. Un fournisseur qui vend la coordination d'agents mesure le besoin de coordination d'agents.

La littérature académique n'est pas unanime sur le débat multi-agents. Les premiers travaux sur le multiagent debate le présentaient comme un moyen d'améliorer factualité et raisonnement en faisant se contredire plusieurs modèles. Des études de contrôle plus récentes nuancent fortement, et montrent que le gain dépend lourdement du protocole de communication et du type de tâche. Le constat d'Outshift — la convergence comme défaillance — s'inscrit dans ce débat ouvert, pas dans un consensus établi.

Reste le contexte économique, qui explique pourquoi l'argument porte maintenant. Gartner attend des dépenses en logiciels d'agents IA proches de 207 milliards de dollars cette année, en hausse de plus de 139 % par rapport aux 86,4 milliards de 2025. Les budgets partent, et les directions cherchent des métriques. Les plus faciles à produire sont des métriques d'usage : nombre d'agents, tokens consommés, interactions. En décembre 2025, Uber a donné Claude Code à ses ingénieurs et mis en place des classements internes suivant la consommation de tokens, avant que son président et COO Andrew Macdonald reconnaisse l'absence de lien, à ce stade, entre cette consommation et de meilleurs produits pour ses chauffeurs et passagers.

Le même mois où Outshift pousse ce message, une enquête VentureBeat mesure un recul de la confiance : la part d'entreprises prêtes à laisser des agents déployer des changements en production sans validation humaine est tombée de 75 % en juillet à 56 % en août 2026. Une réponse rapide et confiante mais fausse produit une trace propre et un code 200, ce qui n'aide pas à repérer le problème.

Ce que la facture ne voit pas

Pandey vend une réponse : une couche de coordination au-delà du contexte partagé et de la baisse des coûts, cohérente avec le positionnement d'Outshift autour de l'Internet des agents et de ses briques open source. La première étape, dit-il, est de rendre la défaillance visible. Le message et le produit avancent dans la même direction.

Pour une DSI qui a déjà câblé retries, logs de trace et suivi de tokens autour de ses agents, la question concrète est de savoir comment on instrumente un désaccord qui n'a pas eu lieu. Outshift n'en publie pas la recette reproductible. Il publie le chiffre.