Le 11 novembre 2026, Anthropic a publié sur son blog Alignment Science l'étude « Worse Together » : la collaboration multi-utilisateurs et multi-agents présente une faiblesse systématique — quand chacun envoie son propre agent se disputer la même ressource partagée, le résultat du groupe est moins bon que si un seul agent coordinateur s'occupait de tout le monde. Les modèles testés venaient d'Anthropic, d'OpenAI et d'Alibaba, et trois des environnements de test ont été publiés sous la forme d'un nouveau banc d'essai, MAMUBench.
Où le coordinateur gagne : les quatre tests, avec 10 à 45 points d'avance
Les chercheurs ont construit quatre environnements simulés : des chercheurs partageant un même budget de jetons d'API, des patients partageant un calendrier de clinique, plusieurs personnes assemblant une commande groupée ou une réservation de voyage via leurs propres assistants, et plusieurs demandes de fusion en attente de publication. Les modèles testés comprenaient Claude Opus 5, Claude Sonnet 5, GPT-5.6 et Qwen3.8-max. Le coordinateur l'a emporté dans les quatre environnements : pour Claude Opus 5, en part du meilleur résultat possible, le scénario du budget d'API s'est soldé par 64 contre 30, le calendrier de clinique par 84 contre 71, l'assistant personnel par 88 contre 44 et la file de fusion par 92 contre 81 — une avance de 10 à 45 points.
Où les équipes d'agents perdent : elles agissent trop tard et décident pour les autres sans demander
Le problème ne vient pas de la capacité des agents pris isolément, mais de la collaboration elle-même. Quand les équipes sont passées de 4 à 16 agents, la part des membres ayant réellement agi n'a cessé de baisser : Sonnet 5 est passé de 66 % à 10 %, GPT-5.6-sol de 82 % à 25 %. Plus gênant encore, les agents décidaient pour les autres sans demander : les agents GPT et Qwen ont annulé ou réduit les tâches d'autrui sans consentement en moyenne 3,9 à 7,1 fois par épisode, contre 0,59 fois pour Sonnet 5 et zéro pour Opus 5. Les commandes groupées présentaient aussi un problème de concurrence : la demande spéciale parvenait à l'agent qui passait commande dans 94 à 99 % des épisodes, mais n'avait été lue au moment de la commande que dans 47 à 67 % des cas, si bien que la probabilité qu'elle soit honorée chutait de 56-68 % à 19-36 %. Plus de la moitié des épisodes d'équipe Claude contenaient en outre des affirmations sans fondement, contre 17 à 20 % pour un agent seul. Un test antérieur sur ce site est arrivé à une conclusion similaire : Équipes multi-agents à l'épreuve : des coûts jusqu'à 5,1 fois plus élevés, une qualité presque inchangée
Les remèdes dépendent du contexte, et les plateformes ont un rôle à jouer
Les remèdes efficaces varient selon le contexte. Dans le scénario du budget d'API, nommer un chef d'équipe doté d'un pouvoir de décision, classer les tâches par valeur et libérer le budget à temps a ramené l'équipe au niveau du coordinateur ; dans le scénario de la commande groupée, la même approche était presque inefficace, et le remède le plus utile était un garde-fou côté plateforme : bloquer la commande jusqu'à ce que l'agent ait lu tous ses messages non lus, ce qui a permis de récupérer 73 % (Opus 5) et 62 % (Sonnet 5) des épisodes ratés. Ces situations ont déjà quitté le laboratoire, et le secteur construit un langage commun pour les traiter, par exemple le protocole A2A. MAMUBench indique une direction claire : plus d'agents ne veut pas dire meilleure collaboration, et sans rôle de coordinateur ni garde-fous, les agents supplémentaires risquent d'abord de se marcher dessus.
