Contexte technique
Voici comment je l'expliquerais : un agent CLI unique peut coder, rechercher et exécuter des commandes seul. Mais dès que j'ai besoin d'une automatisation par IA avec plusieurs agents, un vieux problème refait surface : ils ne voient pas les résultats les uns des autres et ont du mal à se synchroniser correctement.
La méthode la plus simple mais efficace est tmux. Je configure plusieurs volets ou sessions, chacun hébergeant son propre agent. Un orchestrateur supervise le tout, lisant les résultats, transmettant les tâches et empêchant les contextes de se mélanger.
Le faire manuellement est rapide, mais peut être très rudimentaire. Copier-coller entre les volets, utiliser des sockets, des serveurs MCP, des journaux texte et des scripts de résumé — tout cela fonctionne tant que le système est petit.
C'est là qu'interviennent les CLI spécialisées comme CAO et des outils similaires. J'ai étudié les modèles, et l'idée est saine : un agent superviseur délègue des tâches à des agents travailleurs, gère les transferts, les affectations asynchrones, les messages directs et maintient l'isolement des sessions, souvent au-dessus de tmux lui-même.
Techniquement, ce n'est pas de la magie mais une couche d'infrastructure. Elle résout trois problèmes : le partage des résultats entre les processus, la gestion de l'état et le contrôle de l'inflation des jetons (token bloat) lorsqu'un agent déverse un journal brut d'une demi-page dans un autre.
La limite est assez claire. Pour 2 à 4 agents, tmux est encore gérable. Avec 5 ou plus, tout le système commence à s'effondrer à cause des conditions de concurrence, des réponses perdues et d'un contexte surchargé sans un schéma de messagerie, une liste de tâches et un protocole d'échange adéquats.
Impact sur l'entreprise et l'automatisation
Pour une entreprise, il ne s'agit pas d'un terme à la mode, mais d'architecture. Si je construis une intégration d'IA pour le développement, le support ou les opérations internes, j'ai besoin d'une chaîne de spécialistes gérable, pas seulement d'un « agent intelligent » unique : l'un planifie, un deuxième écrit le code, un troisième teste et un quatrième compile les résultats.
Les équipes avec des pipelines reproductibles et beaucoup de tâches routinières parallèles sont les plus gagnantes. Celles qui essaient de faire évoluer un seul agent pour tout perdent, se demandant pourquoi le contexte gonfle, les réponses deviennent incohérentes et les coûts augmentent.
En pratique, mon conseil est simple : testez rapidement une hypothèse avec tmux, puis passez à une véritable couche d'orchestration avec messagerie, limites de sortie et gestion d'état explicite pour la production. Chez Nahornyi AI Lab, nous résolvons précisément ces problèmes pour nos clients : déterminer où une simple surcouche suffit et où un développement complet de solution d'IA pour un processus spécifique est nécessaire.
Si vous avez déjà des agents mais qu'un humain fait encore du copier-coller entre eux, c'est le moment où je m'assiérais pour redéfinir le flux. Chez Nahornyi AI Lab, je peux travailler avec vous pour construire une automatisation par IA qui fait réellement gagner des heures à votre équipe, au lieu de créer une nouvelle couche de chaos.