ExpertiseAgence IAActualités IATutorielsContactEnglishParlons-en

Orchestrateur IA, agent, chatbot : les différences et comment choisir

Orchestrateur IA, agent IA, chatbot et harness : ce que recouvre chaque terme au 16 octobre 2026, pourquoi le harness pèse autant que le modèle, et comment choisir entre n8n, LangGraph, Claude Agent SDK et Managed Agents.

Jonathan FoureurMis à jour le 13 min de lecture
Orchestrateur IA, agent, chatbot : les différences et comment choisir

Ce qu'il faut retenir

  • Trois familles et une couche commune. Le chatbot répond. L'agent IA consulte vos données et agit avec des outils. L'orchestrateur IA planifie, délègue à des sous-agents et vérifie. Le harness (ou harnais) est le logiciel qui fait d'un modèle un agent : boucle d'exécution, outils, contexte, permissions.
  • Le harness pèse autant que le modèle. Claude Opus 5 obtient 30,2 % sur le benchmark ARC-AGI-3 dans l'évaluation d'ARC Prize (24 juillet 2026). Placé dans Prime Agent, harness open source de Prime Intellect, il atteint 95,5 % sur le jeu public du même benchmark, dans des conditions de mesure différentes.
  • « Orchestrateur » a deux sens : un agent qui en dirige d'autres, ou un outil qui coordonne agents et étapes métier (n8n, LangGraph, SDK d'agents). Le choix dépend de qui construit, d'où tourne l'agent et de qui valide ses actions.
  • Chaque niveau multiplie la facture. Selon Anthropic, un agent consomme environ 4 fois plus de tokens qu'une conversation, un système multi-agents environ 15 fois plus.
  • En entreprise, l'agent se branche à côté de l'ERP, pas à sa place : lecture seule au départ ; ensuite, comme le recommande le CERT-FR depuis avril 2026, outils limités au strict nécessaire et validation humaine des actions à effet de bord.

Agent IA, orchestrateur, chatbot : pourquoi ces distinctions sont essentielles

Un orchestrateur IA, un agent IA et un chatbot reposent souvent sur le même modèle de langage. Ce qui les sépare, c'est ce que le système construit autour du modèle lui permet de faire : répondre, agir, ou planifier et déléguer. Or le mot « agent » est devenu fourre-tout : selon le fournisseur, il désigne un chatbot doté d'un peu de mémoire ou un système qui travaille des heures dans votre code.

Cette confusion se paie : un système multi-agents pour une FAQ, ou un chatbot là où il faut agir dans plusieurs logiciels. Depuis la première version de cet article, en mai 2026, un quatrième mot s'est installé : le harness.

Mise à jour du 16 octobre 2026 : ajout du harness, des repères de coût publiés par Anthropic, d'une grille de choix d'un orchestrateur d'agents et des recommandations du CERT-FR.

Les trois familles : vue d'ensemble

┌──────────────────────────────────────────────────────────────────┐
│   CHATBOT          →    AGENT IA         →    ORCHESTRATEUR      │
├──────────────────────────────────────────────────────────────────┤
│   LLM seul              LLM + outils          LLM + outils       │
│   Réponses              + RAG / base          + planification    │
│   en langage            + mémoire             + sous-agents      │
│   naturel               + actions             + vérification     │
├──────────────────────────────────────────────────────────────────┤
│   « Répond »            « Consulte et         « Décompose,       │
│                          agit »                exécute, vérifie »│
└──────────────────────────────────────────────────────────────────┘
   Complexité, autonomie, coût →
   Dans les trois cas, le harness décide de ce que le modèle peut faire.

Chaque niveau englobe le précédent. Le bon choix correspond à la complexité réelle du besoin, pas un cran au-dessus. Anthropic le dit dans son guide Building effective agents : chercher la solution la plus simple, et n'ajouter de la complexité que si elle est nécessaire, quitte à ne pas construire d'agent du tout.

Famille 1 : le chatbot conversationnel

Un chatbot transmet une question à un modèle de langage (LLM) et restitue sa réponse, à partir des connaissances d'entraînement du modèle et de la conversation en cours.

[Utilisateur] ──message──▶ [LLM] ──réponse──▶ [Utilisateur]

Il reformule, traduit, résume, rédige un premier jet. Il ne sait ni accéder à vos données (ERP, CRM, procédures), ni déclencher une action, ni garantir un fait récent ou propre à votre métier. Il convient à une FAQ interne sur des sujets stables, à l'aide à la rédaction ou à la vulgarisation d'un document technique.

Une frontière qui bouge

Les assistants grand public ne sont plus des chatbots purs. Chez Anthropic, les connecteurs, ouverts à toutes les offres de Claude, permettent à l'assistant d'accéder à vos applications et d'y agir : créer un ticket Linear, envoyer un message Slack, chercher dans Google Drive. Connecteur branché, le même produit passe dans la famille 2. « Chatbot » décrit un usage, pas un produit. Pour le service client, où cette frontière apparaît vite, voyez notre article sur le chatbot IA de service client.

Famille 2 : l'agent IA avec outils et knowledge base

Anthropic parle d'« augmented LLM » : un modèle enrichi par trois capacités.

  1. Des outils : fonctions que l'agent appelle pour lire une base, interroger une API, envoyer un e-mail.
  2. Une base de connaissance (RAG) interrogée à chaque question, pour répondre avec vos informations. Voir notre article sur le RAG en entreprise.
  3. Une mémoire : historique, préférences, état d'avancement d'une tâche.
[Utilisateur] ──message──▶ [LLM avec outils]
                                │
                                ├──▶ [Outil : recherche documentaire]
                                ├──▶ [Outil : lecture ERP]
                                ├──▶ [Outil : envoi e-mail]
                                ▼
                         [Réponse + actions effectuées]

Le Model Context Protocol (MCP) est la façon courante de relier un agent à vos outils : voir notre article sur MCP en entreprise.

L'agent cite vos sources internes et lit ou écrit dans vos systèmes quand on lui en donne le droit. Il reste faible sur les tâches longues aux étapes interdépendantes, et ne vérifie pas spontanément son résultat. Exemples illustratifs dans une PME industrielle :

  • Réponse à une réclamation : l'agent lit l'historique de commandes dans l'ERP et la procédure qualité, puis prépare une réponse que le technicien valide.
  • Recherche documentaire dans les procédures, fiches techniques ou contrats fournisseurs.
  • Support informatique qui consulte la base de connaissance et ouvre les tickets.

La plupart des agents IA déployés en entreprise relèvent de cette famille.

Famille 3 : l'orchestrateur IA

Un mot, deux sens

L'orchestrateur-agent dirige d'autres agents. Anthropic décrit ce modèle « orchestrateur-exécutants » : un LLM central découpe la tâche à la volée, la délègue à des LLM exécutants et fait la synthèse de leurs résultats. Claude Code qui lance des sous-agents fonctionne ainsi.

L'orchestrateur-outil est le logiciel qui coordonne agents, modèles et étapes métier : n8n, LangGraph, les SDK d'agents, ou Xirp, l'environnement de Spotify qui pilote plusieurs agents de code. C'est souvent ce que cherche un décideur qui veut « choisir un orchestrateur IA ».

[Utilisateur] ──objectif──▶ [Orchestrateur]
                                  │
                          ┌───────┴────────┐
                          │ Planification  │
                          └───────┬────────┘
                ┌─────────────────┼─────────────────┐
                ▼                 ▼                 ▼
         [Sous-agent A]    [Sous-agent B]    [Sous-agent C]
                └─────────────────┼─────────────────┘
                          ┌───────┴────────┐
                          │ Vérification,  │
                          │ itération      │
                          └───────┬────────┘
                                  ▼
                          [Résultat livré]

En plus de l'agent, l'orchestrateur décompose un objectif vague, lance des sous-agents en parallèle, teste ses résultats et change de stratégie quand une étape échoue. Il sert au développement assisté, à l'analyse documentaire longue et à la recherche structurée (veille concurrentielle, recherche de fournisseurs).

Ce qu'il coûte

Dans son retour d'expérience sur un système de recherche multi-agents (juin 2025), Anthropic mesure qu'un agent consomme environ 4 fois plus de tokens qu'une conversation, et un système multi-agents environ 15 fois plus. Ce système (Claude Opus 4 en chef d'orchestre, Claude Sonnet 4 en sous-agents) dépassait de 90,2 % un agent Opus 4 seul sur l'évaluation interne d'Anthropic. Mais les tâches où les agents doivent partager le même contexte, ou dépendent beaucoup les uns des autres, se prêtent mal à ce découpage : c'est le cas, selon Anthropic, de la plupart des tâches de développement, moins parallélisables que la recherche.

Pour un orchestrateur de code, la documentation de Claude Code donne un repère : en moyenne sur les déploiements en entreprise, environ 13 $ par développeur et par jour actif, et 150 à 250 $ par développeur et par mois.

Harness IA (harnais) : la couche qui fait d'un modèle un agent

Qu'est-ce qu'un harness ?

Un harness, ou agent harness (« harnais » en français), est le logiciel qui entoure un LLM et le rend opérationnel. NVIDIA le définit dans son article sur AVO (21 août 2026) : le système qui entoure le modèle détermine comment celui-ci reçoit le contexte, utilise les outils, conserve son état, réagit aux retours, se remet d'un échec et tient la distance sur une tâche longue.

Un harness LLM réunit :

  • La boucle d'exécution : le modèle demande un appel d'outil, le harness l'exécute et lui renvoie le résultat, jusqu'à une réponse sans appel d'outil. La documentation du Claude Agent SDK appelle chaque cycle un « tour ».
  • Les outils : fichiers, commandes, recherche web, connecteurs MCP.
  • Le contexte et la mémoire : instructions du projet, historique, résumé automatique quand la fenêtre de contexte se remplit (compaction).
  • Les garde-fous : outils autorisés ou interdits, validation humaine, hooks qui bloquent une commande, plafonds de tours et de budget.
  • Les sous-agents, qui démarrent sans l'historique de la conversation principale et ne lui renvoient que leur résultat.

Le modèle est le moteur ; le harness, le reste du véhicule. L'agent est le modèle en action dans ce harness, et l'orchestrateur un harness ou un agent qui en coordonne plusieurs. Anthropic qualifie d'ailleurs son Claude Agent SDK de « harness d'agent généraliste », et Managed Agents de « harness d'agent préconstruit et configurable ».

Pourquoi le harness compte autant que le modèle

Trois annonces de l'été 2026 l'illustrent :

  • Prime Agent (5 août) : avec Claude Opus 5, ce harness sous licence MIT atteint 95,5 % sur ARC-AGI-3 (trois exécutions à 95,0, 95,2 et 95,5 % ; en cumulant les trois, les 183 niveaux du jeu public sont terminés). Prime Intellect situe ce score au-dessus de la référence d'expert humain de 95,4 % publiée par ARC. Le même modèle obtient 30,2 % dans l'évaluation d'ARC Prize. Voir notre analyse de Prime Agent.
  • AVO de NVIDIA (21 août) : toujours avec Opus 5, 100 % sur les 25 environnements (183 niveaux) du jeu public ; NVIDIA précise que ces résultats ne portent pas sur les jeux semi-privé et privé.
  • Xirp de Spotify (10 août) : un environnement « neutre vis-à-vis des fournisseurs » qui pilote Claude Code, Gemini CLI et Codex et permet de changer de modèle en cours de tâche. Spotify revendique plus de 36 000 sessions par des milliers de ses ingénieurs. Voir notre article sur Xirp.

Avant de payer un modèle plus cher, regardez ce que votre agent a le droit de faire, ce qu'il sait de votre contexte et comment il est testé. Pour comparer Claude Code, Codex CLI, OpenCode, Hermes Agent et pi, voyez notre comparatif des harness.

Chatbot, agent IA, orchestrateur : le tableau comparatif

Critère Chatbot Agent IA Orchestrateur IA
Accès aux données internes Non Oui (RAG, connecteurs) Oui (étendu)
Capacité d'action Non Oui (outils) Oui (outils et sous-agents)
Planification multi-étapes Non Limitée Native
Vérification de son travail Non Rare Oui
Durée d'une session Secondes Secondes à minutes Minutes à heures
Tokens consommés (repère Anthropic) 1 Environ 4 fois plus Environ 15 fois plus (multi-agents)
Supervision humaine Optionnelle Recommandée Indispensable
Cas d'usage typique FAQ, rédaction Support, recherche documentaire Développement, analyse longue

Comment choisir entre chatbot, agent IA et orchestrateur ?

  1. Le système doit-il consulter ou modifier vos données ? Non : un chatbot suffit. En lecture, sur quelques sources : un agent avec RAG. En lecture et en écriture, sur plusieurs systèmes : un agent avec outils et droits bornés.
  2. Les étapes sont-elles connues à l'avance ? Anthropic distingue les workflows, où modèles et outils suivent des chemins définis dans le code, des agents, où le modèle dirige lui-même ses étapes. Si le scénario est connu, un workflow est plus prévisible et moins cher. Si le plan doit émerger de l'analyse, il faut un agent, voire un orchestrateur.
  3. Quel niveau d'autonomie est acceptable ? Réponse immédiate validée par l'utilisateur : chatbot ou agent. Tâche longue avec revue humaine à la fin : orchestrateur, sous supervision.

Quatre erreurs reviennent : un orchestrateur pour une FAQ (coût et latence inutiles) ; un chatbot « transformé » en agent par des prompts, sans vrais outils ni base documentaire ; un agent branché sur l'ERP sans droits fins ni journal ; un agent jugé sur son seul modèle, alors qu'à modèle égal le harness et les tests font l'écart.

Comment choisir un orchestrateur IA pour vos agents ?

Une fois la famille choisie, reste l'outil. Options relevées le 16 octobre 2026 dans la documentation des éditeurs :

Option Nature Qui construit Où tourne l'agent Modèles Contrôle des actions Licence ou prix
n8n Plateforme d'automatisation : nœud AI Agent, et AI Agent Tool pour qu'un agent en appelle d'autres Métier et opérations, avec un appui technique n8n Cloud ou vos serveurs (édition Community gratuite) OpenAI, Anthropic, Google, Mistral, modèles locaux via Ollama, etc. Validation humaine par outil, via Slack, Teams, e-mail ou le chat n8n Sustainable Use License (« fair-code ») : usage interne autorisé, pas open source
LangGraph Framework d'orchestration de bas niveau (Python, JavaScript) Développeurs Où vous voulez Au choix Intervention humaine sur l'état de l'agent, reprise après panne MIT
Claude Agent SDK Bibliothèque Python et TypeScript : la boucle, les outils et la gestion du contexte de Claude Code Développeurs Dans un processus que vous opérez Claude, par clé d'API Permissions, hooks, plafonds de tours et de budget Conditions commerciales d'Anthropic
Claude Managed Agents Harness hébergé par Anthropic, en bêta Développeurs Bac à sable d'Anthropic ou sur votre infrastructure Claude Confirmation exigible outil par outil, interruption en cours d'exécution Tokens + 0,08 $ par heure de session active
OpenAI Agents SDK Framework multi-agents (Python, JavaScript) : passages de relais, garde-fous, traçage Développeurs Où vous voulez OpenAI et plus de 100 autres LLM, selon OpenAI Garde-fous, intervention humaine MIT
Harness de code (Claude Code, Codex CLI, OpenCode, Hermes, pi) Agent de développement, utilisable sans interface (claude -p, opencode run) Équipes de développement Poste, serveur, intégration continue Selon l'outil Permissions et validation selon l'outil Propriétaire ou open source

Cinq questions pour trancher :

  1. Qui maintiendra l'agent dans deux ans ? Sans développeur en interne, une plateforme visuelle comme n8n tient mieux qu'un framework. Avec une équipe de développement, LangGraph ou un SDK apportent plus de contrôle et des tests automatisés.
  2. Où les données doivent-elles rester ? n8n, LangGraph et les SDK tournent sur vos serveurs, mais le modèle appelé reste chez son fournisseur, sauf modèle hébergé chez vous. Managed Agents conserve l'historique des sessions chez Anthropic et n'est pas éligible à la conservation nulle des données. Voir notre page IA souveraine.
  3. Le scénario est-il connu ? Un enchaînement fixe se construit en workflow n8n ; un plan qui émerge de l'analyse demande un agent.
  4. Quelles actions exigent un humain ? Listez-les avant de choisir, et vérifiez que l'outil sait suspendre l'exécution pour les faire valider.
  5. Voulez-vous pouvoir changer de modèle ? n8n, LangGraph, OpenAI Agents SDK et OpenCode acceptent plusieurs fournisseurs ; Claude Agent SDK, Managed Agents et Claude Code sont conçus pour Claude.

Quel impact pour une PME ou une ETI industrielle ?

L'agent vient en surcouche. Votre ERP reste la référence : l'agent lit, prépare et propose, et n'écrit dans un système de production qu'après une phase en lecture seule, sur un périmètre restreint. Vous démarrez sans toucher à ce qui fait tourner l'usine.

Les droits se décident avant l'outil. Dans son bulletin du 13 avril 2026 sur les produits d'automatisation par IA agentique installés sur les postes de travail, le CERT-FR recommande qu'« une validation humaine » soit « obligatoire dès qu'une commande système ou une action à effet de bord est envisagée », et que les actions et outils des agents soient « limités au strict nécessaire ». Ces deux règles valent aussi pour un orchestrateur.

Ce qui reste chez vous fait la valeur. Instructions, procédures, jeux de tests, règles d'accès : rédigés hors de l'outil, ils survivent à un changement de modèle ou de harness.

Les compétences se forment. Décider si un cas justifie un agent, le tester, borner ses droits, le superviser : c'est l'objet de notre formation agents IA, en deux niveaux (trois jours pour intégrer un agent, quatre pour construire et agencer plusieurs agents). Nous sommes un organisme de formation certifié Qualiopi. Nous développons aussi l'agent IA sur mesure lui-même. Quand l'agent doit s'appuyer sur un outil métier qui n'existe pas encore, nous le construisons : c'est notre offre de développement de logiciel sur mesure. En amont, nos missions de conseil en stratégie IA servent à choisir la bonne famille avant de chiffrer.

Les limites de cette grille

Le vocabulaire n'est pas stabilisé. Chaque éditeur emploie « agent », « orchestrateur » et « harness » à sa façon : la grille sert à poser les bonnes questions, pas à classer un produit.

Les benchmarks ne sont pas vos processus. ARC-AGI-3 mesure l'apprentissage dans des environnements de jeu. Les scores de Prime Agent et d'AVO portent sur le jeu public, celui d'Opus 5 seul sur l'évaluation d'ARC Prize : les conditions diffèrent. NVIDIA prévient d'ailleurs que l'écart ne mesure pas directement l'apport de son harness ; il montre qu'évaluer un modèle ne suffit pas à juger un agent complet.

Les multiplicateurs de tokens sont des ordres de grandeur tirés des systèmes d'Anthropic en 2025 : mesurez votre consommation sur un pilote. Versions, licences et prix sont ceux du 16 octobre 2026.

Conclusion : le bon niveau de complexité, puis le bon harness

La meilleure solution IA n'est pas la plus avancée : c'est celle qui résout le problème au coût et avec la complexité adéquats. Un chatbot bien configuré sur une FAQ apporte plus qu'un orchestrateur mal exploité.

Une fois le niveau choisi, la question n'est plus seulement « quel modèle ? », mais « quel harness, avec quels droits, quels tests et quelle réversibilité ? ». C'est là que se joue l'écart entre un pilote et un outil que vos équipes utilisent encore dans deux ans.

Lire aussi : Agents IA : les six compétences à acquérir avant de déployer


Sources


Vous hésitez entre un assistant, un agent et un orchestrateur pour votre projet ? Vous ne savez pas quel harness retenir, ni quelles actions laisser à l'agent ? Parlons-en : nous vous aidons à qualifier votre cas d'usage, à former vos équipes aux agents IA et à intégrer l'agent à vos outils existants.