# SHIFT compose des équipes d’agents IA adaptées à chaque requête

> SHIFT, une nouvelle méthode, s’appuie sur un modèle local pour concevoir des systèmes multi-agents à la volée, gagner en précision et réduire les coûts de calcul.

Oossa · 2026-10-06 · https://oossa.com/fr/shift-system-builds-custom-ai-agent-teams-per-query

Dans un article publié le 6 octobre 2026, des chercheurs présentent SHIFT, un système qui crée automatiquement la combinaison d’agents IA la mieux adaptée à chaque question. Au lieu de tester de nombreuses configurations au moment de l’exécution, SHIFT entraîne un petit modèle de langage à prédire laquelle fonctionnera le mieux, puis assemble les agents à l’aide d’une recherche arborescente Monte-Carlo. La méthode a été évaluée sur 9 193 tâches réparties entre six benchmarks, allant des problèmes de mathématiques au traitement de documents et aux tâches d’assistant généraliste.

## Quelles performances pour SHIFT ?

Avec Gemini 3.5 Flash comme moteur d’exécution, SHIFT a atteint une précision moyenne d’environ 80 %, devançant 17 méthodes concurrentes, notamment le prompting classique, les techniques d’optimisation des prompts et d’autres méthodes de recherche de workflows. Le concurrent le plus performant a obtenu un résultat inférieur de 7,2 points de pourcentage. Une configuration moins coûteuse de SHIFT a tout de même surpassé toutes les méthodes de référence, tout en utilisant 32 % de tokens en moins, ce qui réduit les besoins en calcul.

## Pourquoi concevoir les éléments ensemble ?

Les auteurs montrent que choisir simultanément la structure de communication, les instructions et les outils donne de meilleurs résultats que de sélectionner séparément un seul de ces éléments. Ce choix conjoint a amélioré les résultats de jusqu’à 9,1 points par rapport à une sélection limitée aux instructions ou aux outils. La fonction de valeur apprise par le système a également aidé à choisir, parmi plusieurs candidats, des configurations plus précises et moins coûteuses.

## Les faits

- SHIFT a été présenté dans un article publié sur arXiv le 6 octobre 2026.
- La méthode a été évaluée sur 9 193 tâches réparties entre six benchmarks.
- Avec Gemini 3.5 Flash, SHIFT a atteint une précision moyenne d’environ 80 %, soit 7,2 points de plus que la meilleure méthode de référence.
- Une configuration moins coûteuse de SHIFT a utilisé 32 % de tokens d’exécution en moins que la meilleure méthode de référence, tout en surpassant toutes les méthodes de référence.
- La sélection conjointe de la structure, des instructions et des outils a amélioré la précision de jusqu’à 9,1 points par rapport à la sélection d’un seul élément.

## Pourquoi c'est important

Pour les développeurs qui créent des assistants IA, SHIFT promet de meilleures performances sans avoir à concevoir manuellement une configuration d’agents pour chaque nouvelle demande. La méthode réduit aussi les coûts de calcul, ce qui peut alléger les dépenses liées au cloud et rendre des services multi-agents plus avancés plus abordables pour les utilisateurs.

## Sources et références

1. [Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction](https://arxiv.org/abs/2610.04137) – arXiv cs.LG, 2026-10-06

Dernière mise à jour: 2026-10-06