Un agent d'IA peut écrire du code, proposer une démonstration ou analyser des données. Mais une tâche de recherche ou d'ingénierie ne se joue pas sur une « bonne réponse » : il faut tester des hypothèses, explorer des pistes et vérifier ce qui tient vraiment. C'est exactement le type de problème auquel s'attaque /teamwork, le système multi-agent de Google intégré à Antigravity.
Dans des travaux présentés en novembre 2026, Google décrit des collaborations entre chercheurs et agents spécialisés en mathématiques, chimie, développement logiciel et optimisation de modèles. Les résultats annoncés vont de preuves formalisées à des noyaux de calcul accélérés. C'est impressionnant, mais ça ne veut pas dire que l'IA remplace l'expertise humaine, ni que chaque résultat est prêt à être déployé tel quel en production.
Pour comprendre la portée de ces annonces, il faut regarder la mécanique : comment le travail est découpé, quels garde-fous vérifient les productions des agents, et où l'intervention humaine reste décisive. On y revient aussi côté « boulots » : quels gains d'ingénierie sont revendiqués, et comment évaluer un système multi-agent dans une organisation.
Quels résultats ont été annoncés en recherche scientifique ?
Les exemples les plus parlants touchent les mathématiques et l'informatique théorique. Google rapporte que des chercheurs de ses équipes et d'universités partenaires ont utilisé Gemini et des flux multi-agents pour construire des preuves, résoudre des questions ouvertes et formaliser des démonstrations. Ces travaux reposent toutefois sur des contributions humaines : formulation des problèmes, choix des contraintes, examen des résultats.
Des preuves vérifiées par Lean 4
Un résultat concerne la conjecture de Courtade-Kumar, formulée en théorie de l'information en 2013. Selon les chercheurs, l'équipe a obtenu une preuve en généralité complète. Le travail combine des contre-exemples générés par Gemini, une reformulation humaine du problème, puis des bornes analytiques et des certificats d'arithmétique d'intervalles. La preuve a ensuite été formalisée dans Lean 4, un assistant de preuve qui vérifie les étapes en suivant les règles de son noyau logique.
Google cite aussi des résultats sur l'analyse de données adaptative, l'informatique quantique, les algorithmes de graphes et l'algèbre linéaire. Sur plusieurs cas, les agents auraient produit des algorithmes ou des preuves que les auteurs ont ensuite vérifiées, simplifiées et préparées pour publication. Cette séquence compte : produire « à la machine » ne suffit pas à elle seule pour valider une contribution scientifique auprès de la communauté.
Le projet LEAP est un exemple d'ampleur. Google affirme que le système a produit une formalisation des conjectures de Weil, avec environ 1,8 million de lignes de Lean, sur 28 800 appels à des sous-agents. Google indique aussi des formalisation liées au problème de Hilbert, aux équations de Navier-Stokes et à d'autres résultats mathématiques.
Ce qu'une preuve formelle prouve - et ne prouve pas
Une formalisation permet de vérifier qu'une preuve respecte un système logique, étape par étape. C'est utile pour réduire les erreurs dans des démonstrations longues, difficiles à contrôler à la main. Mais la vraie question arrive avant : le théorème formalisé correspond-il bien au problème que les chercheurs voulaient résoudre ? Cette traduction reste, de fait, une responsabilité humaine.
En clair : Lean peut vérifier la correction d'une preuve formelle, sans savoir si l'énoncé obtenu correspond parfaitement à ce que la question initiale demandait, ni si la formulation est suffisamment proche de l'intention. La vérification formelle renforce donc la fiabilité d'une partie du processus ; elle ne remplace ni la revue scientifique, ni le débat sur la portée du résultat.
Google présente aussi Deep Review, un outil de revue de documents testé par des auteurs de soumissions au congrès STOC 2027. Sur 70 personnes interrogées, 90 % disent avoir reçu des retours majoritairement ou presque entièrement factuels, et plus de 30 % signalent avoir repéré des erreurs substantielles ou des coquilles mathématiquement importantes. Attention : c'est basé sur un sondage de participants volontaires. Ça donne un signal, mais pas une évaluation indépendante généralisable à tous les contextes.
Quels gains sont revendiqués en ingénierie logicielle ?
En ingénierie, l'évaluation ne se limite pas à « ça marche » : on regarde le temps d'exécution, la mémoire, la conformité via des tests, et le comportement sur du matériel réel. Google rapporte plusieurs cas où des agents ont optimisé des logiciels ou aidé à des migrations à grande échelle.
Des optimisations confrontées aux mesures
Pour des noyaux TPU utilisés en apprentissage automatique, des agents auraient construit des évaluateurs rapides, appelés yardsticks, pour classer des solutions candidates sans attendre chaque exécution complète sur le matériel. Ensuite, ces classements sont comparés à des mesures réelles. Google annonce une accélération géométrique moyenne de 4,09 fois sur 17 noyaux JAXBench, et de 2,99 fois sur sept noyaux d'inférence TPU Pallas.
Le mécanisme fait écho à un compromis classique en optimisation : un test rapide élargit la recherche, mais il ne sert à rien si ses prédictions ne suivent pas le réel. D'où l'importance de valider périodiquement sur le matériel et de mesurer la corrélation entre le classement proxy et les performances observées.
Autre exemple : FarArray, une infrastructure de calcul distribuée pensée pour réduire les coûts de communication. Google lui associe des gains de débit et de temps d'exécution sur des graphes de grande taille. L'équipe rapporte aussi des noyaux TPU pour réseaux de neurones sur graphes, avec des réductions de mémoire et des accélérations des passes avant et arrière. Comme toujours, ces chiffres sont liés aux architectures et aux références utilisées : on ne peut pas les transposer automatiquement.
Les migrations de code ne se résument pas à une traduction
Google décrit un flux de réécriture où un module n'est traité que lorsque ses dépendances sont compilées, puis testé avec la suite d'origine, sans modifier celle-ci. Une campagne de deux semaines aurait converti le reste du micro-noyau Zircon de C++ vers environ 800 000 lignes de Rust, avec des tests noyau réussis et un démarrage sur du matériel arm64.
L'exemple du décodeur vidéo libgav1 rappelle un point souvent sous-estimé : la parité fonctionnelle ne suffit pas. Le portage en Rust aurait d'abord été quatre fois plus lent que la version C++. Puis, après ajout d'outils de profilage et fixation d'un objectif explicite de performance, Google rapporte un gain de 20 à 30 % sur x86_64 et ARM, y compris face à un code assembleur optimisé manuellement.
La leçon opérationnelle n'est pas que les agents convertissent n'importe quelle base de code sans risque. C'est plutôt que le pipeline doit préserver les tests, respecter l'ordre des dépendances, et intégrer une mesure de performance. Sans ces garde-fous, une migration peut bien « compiler » tout en changeant le comportement attendu ou en dégradant les performances.
Quelle valeur pour les entreprises, et quelles limites ?
Pour une entreprise, l'intérêt de l'IA multi-agent n'est pas de « multiplier les agents ». Le vrai objectif, c'est de réduire le coût des tâches où l'exploration, les tests et les corrections prennent du temps, tout en gardant des critères de validation sérieux. Ça peut toucher l'optimisation de code, l'analyse documentaire, la génération de bancs d'essai, ou la recherche de candidats en laboratoire.
Où le modèle est le plus crédible
Une tâche se prête bien à un système de ce type quand elle est découpable, quand les résultats sont mesurables, et quand un outil indépendant peut réfuter une mauvaise solution. L'optimisation d'un noyau avec un banc de mesure, par exemple, donne un signal plus robuste qu'une demande ouverte du type « rendre le logiciel meilleur ».
La chimie peut aussi coller au modèle. Google indique avoir combiné une trentaine d'agents et un simulateur de spectres fondé sur la physique pour identifier des structures moléculaires à partir de données de résonance magnétique nucléaire. L'équipe annonce 95 % de correspondances exactes au premier rang, et 100 % dans les trois premières propositions sur un jeu d'évaluation complexe. Mais ici, tout dépend de la qualité du simulateur, des données et du benchmark : ça ne prouve pas que le système remplace un laboratoire ou un chimiste dans tous les cas.
Les coûts et les risques restent concrets
Un pipeline multi-agent peut coûter cher en calcul, en temps d'ingénierie et en ressources humaines consacrées à la vérification. Le nombre d'agents n'est pas une métrique de qualité. Et en pratique, plus on parallélise, plus on risque de multiplier les résultats redondants, les erreurs de coordination et les coûts d'inférence.
Il faut aussi gérer la confidentialité et la gouvernance. Avant d'envoyer du code, des données clients ou des documents de recherche à un service externe, une organisation européenne doit vérifier les règles d'accès, de conservation et de traitement applicables, notamment au regard du RGPD et des engagements contractuels. Et côté logiciel généré : droits et licences méritent la même attention.
Enfin, des tests qui passent ne garantissent pas l'absence de vulnérabilité sécurité. Une preuve formelle sur un composant ne « couvre » pas automatiquement tout le logiciel autour. Et une revue automatique peut rater une erreur... ou en inventer. Ces systèmes déplacent une partie du travail, mais ils ne suppriment pas la responsabilité technique.
Comment évaluer un projet d'IA multi-agent ?
Le bon réflexe, c'est de traiter le système comme un processus de production : périmètre, critères d'acceptation, et coût mesuré. Avant de lancer un essai, posez le problème avec des termes observables : quel résultat doit changer, par rapport à quelle référence, et avec quel niveau de risque acceptable ?
Une grille de décision en cinq étapes
- Choisissez une tâche circonscrite. Visez un module, une classe de problèmes ou un benchmark limité plutôt qu'un objectif flou. Une tâche bien bornée permet de repérer les erreurs et de comparer les résultats.
- Établissez une référence humaine et technique. Mesurez le temps, la qualité, les coûts de calcul et les interventions nécessaires dans le processus actuel. Sans référence, une démo « qui impressionne » ne dit pas si le travail est réellement plus efficace.
- Séparez production et vérification. Définissez qui propose, qui critique, et quels outils tranchent. Quand c'est possible, utilisez des tests ou des jeux de données indépendants et non modifiables par l'agent producteur.
- Suivez le coût complet. Comptez les appels aux modèles, le temps d'intégration, les vérifications humaines et les corrections. Un gain brut de vitesse peut disparaître si le nettoyage des résultats consomme autant (voire plus) que la tâche initiale.
- Augmentez progressivement le périmètre. Regardez les échecs, les cas limites et la stabilité avant de toucher des données sensibles ou des composants critiques. Gardez aussi une possibilité de retour en arrière.
Mesurer ce qui compte réellement
Un tableau de bord utile peut inclure le taux de réussite vérifiée, les régressions, les défauts détectés avant mise en production, le temps humain de reprise, le coût par tâche, et la performance sur des cas non vus. Pour une migration, surveillez la parité fonctionnelle, la couverture des tests, et les performances sur les architectures réellement utilisées. Pour une revue de recherche, mesurez la précision des erreurs signalées et le taux de faux positifs, pas seulement le volume de retours.
La question finale est autant économique que technique : le système rend-il la tâche plus fiable ou moins coûteuse sans transférer les risques vers les utilisateurs, les équipes sécurité ou les mainteneurs ? Si vous ne pouvez pas le mesurer, l'expérimentation n'est pas encore prête à devenir un outil de production.
Conclusion
Les annonces de Google montrent un déplacement : l'IA ne sert plus seulement à produire une réponse, elle peut aussi s'intégrer à des chaînes de travail longues, structurées et évaluées par des outils spécialisés. Les cas rapportés (preuves formelles, optimisation, migrations logicielles) sont intéressants, mais ils reposent sur des contraintes précises et des validations distinctes.
Pour les équipes, le critère n'est donc pas « combien d'agents » ni « à quel point la démo est impressionnante ». Le vrai point, c'est la capacité à obtenir un résultat vérifiable, reproductible et utile pour un coût inférieur au processus existant. Commencez par un problème mesurable, gardez des vérifications indépendantes, et assumez l'intervention humaine comme une partie explicite du système.

Comment fonctionne le système multi-agent /teamwork ?
Un système multi-agent, ce n'est pas « faire répondre plusieurs fois le même chatbot ». L'approche décrite par Google consiste à découper une tâche longue entre des agents, chacun avec un rôle, un périmètre de travail et des outils précis. Certains produisent des solutions ; d'autres cherchent des contre-exemples ou vérifient le résultat avec des outils externes au modèle.
Des rôles distincts et des contextes maîtrisés
Quand un projet dure, deux pièges reviennent. D'abord, un modèle peut sortir une réponse plausible... mais fausse. Ensuite, plus on allonge la tâche, plus il devient difficile de garder le bon détail dans le contexte, sans finir par noyer le raisonnement dans un océan de messages.
/teamwork essaie de limiter ces deux dérives via la manière dont le travail circule. Un coordinateur découpe la tâche et fournit aux agents les fichiers et outils nécessaires à leur étape. Puis, la suite peut être reprise par un nouvel agent, tandis qu'un critique ou un auditeur examine le résultat dans un contexte différent. L'idée est simple : réduire la perte d'information et éviter qu'un « vérificateur » reparte sur les mêmes hypothèses que le producteur.
Selon Google, les équipes peuvent aussi lancer des pistes en parallèle, puis les comparer. Mais pour les tâches où le code est très couplé, la parallélisation ne serait pas forcément le meilleur choix : une progression plus séquentielle, avec des révisions, peut mieux coller à la structure du problème. Autrement dit : ce n'est pas « plus d'agents = meilleur résultat ».
La vérification compte davantage que le nombre d'agents
Ce qui change vraiment, c'est la place donnée à des mécanismes de contrôle qui ne dépendent pas uniquement du même agent. Selon le domaine, on parle par exemple de vérification de preuves Lean 4, de suites de tests, de simulateurs, de recherche documentaire ou de compteurs matériels. Un agent peut proposer une optimisation ; le système doit ensuite la confronter à une mesure ou à un test reproductible.
Google mentionne aussi des modèles de travail déclaratifs qui routent automatiquement une tâche vers un flux adapté. /boost, par exemple, est décrit comme une boucle itérative de résolution et de vérification pour le développement. D'autres modèles visent des preuves longues ou la revue de documents.
Tout cela ne garantit pas que le résultat sera « juste » au sens scientifique, ni qu'il sera utile en production. En revanche, le système est conçu pour vérifier des propriétés définies à l'avance. Et même là, il faut garder en tête une limite : une suite de tests peut confirmer un comportement sur des cas précis, sans prouver que ces cas couvrent tous les usages réels.