CrewAI : comment faire travailler plusieurs agents IA ensemble ?

L’intelligence artificielle évolue rapidement. Après les chatbots conversationnels et les assistants capables d’utiliser des outils, une nouvelle approche se développe : les systèmes multi-agents, dans lesquels plusieurs intelligences artificielles spécialisées collaborent pour atteindre un objectif commun.

Plutôt que de confier une mission complexe à un seul modèle, pourquoi ne pas répartir le travail entre plusieurs agents, chacun disposant d’un rôle, d’objectifs et de compétences spécifiques ?

C’est précisément ce que permet CrewAI, un framework Python open source consacré à l’orchestration d’agents IA.

Pour comprendre son fonctionnement, nous avons testé CrewAI chez Naxialis en créant une équipe de trois agents capables de concevoir une landing page complète avec Astro et Tailwind CSS.

Voici comment fonctionne ce framework, quelles sont ses possibilités pour les entreprises et ce que notre expérimentation nous a appris.

Qu’est-ce que CrewAI ?

CrewAI est un framework open source développé en Python qui permet de créer, configurer et orchestrer des agents d’intelligence artificielle.

Chaque agent peut recevoir une identité professionnelle, une mission spécifique, des instructions et éventuellement des outils pour interagir avec des systèmes externes.

L’objectif est de transformer une demande complexe en plusieurs tâches coordonnées, plutôt que de tout demander à un seul assistant IA.

Par exemple, une entreprise qui souhaite automatiser son service client pourrait disposer de trois agents :

• Un agent chargé de comprendre et classifier les demandes.
• Un agent chargé de rechercher des informations dans la documentation métier.
• Un agent chargé de préparer des réponses adaptées.

CrewAI organise les tâches et facilite la transmission des résultats entre les agents.

Définition : CrewAI est un moteur d’orchestration multi-agents qui coordonne plusieurs agents IA spécialisés, leurs tâches, leurs outils et leurs interactions pour automatiser des processus.

Le framework est disponible sous licence MIT et peut être intégré directement dans une application Python.

Comment fonctionne CrewAI ?

CrewAI repose notamment sur quatre concepts : les agents, les tâches, les équipes et les workflows.

Les agents : des spécialistes virtuels

Un agent est une entité IA configurée pour remplir un rôle précis.

Sa configuration peut inclure :

• Role : sa spécialité ou son métier.
• Goal : l’objectif qu’il doit atteindre.
• Backstory : le contexte utilisé pour orienter son comportement.
• LLM : le modèle d’intelligence artificielle utilisé.
• Tools : les outils et services auxquels il peut accéder.

Un agent spécialisé en référencement naturel n’aura donc pas les mêmes instructions ni les mêmes responsabilités qu’un agent chargé de développer une application.

Cette spécialisation améliore la structuration du travail, sans garantir à elle seule la fiabilité des réponses.

Les tâches : organiser le travail

Une tâche définit précisément ce qu’un agent doit accomplir.

Elle comprend une description, un résultat attendu et l’agent responsable.

CrewAI permet également de transmettre les résultats de certaines tâches aux suivantes.

Ainsi, un agent chargé de produire une architecture technique peut exploiter les conclusions d’un premier agent ayant analysé les besoins métier.

Les Crews : faire collaborer les agents

Une Crew constitue une équipe d’agents IA travaillant sur une mission commune.

L’exécution peut être séquentielle : les agents interviennent les uns après les autres et partagent les informations pertinentes.

CrewAI propose également des mécanismes de délégation et une organisation hiérarchique, dans laquelle un agent gestionnaire coordonne les autres.

Les Flows : piloter des processus plus complexes

CrewAI ne se limite pas aux équipes d’agents.

Les Flows permettent d’organiser des workflows pilotés par des événements, avec une gestion plus explicite des étapes, des états et des conditions d’exécution.

Il est donc possible de combiner des traitements déterministes et des équipes d’agents autonomes au sein d’une même application.

Cette distinction est importante pour une utilisation professionnelle : toutes les opérations ne doivent pas nécessairement être confiées à un LLM.

Notre test : trois agents IA pour générer une landing page Astro

Pour aller au-delà de la théorie, nous avons installé CrewAI sur un environnement Windows 11 et réalisé deux expérimentations.

La première consistait à analyser un projet d’automatisation des emails d’une PME.

Trois agents ont travaillé successivement : un analyste métier, un architecte IA et un consultant en déploiement. Ils ont produit une analyse fonctionnelle, une proposition technique et un plan de déploiement chiffré.

Nous avons ensuite voulu tester quelque chose de plus concret : la génération d’une véritable page web à partir d’une idée commerciale.

Agent 1 : le stratège marketing

Le premier agent devait analyser le concept d’une plateforme SaaS proposant des agents IA personnalisés aux PME.

Son rôle consistait à identifier la cible, les besoins, la proposition de valeur, les objections et l’organisation des sections de la landing page.

Il devait fournir une stratégie suffisamment structurée pour servir de base au travail des agents suivants.

Agent 2 : le rédacteur SEO

Le deuxième agent récupérait la stratégie marketing.

Il devait rédiger les titres, les textes commerciaux, les bénéfices, les fonctionnalités, les appels à l’action, les métadonnées SEO et la FAQ.

Son travail était orienté à la fois vers la lisibilité, le référencement naturel et la conversion.

Agent 3 : le développeur Astro

Le troisième agent recevait les résultats des deux premières tâches.

Sa mission était de générer le code source d’une landing page utilisant Astro, Tailwind CSS et une structure HTML sémantique.

Nous avons demandé une sortie JSON contenant les fichiers nécessaires au projet.

Un script Python distinct était chargé de vérifier les chemins autorisés et d’écrire les fichiers générés sur le disque.

Cette séparation est importante : nous ne voulions pas donner à un agent IA un accès illimité au système de fichiers.

Quel résultat avons-nous obtenu ?

Notre équipe a exécuté ses trois tâches en environ 4 minutes et 28 secondes, avec 19 675 tokens entrants et 22 957 tokens sortants, selon les métriques affichées par CrewAI.

Le résultat obtenu était une landing page Astro consultable localement, présentant une offre d’agents IA pour les PME.

Elle comprenait notamment une section d’introduction, une présentation des bénéfices, des cas d’usage, des fonctionnalités, une méthodologie de déploiement, des appels à l’action et une FAQ.

La page présentait une identité visuelle cohérente, avec des sections claires, des cartes de fonctionnalités et des contrastes destinés à organiser l’information.

Ce premier essai valide la capacité de notre chaîne à produire une interface web exploitable à partir de plusieurs livrables IA.

Il ne constitue cependant pas une preuve que le code est prêt pour la production. Des contrôles supplémentaires restent nécessaires : compilation automatisée, accessibilité, sécurité, performances et validation éditoriale.

Notre principal enseignement : CrewAI devient particulièrement intéressant lorsqu’il coordonne des compétences différentes et produit des livrables structurés qu’un programme peut ensuite traiter et vérifier.

Quels sont les cas d’usage de CrewAI en entreprise ?

Les systèmes multi-agents peuvent intervenir dans de nombreux processus métier.

1. Automatisation du service client

Une équipe d’agents peut classifier les demandes, consulter une base documentaire, rechercher les informations utiles et proposer une réponse.

Les cas sensibles peuvent être transmis à un collaborateur humain.

2. Prospection et qualification commerciale

Un agent analyse les informations d’une entreprise, un autre identifie les besoins potentiels et un troisième prépare une proposition commerciale personnalisée.

Les données doivent provenir de sources autorisées, avec des contrôles adaptés à la prospection et à la protection des données personnelles.

3. Génération de contenus et production web

Une équipe peut coordonner une stratégie éditoriale, la rédaction, la structuration SEO et la création de pages web.

Notre test avec Astro illustre cette possibilité.

4. Analyse documentaire

Les agents peuvent combiner recherche documentaire, extraction d’informations, synthèse et préparation de rapports.

Associé à une architecture RAG, ce fonctionnement peut faciliter l’exploitation de la documentation interne d’une entreprise.

5. Audit et contrôle d’applications

Différents agents peuvent examiner des dimensions complémentaires : architecture, dépendances, configuration, qualité du code ou conformité documentaire.

Leurs analyses peuvent être consolidées dans un rapport, à condition de compléter les réponses IA par des vérifications techniques réelles.

6. Automatisation des opérations métier

CrewAI peut orchestrer des appels à des API, des traitements de données et des validations.

Il peut par exemple être intégré à un outil de gestion commerciale, un ERP, un CRM ou une application métier sur mesure.

Peut-on intégrer CrewAI dans une application SaaS ?

Oui. C’est même l’un des aspects les plus intéressants du framework pour les développeurs et les éditeurs de logiciels.

CrewAI peut fonctionner côté serveur et être appelé depuis une application Python.

Une architecture typique pourrait associer :

• Un frontend Astro, React ou Next.js.
• Une API FastAPI pour gérer les utilisateurs et les demandes.
• CrewAI pour orchestrer les agents.
• PostgreSQL pour conserver les données et l’historique.
• Redis et des workers pour les exécutions longues.

L’utilisateur final interagit avec une interface web classique, sans avoir besoin d’accéder directement au moteur CrewAI.

Pour les applications multi-entreprises, il est toutefois indispensable de prévoir l’isolation des données, les permissions, la gestion des clés API, les limites de consommation et les journaux d’exécution.

CrewAI est-il gratuit ?

Le framework CrewAI open source est disponible sous licence MIT.

Il peut être installé et exécuté sur son propre ordinateur ou son infrastructure.

Cela ne signifie pas que toutes les utilisations sont gratuites.

Les coûts dépendent principalement des modèles IA sélectionnés, de la quantité de tokens consommés, des outils externes et de l’infrastructure.

CrewAI propose également une plateforme commerciale, CrewAI AMP, qui ajoute notamment des fonctionnalités de déploiement, de supervision et de gestion des workflows.

Il faut donc distinguer le coût du framework, celui des modèles utilisés et celui des services d’exploitation.

CrewAI, LangGraph ou n8n : quelles différences ?

Ces trois outils peuvent intervenir dans des projets d’automatisation utilisant l’intelligence artificielle, mais ils ne répondent pas exactement aux mêmes besoins.

CrewAI est particulièrement intéressant pour organiser des équipes d’agents spécialisées.

LangGraph privilégie un contrôle explicite des transitions et de l’état des applications agentiques.

n8n facilite l’automatisation entre services à travers un éditeur visuel.

Ces solutions ne sont pas nécessairement concurrentes : elles peuvent être complémentaires selon l’architecture.

Quelles sont les limites de CrewAI ?

Notre expérimentation a également permis d’identifier plusieurs points de vigilance.

Le coût des appels aux modèles

Multiplier les agents peut augmenter le nombre d’appels aux modèles et la quantité de contexte transmis.

Dans notre deuxième expérience, l’exécution a consommé plus de 42 000 tokens au total.

La spécialisation doit donc apporter une valeur suffisante pour justifier cette consommation.

Le risque d’erreurs cumulées

Si un premier agent produit une analyse incorrecte, les agents suivants peuvent reprendre ses conclusions.

Il est nécessaire de mettre en place des validations, des formats de sortie stricts et des mécanismes de contrôle.

La qualité du code généré

Un agent développeur peut produire du code convaincant sans qu’il fonctionne réellement.

Les tests, la compilation, l’analyse statique et les revues restent indispensables.

La sécurité des outils

Un agent connecté à une messagerie, une base de données ou un système de fichiers doit disposer de permissions limitées.

Les actions sensibles doivent être contrôlées, journalisées et, lorsque nécessaire, soumises à validation humaine.

La confidentialité des données

L’utilisation d’un modèle hébergé par un fournisseur externe peut entraîner le transfert des informations nécessaires au traitement.

Il faut examiner les conditions du fournisseur, les données transmises, les durées de conservation et les obligations réglementaires.

L’auto-hébergement du moteur CrewAI ne suffit pas, à lui seul, à garantir que les données restent dans l’entreprise.

Faut-il utiliser plusieurs agents IA plutôt qu’un seul ?

Pas systématiquement.

Pour une tâche simple, comme résumer un document ou générer une réponse courte, un seul modèle IA peut être plus rapide, moins coûteux et plus facile à maintenir.

Une architecture multi-agents devient intéressante lorsque le processus comporte plusieurs spécialités, des dépendances entre tâches ou des contrôles distincts.

Il faut donc évaluer le nombre d’agents en fonction de la complexité réelle du problème.

Le bon objectif n’est pas de multiplier les agents, mais de concevoir un workflow fiable, mesurable et adapté au besoin métier.

Conclusion : CrewAI, une base intéressante pour les applications IA professionnelles

CrewAI propose une approche structurée de l’orchestration d’agents IA.

Son intérêt dépasse la simple génération de texte : il permet de répartir les responsabilités, d’organiser les tâches et de connecter l’intelligence artificielle à des outils métier.

Notre expérimentation avec trois agents spécialisés a permis de générer une véritable landing page Astro à partir d’une idée commerciale.

Cette démonstration montre le potentiel de la collaboration multi-agents, mais aussi l’importance des contrôles techniques et de l’architecture logicielle.

Chez Naxialis, nous nous intéressons particulièrement à l’intégration de ces technologies dans des applications métier, des plateformes SaaS et des solutions d’automatisation adaptées aux entreprises.

L’enjeu n’est pas simplement de déployer des agents IA, mais de construire des systèmes réellement utiles, sécurisés, maintenables et capables de produire des résultats vérifiables.