Lors de nos récents échanges avec nos clients à propos de DeepSeek, une nouvelle question revient, en plus de celles sur les capacités des modèles et les prix : qu’est-ce que DeepSeek Super-agent, au juste ? Peut-il mener une tâche à bien tout seul, comme un véritable assistant ?
Super-agent n’est pas un nouveau modèle, et DeepSeek n’a pas lancé un « super assistant » que tout le monde peut utiliser en un clic. Le 31 octobre 2026, l’équipe DeepSeek Harness a présenté une architecture permettant à des agents IA de travailler en continu et de gérer plusieurs tâches à la fois, accompagnée d’un prototype de recherche open source. Le dépôt officiel du prototype DeepSeek le précise : il s’agit uniquement d’une référence pour la recherche, pas d’un produit officiel DeepSeek, et son utilisation directe en production est déconseillée.
Pourquoi s’y intéresser, alors ? Parce que le sujet n’est pas la difficulté des questions auxquelles une IA peut répondre, mais un problème beaucoup plus concret : si nous lui confions cinq choses à faire en même temps, peut-elle les terminer dans l’ordre, sans qu’il faille constamment la relancer ?
1. Qu’est-ce que DeepSeek Super-agent, au juste ?
Jusqu’ici : une demande, une tâche
Une IA conversationnelle classique ressemble à un conseiller toujours disponible : vous posez une question, elle répond. Un agent IA va plus loin. Il peut utiliser des outils, consulter des pages web, organiser des tableaux ou modifier du code pour tenter de fournir un résultat complet.
Mais les difficultés commencent quand les tâches se multiplient.
Par exemple, nous demandons à l’IA de rassembler des informations sur nos concurrents dans une fenêtre, de vérifier les problèmes d’un site dans une autre et de préparer un rapport hebdomadaire dans une troisième. Au bout d’un moment, c’est encore à nous de retenir où en est chaque fenêtre, quelle tâche est bloquée et laquelle nécessite des précisions.
Dans son article de conception, l’équipe DeepSeek indique que, d’après ses observations, une personne peut généralement suivre trois à cinq conversations actives en parallèle. Ce n’est bien sûr pas une limite universelle. Mais suivre plusieurs tâches à la fois demande davantage d’attention. Le problème est très concret : l’IA peut lancer de nombreux travaux en parallèle, alors que notre attention reste limitée.
Un coordinateur, plusieurs exécutants : je veux simplement que l’IA fasse le travail
On peut comprendre Super-agent comme une petite équipe :
- Router (coordinateur des tâches) : il garde en mémoire nos demandes, reçoit les nouveaux messages et répartit le travail, sans se charger lui-même de l’exécution.
- Worker (exécutant) : chaque exécutant possède sa propre tâche et son historique de travail. Plusieurs peuvent travailler en même temps, puis rendre compte au coordinateur.
- Déclenchement par événement : une question dans une conversation de groupe, un nouveau commentaire GitHub ou l’échec d’un test automatique peuvent amener le système à décider s’il doit intervenir.
- Watchdog (surveillant) : il repère les tâches bloquées ou qui s’écartent de leur objectif et fait reprendre le traitement si nécessaire.
À nos yeux, l’intérêt principal n’est pas d’ajouter quelques agents IA de plus. C’est de permettre à l’utilisateur de ne plus se soucier du nombre de conversations que l’IA gère en coulisses.
DeepSeek résume ses objectifs en quatre points : conserver le contexte dans la durée, mener plusieurs tâches en parallèle, réagir aux changements de l’environnement et fonctionner longtemps tout en se remettant des incidents.
2. Est-ce vraiment plus rapide ?
Voyons ce que l’équipe a testé. L’expérience utilise un environnement de travail simulé : chaque session comprend environ 300 événements issus de conversations de groupe et de GitHub, dont environ 20 véritables demandes de travail. Chaque configuration a été exécutée cinq fois. Pour étudier séparément la répartition des tâches, le travail de programmation était simulé par un outil qui se contentait de prendre du temps.
L’expérience mesure donc la manière de répartir, recevoir et terminer plusieurs tâches.
| Architecture | Durée des tâches P50 | Durée des tâches P95 | Tokens lus dans le cache par session |
|---|---|---|---|
| Super-agent (architecture complète) | 12.4 minutes | 15.7 minutes | Environ 23,200,000 |
| Super-agent (sans transmission directe des événements) | 12.6 minutes | 15.5 minutes | Environ 31,800,000 |
| Conversation unique + sous-agent (consigne standard) | 20.4 minutes | 29.5 minutes | Environ 6,100,000 |
| Conversation unique + sous-agent (consigne privilégiant la délégation) | 13.8 minutes | 29.0 minutes | Environ 10,800,000 |
Trois points nous ont particulièrement intéressés dans ce tableau :
D’abord, avec de nombreuses tâches, la régularité peut compter davantage que la vitesse sur une tâche isolée. Le P95 de Super-agent complet est de 15,7 minutes, contre 29,5 minutes pour la configuration classique à conversation unique. Le temps d’achèvement des tâches les plus longues diminue ainsi d’environ 47 %.
Ensuite, dire à l’IA de « déléguer autant que possible à des sous-assistants » ne suffit pas. Dans cette expérience, avec la consigne standard, le modèle n’a appelé aucun sous-agent lors des cinq exécutions. Avec la consigne privilégiant la délégation, il a délégué lors de quatre exécutions sur cinq, mais le P95 restait à 29,0 minutes.
Enfin, plus rapide ne veut pas forcément dire moins cher. Super-agent complet a lu environ 23,2 millions de tokens dans le cache par session, contre environ 6,1 millions pour la configuration classique à conversation unique. Il consomme davantage de ressources pour traiter le contexte, en échange de délais plus prévisibles. En revanche, la transmission directe des événements a fait passer les lectures du cache d’environ 31,8 millions à 23,2 millions de tokens : la conception du système joue donc aussi sur la consommation.
3. Quelles différences avec Manus, Genspark, OpenClaw et ChatGPT Work ?
« Super Agent » peut sembler désigner une catégorie de produits bien définie, mais ce n’est pas le cas. Certains produits proposent déjà des services d’exécution de tâches directement accessibles au grand public. D’autres fournissent une base technique à déployer et à adapter soi-même.
| Produit ou solution | À quel besoin répond-il principalement ? | Pour qui ? | Prise en main |
|---|---|---|---|
| Prototype DeepSeek Super-agent | Recevoir des événements dans la durée, répartir les tâches et coordonner plusieurs sessions d’exécution ; le prototype actuel se concentre sur les workflows GitHub | Développeurs et équipes qui étudient les systèmes d’agents | Exigeante : configuration et maintenance à assurer soi-même |
| Genspark Super Agent | Livrer les résultats de tâches en plusieurs étapes : recherche, documents, tableaux, création visuelle, etc. | Utilisateurs qui veulent obtenir un résultat sans trop de configuration | Simple : produit prêt à l’emploi |
| Manus | Permettre à l’IA d’utiliser un ordinateur dans le cloud pour travailler sur le web, des fichiers, des applications et des tâches planifiées | Utilisateurs chargés de recherche, d’opérations ou de travail bureautique courant | Simple à intermédiaire, selon la tâche et les autorisations de connexion |
| OpenClaw | Faire fonctionner sur son appareil ou son serveur un assistant disponible dans la durée via des applications de messagerie | Utilisateurs souhaitant garder la maîtrise de leurs données et de leurs outils | Exigeante : installation, configuration et maintenance nécessaires |
| ChatGPT Work | Réaliser des recherches, des analyses et des livrables à partir de sites web, de fichiers et d’applications | Utilisateurs ayant des tâches bureautiques complexes à traiter | Simple : produit hébergé, avec des capacités variables selon le compte |
Genspark Super Agent : un assistant qui livre un travail terminé
Il peut décomposer une demande en plusieurs étapes, utiliser des outils, puis livrer une étude, une présentation, une analyse de données ou d’autres fichiers. La nouvelle version de Super Agent permet aussi d’exécuter des tâches dans le cloud, d’enregistrer un processus sous forme de Skill réutilisable et de faire avancer plusieurs tâches en parallèle.
Si notre objectif est de « rassembler des informations sur dix entreprises et en faire une présentation soignée », ce type d’agent prêt à l’emploi est facile à comprendre : il suffit d’indiquer le résultat attendu, sans étudier au préalable le fonctionnement du Router et des Workers.
Manus : de la demande aux actions concrètes
Manus propose la recherche web, la connexion à des applications, l’automatisation et un ordinateur dans le cloud. Sa documentation officielle sur l’ordinateur cloud précise que cet environnement persistant conserve les fichiers et les outils installés, ce qui convient à l’exécution de scripts, de robots et de tâches récurrentes.
Pour un utilisateur non spécialiste, nous le décririons comme « donner à l’IA un ordinateur sur lequel travailler ». Quand il faut ouvrir des pages web, traiter des fichiers ou vérifier régulièrement des changements, le positionnement de Manus est assez clair.
OpenClaw : son propre assistant IA disponible dans la durée
Nous le considérons comme une passerelle d’agents que l’on peut héberger soi-même. Il se connecte à des messageries comme Telegram, WhatsApp et Slack, et prend aussi en charge les tâches planifiées, les appels d’outils et le routage entre plusieurs agents.
Si l’on souhaite « envoyer un message dans une messagerie et laisser son propre serveur traiter la demande », OpenClaw mérite qu’on s’y intéresse. En contrepartie, il faut gérer le déploiement, les autorisations de sécurité, le coût des modèles et la maintenance courante. Comme pour DeepSeek Super-agent, les capacités de l’agent ne sont qu’une partie du sujet : les besoins liés à son déploiement comptent aussi.
ChatGPT Work : confier les tâches bureautiques complexes à un agent dans le cloud
Il peut récupérer des informations sur des sites web et dans des applications connectées, analyser des données et produire des tableaux, des diapositives ou d’autres livrables. C’est une autre option pour ceux qui ne veulent pas installer leur propre service.
À nos yeux, ChatGPT Work, Genspark et Manus sont plutôt des produits de travail directement utilisables. Le prototype DeepSeek Super-agent est davantage un exemple permettant aux développeurs d’étudier comment construire ce type de système. Il ne s’agit pas de dire que l’un est supérieur à l’autre : ils ne se situent simplement pas au même niveau dans la construction du produit.
4. Comment faisons-nous notre choix ?
Nous avons commencé par trois scénarios :
- Rechercher des informations : « Consulte les dernières présentations de services sur trois sites publics et prépare un tableau comparatif des fonctionnalités. Ajoute la source originale de chaque conclusion importante et signale les incertitudes. »
- Créer un fichier : « À partir des cinq pages de documentation produit fournies, prépare une présentation de huit diapositives pour de nouveaux utilisateurs. N’invente ni nombre de clients ni chiffres de vente. »
- Assurer un suivi régulier : « Vérifie chaque semaine l’évolution des prix sur la page indiquée. Préviens-nous uniquement si un changement a réellement eu lieu et conserve l’historique des comparaisons. »
Pour évaluer les résultats, nous utilisons des critères précis et mesurables, plutôt qu’une impression générale du type « il est très intelligent » :
| Critère | Ce que nous relevons |
|---|---|
| Taux de réalisation | Parmi 10 critères de validation, combien sont réellement satisfaits |
| Intervention humaine | Combien de fois nous devons réexpliquer, cliquer ou corriger pendant l’exécution |
| Délai de livraison | Le temps écoulé entre la demande et l’obtention d’un résultat que l’on peut valider |
| Fiabilité des sources | Parmi 5 conclusions importantes vérifiées, combien sont étayées par les pages originales |
| Coût | Les crédits, le quota ou les frais d’API réellement consommés |
Nous répétons la même tâche au moins trois fois pour comparer les variations entre les résultats. Un point essentiel : pour le troisième scénario, il faut réellement attendre le déclenchement et vérifier la capacité de reprise après un incident. Une réponse de l’agent disant « la tâche a bien été configurée » ne suffit pas. Les prototypes de recherche et les produits prêts à l’emploi n’offrent pas forcément les mêmes modes d’intégration. Une tâche impossible à exécuter doit être notée « intégration non prise en charge », et non interprétée comme une faiblesse du modèle.
C’est la méthode que nous utilisons nous-mêmes. Vous pouvez l’essayer si elle correspond à vos besoins.
5. Comment découvrir cette approche de DeepSeek aujourd’hui ?
Nous distinguons trois démarches : essayer les modèles DeepSeek, essayer ses outils d’agents et déployer le prototype Super-agent.
Si vous voulez simplement savoir si DeepSeek peut vous aider à rédiger ou à analyser des documents, vous pouvez commencer par notre essai en ligne de DeepSeek V4 Flash. Posez d’abord une question simple dont vous pouvez vérifier la réponse pour évaluer la qualité du résultat. Il n’est pas nécessaire de déployer tout un système d’agents dès le départ.
Si vous souhaitez confier davantage d’actions à un agent, consultez la version de prévisualisation publique officielle de DeepSeek Harness. Elle s’adresse notamment au travail sur des documents, des tableaux, de la recherche et du code.
Si vous voulez étudier le fonctionnement interne d’un agent capable de gérer plusieurs tâches, consultez dsh-superagent-prototype et ses instructions de déploiement. Le prototype public actuel fonctionne principalement autour d’un dépôt GitHub. Nous recommandons de commencer avec les autorisations minimales et de ne pas laisser directement du code de recherche modifier automatiquement des projets de production critiques.
6. Quel lien entre les modèles DeepSeek et Super-agent ?
C’est un point que nous expliquons régulièrement à nos clients : le modèle apporte les capacités de compréhension et de raisonnement ; le système d’agents lui permet de recevoir des tâches en continu, d’utiliser des outils, d’exécuter les étapes, de sauvegarder son état et de livrer les résultats.
Prenons un « assistant de veille concurrentielle hebdomadaire ». Un programme récupère d’abord les nouveaux contenus de pages publiques, puis le modèle en extrait les changements. Enfin, le système conserve les observations et envoie un résumé préalablement vérifié. Le modèle sert à comprendre le contenu. Changer de modèle ne fait pas apparaître automatiquement la planification, la collecte web, le contrôle des autorisations ou les notifications.
API Hop propose actuellement un accès unifié à plusieurs modèles et API de données. Les développeurs peuvent utiliser les API de DeepSeek V4 Flash ou de DeepSeek V4 Pro pour apporter des capacités de compréhension du langage et de raisonnement aux agents qu’ils développent. La planification des tâches, l’exécution des outils et la mémoire à long terme restent à implémenter dans le framework choisi ou le système métier.
Les capacités d’un modèle se mesurent aussi séparément. Par exemple, le journal officiel des mises à jour de l’API DeepSeek indique que V4 Flash, publié en juillet 2026, a obtenu un score officiel de 82,7 sur Terminal-Bench 2.1. Ce résultat aide à évaluer ses capacités dans un test précis d’agent de programmation. Il ne prouve pas que « DeepSeek Super-agent peut accomplir 82,7 % des tâches de la vie réelle ». Il ne faut pas confondre le score du modèle avec le taux de réalisation de tout le système.
7. Les questions les plus fréquentes
Peut-on télécharger DeepSeek Super-agent et l’utiliser directement ?
Ce qui est téléchargeable, c’est le code du prototype de recherche, pas une application grand public aboutie qui s’installe en un clic. Son utilisation demande de déployer DeepSeek Harness et les dépendances nécessaires, puis de configurer des points d’entrée comme GitHub. Pour découvrir d’abord les capacités d’agent de DeepSeek, nous conseillons plutôt la version de prévisualisation publique de Harness.
Super-agent est-il entièrement gratuit ?
Le code du prototype est open source sous licence MIT. Mais son fonctionnement peut entraîner des frais d’API de modèles, de ressources de calcul, de déploiement et de maintenance. Open source ne signifie pas fonctionnement gratuit dans la durée.
Peut-il envoyer des e-mails, modifier des fichiers ou soumettre du code tout seul ?
Cela dépend des outils connectés au produit ou au prototype, des autorisations accordées et des règles d’exécution. Nous recommandons d’imposer une confirmation humaine pour l’envoi de messages, les paiements, la suppression de fichiers ou la fusion de code. Laissez d’abord l’IA préparer des brouillons et des propositions, puis élargissez progressivement ses autorisations.
Quel agent essayer en premier ?
Nous partons de la tâche à accomplir. Pour la recherche et la production de documents, essayez d’abord un agent dans le cloud prêt à l’emploi. Pour un assistant durablement connecté à une messagerie, regardez OpenClaw. Pour comprendre l’architecture technique de la répartition des tâches dans une équipe, étudiez le prototype Super-agent de DeepSeek. Le mot « agent » dans leur nom ne signifie pas qu’ils répondent tous au même besoin.
Pour finir, notre point de vue
À nos yeux, l’intérêt de Super-agent n’est pas que DeepSeek ait trouvé un nom plus impressionnant pour un agent. C’est d’aborder sérieusement une question longtemps négligée : quand l’IA se met réellement à travailler pour nous, qui répartit les tâches, gère le contexte, détecte les incidents et fait en sorte que l’humain n’intervienne que lorsque c’est nécessaire ?
Les expériences officielles suggèrent qu’intégrer la répartition du travail dans l’architecture du système peut effectivement apporter plus de régularité qu’une simple consigne demandant « d’utiliser davantage de sous-assistants ». Mais les contreparties sont aussi visibles : davantage d’environnements d’exécution et de traitement du contexte, ainsi que des mécanismes d’autorisation et de reprise plus complexes. Un agent rapide qui se trompe souvent et nous oblige à tout revérifier ne fait pas forcément gagner du temps.
Nous pensons qu’à l’avenir, les utilisateurs demanderont peut-être moins souvent « quel modèle utilises-tu ? » et s’intéresseront davantage à trois choses : le travail a-t-il vraiment été terminé, peut-on détecter les erreurs, et quel a été le coût en argent et en effort humain ?
C’est aussi la direction que nous voulons suivre avec API Hop : expliquer clairement les capacités, les coûts et les usages adaptés des modèles, puis intégrer les services de modèles et de données à des processus de travail réellement utiles. Les modèles et les données sont essentiels, mais la fiabilité d’un agent se juge, au bout du compte, sur des résultats que l’on peut vérifier.