Benchmark des plateformes d'agents IA: Claude Managed Agents vs Google Vertex Agent Engine

mis à jour le 5 mai 2026

Nous avons évalué 4 plateformes d'agents IA selon 3 dimensions : achèvement des tâches (10 tâches de codage × 3 exécutions), capacités spécifiques au cadre (pilotage, reconnexion, rappel de conversation longue, gestion de fichiers volumineux), et coût.

Résultats du benchmark des plateformes d'agents IA

Plateforme	Modèle	Taux de réussite	Temps réel	Coût	Token
Claude Managed Agents	Claude Sonnet 4.6	30/30 (100%)	1 172 s	2,50 $	93 k
Vertex AI Agent Engine	Gemini 2.5 Pro	30/30 (100%)	1 447 s	1,45 $	159 k
OpenAI Responses + CI	GPT-5.4	27/30 (90%)	522 s	1,54 $	113 k
Contrôle (auto-hébergé)	Claude Sonnet 4.6	30/30 (100%)	794 s	1,96 $	464 k

Claude Managed Agents et Vertex AI Agent Engine atteignent tous deux un taux de réussite de 100 % sur la suite de tâches, Vertex l'emportant sur le coût (1,45 $ contre 2,50 $). Pour les fonctionnalités spécifiques au cadre disponibles uniquement sur les plateformes gérées comme le pilotage en cours de route, la déconnexion/reconnexion, la compaction de conversation longue, Claude Managed Agents est le plus performant, mais Vertex Agent Engine lui est égal sur les tests portables (compaction, gestion de fichiers volumineux).

Principales conclusions du benchmark des tâches

Claude MA et Vertex AE sont à égalité sur le taux de réussite à 30/30 (100 %). Tous deux gèrent tous les types de tâches, y compris les tâches réseau (06, 10) qui ont piégé OpenAI.
Les échecs de OpenAI découlent de sa politique de bac à sable. Les tâches 06 (REST API) et 10 (téléchargeur concurrent) nécessitent toutes deux du HTTP sortant. Le bac à sable de Code Interpreter le restreint, et les deux ont échoué à 2/3 et 1/3 respectivement. Nous avons constaté que GPT-5.4 peut écrire le code, mais que le bac à sable ne l'exécute pas de manière fiable.
Vertex AE est le moins cher avec un total de 1,45 $. Claude MA est le plus cher à 2,50 $. Il est 72 % plus élevé que Vertex sur la même suite de tâches avec le même taux de réussite.
Vertex AE est le plus lent. L'orchestration gérée ADK ajoute une surcharge.

Capacités spécifiques au cadre

Deux plateformes sont comparées en tête-à-tête sur des fonctionnalités qui n'existent que parce qu'il y a un cadre géré.

Voir la méthodologie du benchmark ci-dessous.

Plateformes d'agents IA

Claude Managed Agents

Anthropic's Claude Managed Agents fournit un runtime d'agent hébergé combinant des sessions avec état, l'exécution d'outils intégrée, le streaming basé sur les événements et la compaction automatique pour les charges de travail autonomes de longue durée. La plateforme se distingue par des primitives uniques indisponibles dans des offres comparables, telles que l'injection d'événements utilisateur en cours de route pour le pilotage en vol, les flux SSE resumables pour la déconnexion/reconnexion et l'intégration native de serveur MCP. Elles sont toutes livrées en tant que service entièrement géré sans infrastructure à provisionner pour les développeurs.¹

La tarification est de 0,08 $ par heure de session en plus des coûts de Claude API standard.

Avantages :

Les sessions avec état et l'injection d'événements en cours de route permettent aux nouveaux messages utilisateur de piloter les agents pendant l'exécution en vol.

Prise en charge de la déconnexion et de la reconnexion via des flux SSE persistants ; les sessions continuent d'être exécutées côté serveur lors d'interruptions réseau et les clients peuvent reprendre la consommation d'événements lors de la reconnexion.

L'ensemble d'outils d'agent intégré regroupe bash, les opérations de fichiers (lecture, écriture, édition, glob, grep) et les outils web (web_fetch, web_search) accessibles via un seul paramètre de configuration, éliminant le câblage d'outils personnalisé.

Intégration native de serveur MCP (Model Context Protocol) pour les extensions d'outils personnalisées sans modifier l'ensemble d'outils intégré de l'agent.

Inconvénients :

Actuellement en version bêta ; toutes les requêtes nécessitent l'en-tête bêta managed-agents-2026-04-01 et le comportement peut être affiné entre les versions.
Exclusivement Claude, aucune flexibilité de modèle par rapport à des plateformes comme AWS Bedrock AgentCore ou Northflank qui prennent en charge plusieurs fournisseurs de modèles.

Salesforce Agentforce

Salesforce Agentforce se distingue par l'accès natif aux données CRM via le moteur de raisonnement Atlas et des agents préconstruits pour les flux de travail de vente, de service, de marketing et de commerce.²

La plateforme s'intègre à MuleSoft Agent Fabric pour l'orchestration inter-systèmes et propose Agentforce 360 pour les partenariats AWS.

Agentforce sert les organisations nécessitant des flux de travail autonomes orientés client intégrés directement dans leur infrastructure existante Salesforce Cloud.

Avantages :

– L'accès natif aux données CRM via le moteur de raisonnement Atlas permet des actions d'agent conscientes du contexte.

– Des agents préconstruits disponibles pour la vente, le service, le marketing et le commerce réduisent le temps de déploiement.

– Autorisé FedRAMP sur Salesforce Government Cloud pour les industries réglementées.

– La version gratuite Foundations inclut 200 000 Flex Credits pour les tests initiaux.

Inconvénients :

– SaaS uniquement cloud, aucune option de déploiement sur site disponible.

– Agnosticisme du modèle limité ; par défaut sur les modèles gérés par Salesforce avec un support restreint des fournisseurs externes.

– Nécessite un investissement existant dans l'écosystème Salesforce pour réaliser toute la valeur.

Microsoft Copilot Studio

Avantages :

– Inclus avec les licences Microsoft 365 Copilot pour une utilisation d'agent interne sans frais supplémentaires.³

– Agents vocaux en temps réel et prise en charge de la téléphonie IVR pour les scénarios de service client.

– Autorisé FedRAMP via Azure Government pour les déploiements du secteur public.

– Prend en charge OpenAI, les modèles Anthropic et les frameworks open-source dans un seul environnement de construction.

Inconvénients :

– Fonctionnalité limitée en dehors de l'écosystème Microsoft ; nécessite un engagement Azure ou M365 pour des capacités complètes.

– Aucune version gratuite permanente autonome ; nécessite un abonnement M365 Copilot existant pour une utilisation incluse.

– Le modèle vocal IA en temps réel est hébergé uniquement en Amérique du Nord à partir d'avril 2026.

Copilot Studio est le plus rentable pour les organisations utilisant déjà Microsoft 365, Teams et Azure, offrant une automatisation orientée employé qui hérite des configurations d'identité, de sécurité et de conformité existantes.

Google Agentspace et Vertex AI Agent Builder

La double offre de Google combine Agentspace pour la gestion des connaissances d'entreprise et Vertex AI Agent Builder pour le développement low-code, différenciée par l'intégration du modèle Gemini, le contexte inter-produits Google Workspace et la prise en charge des entrées multimodales pour le texte, la voix et les images.⁴

La plateforme offre 300 $ de crédits gratuits pour les nouveaux utilisateurs et une tarification à l'usage pour Vertex AI Agent Engine.

Avantages :

– 300 $ de crédit gratuit pour les nouveaux utilisateurs permet un prototypage étendu sans investissement initial.

– Déploiement sur site pris en charge via Google Distributed Cloud pour les environnements réglementés.

– Autorisé FedRAMP via Google Cloud.

– Google ADK (Agent Development Kit) prend en charge le développement orienté code en Python, TypeScript, Go et Java.

Inconvénients :

– La conception primaire Gemini limite la flexibilité du modèle par rapport aux plateformes totalement agnostiques.

AWS Bedrock Agents et AgentCore

AWS Bedrock Agents et la nouvelle plateforme AgentCore fournissent une gestion d'infrastructure sans serveur pour les agents à l'échelle de l'entreprise, lancés lors de re:Invent 2025.⁵

Les différenciateurs incluent une tarification à l'usage à 0,0895 $ par heure de vCPU pour le runtime AgentCore, des options de débit provisionné et Mem0 comme fournisseur de mémoire exclusif.

Avantages :

– Autorisé FedRAMP High sur AWS GovCloud pour les charges de travail sensibles.

– Le streaming bidirectionnel prend en charge les agents vocaux avec une parole simultanée de l'utilisateur et de l'agent.

– Version gratuite disponible pour les nouveaux clients AWS pour l'expérimentation initiale.

– Accès aux modèles de Anthropic, Amazon, Meta, Mistral et AI21 via le catalogue Bedrock.

Inconvénients :

– Aucun modèle d'agent préconstruit spécifique au domaine ; nécessite de construire à partir de zéro en utilisant le SDK.

– Aucune option de déploiement sur site ; fonctionne exclusivement sur l'infrastructure AWS.

– La création d'agents nécessite une programmation API/SDK significative par rapport aux constructeurs visuels.

AWS Bedrock sert les entreprises nécessitant une infrastructure d'agent sans serveur évolutive avec une intégration profonde dans l'écosystème AWS, offrant une efficacité des coûts grâce à une facturation granulaire basée sur l'utilisation.

IBM watsonx Orchestrate

IBM watsonx Orchestrate cible les entreprises réglementées avec plus de 150 agents préconstruits spécifiques au domaine pour les RH, les achats, les ventes et la finance, ainsi que Skills Studio pour créer des compétences personnalisées.⁶

La plateforme offre une flexibilité de déploiement hybride et sur site via IBM Cloud Pak for Data et Software Hub.

Avantages :

– Installation sur site prise en charge via IBM Cloud Pak for Data pour les exigences de résidence des données.

– Plus de 150 agents et outils préconstruits de IBM et de partenaires, avec plus de 80 intégrations d'applications d'entreprise incluant SAP, Salesforce et Workday.

– L'autorisation FedRAMP a été étendue en avril 2026 pour les déploiements fédéraux.

– Vrai agnosticisme du modèle prenant en charge plusieurs fournisseurs LLM sans verrouillage fournisseur.

Inconvénients :

– Aucune version gratuite permanente ; nécessite un abonnement Essentials ou Standard payant pour une utilisation continue.

– Les capacités vocales et de téléphonie sont disponibles dans watsonx Orchestrate via une configuration vocale native dans l'ADK et des intégrations avec des fournisseurs tels que Deepgram et ElevenLabs, bien que la téléphonie avancée puisse nécessiter une configuration supplémentaire.

– Structure de tarification complexe nécessitant des devis personnalisés pour les fonctionnalités d'entreprise.

ServiceNow AI Agents

ServiceNow AI Agents s'intègre directement dans la plateforme Now, se différenciant par une intégration native avec les flux de travail IT, RH et de service client plutôt que de fonctionner en tant que plateforme autonome.

La plateforme inclut AI Control Tower pour la gouvernance, des flux de travail agents préconstruits pour ITSM et HRSD, et un Context Engine reliant l'historique des politiques aux actions de l'agent.⁷

Avantages :

– Hérite de la gouvernance existante de la plateforme Now, des règles SLA et des flux de travail d'approbation.

– Les agents vocaux IA prennent en charge Genesys Cloud, Twilio et 3CLogic en tant que fournisseurs CCaaS.

– Les agents web IA apprennent des démonstrations humaines pour automatiser les tâches basées sur le navigateur.

Inconvénients :

– Aucune version gratuite permanente ; les nouveaux clients ne reçoivent que 100 appels Build Agent gratuits.

– L'autorisation FedRAMP High pour AI Agents, AI Agent Orchestrator et AI Agent Studio a été confirmée pour les clients Government Community Cloud (GCC) à partir de mars 2026.

– Valeur limitée pour les organisations n'utilisant pas déjà ServiceNow pour la gestion des services IT ou RH.

Kore.ai

Kore.ai se concentre sur l'IA conversationnelle d'entreprise avec plus de 300 agents préconstruits, plus de 250 intégrations d'entreprise et une architecture agnostique du modèle prenant en charge les déploiements cloud et sur site.

La plateforme sert six secteurs verticaux incluant la banque, la santé et la vente au détail.⁸

Avantages :

– Infrastructure vocale native offrant des interactions vocales mondiales à faible latence.

– Déploiement flexible incluant des options sur site et cloud privé.

– Prise en charge de plusieurs fournisseurs LLM.

Inconvénients :

– Aucune version gratuite permanente ; offre uniquement 500 $ de crédits uniques pour les tests initiaux.

LangGraph

Avantages :

– Licence open-source MIT permet une utilisation et une modification commerciales sans restriction.

– Contrôle de flux de travail déterministe via l'architecture de graphe assure des chemins d'exécution reproductibles.

– L'intégration d'observabilité LangSmith fournit une surveillance et un traçage de production.

Inconvénients :

– Aucun constructeur visuel sans code ; nécessite du code Python ou JavaScript pour définir les graphes d'agents.

– Aucune intégration vocale ou téléphonique native ; nécessite un codage personnalisé pour les canaux vocaux.

– Courbe d'apprentissage raide pour les équipes non familières avec les paradigmes de programmation basés sur les graphes.

LangGraph convient aux équipes d'ingénierie construisant des agents de niveau production nécessitant une logique conditionnelle complexe, une récupération d'erreurs et une traçabilité des étapes d'exécution individuelles.

CrewAI

Avantages :

– L'abstraction basée sur les rôles reflète les structures d'équipe humaines pour une coordination d'agent intuitive.

– Cœur open-source gratuit sans frais de licence pour les déploiements auto-hébergés.

– Éditeur visuel et copilote IA disponibles dans la version gratuite pour les membres non techniques de l'équipe.

Inconvénients :

– Aucun marché de modèles maintenu officiellement par le fournisseur ; repose sur les contributions de la communauté.

– L'approche orientée code nécessite des connaissances en Python pour la création d'agents.

– La tarification du plan entreprise est disponible uniquement sur demande, ce qui peut créer une incertitude budgétaire pour les petites équipes par rapport à d'autres options open-source.

CrewAI permet un prototypage rapide de pipelines d'agents basés sur les rôles, particulièrement adapté au traitement de documents, aux flux de travail de recherche et aux tâches de génération de contenu multi-étapes.

n8n

n8n fonctionne sous une licence fair-code (Sustainable Use License), offrant plus de 400 connecteurs d'applications natifs avec des nœuds IA visuels et une infrastructure auto-hébergeable.

Avantages :

– La version Community auto-hébergée inclut SSO SAML, LDAP, RBAC et des magasins de secrets chiffrés sans frais.

– Prise en charge native de LangChain et LlamaIndex dans les flux de travail visuels.

– L'éditeur de flux de travail visuel permet une automatisation complexe sans codage.

Inconvénients :

– La licence fair-code nécessite une licence payante pour l'hébergement commercial ou les produits SaaS.

– Aucun nœud vocal ou téléphonique natif ; nécessite une intégration API externe pour la voix.

– Aucune autorisation FedRAMP confirmée.

n8n fait le pont entre l'automatisation des flux de travail traditionnelle et les agents IA, servant les analystes commerciaux techniques et les équipes DevOps qui nécessitent un déploiement auto-hébergé pour la résidence des données tout en maintenant des capacités de construction visuelle.

Dify

Dify est une plateforme LLMOps open-source.

La plateforme prend en charge les pipelines RAG, les outils d'ingénierie de prompts et une architecture agnostique du modèle.

Avantages :

– La version Community auto-hébergée est gratuitement permanente avec un contrôle total des données via un déploiement Docker.

– Le constructeur de flux de travail visuel permet la création d'agents complexes sans codage.

– Prend en charge des centaines de LLM propriétaires et open-source de dizaines de fournisseurs d'inférence.

Inconvénients :

– La prise en charge vocale nécessite des plugins de marché tels que Agora ou Tencent RTC ; aucune téléphonie PSTN native.

– Aucune autorisation FedRAMP.

– Le plan Cloud Team à 159 $ par mois peut être coûteux pour les petites équipes.

Dify convient aux équipes produit et opérations nécessitant des agents conscients des documents avec de solides capacités RAG, en particulier celles qui privilégient le contrôle des données via l'auto-hébergement.

Voiceflow

Voiceflow se différencie en tant que seule plateforme majeure traitant la conception d'agents axée sur la voix comme un citoyen de première classe plutôt qu'un ajout, avec une toile de conception dédiée pour les agents vocaux et chat avec une latence inférieure à 500 ms.

La plateforme est spécialisée dans l'automatisation des tickets de service client et les systèmes IVR.

Avantages :

– Canaux vocaux et téléphoniques natifs avec prise en charge IVR et latence inférieure à 500 ms.

– Capacités d'extraction d'entités pour les requêtes de base de connaissances.

– Le plan gratuit inclut 2 agents et 100 tokens IA mensuels sans expiration.

– Toile visuelle conçue spécifiquement pour les flux de travail d'IA conversationnelle.

Inconvénients :

– Le déploiement sur site n'est disponible que par le biais d'accords d'entreprise personnalisés.

Voiceflow sert les équipes CX et support construisant des agents conversationnels orientés client qui nécessitent un déploiement sur les canaux vocaux, chat et messagerie à partir d'une seule interface de conception.

Relevance AI

Relevance AI offre une flexibilité bring-your-own-LLM (BYOLLM) avec un modèle de facturation basé sur l'action, permettant aux équipes non techniques de construire des équipes multi-agents via des descriptions en langage naturel.

Avantages :

– La version gratuite inclut 100 crédits par jour sans expiration.

– Plus de 2 000 intégrations incluant HubSpot, Salesforce, Slack et Gmail.

– Vrai agnosticisme du modèle prenant en charge plusieurs fournisseurs LLM.

Inconvénients :

– Aucune option d'auto-hébergement ou de déploiement sur site ; SaaS uniquement cloud.

– Aucune autorisation FedRAMP pour les industries réglementées.

– Les capacités vocales nécessitent une intégration avec Vapi ou Twilio plutôt qu'une téléphonie native.

Lindy AI

Lindy AI fournit diverses intégrations via Pipedream, des modèles d'agents préconstruits pour le tri des e-mails et la planification, et des capacités d'agent d'appel téléphonique via la fonctionnalité vocale Gaia.⁹

La plateforme utilise un modèle d'exécution basé sur les crédits avec une version gratuite disponible.

Avantages :

– La version gratuite inclut 400 crédits par mois et une base de connaissances d'un million de caractères.

– Vrai agnosticisme du modèle et bibliothèque d'intégration étendue.

Inconvénients :

– Le déploiement sur site n'est disponible que par le biais d'accords d'entreprise personnalisés pour les industries réglementées.

Idéal pour les utilisateurs commerciaux individuels, les fondateurs et les équipes opérationnelles nécessitant une automatisation rapide des flux de travail e-mail, calendrier et CRM sans ressources d'ingénierie.

Méthodologie

Que fournit réellement une plateforme d'agents IA gérée par rapport à ses concurrents, et par rapport à l'alternative de construire son propre cadre d'agent ? L'espace des outils IA a un angle mort persistant ici. Les produits « agent géré » sont régulièrement comparés en utilisant les mêmes tableaux de scores d'achèvement de tâches utilisés pour les modèles de langage bruts, ce qui confond deux choses très différentes : la capacité du modèle à générer du code correct et la capacité du cadre à exécuter ce code de manière fiable dans un runtime géré avec état, outils et isolation. Nous avons conçu ce benchmark pour séparer ces signaux.

Qu'est-ce qu'une plateforme d'agents gérée ?

Nous évaluons une catégorie spécifique : des runtimes hébergés qui regroupent l'inférence LLM, l'orchestration d'agents et l'exécution de code en bac à sable dans un seul service géré. Ceci est distinct de (1) des API d'inférence LLM brutes, (2) des frameworks d'orchestration d'agents que vous hébergez vous-même et (3) des bacs à sable de calcul que vous associez à votre propre modèle. Les quatre plateformes testées prennent chacune une forme légèrement différente de ce groupe :

Claude Managed Agents (Anthropic) : Cadre géré complet. Les définitions d'agents, les sessions, le streaming basé sur les événements, la compaction et l'exécution d'outils sont tous côté serveur. L'un des deux vrais concurrents dans cette catégorie.
Vertex AI Agent Engine (Google) : Cadre géré complet. Déployez un agent défini par ADK dans un runtime géré ; le déploiement héberge l'état de l'agent et l'exécution d'outils. Accédé via le SDK vertexai.agent_engines.
OpenAI Responses API avec Code Interpreter : Catégorie adjacente. API d'inférence avec un outil bac à sable Python intégré, mais aucun état de session multi-tours persistant ni pilotage en cours de route.
Contrôle : Claude Messages API avec une boucle d'outils locale : Inclus comme référence. Même modèle que Claude MA (claude-sonnet-4-6), mais nous implémentons la boucle d'agent localement dans environ 150 lignes de Python. Les outils (bash, write, read, edit) s'exécutent dans un tempdir par tâche sur la machine de benchmark. Cela isole ce que le cadre géré contribue au-delà de « modèle plus boucle d'outils ». L'exécution de l'API Messages API avec une boucle d'agent locale produit une comparaison où le modèle est identique mais le cadre est absent. Tout écart entre Claude MA et le contrôle est entièrement attribuable au cadre, et non à la capacité du modèle.

La suite de tâches

Dix tâches de codage couvrant trois niveaux de difficulté. Chaque tâche a un prompt fixe spécifiant le livrable, un script de vérification codant des critères de réussite/échec déterministes. Chaque tâche est exécutée trois fois par plateforme pour mesurer la variance.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Tests de stress spécifiques au cadre

La suite de tâches mesure la correction de bout en bout. Elle ne peut pas mesurer les capacités qui n'existent que grâce à un cadre géré : persistance de session avec état, pilotage en cours de route, reprise de connexion, compaction automatique du contexte et gestion d'artefacts de système de fichiers gérés. Pour ceux-ci, nous avons conçu deux suites de tests supplémentaires.

Suite A : Pilotage et interruption

Trois tests exploitant des primitives spécifiques au cadre.

A1 démarre un agent sur une tâche de codage, puis injecte un nouvel événement utilisateur via POST /events après 10 secondes en modifiant les exigences, et vérifie en inspectant le système de fichiers du conteneur que l'artefact final reflète la nouvelle exigence plutôt que l'originale.

A2 ouvre un flux SSE, coupe la connexion après quatre événements, se reconnecte et vérifie que la session atteint toujours status_idle.

A3 envoie un prompt délibérément contradictoire et mesure si l'agent demande des clarifications ou choisit silencieusement une interprétation.

Seul A3 est portable entre les plateformes. L'injection d'événement en cours de route de A1 n'a pas d'équivalent direct sur OpenAI Responses (requête/réponse unique) ou Vertex Agent Engine (modèle de session manque l'injection de message en vol). La déconnexion/reconnexion de A2 n'a pas non plus d'équivalent ailleurs. Ce sont de véritables avantages structurels du modèle de session piloté par événements de Claude MA, non mesurables sur les alternatives. Nous avons exécuté A1 et A2 uniquement sur Claude MA et A3 sur Claude MA et Vertex Agent Engine.

Suite B : Compaction et contexte

Deux tests exploitant les fonctionnalités de contexte géré.

B1 plante une chaîne de canari unique (un token dérivé d'UUID) dans le premier tour d'une session, exécute 23 tours de remplissage de petites tâches de codage non liées produisant chacune des appels d'outils et des résultats d'outils, puis demande à l'agent de rappeler le canari de la mémoire au 25e tour sans recherche de fichier autorisée. Un rappel réussi après 23 tours de remplissage est une preuve que le cadre préserve le contexte précoce via la politique de compaction qu'il utilise.

B2 demande à l'agent de générer un fichier texte de 50 000 lignes avec un marqueur enfoui, puis répond à une question qui nécessite de trouver le marqueur. Cela teste si l'agent peut raisonner sur des artefacts plus grands que sa fenêtre de contexte sans tenter de lire tout le fichier.

Les deux B1 et B2 ont été exécutés sur Claude MA et Vertex Agent Engine, en utilisant les mêmes prompts et protocoles.

LLM-as-judge pour le score comportemental

Pour la suite A3 (contradictions), le succès/échec n'est pas une vérification déterministe ; nous avons traité « l'agent a-t-il demandé des clarifications » comme un jugement qualitatif sur le comportement conversationnel. Nous utilisons une conception LLM-as-judge avec trois garde-fous méthodologiques :

Le modèle juge est différent du modèle testé : Claude Opus 4.6 est le juge pour éviter le biais d'auto-évaluation.
Rubrique structurée avec 4 dimensions booléennes : Le juge renvoie un score JSON : recognized_contradiction, asked_for_clarification, proceeded_with_assumption, documented_assumption et un paragraphe de raisonnement.
Vérification de cohérence sur 3 exécutions : Chaque jugement est exécuté 3 fois. Nous rapportons le consensus majoritaire par dimension et le taux d'accord par dimension. Si l'accord d'une dimension tombe en dessous de 67 %, le juge est signalé comme incohérent sur cette dimension et le résultat est traité comme de faible confiance.

Une heuristique de mots-clés fonctionne en parallèle comme vérification de bon sens. La divergence entre l'heuristique et le juge est journalisée pour examen manuel.

Notation

Pour chaque exécution de tâche sur chaque plateforme :

Succès/échec
Temps réel : Secondes écoulées depuis l'envoi du prompt jusqu'à la réception de l'événement terminal (status_idle pour Claude MA, achèvement de tâche pour Vertex AE, achèvement de réponse pour OpenAI, sortie de boucle d'outils pour le contrôle).
Nombre d'appels d'outils : Invocations d'outils distinctes. Utile comme empreinte comportementale ; moins utile comme métrique d'efficacité car la granularité des outils diffère considérablement entre les plateformes.
Utilisation des tokens : Analysée à partir des événements model_request_end sur Claude MA, usage_metadata sur Vertex AE, response.usage sur OpenAI, accumulation par tour dans la boucle de messages du contrôle. Décomposée en entrée, sortie, lecture de cache et création de cache.
Coût en USD : Calculé à partir de l'utilisation des tokens par rapport aux prix publiés : claude-sonnet-4-6 à 3 $/15 $/0,30 $/3,75 $ par million ; gpt-5.4 à 2,50 $/15 $/0,25 $ ; gemini-2.5-pro à 1,25 $/10 $/0,13 $. Les frais d'infrastructure spécifiques à la plateforme sont ajoutés : 0,08 $/heure de session de Claude MA proratisé par le temps réel, 0,03 $/conteneur de OpenAI lorsqu'un appel d'outil s'est produit, environ 0,35 $/heure de frais d'hébergement de Vertex AE proratisé par le temps de fonctionnement du déploiement.

Les résultats des suites A et B capturent également des métriques au niveau de la session (tours, rappel de canari, consensus et accord du juge).

Considérations d'équité et limites connues

Plusieurs asymétries dans la configuration affectent la façon dont les chiffres doivent être lus ; les signaler explicitement :

Le contrôle exécute l'exécution d'outils sur la machine de benchmark sans aller-retour cloud. Cela lui donne un avantage injuste de temps réel qui ne reflète pas tant la vitesse de l'agent que le saut réseau. Lorsque nous observons le contrôle achevant des tâches environ 25 % plus rapidement que Claude MA sur le même modèle, environ la moitié de cet écart est une asymétrie d'aller-retour.

Code Interpreter de OpenAI fonctionne dans un bac à sable restreint au réseau. Les tâches 06 (REST API) et 10 (téléchargeur concurrent) nécessitent du HTTP sortant, que CI permet seulement de manière intermittente. Les échecs de OpenAI sur ces tâches sont des échecs de politique de bac à sable, et non des échecs de capacité du modèle. GPT-5.4 peut écrire du code HTTP concurrent correct ; la plateforme ne peut pas toujours l'exécuter. Les lecteurs ne devraient pas interpréter « OpenAI échoue sur les tâches réseau » comme une déclaration sur le modèle.

Gemini 3.1-pro-preview est verrouillé derrière une liste d'autorisation de niveau projet. Nous avons tenté d'évaluer ce modèle à la fois sur l'API Vertex directe et sur Vertex Agent Engine. Les appels directs à l'API ont renvoyé 404 ; les déploiements d'Agent Engine avec le modèle ont réussi au moment du déploiement, mais les appels d'inférence ont renvoyé zéro événement sans erreur. Nous sommes revenus à gemini-2.5-pro.

Une suite de tâches de refactoring de plusieurs heures, de débogage dans des bases de code inconnues ou de flux de travail autonomes de longue durée mettrait les cadres sous pression différemment et séparerait probablement les options de premier niveau plus clairement.

Nous n'avons pas mesuré la latence de provisionnement, le comportement de démarrage à froid, les performances de session concurrente ou les plafonds de limitation de débit. Ceux-ci sont importants pour les charges de travail de production à haut débit mais étaient hors de portée pour ce tour.

Fonctionnalités communes à toutes les plateformes d'agents IA

Chaque plateforme de cette comparaison fournit des capacités de base qui définissent la catégorie des agents IA. Ces fonctionnalités communes établissent le produit minimum viable pour l'automatisation agentique, tandis que les fonctionnalités différenciantes déterminent la sélection de la plateforme.

Orchestration multi-agents : Toutes les plateformes prennent en charge l'orchestration multi-agents, bien que l'implémentation varie (voir les sections de plateforme individuelles ci-dessus).

Utilisation d'outils et intégrations externes : Les agents de chaque plateforme peuvent appeler des API externes, des bases de données et des applications métier. Les nombres de connecteurs préconstruits vont d'environ 50 (Dify) à 2 000+ (Relevance AI), toutes les plateformes prenant en charge les définitions d'API personnalisées.

Mémoire persistante et gestion du contexte : La rétention d'informations au sein des sessions (mémoire à court terme) et entre les sessions (mémoire à long terme) est une capacité standard, obtenue par des bases de données vectorielles, des objets de session ou des fenêtres de contexte configurables selon la plateforme.

Surveillance et observabilité : Chaque plateforme expose des journaux, des traces ou des analyses pour inspecter l'exécution de l'agent, suivre l'utilisation des tokens et la latence, et identifier les échecs.

Surveillance humaine et contrôles d'approbation : Des mécanismes pour l'examen, l'approbation ou la substitution humaine des actions de l'agent sont présents sur chaque plateforme. Des exemples incluent les portes d'approbation par outil de n8n, les primitives d'interruption et de reprise de LangGraph, les contrôles de politique Bedrock AgentCore, AI Control Tower de ServiceNow et l'escalade automatique de Lindy.

Base de connaissances et génération augmentée par récupération (RAG) : Ancrer les agents dans des connaissances personnalisées via l'indexation et la récupération de documents est une capacité de base dans la catégorie. Les implémentations incluent le pipeline RAG de Dify, la base de connaissances Voiceflow, les bases de connaissances Bedrock, le moteur RAG Vertex AI et Search AI de Kore.ai.

Interface de constructeur d'agent sans code ou low-code : Des interfaces graphiques ou en langage naturel pour la création d'agents sont disponibles sur chaque plateforme. Les plateformes d'entreprise offrent des studios sans code (Agentforce Builder, Copilot Studio, watsonx Orchestrate), tandis que les frameworks de développement fournissent des outils visuels compagnons (LangGraph Studio, AutoGen Studio, CrewAI Studio).

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

Şevval Alper (2026) - "Benchmark des plateformes d'agents IA: Claude Managed Agents vs Google Vertex Agent Engine". Publié en ligne sur AIMultiple.com. Consulté le 5 Mai 2026, à : https://aimultiple.com/ai-agent-platforms [Ressource en ligne]

Alper, Ş. (2026, 5 Mai). Benchmark des plateformes d'agents IA: Claude Managed Agents vs Google Vertex Agent Engine. AIMultiple. https://aimultiple.com/ai-agent-platforms

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{Benchmark des plateformes d'agents IA: Claude Managed Agents vs Google Vertex Agent Engine}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/ai-agent-platforms}},
  note   = {AIMultiple. Consulté le 5 Mai 2026}
}