Cet article présente une nouvelle approche pour améliorer la prise de décision en temps réel dans les réseaux 6G en exploitant des agents autonomes basés sur des modèles de langage à grande échelle (MLH). Notre objectif est de dépasser l'IA traditionnelle centrée sur des tâches spécifiques et d'évoluer vers des réseaux basés sur l'intelligence artificielle générale (IAG) aux capacités de raisonnement plus étendues. Pour y parvenir, nous proposons un nouveau paradigme appelé « agents symbiotiques », qui combine des LMH avec des algorithmes d'optimisation en temps réel. Un optimiseur en entrée gère l'incertitude pour les tâches numériquement précises, tandis qu'un optimiseur en sortie effectue un contrôle adaptatif en temps réel sous la supervision des LMH. Nous concevons et mettons en œuvre un système multi-agents pour négocier des accords de niveau de service (SLA) avec un optimiseur de réseau d'accès radio (RAN), et présentons des résultats expérimentaux obtenus sur un banc d'essai 5G. Ces résultats montrent que les agents symbiotiques réduisent les erreurs de décision de cinq fois par rapport aux LMH mono-agents. Grâce à des modèles de langage à petite échelle (MLH), nous obtenons une précision similaire tout en réduisant l'utilisation des ressources GPU de 99,9 %. Une démonstration de collaboration multi-agents sur un banc d'essai réel démontre la flexibilité des SLA et de l'allocation des ressources, réduisant la surutilisation du RAN d'environ 44 %.
