AI‑agenter · teknologi Multi-agent-systemer: når flere AI‑agenter bør og ikke bør arbejde sammen

Hvad er et multi-agent system

En AI‑agent består af en sprogmodel, instruktioner og værktøjer. Anthropic skelner mellem arbejdsgange, hvor sprogmodeller og værktøjer styres via foruddefinerede programstier fra agenter, der bestemmer deres egen proces og valg af værktøjer. Et multi-agent system kombinerer flere sådanne agenter. Tre grundlæggende mønstre forekommer i praksis:

Hvad praksis viser

I en artikel fra juni 2025 beskriver Anthropic et forskningssystem baseret på koordinatormodellen. I den interne evaluering klarede den sig 90,2 procent bedre end en enkelt agent. Samtidig brugte agenter omkring fire gange og multiagentsystemer omkring 15 gange flere tokens end en chat. Anthropic nævner opgaver med en fælles kontekst og mange afhængigheder som mindre egnede, såsom programmering, der indeholder færre paralleliserbare dele end forskning.

I samme måned kom Cognition, udvikler af en programmeringsassistent, til en mere forsigtig konklusion: underagenter ser kun uddrag, gør andre antagelser og leverer resultater, der ikke stemmer overens. Rapporterne er mindre modstridende, end de ser ud til: flere agenter hjælper med bredt, delbart arbejde, men koster betydeligt mere computerkraft og kræver mere kontrol.

Når en agent eller en fast proces er nok

Anthropic anbefaler at lede efter den enklest mulige løsning og kun tilføje kompleksitet, når det er nødvendigt. For de fleste opgaver i mellemstore virksomheder betyder dette:

• Processen er fast: Læs, tjek, bogfør faktura. En fast proces med AI‑trin er hurtigere, billigere og nemmere at teste.
• Opgaven kræver kontinuerlig kontekst: skrive et tilbud til en specifik kunde, besvare en henvendelse. En agent med de rigtige værktøjer er nok.
• Omkostninger og hastighed tæller: Hver ekstra agent bruger tid og computerkraft, og hver overdragelse er en kilde til fejl.

Når flere agenter giver mening

• Underopgaver er uafhængige: Tjek ti leverandører eller tyve dokumenter på samme tid og flet dem derefter.
• Rettigheder bør forblive adskilte: En agent læser e-mails og har kun læserettigheder, en anden skriver ind i dit merchandise management system, men først efter godkendelse. Dette begrænser skaden, hvis en agent bliver forkert dirigeret af manipuleret indhold.
• Et andet kig er værdifuldt: En verifikationsagent sammenligner resultatet med kilderne, før et menneske ser det.
• Konteksten ville flyde over: Meget lange opgaver kan opdeles i sektioner, som hver behandles af en underagent.

Risici og kontrol

• Omkostninger: Indstil grænser pr. job, og mål, hvad hver kørsel bruger.
• Fejlkæder: En fejl begået af en agent bliver overtaget af den næste. Vedligehold mellemresultater med kilder og kontroller dem tilfældigt.
• Rettigheder: Hver agent får kun det, han har brug for. OWASP introducerer "overdreven agentur" som en separat risiko for applikationer med sprogmodeller. Skrivehandlinger foregår via en udgivelse.
• Sporbarhed: En log viser, hvilken agent der gjorde hvad og hvorfor. Reglerne i GDPR gælder for persondata.
• Høj risiko: Hvis agenter forbereder beslutninger om personer, for eksempel vedrørende ansøgninger eller kreditværdighed, gælder strenge regler i henhold til bilag III til AI‑forordningen. Mere på Risikoklasser.

Sådan gør du

1. Skriv processen ned: Skridt, data, beslutninger og hvem der godkender.
2. Bare start: med en fast proces eller agent, og mål resultater.
3. Bestem flaskehals: Hvor er det ikke nok, hvad angår tid, kvalitet eller rettigheder?
4. Kun opdele der: en underagent med klar opgave, input og output.
5. Sammenlign: Omkostninger, varighed og fejlrate kontra den simple løsning.
6. Installer udgivelse: En person bekræfter, før noget går ud eller er booket.