Kort samengevat
- Een multi-agentsysteem bestaat uit meerdere samenwerkende AI‑agents met elk eigen taken, instructies en tools. Meestal stuurt een coördinator ze aan.
- Anthropic meldt dat zo'n systeem bij een interne evaluatie van onderzoekstaken 90,2 procent beter presteerde dan één agent, maar ongeveer 15 keer zoveel tokens verbruikte als een chat. Tokens zijn de tekstonderdelen waarop AI‑diensten hun afrekening baseren.
- Andere ontwikkelaars waarschuwen dat subagents die parallel werken tegenstrijdige aannames kunnen doen als ze de context niet delen.
- Vuistregel: begin zo eenvoudig mogelijk, gebruik meerdere agents alleen voor onafhankelijke deeltaken, met beperkte toegangsrechten en goedkeuring door mensen.
Wat een multi-agentsysteem is
Een AI‑agent bestaat uit een taalmodel, instructies en tools. Anthropic maakt onderscheid tussen workflows, waarin taalmodellen en tools via vooraf vastgelegde programmapaden worden aangestuurd, en agents die zelf hun proces en toolkeuze bepalen. Een multi-agentsysteem combineert meerdere van zulke agents. In de praktijk komen drie basispatronen voor:
| Patroon | Zo werkt het | Voorbeeld |
|---|---|---|
| Coördinator en specialisten | Een hoofdagent deelt de taak op, verdeelt de onderdelen over subagents en vat de resultaten samen | Onderzoek naar tien leveranciers, met een subagent per leverancier |
| Overdracht | Een agent draagt het gesprek over aan een andere agent die verantwoordelijk is voor het onderwerp | De eerste opvang bij de klantenservice draagt over aan een agent voor terugbetalingen of technische ondersteuning |
| Maker en beoordelaar | Een agent maakt het resultaat, een tweede beoordeelt het en geeft feedback totdat het voldoet | Een tekstconcept met kwaliteitscontrole aan de hand van een checklist |
Wat de praktijk laat zien
Anthropic beschrijft in een artikel uit juni 2025 een onderzoekssysteem volgens het coördinatormodel. In de interne evaluatie presteerde het 90,2 procent beter dan een enkele agent. Tegelijkertijd verbruikten agents ongeveer viermaal en multi-agentsystemen ongeveer 15 keer zoveel tokens als een chat. Anthropic noemt taken met gedeelde context en veel onderlinge afhankelijkheden minder geschikt, zoals programmeren, dat minder parallel uit te voeren onderdelen bevat dan onderzoek.
Cognition, ontwikkelaar van een programmeerassistent, komt in dezelfde maand tot een voorzichtigere conclusie: subagents zien slechts delen, doen verschillende aannames en leveren resultaten die niet bij elkaar passen. De verslagen spreken elkaar minder tegen dan het lijkt: meerdere agents helpen bij breed, opsplitsbaar werk, maar kosten aanzienlijk meer rekenkracht en vereisen meer controle.
Wanneer één agent of een vast proces volstaat
Anthropic raadt aan de eenvoudigst mogelijke oplossing te zoeken en de complexiteit alleen te verhogen als dat nodig is. Voor de meeste taken in het mkb betekent dat:
- Het proces staat vast: een factuur lezen, controleren en boeken. Een vast proces met AI‑stappen is hier sneller, goedkoper en beter te controleren.
- De taak vereist doorlopende context: een offerte voor een specifieke klant schrijven of een vraag beantwoorden. Eén agent met de juiste tools volstaat.
- Kosten en snelheid tellen: elke extra agent kost tijd en rekenkracht en elke overdracht is een mogelijke bron van fouten.
Wanneer meerdere agents zinvol zijn
- Deeltaken zijn onafhankelijk: tien leveranciers of twintig documenten tegelijk controleren en de resultaten daarna samenvoegen.
- Rechten moeten gescheiden blijven: de ene agent leest e-mails en heeft alleen leesrechten, de andere schrijft naar uw voorraadbeheersysteem, maar uitsluitend na goedkeuring. Zo blijft de schade beperkt als gemanipuleerde inhoud een agent op een verkeerd spoor zet.
- Een tweede blik is waardevol: een controleagent vergelijkt het resultaat met de bronnen voordat een mens het ziet.
- De context zou te groot worden: zeer lange taken kunnen worden opgesplitst in onderdelen die elk door een subagent worden uitgevoerd.
Risico's en controle
- Kosten: stel limieten per opdracht in en meet het verbruik per uitvoering.
- Fouten die doorwerken: een fout van de ene agent wordt door de volgende overgenomen. Leg tussenresultaten met bronnen vast en controleer steekproefsgewijs.
- Rechten: elke agent krijgt alleen wat nodig is. OWASP noemt ‘Excessive Agency’, oftewel te ruime bevoegdheden, als een afzonderlijk risico voor toepassingen met taalmodellen. Handelingen die gegevens schrijven, vereisen goedkeuring.
- Traceerbaarheid: een logboek laat zien welke agent wat heeft gedaan en waarom. Bij persoonsgegevens gelden de regels van de AVG.
- Hoog risico: als agents beslissingen over mensen voorbereiden, bijvoorbeeld bij sollicitaties of kredietwaardigheid, gelden volgens Bijlage III van de AI‑verordening strenge regels. Meer bij de risicoklassen.
Zo gaat u te werk
- Schrijf het proces op: stappen, gegevens, beslissingen en wie goedkeurt.
- Begin eenvoudig: met een vast proces of één agent, en meet de resultaten.
- Bepaal het knelpunt: waar volstaat dat niet: bij tijd, kwaliteit of rechten?
- Splits alleen daar op: een subagent met een duidelijke taak, invoer en uitvoer.
- Vergelijk: kosten, duur en foutpercentage met de eenvoudige oplossing.
- Bouw goedkeuring in: een mens bevestigt voordat iets naar buiten gaat of wordt geboekt.
Bronnen
- Anthropic: Hoe we ons onderzoekssysteem met meerdere agents bouwden, 13 juni 2025
- Anthropic: Effectieve agents bouwen, 19 december 2024
- Cognition: Bouw geen multi-agentsystemen, 12 juni 2025
- OpenAI: Agents SDK, overdrachten
- OWASP: Top 10 voor LLM-toepassingen 2025
- Verordening (EU) 2024/1689 betreffende artificiële intelligentie, bijlage III: EUR-Lex