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

Hva et multi-agent system er

En AI‑agent består av en språkmodell, instruksjoner og verktøy. Anthropic skiller ut arbeidsflyter der språkmodeller og verktøy styres via forhåndsdefinerte programstier fra agenter som bestemmer sin egen prosess og valg av verktøy. Et multi-agent system kombinerer flere slike agenter. Tre grunnleggende mønstre forekommer i praksis:

Hva praksis viser

I en artikkel fra juni 2025 beskriver Anthropic et forskningssystem basert på koordinatormodellen. I den interne evalueringen presterte den 90,2 prosent bedre enn en enkelt agent. Samtidig brukte agenter rundt fire ganger og multiagentsystemer rundt 15 ganger flere tokens enn en chat. Anthropic siterer oppgaver med en delt kontekst og mange avhengigheter som mindre egnet, for eksempel programmering, som inneholder færre parallelliserbare deler enn forskning.

I samme måned kom Cognition, utvikler av en programmeringsassistent, til en mer forsiktig konklusjon: underagenter ser bare utdrag, gjør andre antakelser og leverer resultater som ikke stemmer. Rapportene er mindre motstridende enn de ser ut til: flere agenter hjelper til med bredt, delbart arbeid, men koster betydelig mer datakraft og krever mer kontroll.

Når en agent eller en fast prosess er nok

Anthropic anbefaler å lete etter den enkleste løsningen og bare legge til kompleksitet når det er nødvendig. For de fleste oppgaver i mellomstore bedrifter betyr dette:

• Prosessen er fikset: Les, sjekk, bokfør faktura. En fast prosess med AI‑trinn er raskere, billigere og enklere å teste.
• Oppgaven trenger kontinuerlig kontekst: skrive et tilbud til en spesifikk kunde, svare på en henvendelse. En agent med riktig verktøy er nok.
• Kostnader og hastighet teller: Hver ekstra agent bruker tid og datakraft, og hver overlevering er en kilde til feil.

Når flere agenter gir mening

• Deloppgaver er uavhengige: Sjekk ti leverandører eller tjue dokumenter samtidig og slå dem sammen.
• Rettigheter bør forbli atskilt: En agent leser e-post og har bare leserettigheter, en annen skriver inn i varestyringssystemet ditt, men bare etter godkjenning. Dette begrenser skaden hvis en agent blir feildirigert av manipulert innhold.
• Et nytt blikk er verdifullt: En verifikasjonsagent sammenligner resultatet med kildene før et menneske ser det.
• Konteksten ville flyte over: Svært lange oppgaver kan deles inn i seksjoner, som hver behandles av en underagent.

Risikoer og kontroll

• Kostnader: Sett tak per jobb og mål hva hver kjøring bruker.
• Feilkjeder: En feil gjort av en agent blir adoptert av den neste. Oppretthold mellomresultater med kilder og kontroller dem tilfeldig.
• Rettigheter: Hver agent får bare det han trenger. OWASP introduserer "overdreven byrå" som en egen risiko for applikasjoner med språkmodeller. Skrivehandlinger skjer via en utgivelse.
• Sporbarhet: En logg viser hvilken agent som gjorde hva og hvorfor. Reglene i GDPR gjelder for personopplysninger.
• Høy risiko: Dersom agenter utarbeider avgjørelser om personer, for eksempel angående søknader eller kredittverdighet, gjelder strenge regler i henhold til vedlegg III til AI‑forordningen. Mer på Risikoklasser.

Slik gjør du det

1. Skriv ned prosessen: Steg, data, vedtak og hvem som godkjenner.
2. Bare start: med en fast prosess eller agent, og måle resultater.
3. Bestem flaskehals: Hvor er det ikke nok, når det gjelder tid, kvalitet eller rettigheter?
4. Bare delt der: en underagent med tydelig oppgave, input og output.
5. Sammenlign: Kostnader, varighet og feilrate kontra den enkle løsningen.
6. Installer utgivelse: En person bekrefter før noe går ut eller er bestilt.