Оглавление

Современная мода на создание сложных систем из множества взаимодействующих ИИ-агентов может оказаться дорогостоящей иллюзией. Исследователи обнаружили, что объединение агентов в команды приводит к значительному росту расходов на токены, практически не улучшая итоговое качество работы по сравнению с одиночными моделями.

Как сообщает профильное издание The Decoder, компания Vals AI провела серию тестов с участием актуальных флагманов — GPT-6 Sol и Claude Opus 5.5. Эксперимент на бенчмарке Vibe Code Bench показал, что командная работа обходится в 1,8–5,1 раза дороже, но лишь в одном сценарии из четырех удалось зафиксировать статистически значимый прирост производительности.

Ситуация выглядит особенно иронично на фоне того, что при максимальных настройках логического вывода (reasoning) преимущество команд полностью нивелируется. Кажется, если модель уже работает на пределе своих интеллектуальных возможностей, добавление «коллег» лишь перегружает систему лишними коммуникациями, не добавляя ценности результату.

Цена координации и предел эффективности

Внутренние отчеты разработчиков подтверждают эти выводы. В тестах Anthropic с моделью Opus 5.5 наблюдалась любопытная динамика: увеличение числа агентов с 10 до 100 лишь незначительно повышало точность ответов, при этом резко увеличивая потребление вычислительных ресурсов. В некоторых задачах, таких как работа с базами знаний, прогресс практически останавливался после достижения определенного порога.

Эффективность мультиагентных систем упирается в «налог на координацию»: чем больше участников, тем больше ресурсов уходит на согласование, а не на решение задачи. В разработке это напоминает попытку ускорить написание кода, наняв десять программистов на одну функцию — коммуникационный шум быстро поглощает любую потенциальную выгоду. Для большинства прикладных задач сегодня выгоднее инвестировать в одну качественную модель с глубоким логическим выводом, чем раздувать штат виртуальных помощников.

Исследователь OpenAI Ноам Браун в недавнем подкасте отметил, что мультиагентные системы позволяют выиграть во времени, но не в качестве. Например, группа из четырех агентов справляется с задачей вдвое быстрее, но и стоит ровно в два раза больше. При этом эффективность начинает падать, как только число агентов переваливает за 16, превращая процесс в банальное сжигание бюджета.

Где агенты действительно полезны

Стоит признать, что применимость командного подхода сильно зависит от типа нагрузки. Браун выделяет задачи, которые хорошо распараллеливаются, такие как математические вычисления или глубокий поиск в сети. Однако в творческих процессах, например, при написании текстов, коллективный разум бессилен. Попытка заставить 10 000 агентов написать роман так же бессмысленна, как и аналогичная попытка с участием живых людей.

Разработчик Эрик Провеншер из OpenAI ранее уже предостерегал индустрию от увлечения «роями» агентов. По его мнению, в большинстве случаев это просто пустая трата денег из-за неизбежного разрушения координации между звеньями системы. Пока стоимость вычислений остается высокой, массовое использование агентских команд остается скорее дорогостоящим экспериментом, чем практической необходимостью для бизнеса.