Multi-agent rendszerek
Mikor indokolt több AI-agent alkalmazása, és mikor elegendő egyetlen agent
- AI építőkövek
Több AI-agent együttes alkalmazása jelentősen jobb eredményt hozhat, mint egyetlen agent. Ugyanakkor magasabb költséggel és újfajta hibalehetőségekkel jár. Hogy megtérül-e, azt a feladat jellege dönti el.
Érdemes-e több AI-agentet együtt működtetni? Két AI-agent fejlesztésére szakosodott vállalat egy nap eltéréssel tette közzé az álláspontját, és a két vélemény látszólag ellentmondott egymásnak.
A Cognition, a Devin nevű kódolóagent fejlesztője, 2025 júniusában esszét tett közzé „Don’t Build Multi-Agents” (ne építsünk multi-agent rendszereket) címmel. Másnap az Anthropic olyan kutatási architektúrát mutatott be, amelyben egy vezető Claude-agent több alárendelt agent munkáját irányítja. A vállalat belső kiértékelésében ez a több agentből álló rendszer 90,2%-kal jobban teljesített, mint egyetlen agent.
Tíz hónappal később a Cognition arról számolt be, hogy a multi-agent megoldások egy szűkebb körét már éles üzemben is használja. Hozzátette, hogy a két írás hasonló következtetésre jutott abban, hogy mely területeken válik először be a több agentből álló felépítés.
Vállalati szempontból a lényeges kérdés az, hogy mely folyamatoknál indokolt több agent együttes bevonása. A cikk bemutatja, mi a multi-agent rendszer, mikor térül meg, milyen költséggel jár, mely hibákra kell számítani, és mit szükséges eldönteni a megvalósítás előtt.
A multi-agent rendszer a feladatot több agent között osztja meg
Az AI-agent olyan nyelvi modell, amely egy kitűzött cél érdekében több szakaszban dolgozik. Megtervezi a feladat végrehajtását, eszközöket használ (például webes keresést, dokumentumokat vagy a vállalati adatbázist), ellenőrzi az eredményt, és meghatározza a következő lépést.
A multi-agent rendszer ezt a munkát több agent között osztja meg. Gyakori felépítés, hogy a megoldás egy kisebb szervezeti egységhez hasonlóan működik: a vezető agent részekre bontja a feladatot, mindegyiket egy-egy, az adott területre szakosodott agentnek adja át, majd összesíti az eredményeket. Az Anthropic ezt orchestrator-worker, vagyis irányító és végrehajtó mintának nevezi.
Két további elrendezés is elterjedt. A láncolt felépítésben (pipeline) minden agent egy-egy lépést hajt végre, és az elkészült részt átadja a következőnek, a futószalag elve szerint. Az ellenőrzési hurokban (review loop) az egyik agent elvégzi a munkát, a másik pedig felülvizsgálja.
Az érdeklődés egyelőre jóval meghaladja a tényleges bevezetések számát. A Gartner 2026-os CIO and Technology Executive Survey felmérésében a szervezetek 17%-a működtetett már AI-agenteket, és több mint 60%-uk két éven belül tervezte az alkalmazásukat. A Gartner 2026-os hype-ciklusa az agentikus AI-t a túlzott elvárások csúcsán (Peak of Inflated Expectations) helyezi el.
Több agent alkalmazása ott indokolt, ahol a munka önálló részfeladatokra bontható
Független részfeladatoknál a több agentből álló megoldás az eredményesebb
Az Anthropic 90,2%-os eredménye jól körülhatárolható feladattípushoz kötődik: olyan kutatási kérdésekhez, amelyek több, egymástól független irányban vizsgálhatók. Az egyik példában a rendszernek az S&P 500 indexben szereplő összes informatikai vállalat igazgatósági tagjait kellett összegyűjtenie. A vezető agent felosztotta a cégeket az alárendelt agentek között, amelyek párhuzamosan keresték meg a neveket. Az egyetlen agenttel végzett kísérlet sikertelen volt: a lassú, sorban végrehajtott keresésekkel az agent nem jutott el a megoldásig.
A Google kutatói azt vizsgálták, milyen feltételek mellett érvényesül ez az előny. Egyetlen agent teljesítményét vetették össze négyféle multi-agent felépítéssel, 180 konfigurációban, három modellcsaládon (GPT, Gemini és Claude).
A pénzügyi elemzés jól párhuzamosítható, hiszen külön agentek egyidejűleg elemezhetik a bevételi trendeket, a költségszerkezetet és a piaci összehasonlításokat. Ebben a feladatkörben a koordináló agent irányította rendszer 80,9%-kal jobban teljesített, mint egyetlen agent.
A lépésenkénti tervezésnél, ahol minden szakasz az előzőre épül, ennek az ellenkezője volt megfigyelhető. Valamennyi vizsgált multi-agent konstrukció elmaradt az egyetlen agenttől, a különbség 39 és 70% között mozgott. A koordináció felemésztette a feldolgozási kapacitás nagy részét, így magára a feladatra kevés maradt.
Ebből egyszerű gyakorlati szabály következik. Kiosztható-e a feladat három, egymástól elkülönülten dolgozó munkatársnak úgy, hogy csak a végén egyeztessenek? Ha igen, a tevékenység alkalmas több agent bevonására. Ha minden lépésnél össze kellene hangolniuk a munkájukat, rendszerint egyetlen agent a célravezetőbb.
A másik, ma már bevált minta a független ellenőrzés
A független ellenőrzés a másik olyan minta, amely ma már a gyakorlatban is működik. A Cognition beszámolója szerint ellenőrző agentje átlagosan két hibát talál minden olyan kódmódosításban, amelyet a saját kódoló agentje készített, és ezek körülbelül 58%-a súlyos.
Az ellenőrző agent akkor a leghatékonyabb, ha a kódoló agent kontextusától függetlenül, tiszta lappal kezdi a munkát. A pénzügyi területen ezt a négy szem elvének nevezik. A Cognition megállapítása szerint a multi-agent működés ma abban az esetben a legeredményesebb, ha a módosításokat egyetlen agent végzi, a többi pedig elemez, javaslatokat tesz és felülvizsgál.
A munkát csak ott érdemes felosztani, ahol az természetes módon részfeladatokra bontható, a módosítások végrehajtását pedig egyetlen agentre kell bízni.
Egy multi-agent rendszer mintegy tizenötször annyi tokent használ, mint egy chatbeszélgetés
A jobb eredménynek azonban ára van. Az Anthropic adatai szerint agentjei jellemzően közel négyszer annyi tokent használnak, mint egy egyszerű chatbeszélgetés, multi-agent rendszerei pedig mintegy tizenötször annyit. A token az a szövegegység, amely alapján az AI-szolgáltatók díjat számítanak fel, így a tokenfogyasztás közvetlenül megjelenik a működési költségekben.
A javulás jelentős része ebből a többletráfordításból ered. Az Anthropic elemzése szerint egy webes böngészési teszten a teljesítménykülönbségek 80%-át önmagában a tokenfogyasztás magyarázta. A vállalat üzleti szempontból úgy összegez, hogy multi-agent rendszert csak olyan feladatokra érdemes alkalmazni, amelyek értéke indokolja a magasabb költséget.
A tokenhasználat csak egy része a költségeknek. Az integráció, a belső ráfordítás, az adatelőkészítés és a folyamatos üzemeltetés ennél jóval nagyobb tételt is jelenthet az üzleti megtérülés szempontjából. Ezeket a kevésbé látható költségeket részletesebben bemutatjuk az A rejtett költségek anatómiája cikkünkben.
A ráfordítás azt is eldönti, mely kezdeményezések maradnak fenn. A Gartner előrejelzése szerint az agentikus AI-projektek több mint 40%-át 2027 végéig leállítják a növekvő költségek, a tisztázatlan üzleti érték vagy a nem megfelelő kockázatkezelés miatt. A tanácsadó cég elemzője, Anushree Verma ehhez olyan figyelmeztetést fűz, amely a multi-agent rendszerekre fokozottan vonatkozik:
“Sok olyan felhasználási eset, amelyet ma agentikusként pozicionálnak, nem igényel agentikus megvalósítást.”
Anushree Verma, Senior Director Analyst, Gartner, 2025. június
Az üzleti tervhez az egy elvégzett feladatra vetített költséget mérje. Vesse össze azzal, mennyibe kerül ugyanez egyetlen agenttel, illetve a jelenlegi folyamatban.
A multi-agent rendszerek többnyire szervezési hibák miatt vallanak kudarcot
A UC Berkeley kutatói több mint 1600 naplózott futást elemeztek hét elterjedt, nyílt forráskódú multi-agent keretrendszerben. A sikertelen feladatok aránya a vizsgált rendszerektől függően 41% és 86,7% között alakult. A szerzők az okokat 14 hibatípusba sorolták, három csoportban: tervezési problémák, az agentek közötti összehangolás hiánya és a nem megfelelő ellenőrzés.
A hibák jó része ismerős szervezeti helyzetekre emlékeztet. Az agentek téves feltételezésekből indultak ki, és nem kértek pontosítást, figyelmen kívül hagyták a többi agenttől érkező információt, megismételtek már elvégzett lépéseket, vagy idő előtt leálltak. Az egyik futásban az agent nem adta tovább a felhasználónév előírt formátumát, az irányító agent nem kérdezett rá, a bejelentkezési kísérletek pedig rendre eredménytelenek maradtak.
Az ellenőrzés gyakran felületes volt. Az egyik rendszer sakkprogramot készített, amely átment a fordítási teszten, használat közben mégsem működött, mert egy agent sem vetette össze a sakk szabályaival.
A tanulmány arra a következtetésre jut, hogy a hibák számottevő része abból fakad, ahogyan a rendszert megszervezik és koordinálják. A szerzők megjegyzik, hogy a kompetens szakemberekből álló szervezetek ugyanígy kudarcot vallhatnak, ha a struktúrájuk nem megfelelő.
A rendszer felépítése határozza meg, meddig terjed egy hiba
A Cognition gondolatkísérlettel szemlélteti a kockázatot. Két alárendelt agent egy Flappy Bird-klón egy-egy részét építi meg. Az egyik Super Mario-stílusú hátteret rajzol, a másik olyan madarat, amely sem megjelenésében, sem mozgásában nem hasonlít az eredetire. Vállalati környezetben ez annak felel meg, hogy két agent eltérő árlista alapján dolgozik, és mindkettő munkája önmagában helytállónak tűnik.
Hogy egy ilyen tévedés meddig jut el, az a rendszer struktúráján múlik. A Google kísérletében a koordinátor nélkül, párhuzamosan dolgozó agentek a hibákat 17,2-szeresükre erősítették fel. Ahol a koordináló agent ellenőrzési pontként szolgált, ez a szorzó 4,4-re csökkent.
Multi-agent rendszert csak feltérképezett folyamatra érdemes építeni
A multi-agent rendszer ugyanazokat a kérdéseket veti fel, mint bármely integrációs projekt: melyik alkalmazás az egyes adatok gazdája, mi áramlik át az interfészeken, és ki észleli, ha egy átadás elakad. Az Omnitnál ezekre úgy válaszolunk, hogy az ügyféllel közösen feltérképezzük és lerajzoljuk a folyamatot, mielőtt bármit automatizálnánk. Az alábbi öt pont alapján ebből az ábrából készül az agentek feladatleírása.
Ugyanez az elv a multi-agent rendszereken túl is érvényes: a sikeres AI-bevezetések a folyamatok, az adatok és az egyértelmű felelősségi körök rendezésével kezdődnek, még a technológia kiválasztása előtt. Ezt a tágabb bevezetési keretrendszert A sikeres AI-bevezetés kulcslépései → cikkünkben mutatjuk be.
Ezt az öt kérdést a megvalósítás előtt kell tisztázni
1. Kezdje egyetlen agenttel.
Készítse el a legegyszerűbb, még működőképes változatot, és mérje az eredményét. Az Anthropic fejlesztői útmutatója szerint a rendszer bonyolultságát csak akkor célszerű növelni, ha arra valóban szükség van.
2. Előbb a folyamatot rajzolja le, csak azután tervezze meg az agenteket.
Rögzítse, ki mit végez, mit ad át, milyen formátumban, és mikor tekinthető késznek a munka. Az Anthropic a saját rendszeréből azt a tanulságot vonta le, hogy minden alárendelt agentnek világos célra, meghatározott elvárt eredményre, az eszközökre és forrásokra vonatkozó útmutatásra, valamint egyértelműen kijelölt feladathatárokra van szüksége.
3. Minden agent ugyanabból a hiteles adatforrásból dolgozzon.
Ha az agentek egyazon ügyfélről, termékről vagy árról eltérő adatváltozatokra támaszkodnak, egymásnak ellentmondó döntéseket hoznak, amelyek önmagukban mind észszerűnek tűnnek. Először rögzítse a törzsadatokat, vagyis a közösen használt alapnyilvántartást, és csak ezt követően vonjon be második agentet.
4. Írási jogot csak egyetlen agent kapjon.
Nevezze meg azt az egy agentet, amely módosíthatja az elsődleges nyilvántartó rendszert, például az ERP-t. A többi agent kizárólag olvas, elemez és ellenőriz; a Cognition tapasztalata szerint ma ez a gyakorlat válik be.
5. Jelölje ki az ellenőrzésért felelőst és a költségkeretet.
Határozza meg, ki vizsgálja felül az elkészült munkát, milyen kritériumok alapján, és mekkora lehet egy elvégzett feladat ráfordítása. Naplózzon minden átadást, hogy a hibák visszavezethetők legyenek arra a lépésre, ahol keletkeztek.
Mindez a megvalósítás előtt eldönthető. A Google kutatócsoportja olyan előrejelző modellt fejlesztett, amely a feladatok mérhető jellemzői alapján a számára ismeretlen konfigurációk 87%-ánál kiválasztotta a legmegfelelőbb felépítést.
A multi-agent rendszernek is szüksége van koordinátorra, közös adatforrásra és ellenőrzésre
rdemes-e tehát több AI-agentet együtt működtetni? A két, látszólag ellentétes írás ugyanazt a szabályt fogalmazza meg. Több agent bevonása ott hoz értéket, ahol a munka önálló részekre osztható, és minden ilyen rendszer koordinátort, közös hiteles adatforrást és független ellenőrzést igényel.
Minden jól működő szervezeti egységben ez a három feltétel már adott. Az agentek számára mindezt írásban kell rögzíteni, még az első feladat kiadása előtt.
Előbb térképezze fel a folyamatot, és csak ezt követően döntse el, hány agentre van szükség.
Egy agent, több agent vagy egyik sem: a folyamat dönti el
Ha azt mérlegeli, mely területeken vehetnék át a munkát az AI-agentek a vállalatánál, induljon ki a folyamatból. Az AI Opportunity Check fókuszált, fix díjas felmérés, nettó 1450 euróért. A végén tudni fogja, érdemes-e most AI-pilotot indítani, és milyen egyszerű megoldással célszerű kezdeni. Ha előbb szívesebben egyeztetne a kérdésről, kezdje egy díjmentes, 30 perces konzultációval.
AI Vezetői Elemzés – Stratégia és valóság IT-döntéshozóknak
Források
Anthropic. (2024, December 19). Building Effective Agents. Source of Anthropic’s guidance on keeping agent systems simple and adding complexity only when it clearly improves results. Cikk megnyitása →
Anthropic. (2025, June 13). How We Built Our Multi-Agent Research System. Source of the reported 90.2% performance result, the higher token costs of multi-agent systems, and the S&P 500 research example. Cikk megnyitása →
Cemri, M., Pan, M. Z., et al. (2025, October 26). Why Do Multi-Agent LLM Systems Fail? NeurIPS 2025 Datasets and Benchmarks Track, arXiv:2503.13657, Version 3. Source of the failure analysis covering 1,642 multi-agent runs and the caution that failure rates across different benchmarks are not directly comparable. Cikk megnyitása →
Gartner. (2025, June 25). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Source of Gartner’s forecast that more than 40% of agentic AI projects will be canceled by the end of 2027 and the related Anushree Verma commentary. Cikk megnyitása →
Kandaswamy, R. (2026, April 15). What the 2026 Hype Cycle for Agentic AI Reveals. Gartner. Source of agentic AI adoption figures from the 2026 Gartner CIO and Technology Executive Survey. Cikk megnyitása →
Kim, Y., & Liu, X. (2026, January 28). Towards a Science of Scaling Agent Systems: When and Why Agent Systems Work. Google Research. Source of findings from the 180-configuration study on when scaling agent systems improves performance and when it does not. Cikk megnyitása →
Yan, W. (2025, June 12). Don’t Build Multi-Agents. Cognition. Source of the Flappy Bird thought experiment illustrating why splitting work across multiple agents can introduce coordination problems. Cikk megnyitása →
Yan, W. (2026, April 22). Multi-Agents: What’s Actually Working. Cognition. Source of Cognition’s review-agent results and the conclusion that a single-writer architecture can outperform more distributed multi-agent setups. Cikk megnyitása →
Fehér Lajos
Fehér Lajos informatikai szakértő, közel 30 év tapasztalattal az adatbázis-fejlesztés, különösen az Oracle-alapú rendszerek, valamint az adatmigrációs projektek és a magas rendelkezésre állást, illetve skálázhatóságot igénylő rendszerek tervezése területén. Az elmúlt években munkája mesterséges intelligenciára épülő megoldásokkal is kiegészült, az üzleti szempontból mérhető értéket teremtő rendszerek kialakítására fókuszálva.
Biztos benne, hogy az AI a megfelelő következő lépés?
ChatGPT
Claude
Perplexity
GeminiKapcsolódó cikkek
Miért akad el olyan sok AI-projekt — és hogyan léphetsz végre túl a pilot fázison
