יותר סוכני AI, פחות ביצועים? מחקר חדש מראה מתי צוות AI שווה את הכסף

אחת ההבטחות החמות בעולם הבינה המלאכותית היא "ארגון של סוכנים": במקום לתת משימה למודל אחד, מנהל AI מחלק אותה בין כמה סוכנים, אחד אוסף מידע, אחר מנתח, שלישי בודק ורביעי מאחד את התוצאה. חברה אנושית בנויה על אותו רעיון בדיוק, חלוקת עבודה בין בעלי תפקידים. מחקר חדש שפורסם ב-Nature Machine Intelligence מגלה שההשוואה הזאת עובדת בחלק מהמשימות, ובאחרות היא יכולה להפוך ליקרה ופחות יעילה.

המחקר, שכותרתו "Capable language models can outgrow the benefits of collaboration", נערך בידי צוות של 19 חוקרים בהובלת יובין קים, מגוגל ריסרץ', גוגל דיפמיינד ו-MIT. הצוות בחן 260 תצורות בשישה מבחנים שונים, חמישה מבנים ארגוניים ותשע גרסאות מודלים משלוש משפחות מרכזיות, אופן איי, גוגל ואנתרופיק. החוקרים שמרו ככל האפשר על אותם כלים, אותן משימות ומסגרות חישוב דומות, ושינו את דרך התיאום בין הסוכנים. גרסה מוקדמת של העבודה הופיעה ב-arXiv תחת הכותרת Towards a Science of Scaling Agent Systems.

מבנה ארגוני בהקשר הזה אינו מודל חדש ואינו יכולת חדשה. זהו החיווט בין העותקים: מי מדבר עם מי, מי מחליט, ומי בודק את התוצאה לפני שהיא ממשיכה הלאה. אותו מודל עצמו, עם אותם כלים ואותה משימה, מניב תוצאות שונות לפי החיווט הזה. במבנה עצמאי כמה סוכנים עובדים במקביל בלי לדבר ביניהם, והתוצאות נאספות בסוף. במבנה מרכזי יש סוכן מנהל שמחלק עבודה ובודק אותה. במבנה מבוזר הסוכנים מתקשרים זה עם זה בלי גורם מפקח. במודל ההיברידי קיימים גם מנהל מרכזי וגם תקשורת בין העובדים המלאכותיים. ארבעת אלה הם מבני ריבוי הסוכנים שנבדקו, ולצדם נבחן סוכן יחיד ששימש בסיס להשוואה, והוא המבנה החמישי. אחד הממצאים הרוחביים נוגע בנקודה הזאת: מבנים שאין בהם בדיקה מרכזית נוטים לגרור שגיאות הלאה יותר ממבנים שיש בהם.

שיפור של 80.8% לעומת סוכן יחיד נרשם דווקא בפיננסים. במבחן Finance Agent נבחנו 50 שאלות מחקר פיננסי מתוך 537 שהמבחן כולל, שאלות הדורשות חישובים, ניתוח נתונים, בחינת מגמות ועבודה במספר שלבים. המבנה המרכזי הגיע שם לציון ממוצע של 0.631 לעומת 0.349, המבנה המבוזר שיפר ב-74.5% וההיברידי ב-73.1%. החוקרים מסבירים שמשימה פיננסית מאפשרת פיצול טבעי: סריקת מסמכים רגולטוריים, איתור נתונים עסקיים, ביצוע חישובים ואיחוד הממצאים יכולים לרוץ במסלולים נפרדים. מה שמאפשר את הפיצול הוא שכל מסלול נבדק בפני עצמו. מסמך רגולטורי אפשר לאמת מול המקור, חישוב אפשר להריץ שוב, ושגיאה במסלול אחד אינה מחלחלת לאחרים לפני שלב האיחוד.

אבל במשימות שבהן כל שלב תלוי בתוצאה המדויקת של השלב הקודם, היתרון התהפך. במבחן PlanCraft, המבוסס על תכנון סדרת פעולות בסביבת מיינקראפט, כל ארבעת מבני ריבוי הסוכנים הציגו ירידה. המבנה ההיברידי ירד ב-39.1%, המבוזר ב-41.5%, המרכזי ב-50.3% והעצמאי ב-70%. בתכנון סדרתי אין מסלולים מקבילים לפצל אליהם. סדר הפעולות הוא עצמו התוצר, ומצב העולם אחרי כל צעד הוא הקלט של הצעד הבא. כשסוכן מעביר את העבודה הלאה הוא מוסר תיאור מילולי של המצב במקום את המצב עצמו, וכל פרט שנשמט מהתיאור אינו קיים מבחינת מי שממשיך.

גם בתחומים אחרים התוצאה הייתה מתונה בהרבה מההבטחה השיווקית סביב Agentic AI. במשימות משרדיות המבנה המבוזר הוסיף 5.6%. בגלישה ובאחזור מידע מהאינטרנט השיפור המרבי הגיע ל-9.2%. מבחן נוסף בחן עבודה בשורת הפקודה של המחשב. במבחן הנדסת התוכנה SWE-bench Verified כל התצורות המרובות ירדו ביחס לסוכן יחיד, בטווח של 2.1% בהיברידי עד 14.9% בעצמאי. בממוצע של כל ששת המבחנים וכל הארכיטקטורות, השיפור הכולל של מערכות מרובות סוכנים עמד על מינוס 0.3%, עם רווח בר סמך שנע בין מינוס 58.7% לפלוס 77.2%, כלומר שונות עצומה בין סוגי המשימות.

העלות הזאת מופיעה גם בכמות העבודה שהמערכת מבצעת. לפי נתוני המחקר, מערכת היברידית יצרה בממוצע 44.3 סבבי עבודה לעומת 7.2 בסוכן יחיד. סבב הוא פנייה אחת למודל, והפער בין שני המספרים הוא תקורת התיאום של 515% שהמחקר מדווח: על כל יחידת עבודה שסוכן יחיד משקיע, המערכת המרובה משקיעה עוד חמש. רובה אינו פתרון הבעיה אלא ניהול השיחה סביבה, העברת הקשר בין סוכנים וסיכום מה שכבר נעשה. שיעור ההצלחה הכולל שלה עמד על 45.2%, קרוב למבנים פשוטים יותר, וההצלחה לכל אלף טוקנים הייתה נמוכה משמעותית. המשמעות העסקית היא שארגון יכול לשלם על הרבה יותר קריאות מודל, זמן תגובה ותשתית, ולקבל תוצאה דומה.

מעל 45% דיוק בסוכן בודד, תוספת סוכנים נוטה לעלות יותר ממה שהיא מחזירה. זה סף רוויית היכולת שהחוקרים מזהים, ולצדו העיקרון שהם מציעים: הערך של צוות AI תלוי ביכולת לפרק את המשימה לחלקים עצמאיים יחסית. ככל שהמודל היחיד כבר חזק יותר, מרחב השיפור באמצעות צוות מצטמצם. החוקרים בנו מודל חיזוי שבחר את מבנה הסוכנים בעל הביצועים הטובים ביותר ב-87% מתצורות הבדיקה שהוחזקו מחוץ לאימון. המחקר עצמו מציג את הממצא ככלי בחירה מעשי יותר מאשר חוק אוניברסלי.

העבודה מומנה בידי גוגל, ורבים מהחוקרים הם עובדי גוגל או גוגל דיפמיינד, כאשר חלקם מחזיקים מניות אלפאבית במסגרת התגמול. החוקרים הציגו את קשרי התעסוקה והאחזקות בגילוי הנאות במאמר. במקביל, הבדיקות עצמן כללו גם מודלים של אופן איי ואנתרופיק, ובהם GPT-5 וקלוד סונט 4.5, והשתמשו במספר תחומי משימה שונים.

• האוזניות שמקשיבות ללב: המחקר שמקרב את האיירפודס למכשיר רפואי
• החבר שתמיד זמין: מחקר חדש מזהה קשר מטריד בין חַבְרוּת עם AI למצב נפשי

המחקר מתחבר ישירות למה שכבר קורה בחברות. בביזפורטל כתבנו על הצפת סוכני ה-AI בתוך ארגונים והקושי לנהל את העלויות וההרשאות שלהם, וגם על הסוכנים שאנתרופיק בונה במיוחד לעבודה פיננסית. המחקר החדש מספק הסבר מדוע דווקא הפיננסים עשויים להתאים מאוד למודל הזה: מחקר חברה, דוחות, רגולציה, חישובים וחדשות יכולים להתפצל למסלולים מקבילים ולהתחבר בסוף. במשימות רציפות יותר כל העברה בין סוכנים דוחסת את מה שנעשה עד אליה לסיכום חלקי, והשגיאה נגררת הלאה. המבנה שבו הסוכנים עובדים בלי לדבר ביניהם ובלי בדיקה מרכזית הוא זה שנפל הכי חזק בשני המבחנים האלה, 70% בתכנון ו-14.9% בהנדסת תוכנה.