AI timovi izgledaju pametnije dok nitko ne broji koliko troše
The token budget test that makes multi-agent AI look expensive📷 AI-generated / Tech&Space editorial visual
- ★Mnogo agentne arhitekture izgledaju bolje tek kad smiju trošiti više
- ★Token normalizacija ruši dobar dio benchmark teatra
- ★Pravi problem je upravljanje kontekstom, ne broj persona
Nova studija s arXiva ruši omiljenu priču iz AI industrije: više agenata ne znači nužno bolje razmišljanje. Istraživači su usporedili single-agent sustave (SAS) s multi-agent arhitekturama (MAS) uz jednak budžet tokena za zaključivanje — i jedan pametan agent redovito je pobijedio cijelu ekipu.
Razlika? MAS sustavi često 'pobjeđuju' samo zato što troše više računalnih resursa.
Kada se normalizira potrošnja, prednost nestaje. Autori koriste Data Processing Inequality — informacijsko-teorijski princip koji kaže da svaka dodatna obrada informacije ne može povećati količinu dostupne informacije — da objasne zašto je dodavanje agenata često samo buka.
Testirano je tri obitelji modela: Qwen3, DeepSeek-R1-Distill-Llama i Gemini 2.5. Rezultat je konzistentan: jedan agent s optimalno iskorištenim kontekstom širi informaciju učinkovitije nego koordinirana mreža koja gubi podatke u komunikaciji.
Demo nasuprot stvarnom trošku
The token budget test that makes multi-agent AI look expensive📷 © Tech&Space
Multi-agent sustavi postaju konkurentni tek kada jedan agent loše koristi kontekst — ili kada dobiju značajno više tokena nego konkurencija. To nije arhitektonska pobjeda, to je prikrivena nejednakost u računalnoj snazi.
Ovaj pronalazak ima duboke implikacije za razvojne timove koji grade agentičke sustave. LangChain i slični frameworkovi promoviraju orkestriranje višeg agenata kao rješenje za kompleksne zadatke, ali nova istraživanja sugeriraju da bi optimizacija jednog agenta mogla biti isplativija strategija.
Uz sve veće cijene API poziva, efikasnost postaje ključna metrika. Što dalje?
Istraživači pozivaju na standardiziranu metodologiju usporedbe koja bi uključivala i računalni budžet, ne samo točnost. Bez toga, 'pobjede' multi-agent sustava ostaju statistički nepotkovane.
Konačni cilj istraživanja je stvoriti AI sustave koji će moći učinkovito i efikasno rješavati kompleksne probleme. Da bi se to postiglo, potrebno je razviti sustave koji će optimalno koristiti resurse i biti u stanju učiti i adaptirati se na nove situacije. Time će se omogućiti stvaranje još inteligentnijih i korisnijih AI sustava.
