Исследование: команды ИИ-агентов тратят токены впустую без заметного роста качества
Новое исследование, опубликованное 11 октября 2026 года, показало, что использование команд ИИ-агентов приводит к значительному перерасходу вычислительных ресурсов. При этом заметного улучшения качества конечного результата по сравнению с одиночными агентами не наблюдается. Это ставит под сомнение эффективность популярного подхода к автоматизации сложных задач.
Что произошло
Авторы исследования провели серию экспериментов, сравнивая работу одного ИИ-агента и группы агентов, взаимодействующих друг с другом. Оказалось, что командная работа требует на порядки больше токенов — единиц измерения вычислительной работы языковых моделей. Однако итоговые результаты по качеству оказались сопоставимы с результатами, полученными при использовании одного агента.
Простыми словами, команда агентов тратит значительно больше ресурсов (и, соответственно, денег пользователя), но выдает ответ, который не сильно лучше того, что мог бы дать один агент.
Как это работает на практике
Идея команд ИИ-агентов заключается в том, что несколько специализированных моделей могут разделить задачу на подзадачи. Например, один агент ищет информацию, другой ее анализирует, третий пишет итоговый отчет. В теории это должно повысить точность и глубину проработки.
На практике же исследование демонстрирует, что значительная часть токенов расходуется на «общение» между агентами. Они обмениваются промежуточными данными, уточняют формулировки и передают контекст друг другу. Именно эти накладные расходы, а не сама работа над задачей, и приводят к перерасходу.
Почему это важно
Этот результат важен для всех, кто проектирует системы на базе больших языковых моделей. Многие компании и разработчики автоматически предполагают, что чем больше агентов задействовано в процессе, тем лучше будет результат. Исследование показывает, что это не всегда так.
Редакционный вывод: На практике это может означать, что для большинства задач использование одного хорошо настроенного агента будет более экономичным и не менее эффективным решением, чем создание сложной мультиагентной системы. Экономия токенов напрямую влияет на стоимость каждого запроса, что особенно критично при работе с большими объемами данных.
Что это даёт пользователю
Для конечных пользователей и разработчиков это исследование — повод пересмотреть подход к выбору архитектуры ИИ-решений. Вместо того чтобы усложнять систему, стоит сначала протестировать одиночного агента и оценить, устраивает ли качество его ответов.
Если результат одиночного агента неудовлетворителен, можно рассмотреть команду агентов, но с пониманием, что это приведет к росту затрат. Также стоит обратить внимание на оптимизацию протоколов общения между агентами, чтобы снизить накладные расходы.
Что пока неизвестно
Исследование описывает общую тенденцию, но не раскрывает деталей о том, какие именно модели и сценарии использовались в экспериментах. Без этой информации сложно сказать, насколько выводы универсальны для всех типов задач и всех языковых моделей. Возможно, для более сложных и узкоспециализированных задач команды агентов все же дают существенный прирост качества, который не был выявлен в рамках данного исследования.