Onderzoekers beloven betere AI-agenten met minder verspilling

Onderzoekers hebben met DIANOIA een nieuwe methode ontwikkeld die inzichtelijk maakt waarom multi-agent AI-systemen goed of juist slecht presteren. Dat is relevant nu bedrijven steeds vaker meerdere AI-agents tegelijk inzetten voor complexe taken zoals klantenservice, softwareontwikkeling, data-analyse en automatisering. Volgens de onderzoekers kan de aanpak helpen om AI-systemen goedkoper, stabieler en voorspelbaarder te maken. De paper verscheen op arXiv.

Multi-agent AI verwijst naar systemen waarin meerdere gespecialiseerde AI-agents samenwerken. Eén agent kan bijvoorbeeld informatie verzamelen, terwijl een andere agent analyseert, plant of beslissingen neemt. Grote technologiebedrijven experimenteren daar inmiddels actief mee, omdat deze aanpak complexere workflows mogelijk maakt dan één enkele chatbot.

Bedrijven verschuiven zichtbaar van simpele AI-chatbots naar zogeheten agentic AI. Dat zijn systemen die zelfstandig taken uitvoeren, samenwerken met andere agents en meerdere stappen kunnen plannen zonder constante menselijke input. Die ontwikkeling brengt ook nieuwe problemen met zich mee. Multi-agent systemen verbruiken namelijk vaak extreem veel tokens. Iedere agent verwerkt context, communiceert met andere agents en genereert voortdurend nieuwe prompts. Dat maakt AI-toepassingen duurder en moeilijker schaalbaar.

Volgens recente onderzoeken gaat een groot deel van de rekenkracht in multi-agent systemen verloren aan interne communicatie tussen agents. Sommige experimenten tonen aan dat AI-agents meer tokens besteden aan overleg dan aan het daadwerkelijk uitvoeren van taken. Ontwikkelaars zoeken daarom naar manieren om samenwerking tussen AI-agents efficiënter te organiseren.

DIANOIA probeert dat probleem beter zichtbaar te maken. De methode analyseert hoe agents met elkaar communiceren en welke interacties daadwerkelijk bijdragen aan betere prestaties. Ontwikkelaars krijgen daardoor meer inzicht in welke agent verantwoordelijk is voor overbodige tokenconsumptie, waar inefficiënte processen ontstaan en welke samenwerking daadwerkelijk betere output oplevert. Dat is belangrijk omdat veel bedrijven momenteel experimenteren met AI-agentteams zonder volledig te begrijpen waarom bepaalde configuraties wel of niet werken.

De onderzoekers positioneren DIANOIA als een analysetool voor observability binnen agentic AI. Vergelijkbaar met monitoringsoftware in cloudinfrastructuur, maar dan specifiek voor samenwerkende AI-systemen. Dat sluit aan op een bredere trend binnen de AI-sector waarbij organisaties meer autonome AI willen inzetten, maar tegelijkertijd zoeken naar controle, auditbaarheid en kostenbeheersing.

Vooral grote ondernemingen lopen daarbij tegen praktische problemen aan. Denk aan oplopende API-kosten, onvoorspelbaar gedrag van agents, moeilijk te debuggen workflows en veiligheidsrisico’s bij autonome acties. Onderzoekers van het Massachusetts Institute of Technology en andere instellingen waarschuwden eerder al dat agentic AI nieuwe uitdagingen creëert rond toezicht, autorisatie en verantwoordelijkheid.

DIANOIA past daarmee in een bredere beweging waarbij de AI-industrie probeert om multi-agent systemen professioneler en betrouwbaarder te maken. Dat wordt steeds belangrijker nu AI-agents vaker echte bedrijfsprocessen aansturen in sectoren zoals softwareontwikkeling, consultancy, finance en klantenservice.

De economische impact van efficiëntere multi-agent AI kan aanzienlijk zijn. Bedrijven betalen momenteel vaak per token voor gebruik van grote AI-modellen. Minder verspilde communicatie betekent direct lagere operationele kosten. Daarnaast kan betere voorspelbaarheid ervoor zorgen dat bedrijven sneller overstappen van experimenten naar productieomgevingen.

De AI-sector verschuift daardoor langzaam van losse chatbots naar complete AI-teams die samenwerken aan taken. Tools zoals DIANOIA laten zien dat de volgende fase niet alleen draait om krachtigere modellen, maar vooral om efficiënte samenwerking tussen AI-systemen.