Un agent AI bun rezolvă o sarcină. Un sistem multiagente împarte sarcina între specialiști care vorbesc între ei, iar diferența se măsoară în bani și în tokeni. Am citit documentația IBM, Anthropic, Google Cloud și Wiz ca să-ți arătăm unde merită echipa și unde risipești.
Un client ne trimite luna asta un proces care se blochează de săptămâni: cineva verifică fiecare comandă, compară politica de retur, reversează plata și așteaptă aprobarea colegului de la pasul următor. Întrebarea lui sună simplu: un agent AI bun ajunge sau are nevoie de o echipă? Răspunsul îl dau trei întrebări mai mici, pe care le desfacem cu cifrele celor care au construit și au măsurat asemenea sisteme.
Definiția care rămâne în cap aparține echipei Anthropic, din documentația lor, verificată în septembrie 2026: un sistem multiagente înseamnă mai mulți agenți care lucrează împreună, unde agent înseamnă un model de limbaj care folosește unelte în buclă și decide singur pasul următor. Cercetătorii IBM merg mai departe și spun că astfel de sisteme se justifică pe sarcini mari și complexe, cele care pot implica sute sau mii de agenți care contribuie la același scop.
Imaginează-ți o bucătărie de restaurant: bucătarul de supe își vede de oala lui, patiserul lucrează pe partea lui de bancă, fiecare fără să ceară voie, dar amândoi știu ce trebuie să iasă gata la ora opt. Un agent care apelează o unealtă seamănă cu un bucatar care deschide frigiderul; un sistem multiagente seamănă cu bucătăria întreagă. Diferența pare subtilă și tocmai de ea depinde dacă investiția ta în agenți produce ordine sau doar ferestre deschise degeaba.
IBM trasează linia dintre cele două situații, iar ea contează când calculezi bugetul: când un agent apelează alt agent ca pe o unealtă, agentul secundar rămâne parte din mediul primului, informația vine gata pregătită și nimeni nu mai negociază nimic după asta. Într-un sistem multiagente, agenții își modelează reciproc scopurile, memoria și planul de acțiune, iar schimbul dintre ei poate fi direct sau poate trece prin mediul partajat, pe care fiecare îl modifică și ceilalți îl citesc.
Google Cloud trage aceeași linie, dar la nivelul proiectului, în materialul lor pe care l-am verificat în septembrie 2026: agentul singur merge bine pe probleme bine definite, cu interacțiune redusă, precum detectarea fraudei sau recomandările de produse, și câștigi la predictibilitate. Echipa de agenți preia sarcini complexe sau dinamice, prea mari pentru un agent care lucrează singur, dar plătești flexibilitatea cu un proiect mai greu de gândit.
Sistemul multiagente se naște sau se strică în același loc: stratul de coordonare. Specialiștii Wiz îi spun orchestrator, adică agentul-coordonator, și îl descriu ca un șef de proiect care sparge scopul în sarcini mai mici, le dă unor agenți specializați, ține sub control fluxul de date și asamblează răspunsul final. Exemplul lor e o cerere de rambursare: un agent scoate detaliile comenzii, al doilea verifică politica de retur, al treilea reversează plata, iar orchestratorul pune pașii în ordine și prinde excepțiile, precum fereastra de retur expirată. Fără el, scriu aceiași autori, automatizările devin insule care dublează munca, intră în conflict și nu-și partajează contextul.
Aici se vede și linia față de automatizarea clasică: unelte precum Apache Airflow sau AWS Step Functions execută o secvență fixă, hotărâtă dinainte, în timp ce orchestratorul agentic alege din mers agenții, uneltele și traseul, după rezultatele intermediare. În n8n construiești astăzi ambele într-un singur flux: pași fixați dinainte, în ordine, plus noduri (node, adică pașii vizuali ai fluxului) în care un agent decide singur. Wiz trage avertismentul pe măsură: exact libertatea asta le face puternice și mai greu de securizat în același timp.
IBM pune două arhitecturi de bază unele lângă altele, iar pe care o alegi îți spune deja unde cade sistemul la prima pană. În varianta centralizată, o unitate centrală ține baza de cunoaștere comună și leagă toți agenții: vorba curge ușor, dar dacă unitatea centrală pică, cade întregul sistem. În varianta descentralizată, agenții vorbesc cu vecinii lor, fără centru: un agent picat nu omoară rețeaua, sistemul rămâne modular și rezistent, și îți ajunge mai greu să-i coordonezi. IBM numește și alte aranjamente, de la structuri ierarhice la echipe și coaliții, dar diagonala rămâne aceeași: schimbi punctul de cedare cu efortul de coordonare.
Google Cloud descompune mișcarea de zi cu zi a unui astfel de sistem în cinci gesturi: agenții observă mediul și culeg date, un model de limbaj înțelege intenția și plănuiește pașii, sistemul acționează, agenții interacționează prin mesaje sau prin mediul partajat, iar orchestratorul păzește tempo-ul. Cinci gesturi, zero magie: fiecare se poate rupe singur, deci fiecare primește un test înainte de lansare.
Anthropic a construit un sistem de cercetare cu mai mulți agenți și l-a pus la testul intern: Claude Opus 4 ca agent lider, Claude Sonnet 4 ca subagenți. Rezultatul, pe care l-am verificat în septembrie 2026: echipa de agenți a întrecut un singur agent Opus 4 cu 90,2% pe evalul lor de research. Exemplul lor e concret: identificarea tuturor membrilor de board din companiile IT din S&P 500. Echipa a spart sarcina pe subagenți care căutau în paralel și a găsit răspunsul; agentul singur s-a împotmolit în căutări secvențiale lente.
Factura vine pe o altă coloană, măsurată de Anthropic în același raport din 2026: agenții consumă de obicei de patru ori mai mulți tokeni decât o conversație de chat, iar sistemele multiagente de aproximativ 15 ori, unde token înseamnă bucata de text prin care modelul citește și scrie. Pe BrowseComp, evalul folosit tot de Anthropic în 2026, trei factori au explicat 95% din variația performanței, iar consumul de tokeni singur a explicat 80%. Concluzia lor, tradusă din raport:
Sistemul multiagente funcționează în mare parte pentru că arde destui tokeni ca să rezolve problema.
Altfel spus: plătești o factură de echipă întreagă, deci sarcina trebuie să valoreze factura.
Documentația e surprinzător de clară la capitolul risipă. Anthropic enumeră situațiile în care echipa de agenți devine cheltuială goală: domeniile care cer același context tuturor agenților, sarcinile cu multe dependențe între pași și, surpriza, programarea, unde bucățile paralelizabile stau mai puțin decât la cercetare. Ei recunosc că agenții LLM nu se descurcă încă la coordonare și delegare în timp real.
Greșelile lor timpurii arată cum arată risipa în practică: subagenți porniți câte 50 de instanțe pentru întrebări simple, căutări nesfârșite după surse care nu există, agenți blocați unul de altul de actualizări în exces, plus delegarea vagă care dublează munca, un subagent explorând criza cipurilor auto din 2021 în timp ce alți doi lucrau pe aceleași lanțuri de aprovizionare din 2025. Regula pe care au încorporat-o în prompturi scalează efortul pe complexitate: un fapt simplu primește un agent cu între 3 și 10 apeluri de unelte, o comparație directă între 2 și 4 subagenți cu câte 10-15 apeluri fiecare, researchul complex pornește peste 10 subagenți cu responsabilități împărțite clar (Anthropic, 2026). Contextul întărește lecția: raportul State of AI in the Cloud 2025, publicat de Wiz, arată că 85% dintre organizații folosesc acum servicii sau unelte AI, iar blocajul se mută pe coordonarea agenților lansați.
Noi procedăm la fel pe procesele clienților: cartăm pașii, pornim cu un singur agent unde merge, punem orchestrator doar unde cifrele justifică echipa și lăsăm regulile de delegare scrise negru pe alb, ca în fișele noastre de prompturi. Echipa pe care nu o coordonezi lucrează împotriva ta, la tariful tău de tokeni.
Mai scump decât te aștepți, iar cifra vine din măsurătoarea Anthropic din 2026: agenții consumă de obicei de patru ori mai mulți tokeni decât o conversație de chat, iar sistemele multiagente de aproximativ 15 ori. De aceea propunem pornirea cu sarcini cu valoare mare, unde factura de tokeni se plătește prin munca economisită, iar restul procesului stă pe automatizare deterministă.
Când problema e bine definită și interacțiunea e redusă, precum detectarea fraudei sau recomandările de produse; e varianta mai simplu de construit și mai predictibilă, cum o descrie Google Cloud în materialul din 2026.
Nu; Anthropic a documentat 50 de subagenți porniți pentru întrebări simple și a fixat regula efortului pe complexitate exact ca să prevină risipa asta.
Da, și e traseul pe care îl propunem: construiești fluxul determinist cu pași vizuali, vezi unde procesul cere o decizie, iar acolo atașezi un agent care decide singur. Wiz avertizează totuși că orchestrarea agentică, opusă secvențelor fixe din uneltele clasice, aduce non-determinism, deci testezi fiecare pas înainte să-l lași liber.
Vrei să știi care proces din firma ta merită o echipă de agenți și care se rezolvă mai simplu? Spune-ne în câteva rânduri unde se blochează și îl cartăm împreună în automatizările noastre.