Multi-agentsystemen (MAS)

Een multi-agentsysteem is een opzet waarin meerdere AI-agents samen aan één taak werken, elk aan een eigen deel. Vraag je het om twintig leveranciers te vergelijken, dan kan een hoofdagent elke hulpagent een paar leveranciers geven om tegelijk uit te zoeken, en hun bevindingen daarna samenvoegen tot één overzicht. Dat helpt bij grote taken die in losse stukken uiteenvallen, en elke extra agent maakt het duurder.

Waar komt de term vandaan?

Het idee is ouder dan taalmodellen. In de informatica is een multi-agentsysteem elk systeem van meerdere agents die op elkaar inwerken, onder meer gebruikt voor robots, verkeersregeling en logistiek. Met grote taalmodellen werd het een eigen onderzoeksgebied, waarin elke agent een AI-agent is die op een groot taalmodel draait: in de omschrijving van Anthropic een taalmodel dat zelfstandig tools gebruikt in een lus.

Hoe werkt het?

Een veelgebruikte opzet is orchestrator-worker. In de Research-functie van Anthropic (How we built our multi-agent research system, juni 2025) plant een hoofdagent het onderzoek en start hij 3 tot 5 subagents die elk parallel een deel van de vraag uitzoeken, ieder in een eigen contextvenster. De hoofdagent voegt hun samengevatte resultaten samen. Omdat elke subagent eigen tools, een eigen prompt en een eigen zoekpad heeft, hangt de zoektocht minder af van één vroege keuze. Andere opzetten, zoals een handoff aan een gespecialiseerde agent of een agent die de uitvoer van een andere beoordeelt, staan bij AI-orkestratie.

De advisor tool van Anthropic (bèta, april 2026) draait de gebruikelijke volgorde om. Een goedkoper model zoals Haiku doet het werk en raadpleegt Opus alleen bij beslissingen waar het zelf niet uitkomt; Opus geeft een plan, een correctie of een stopsignaal terug en roept zelf nooit tools aan. Op BrowseComp, een benchmark voor het vinden van moeilijk vindbare informatie op het web, scoorde Haiku met Opus als adviseur 41,2%, tegen 19,7% in zijn eentje. De verdeling van het werk kan ook worden geleerd: AMRO-S (maart 2026) wijst verzoeken toe aan agents met ant colony optimisation en meldt op vijf openbare benchmarks een betere verhouding tussen kwaliteit en kosten dan andere routeringsmethoden.

Wanneer loont het?

Als een taak uiteenvalt in delen die tegelijk kunnen worden uitgevoerd. In de interne onderzoeksevaluatie van Anthropic presteerde Claude Opus 4 als hoofdagent met subagents van Claude Sonnet 4 90,2% beter dan Claude Opus 4 in zijn eentje. Gevraagd naar de bestuursleden van alle IT-bedrijven in de S&P 500, splitste het multi-agentsysteem de vraag op in taken voor subagents, terwijl de enkele agent stap voor stap zocht en het antwoord niet vond. De prijs zit in tokens: in de cijfers van Anthropic gebruikt een agent ongeveer 4 keer zoveel als een chat, en een multi-agentsysteem ongeveer 15 keer. Taken waarbij alle agents dezelfde context nodig hebben, of van elkaars stappen afhangen, passen er minder goed bij; Anthropic noemt de meeste programmeertaken.

Waar gaat het mis?

Cemri e.a. (Why Do Multi-Agent LLM Systems Fail?, 2025) zagen dat multi-agentsystemen op bekende benchmarks vaak weinig winst opleveren. In meer dan 1.600 geannoteerde runs van zeven frameworks vonden ze 14 faalwijzen in drie groepen: fouten in het ontwerp van het systeem, agents die elkaar negeren of verkeerd begrijpen, en ontbrekende of zwakke controles van het resultaat. De eerste onderzoeksagents van Anthropic startten 50 subagents voor eenvoudige vragen, en kleine wijzigingen aan de hoofdagent veranderden het gedrag van de subagents op manieren die niemand had voorzien. Ook het toezicht wordt lastiger: werk dat over parallelle subagents is verdeeld, laat zich niet meer lezen als één reeks acties die een gebruiker kan volgen en bijsturen (Trustworthy agents in practice, april 2026).

Voorbeeld

In een onderzoek uit maart 2026 van Ahtisham, Vanacore en Kizilcec labelden modellen van OpenAI, Anthropic en Google 800 uitspraken van leraren uit 63 transcripten van wiskundelessen. Daarna controleerde elk model zijn eigen label aan de hand van de rubric, en een onafhankelijk model besliste als arbiter over meningsverschillen. Die twee stappen verbeterden de overeenkomst met de labels van de experts in alle zeven categorieën. Met de arbiter kwamen modellen zonder uitgebreid redeneren dicht bij redeneermodellen (een F1-score van ongeveer 0,60 tegen 0,61), met 20 tot 25% minder tokens.