En ny teknik fra arXiv giver AI-agenter mulighed for at skifte mellem specialiserede moduler (LoRA-adaptere) midt i en opgave, hvilket gør dem i stand til at løse problemer, de tidligere ikke kunne klare. Metoden, kaldet SLAaaT, udfordrer den klassiske afvejning mellem specialisering og 'katastrofal glemsel' – hvor en model, der trænes til én opgave, mister evner inden for andre områder.
Forskerne bag SLAaaT viser, at en agent, der selv kan vælge at skifte adaptere midt i en sekvens, klarer opgaver, som en agent med kun én adapter ikke kan. Samtidig reducerer metoden den såkaldte 'capability tax' – tabet af generel ydeevne som følge af specialisering – med op til 18 gange sammenlignet med en agent, der kun bruger én specialiseret adapter. Metoden overgår også markant alternativet med at udspalte underagenter, både i opgaveløsning og token-forbrug.
For beslutningstagere betyder det, at man ikke længere behøver vælge mellem specialiserede og generelle AI-systemer. I stedet kan man bygge agenter, der dynamisk kombinerer specialiserede evner – eksempelvis til kodegenerering, dataanalyse eller kundesupport – uden at skulle genoptræne eller ofre bredde. Det kan gøre AI-løsninger billigere og mere fleksible i produktionsmiljøer, hvor opgaver varierer.
Metoden er stadig på forskningsstadiet og testet på syntetiske opgaver, men potentialet er klart: Agenten kan ikke bare skifte adaptere autonomt, men finder endda en strategi, der slår forskernes egen menneskelige baseline på én opgave. Det peger mod en fremtid, hvor AI-agenter i højere grad selv sammensætter deres egne værktøjer.
