Forskere har præsenteret en ny tilgang til at styre kommunikation og samarbejde i agentiske AI-systemer, hvor flere AI-agenter med forskellige kompetencer arbejder sammen om en opgave. Modellen, beskrevet i et nyt paper på arXiv, adresserer et centralt problem: traditionelle systemer bruger enten fast kommunikation eller sender beskeder til alle agenter, hvilket er ineffektivt på grund af token-omkostninger, latenstid og fejlpropagering.
Ved at behandle agentudvælgelse og kommunikation som et kooperativt spil, introducerer forskerne en marginalværdi-aktiveringsregel og en greedy-router, der dynamisk vælger de mest relevante agenter baseret på opgaven. I syntetiske eksperimenter opnår denne metode 99,5% af den optimale nytteværdi (brute-force), mens den i gennemsnit kun aktiverer 1,96 ud af 8 agenter. Til sammenligning opnår fuld broadcast kun 38,8% af den optimale nytteværdi. Dette indikerer en markant reduktion i ressourceforbrug uden væsentligt tab af kvalitet.
For beslutningstagere, der overvejer at implementere agentiske AI-systemer, betyder dette lavere driftsomkostninger og hurtigere responstider. Metoden er dog ikke fejlfri: Ydeevnen falder til 66% under stærke overtrædelser af submodularitet eller støjende værdiestimater, hvilket understreger behovet for robuste implementeringer.
Forskerne adskiller deres ramme fra eksisterende tilgange som Shapley-prisfastsættelse og kommunikationsgraf-beskæring, og de foreslår evaluering på rigtige multi-agent LLM-benchmarks. Dette er et skridt mod mere effektive og skalerbare agentiske systemer, hvilket er relevant for virksomheder, der bygger eller køber sådanne løsninger.
