Multiagentsystemer: Hvad de er, forklaret i et enkelt sprog, i 2026
MarkdownMultiagentsystemer forklaret i et enkelt sprog: hvordan flere AI-agenter adskiller sig fra én, hvordan en orkestrator og arbejdere fungerer, og hvornår kombinationen kan betale sig.
Læs hele artiklen
For et år siden fulgte arbejdet med AI mønsteret »én chat, én agent, én opgave ad gangen«. Senere begyndte agenten på komplekse projekter at hente hjælpere ind: én gennemgår dokumentationen, en anden kontrollerer tallene, og en tredje samler det hele til ét svar. Det er et multiagentsystem, og udtrykket lyder langt mere skræmmende, end det, der ligger bag.
Nedenfor forklarer jeg i almindeligt sprog, hvad det er, hvordan flere agenter adskiller sig fra én, hvordan de fordeler en enkelt opgave, og hvornår kombinationen virkelig kan betale sig. Ingen formler, med eksempler fra hverdagen og med udgangspunkt i Anthropics ingeniørartikler og Claude Code-dokumentationen.
Ailoot-dokumentation — referencemateriale om brugen af tjenesten.
Hvad er et multiagentsystem, forklaret i et enkelt sprog?
Det vigtigste
Et multiagentsystem er flere AI-agenter, der arbejder sammen om én opgave. Én har den ledende rolle: Den deler opgaven op i dele og fordeler dem mellem de andre. Hver hjælper håndterer sin del separat og afleverer resultatet. Den ledende agent samler delene til ét svar. Grundlæggende er det et team af flere AI'er i stedet for én medarbejder.
Forestil dig, at du renoverer en lejlighed. Du kan hyre én håndværker, der fræser kanaler i væggene, lægger fliser, maler og installerer stikkontakter, én opgave ad gangen. Eller du kan få et sjak ind: Formanden fordeler arbejdet, elektrikeren trækker ledningerne, flisemureren lægger fliserne, og det hele foregår på samme tid. Et multiagentsystem fungerer som et sjak, bortset fra at det består af AI-agenter i stedet for mennesker.
En agent her er ikke bare en chat, der skriver et svar. Det er en AI, der selv kan bruge værktøjer: søge på internettet, læse og redigere filer og køre kommandoer. Når flere sådanne agenter arbejder på en fælles opgave, får du et multiagentsystem. Anthropics formulering i deres ingeniørartikel er præcis denne:
Et multiagentsystem består af flere agenter — sprogmodeller, der selvstændigt bruger værktøjer i en løkke — som arbejder sammen.
Udtrykket er hverken nyt eller markedsføringsjargon; bag det ligger en klar ingeniøridé: Fordel arbejdet mellem flere medarbejdere.
Hvordan adskiller et multiagentsystem sig fra én AI-agent?
Det vigtigste
Én agent har hele opgaven i hovedet og arbejder sig gennem trinnene i rækkefølge. Et multiagentsystem giver dele af opgaven videre til flere hjælpere, som arbejder samtidig, hver i sit eget arbejdsområde. Fordelen er hastighed og bredde ved store opgaver. Ulempen er højere omkostninger og større besvær med at samle det hele. Én agent er nok til et enkelt spørgsmål; en hel gruppe er kun i vejen.
Den vigtigste forskel er, hvordan arbejdet og hukommelsen fordeles. En enkelt agent håndterer hele opgaven i én samtale: Hvert nyt trin føjes til den samme kontekst, og ved afslutningen af en stor opgave er den allerede et virvar af logfiler, filuddrag og foreløbige konklusioner. Et multiagentsystem fordeler det mellem forskellige agenter, som hver starter med blanke ark.
Jeg har samlet forskellene i en tabel, så de er nemme at se:
| Egenskab | Én agent | Multiagentsystem |
|---|---|---|
| Sådan foregår arbejdet | Trin for trin, i rækkefølge | Dele af opgaven kører samtidig |
| Hukommelse og kontekst | Alt i én samtale | Hver agent har sin egen rene kontekst |
| Hastighed ved en stor opgave | Lavere; alt foregår sekventielt | Højere takket være parallelt arbejde |
| Omkostninger | Grundlæggende | Betydeligt højere (jeg forklarer nedenfor) |
| Hvornår det passer bedst | Enkelt spørgsmål, kort opgave | Stort forskningsprojekt, mange kilder |
| Risiko | Kører fast i sin egen kontekst | Sværere at samle delene til ét svar |
Tabellens konklusion er enkel. Et multiagentsystem er ikke en opgradering af en almindelig agent til alle situationer. Det er et særskilt værktøj til store opgaver. Til et kort spørgsmål er det overkill og spilder bare penge. Til en bred og omfattende opgave med et dusin kilder kan det klare det, der ville få én agent til at køre fast.
Hvordan fungerer opsætningen med »orkestrator og arbejdere«?
Det vigtigste
Det er den mest almindelige opsætning af et multiagentsystem. Der er en ledende agent — orkestratoren. Den modtager en opgave, lægger en plan, deler opgaven op og fordeler delene mellem hjælperne. Hver arbejder håndterer sin del i et separat arbejdsområde og sender resultatet tilbage. Orkestratoren samler det hele til ét svar. Det er som en formand og et sjak: Én planlægger og fordeler, de andre udfører arbejdet.
Denne opsætning har et teknisk navn: orkestrator og arbejdere. Anthropic beskriver den sådan:
I opsætningen med orkestrator og arbejdere deler en central sprogmodel løbende en opgave op i dele, tildeler dem til arbejdermodeller og samler deres resultater.
Sådan ser det ud i et konkret eksempel. I sin forskningsfunktion bruger Anthropic en ledende agent, der modtager brugerens forespørgsel, udarbejder en strategi og opretter flere hjælpeagenter. Hver af dem undersøger sin del af emnet, mens den ledende agent venter og derefter samler deres resultater. Her er deres egen beskrivelse af processen:
Når en bruger indsender en forespørgsel, fortolker den ledende agent den, udarbejder en strategi og starter subagenter, der samtidig undersøger forskellige aspekter af spørgsmålet.
Det afgørende er, at hjælperne arbejder parallelt; det er hele formålet med opsætningen. I det samme system tilkalder den ledende agent tre til fem hjælpere ad gangen, og hver af dem bruger også flere værktøjer samtidig. Dermed kan en stor opgave, der ville strække sig over en lang række trin for én agent, blive til flere parallelle arbejdsforløb for sjakket.
Der er to beslægtede begreber ved siden af opsætningen med »orkestrator og arbejdere«, som ofte forveksles med multiagentsystemer:
- Routing. Systemet ser på en indgående forespørgsel og sender den ad den rette vej: Et spørgsmål om betalinger går én vej, et teknisk spørgsmål en anden. Det er endnu ikke et team af agenter; det er sortering ved indgangen.
- Prompt chaining. Opgaven deles op i trin, og hvert efterfølgende trin arbejder med resultatet fra det foregående. Det er en pipeline med én agent; her arbejder flere agenter ikke side om side.
Et multiagentsystem adskiller sig ved, at der faktisk er flere arbejdere, og at de arbejder samtidig, hver i sit eget arbejdsområde.
Kontekstisolering er en del af det, jeg kalder kontekstteknik: styring af, hvad der placeres i AI'ens hukommelse, og hvor.
Hvor bruger du allerede multiagentsystemer uden at vide det?
Det vigtigste
Hvis du arbejder i Claude Code, har du allerede et multiagentsystem ved hånden. Det har subagenter: Den ledende agent giver en del af opgaven til en hjælper, som udfører den i et separat vindue og kun sender resultatet tilbage. Anthropics forskningsfunktion er også multiagentbaseret. Med andre ord er det ikke længere et laboratorieforsøg: Den samme mekanik findes i værktøjer, som folk bruger hver dag.
Det nærmeste eksempel er subagenter i Claude Code. Claudes dokumentation beskriver dem kort:
Subagenter er specialiserede AI-assistenter, der tager sig af bestemte typer opgaver.
Det vigtigste kendetegn er et separat arbejdsområde. En subagent befinder sig ikke i din hovedsamtale; den har sit eget kontekstvindue, sit eget sæt instruktioner og sine egne tilladelser:
Hver subagent arbejder i sit eget kontekstvindue med sin egen systemprompt, sin egen adgang til værktøjer og separate tilladelser.
I praksis ser det sådan ud: Du beder for eksempel en agent om at analysere en stor fejlrapport. Den fylder ikke din chat med hundrede linjer logfiler. I stedet overlader den det beskidte arbejde til en subagent. Subagenten gennemgår logfilerne i sit eget arbejdsområde og vender derefter tilbage med en kort konklusion: Årsagen er denne, ret det her. Din hovedsamtale forbliver overskuelig, og AI'en bliver ikke forvirret og taber tråden.
Det gør også klart, hvorfor det er vigtigt for virksomheder. Jeg bruger Claude Code og andre agenter sammen og deler store opgaver op i subagenter netop af den grund: Så hver enkelt kan fordybe sig i sit eget område uden at være i vejen for de andre. Hvis du vil forstå, hvilke typer opgaver det kan betale sig at give en agent, har jeg en separat artikel om opgaver til en AI-agent. Og om, hvor mange hjælpere du kan have kørende samtidig uden at overbelaste agenten, har jeg skrevet om subagenter og Claude Code-udvidelser.
Hvorfor dele en opgave mellem flere agenter?
Det vigtigste
Der er to grunde. Den første er ren hukommelse: Hver agent har sin egen kontekst, så ingen drukner i en andens rod. Den anden er hastighed: Hjælperne arbejder samtidig i stedet for én efter én. I et stort forskningsprojekt gør det en mærkbar forskel. Anthropics multiagentsystem klarede sig 90 procent bedre end én enkelt agent i deres interne evaluering. Men gevinsten opstår kun ved opgaver, der rent faktisk kan deles op.
Den første grund er hukommelsen. Når én agent håndterer en stor opgave, fyldes dens kontekst hurtigt: Søgeresultater her, filuddrag dér og foreløbige overvejelser ovenover. Til sidst husker den ikke længere så godt, hvor den begyndte. Når arbejdet fordeles mellem flere agenter, får hver enkelt et rent ark. Anthropic beskriver fordelen sådan: Hver subagent bidrager til arbejdsdelingen med sine egne værktøjer og sin egen søgelinje, hvilket gør forskningen mere omfattende.
Den anden grund er hastighed og bredde. Fem hjælpere, der undersøger samtidig, dækker et emne bredere og hurtigere end én agent, der arbejder sig igennem det i rækkefølge. Anthropic fik dette resultat i deres interne evaluering af forskningskvalitet:
Vi fandt, at et multiagentsystem med Claude Opus 4 som ledende agent og Claude Sonnet 4-subagenter klarede sig 90,2 % bedre end én enkelt Claude Opus 4 i vores interne evaluering af forskningskvalitet.
Det er et imponerende tal, men det har en pris, og det er vigtigere at være ærlig om omkostningen end om selve gevinsten. Jeg gennemgår den særskilt — det er her, forventningerne ofte brister.
Hvorfor bruger et multiagentsystem 15 gange flere tokens?
Det vigtigste
Hver hjælper er en separat AI, der læser sin del af opgaven og skriver sit eget svar. De bruger alle tokens, og det samlede forbrug løber op. Ifølge Anthropics målinger bruger én agent cirka fire gange så mange tokens som en almindelig chat, mens et multiagentsystem bruger cirka femten gange så mange. Hastighed og bredde koster penge. Derfor kan denne opsætning kun betale sig ved opgaver af høj værdi.
En token er den måleenhed, der bruges til at opgøre AI-forbrug: groft sagt et stykke tekst, du betaler for. Én agent bruger allerede mere end en almindelig chat, fordi den gør mere end at svare: Den bruger værktøjer, læser filer og søger. Når der er flere agenter, lægges deres forbrug sammen. Anthropics måling, baseret på deres egne data:
Vores data viser, at agenter typisk bruger cirka fire gange så mange tokens som chat, mens multiagentsystemer bruger cirka femten gange så mange tokens som chat.
Det fører direkte til en konklusion om penge. Et forbrug, der er femten gange så stort, giver kun mening, hvis resultatet er det værd. Anthropic siger det ligeud: Et multiagentsystem er berettiget til opgaver, hvis værdi er høj nok til at betale for det øgede forbrug. Ved et kort spørgsmål, som én agent kunne klare, svarer det til at betale for fem personer, selvom én kunne gøre arbejdet.
Den samme mekanisme har også en fordel. Anthropic observerede, at selve tokenforbruget forklarer meget af kvalitetsforskellen: Jo mere et system kan bruge på en opgave, desto bedre bliver resultatet. Med andre ord vinder et multiagentsystem ofte ganske enkelt, fordi det giver dig mulighed for at bruge mere regnekraft på opgaven. Hvis dit budget er begrænset, arbejder den samme logik imod dig. Jeg har en artikel om hvordan du undgår at opbruge dine grænser i Claude Code.
Hvornår er et multiagentsystem berettiget, og hvornår er det ikke?
Det vigtigste
Det er berettiget, når en opgave er stor, kan deles op i uafhængige dele, og resultatet er værdifuldt: bred forskning, indsamling af data fra mange kilder eller analyse af store mængder materiale. Det er ikke berettiget, når opgaven er lille, skal udføres strengt trin for trin, eller når delene afhænger af hinanden. Et klassisk eksempel på noget, multiagentsystemer har svært ved, er det meste kodningsarbejde: Trinnene egner sig ikke godt til at blive delt op i parallelle opgaver.
En enkel regel: Jo større og bredere opgaven er, desto mere giver et sjak mening. Anthropic giver en tydelig opdeling efter omfang:
| Opgavetype | Antal agenter | Eksempel |
|---|---|---|
| Simpelt faktatjek | 1 agent, 3-10 værktøjskald | “Find udgivelsesdatoen for en bestemt model” |
| Direkte sammenligning | 2-4 subagenter, 10-15 kald hver | “Sammenlign tre værktøjer på pris og funktioner” |
| Kompleks research | Mere end 10 subagenter med klart definerede områder | “Skab et fuldstændigt billede af markedet inden for et emne” |
Anthropic fortæller også direkte, hvor multiagentsystemer ikke hjælper. Ikke alle opgaver kan opdeles i parallelle dele, og agenter er endnu ikke særlig gode til at koordinere med hinanden undervejs:
De fleste kodningsopgaver har for eksempel færre reelt parallelle dele end research, og AI-agenter er endnu ikke særlig gode til at koordinere og uddelegere arbejde til hinanden i realtid.
Konklusionen er enkel. Hvis du skriver kode, hvor hvert trin følger efter det forrige, er der større sandsynlighed for, at en gruppe agenter bliver forvirret, end at den hjælper. Hvis du samler bred research fra et dusin kilder, kan et sjak klare det, der ville overvælde én agent. Anthropics generelle råd, som de også gentager særskilt, er at begynde med den enkleste løsning og kun tilføje kompleksitet, når du rammer en begrænsning.
Vi anbefaler at finde den enklest mulige løsning og kun tilføje kompleksitet, når det er nødvendigt. Nogle gange betyder det, at man slet ikke bygger et agentsystem.
Hvordan sammensætter du dit første multiagent-setup?
Det vigtigste
Begynd med en opgave, der faktisk kan deles op. Arkitekturen er en mindre detalje her. Gå derefter fra enkelt til komplekst: først én agent, så én subagent til det beskidte arbejde og derefter flere parallelt. I Claude Code behøver du ikke programmere noget for at gøre det: Subagenter konfigureres via indstillinger. Nedenfor har jeg lagt trinnene frem i den rækkefølge, jeg bruger, når jeg sætter et system op i et nyt projekt.
Min erfaring siger, at rækkefølgen er:
- Vælg en opgave, der kan deles op. Bred research, indsamling af data fra mange steder eller analyse af store mængder materiale. Hvis opgaven skal udføres strengt trin for trin, har du ikke brug for et multiagent-setup; hold dig til én agent.
- Begynd med én agent. Kør opgaven som sædvanlig. Ofte viser det sig, at én er nok, og at der ikke er behov for at samle et sjak.
- Flyt det beskidte arbejde til én subagent. Når du kan se, at en del af opgaven fylder konteksten med logfiler eller søgeresultater, så giv den videre til en subagent. I Claude Code gøres det via indstillinger uden kode: Subagenten får sit eget vindue og sit eget sæt instruktioner.
- Tilføj parallelitet, når der er mange dele. Flere subagenter, hver med ansvar for sin del af emnet, arbejder samtidig. Giv hver enkelt et klart afgrænset område, så de ikke forstyrrer hinandens arbejde.
- Hold øje med forbruget. Husk forskellen på femten gange. Hvis opgaven ikke er omkostningen værd, så gå tilbage til én agent.
Hvis du ikke arbejder i Claude Code, gælder den samme mekanik i andre værktøjer. Jeg har en generel oversigt over værktøjer til vibe coding om, hvad man kan bruge til kodning og til at køre agenter i 2026, og en artikel om indlejrede subagenter om at uddelegere en stor opgave til indlejrede hjælpere.
Hvad spørger folk ellers om multiagentsystemer?
Det vigtigste
Korte svar på almindelige spørgsmål: Multiagentsystemer er ikke altid bedre end én agent, man behøver som regel ikke at programmere for at bruge dem, en »orkestrator« er blot den ledende agent, og multiagentsystemer og en virksomhed drevet af én person er forskellige, men beslægtede i ånden.
Ofte stillede spørgsmål
Er et multiagentsystem altid bedre end én agent?
Nej. Til en lille opgave eller en opgave, hvor trinnene skal udføres strengt i rækkefølge, gør én agent et bedre stykke arbejde og koster mindre. Multiagentsystemer vinder kun på store opgaver, der kan deles op i uafhængige dele, og de koster betydeligt mere: Ifølge Anthropics målinger cirka femten gange så mange tokens som almindelig chat.
Skal man kunne programmere for at sammensætte et multiagentsystem?
Som regel ikke. I Claude Code konfigureres subagenter via indstillinger: Du beskriver, hvad hjælperen gør, og den ledende agent tildeler den passende opgaver. Hjælperen har sit eget kontekstvindue og sine egne tilladelser. Der kræves ingen kode.
Er en orkestrator og en ledende agent det samme?
Ja, det er forskellige ord for den samme rolle: Den ledende agent, der modtager en opgave, deler den op, fordeler delene til hjælpere og samler deres svar til ét resultat. På engelsk kaldes denne opsætning orchestrator-workers.
Hvordan adskiller et multiagentsystem sig fra en virksomhed drevet af én person?
Et multiagentsystem er en teknisk opsætning: Flere AI'er arbejder på én opgave. En virksomhed drevet af én person handler om forretning: Én person driver en hel virksomhed ved hjælp af AI. Multiagentsystemer kan være et værktøj i sådan en virksomhed, men de hører til på forskellige niveauer i diskussionen: Det ene handler om, hvordan AI er opbygget, det andet om, hvordan en virksomhed er opbygget.
Hvor skal jeg begynde, hvis jeg vil prøve multiagentsystemer?
Begynd med én stor opgave, der kan deles op, og én subagent til det beskidte arbejde. Sæt ikke fem hjælpere ind med det samme. Se først, om én agent kan klare opgaven, flyt derefter den del, der fylder konteksten, over til en separat hjælper, og tilføj først derefter parallelitet.
Kilder
Flere materialer findes på Ailoot.
Flere oplysninger
Spørgsmål og svar
Hvornår bør jeg beholde en opgave hos én agent?
Behold én agent, når opgaven er kort, eller hvert trin afhænger af det forrige resultat. Parallelle hjælpere er nyttige, når værdifuldt arbejde kan opdeles i uafhængige dele. Mål deres samlede forbrug sammen med den sparede tid.
Hvad er den mindste nyttige første opsætning med flere agenter?
Kør først den reelle opgave med én agent. Flyt den del, der fylder hovedkonteksten med logs eller søgninger, til én hjælper med et klart omfang, og bed om et kort resultat. Tilføj først flere hjælpere, når opdelingen har vist sig nyttig.