Slik lar kunstig intelligens agenter samarbeide om én oppgave
MarkdownMultiagentsystemer forklart enkelt: hvordan flere AI-agenter skiller seg fra én, hvordan en orkestrator og arbeidere samarbeider, og når kombinasjonen lønner seg.
Les hele artikkelen
For ett år siden fulgte arbeid med AI mønsteret «én chat, én agent, én oppgave om gangen». Så begynte agenten å hente inn hjelpere i komplekse prosjekter: én leter gjennom dokumentasjonen, en annen sjekker tallene, og en tredje samler alt i ett svar. Det er et multiagentsystem, og begrepet høres langt skumlere ut enn det som ligger bak.
Nedenfor forklarer jeg med dagligdagse ord hva det er, hvordan flere agenter skiller seg fra én, hvordan de deler på én oppgave, og når denne kombinasjonen faktisk lønner seg. Ingen formler, bare hverdagslige eksempler og informasjon fra ingeniørartikler fra Anthropic og Claude Code-dokumentasjonen.
Ailoot-dokumentasjon — referansemateriale om bruk av tjenesten.
Hva er et multiagentsystem, forklart enkelt?
Hovedpoeng
Et multiagentsystem består av flere AI-agenter som samarbeider om én oppgave. Én av dem har lederrollen: den deler oppgaven inn i deler og fordeler dem til de andre. Hver hjelper håndterer sin del for seg og leverer resultatet tilbake. Lederagenten setter delene sammen til ett svar. I praksis er det et lag med flere AI-er i stedet for én medarbeider.
Tenk deg at du skal pusse opp en leilighet. Du kan leie inn én håndverker som freser spor i veggene, legger fliser, maler og monterer stikkontakter, én jobb etter den andre. Eller du kan hente inn et arbeidslag: Formannen fordeler arbeidet, elektrikeren trekker ledningene, flisleggeren legger flisene, og alt dette skjer samtidig. Et multiagentsystem fungerer som et arbeidslag, bortsett fra at det består av AI-agenter i stedet for mennesker.
En agent her er ikke bare en chat som skriver et svar. Det er en AI som kan bruke verktøy på egen hånd: søke på internett, lese og redigere filer og kjøre kommandoer. Når flere slike agenter jobber med en felles oppgave, får du et multiagentsystem. Anthropic beskriver det akkurat slik i ingeniørartikkelen sin:
Et multiagentsystem består av flere agenter — språkmodeller som bruker verktøy selvstendig i en løkke — som samarbeider.
Begrepet er verken nytt eller markedsføringssjargong; bak det ligger en tydelig ingeniøridé: fordel arbeidet mellom flere medarbeidere.
Hvordan skiller et multiagentsystem seg fra én AI-agent?
Hovedpoeng
Én agent holder hele oppgaven i hodet og går gjennom trinnene i rekkefølge. Et multiagentsystem fordeler deler av oppgaven til flere hjelpere, som jobber samtidig, hver i sitt eget arbeidsområde. Fordelen er større fart og bredde på store oppgaver. Ulempen er høyere kostnader og at det er vanskeligere å samle alt. Én agent holder for et enkelt spørsmål; en hel gjeng er bare i veien.
Hovedforskjellen ligger i hvordan arbeidet og minnet fordeles. Én agent håndterer hele oppgaven i én samtale: hvert nytt trinn legges inn i den samme konteksten, og mot slutten av en stor oppgave er den blitt en blanding av logger, filutdrag og foreløpige konklusjoner. Et multiagentsystem fordeler arbeidet mellom ulike agenter, hver med blanke ark.
Jeg har satt forskjellene i en tabell, så de er lette å se:
| Egenskap | Én agent | Multiagentsystem |
|---|---|---|
| Hvordan arbeidet foregår | Trinn for trinn, i rekkefølge | Oppgavens deler kjøres samtidig |
| Minne og kontekst | Alt i én samtale | Hver agent har sin egen, rene kontekst |
| Fart på en stor oppgave | Lavere; alt skjer etter tur | Høyere takket være parallelt arbeid |
| Kostnad | Grunnleggende | Betydelig høyere (jeg forklarer nedenfor) |
| Når det passer best | Enkelt spørsmål, kort oppgave | Stort forskningsprosjekt, mange kilder |
| Risiko | Setter seg fast i sin egen kontekst | Vanskeligere å samle delene i ett svar |
Konklusjonen fra tabellen er enkel. Et multiagentsystem er ikke en oppgradering av en vanlig agent for alle situasjoner. Det er et eget verktøy for store oppgaver. For et kort spørsmål er det overflødig og sløser bare med penger. For en bred og omfattende oppgave med et dusin kilder kan det håndtere det som ville satt én agent fast.
Hvordan fungerer oppsettet «orkestrator og arbeidere»?
Hovedpoeng
Dette er det vanligste oppsettet for et multiagentsystem. Det finnes en ledende agent — orkestratoren. Den mottar en oppgave, legger en plan, deler oppgaven i deler og fordeler dem til hjelpere som utfører arbeidet. Hver arbeider håndterer sin del i et eget arbeidsområde og sender resultatet tilbake. Orkestratoren samler alt i ett svar. Det ligner en formann og et arbeidslag: én planlegger og fordeler, de andre utfører arbeidet.
Dette oppsettet har et teknisk navn: orkestrator og arbeidere. Anthropic beskriver det slik:
I oppsettet med orkestrator og arbeidere deler en sentral språkmodell en oppgave opp i deler underveis, fordeler dem til arbeidermodeller og samler resultatene deres.
Slik ser dette ut i et konkret eksempel. I forskningsfunksjonen sin bruker Anthropic en ledende agent som mottar brukerens forespørsel, utarbeider en strategi og oppretter flere hjelpeagenter. Hver av dem undersøker sin del av temaet, mens lederen venter og deretter samler det de har funnet. Her er deres egen beskrivelse av prosessen:
Når en bruker sender inn en forespørsel, analyserer lederagenten den, utvikler en strategi og starter underagenter som utforsker ulike sider av spørsmålet samtidig.
Det viktigste er at hjelperne jobber parallelt; det er hele poenget med oppsettet. I det samme systemet henter lederagenten inn tre til fem hjelpere om gangen, og hver av dem bruker også flere verktøy samtidig. Dermed kan en stor oppgave som ville blitt en lang rekke trinn for én agent, deles opp i flere parallelle arbeidsstrømmer for arbeidslaget.
Det finnes to beslektede begreper ved siden av oppsettet «orkestrator og arbeidere» som ofte forveksles med multiagentsystemer:
- Ruting. Systemet ser på en innkommende forespørsel og sender den videre langs riktig løp: et spørsmål om betaling går én vei, et teknisk spørsmål en annen. Dette er ennå ikke et lag av agenter; det er sortering ved inngangen.
- Prompt chaining. Oppgaven deles inn i trinn, og hvert neste trinn arbeider med resultatet fra det forrige. Dette er en arbeidsflyt med én agent; her jobber ikke flere agenter ved siden av hverandre.
Et multiagentsystem skiller seg ut ved at det faktisk finnes flere arbeidere, og de jobber samtidig, hver i sitt eget arbeidsområde.
Kontekstisolering er en del av det jeg kaller kontekstutforming: å styre hva som legges i AI-minnet, og hvor.
Hvor bruker du allerede multiagentsystemer uten å vite det?
Hovedpoeng
Hvis du jobber i Claude Code, har du allerede et multiagentsystem tilgjengelig. Det har underagenter: lederagenten gir en del av oppgaven til en hjelper, som utfører den i et eget vindu og bare returnerer resultatet. Claude sin forskningsfunksjon er også multiagentbasert. Med andre ord er dette ikke lenger et laboratorieeksperiment: den samme mekanikken finnes i verktøy folk bruker hver dag.
Det nærmeste eksempelet er underagenter i Claude Code. Claude-dokumentasjonen beskriver dem kort:
Underagenter er spesialiserte AI-assistenter som tar seg av bestemte typer oppgaver.
Det viktigste kjennetegnet er et eget arbeidsområde. En underagent sitter ikke i hovedsamtalen din; den har sitt eget kontekstvindu, egne instruksjoner og egne tillatelser:
Hver underagent jobber i sitt eget kontekstvindu, med sin egen systemprompt, egen tilgang til verktøy og separate tillatelser.
I praksis ser det slik ut: Du ber for eksempel en agent analysere en stor feilrapport. Den fyller ikke chatten din med hundre linjer logger. I stedet gir den det grovarbeidet til en underagent. Underagenten går gjennom loggene i sitt eget arbeidsområde og kommer deretter tilbake med en kort konklusjon: årsaken er dette, rett det her. Hovedsamtalen din holder seg ryddig, og AI-en begynner ikke å bli forvirret og miste tråden.
Dette gjør det også tydelig hvorfor dette betyr noe for næringslivet. Jeg bruker Claude Code og andre agenter sammen, og deler store oppgaver opp i underagenter nettopp av denne grunnen: slik at hver av dem kan undersøke sitt område uten å stå i veien for de andre. Hvis du vil vite hvilke typer oppgaver det lønner seg å gi en agent, har jeg en egen artikkel om oppgaver for en AI-agent. Og om hvor mange hjelpere du kan kjøre samtidig uten å overbelaste agenten, skrev jeg om underagenter og Claude Code-utvidelser.
Hvorfor dele en oppgave mellom flere agenter?
Hovedpoeng
Det er to grunner. Den første er rent minne: hver agent har sin egen kontekst, så én drukner ikke i rotet fra en annen. Den andre er fart: hjelperne jobber samtidig i stedet for etter tur. På et stort forskningsprosjekt utgjør det en merkbar forskjell. Anthropics multiagentoppsett slo én enkelt agent med 90 prosent i deres interne evaluering. Men gevinsten oppstår bare på oppgaver som faktisk kan deles opp.
Den første grunnen er minne. Når én agent håndterer en stor oppgave, fylles konteksten raskt: søkeresultater her, filutdrag der og foreløpige resonnementer over. Mot slutten husker den ikke lenger så godt hvor den begynte. Når du fordeler arbeidet mellom flere agenter, får hver av dem blanke ark. Anthropic beskriver fordelen slik: Hver underagent gir arbeidsdeling med egne verktøy og sin egen søkelinje, noe som gjør forskningen mer omfattende.
Den andre grunnen er fart og bredde. Fem hjelpere som undersøker samtidig, dekker et tema bredere og raskere enn én agent som går gjennom det trinn for trinn. Anthropic fikk dette resultatet i sin interne evaluering av forskningskvalitet:
Vi fant at et multiagentsystem med Claude Opus 4 som lederagent og Claude Sonnet 4-underagenter presterte 90.2% bedre enn én Claude Opus 4 i vår interne evaluering av forskningskvalitet.
Det er et imponerende tall, men det har en kostnad, og det er viktigere å være ærlig om kostnaden enn om selve gevinsten. Jeg tar for meg kostnaden for seg — det er her forventningene ofte slår sprekker.
Hvorfor bruker et multiagentsystem 15 ganger flere tokens?
Hovedpoeng
Hver hjelper er en egen AI som leser sin del av oppgaven og skriver sitt eget svar. Alle bruker tokens, og den samlede mengden vokser. Ifølge Anthropics målinger bruker én agent omtrent fire ganger så mange tokens som en vanlig chat, mens et multiagentsystem bruker omtrent femten ganger så mange. Fart og bredde koster penger. Derfor lønner oppsettet seg bare på oppgaver med høy verdi.
En token er måleenheten for AI-bruk: grovt sett en tekstbit du betaler for. Én agent bruker allerede mer enn en vanlig chat fordi den gjør mer enn å svare: Den bruker verktøy, leser filer og søker. Når det er flere agenter, summeres forbruket deres. Anthropics måling, basert på deres egne data:
Dataene våre viser at agenter vanligvis bruker omtrent fire ganger så mange tokens som chat, mens multiagentsystemer bruker omtrent femten ganger så mange tokens som chat.
Det fører rett til en konklusjon om penger. Femten ganger så høyt forbruk gir bare mening når resultatet er verdt like mye. Anthropic sier det rett ut: Et multiagentsystem er berettiget for oppgaver der verdien er høy nok til å betale for det økte forbruket. For et kort spørsmål som én agent kunne håndtert, betyr det å hente inn et helt arbeidslag at du betaler fem personer for noe én kunne gjort.
Den samme mekanismen har også en oppside. Anthropic observerte at tokenforbruket i seg selv forklarer mye av kvalitetsforskjellen: Jo mer et system kan bruke på en oppgave, desto bedre blir resultatet. Med andre ord vinner et multiagentsystem ofte ganske enkelt fordi det lar deg bruke mer datakraft på oppgaven. Hvis budsjettet ditt er begrenset, virker den samme logikken mot deg. Jeg har en artikkel om hvordan du unngår å bruke opp grensene dine i Claude Code.
Når er et multiagentsystem berettiget, og når er det ikke det?
Hovedpoeng
Det er berettiget når en oppgave er stor, kan deles inn i uavhengige deler og resultatet er verdifullt: bred forskning, innsamling av data fra mange kilder eller analyse av store mengder materiale. Det er ikke berettiget når oppgaven er liten, følger en strengt trinnvis prosess eller delene avhenger av hverandre. Et klassisk eksempel på noe multiagentsystemer strever med, er det meste av programmeringsarbeidet: trinnene lar seg ikke så lett dele opp i parallelle oppgaver.
En enkel regel: Jo større og bredere oppgaven er, desto mer gir et arbeidslag mening. Anthropic gir en tydelig inndeling etter omfang:
| Oppgavetype | Antall agenter | Eksempel |
|---|---|---|
| Enkelt faktasøk | 1 agent, 3-10 verktøykall | «Finn lanseringsdatoen til en bestemt modell» |
| Direkte sammenligning | 2-4 underagenter, 10-15 kall hver | «Sammenlign tre verktøy etter pris og funksjoner» |
| Komplisert forskning | Flere enn 10 underagenter med tydelig definerte områder | «Lag et fullstendig bilde av markedet for et tema» |
Anthropic sier også direkte hvor multiagentsystemer ikke hjelper. Ikke alle oppgaver kan deles opp i parallelle deler, og agenter er ennå ikke særlig gode til å koordinere med hverandre underveis:
De fleste programmeringsoppgaver har for eksempel færre reelt parallelle deler enn forskning, og AI-agenter er ennå ikke særlig gode til å koordinere og delegere arbeid til hverandre i sanntid.
Konklusjonen er enkel. Hvis du skriver kode der hvert trinn bygger på det forrige, vil en gruppe agenter sannsynligvis bli mer forvirret enn hjelpsom. Hvis du setter sammen bred forskning fra et dusin kilder, kan et arbeidslag håndtere det som ville blitt for mye for én agent. Anthropics generelle råd, som de gjentar særskilt, er å begynne med den enkleste løsningen og bare legge til kompleksitet når du møter en begrensning.
Vi anbefaler å finne den enklest mulige løsningen og bare legge til kompleksitet når det er nødvendig. Noen ganger betyr det at man ikke bygger et agentsystem i det hele tatt.
Hvordan setter du sammen ditt første multiagentoppsett?
Hovedpoeng
Begynn med en oppgave som faktisk kan deles opp i deler. Arkitekturen er en mindre detalj her. Gå deretter fra enkelt til mer komplekst: først én agent, så én underagent til grovarbeidet, og deretter flere som jobber parallelt. I Claude Code trenger du ikke programmere noe for dette: underagenter settes opp gjennom konfigurasjon. Nedenfor har jeg lagt fram trinnene i den rekkefølgen jeg bruker når jeg setter opp et system i et nytt prosjekt.
Etter min erfaring er rekkefølgen slik:
- Velg en oppgave som kan deles opp i deler. Bred forskning, innsamling av data fra mange steder eller analyse av store mengder materiale. Hvis oppgaven følger en strengt trinnvis prosess, trenger du ikke et multiagentoppsett; hold deg til én agent.
- Begynn med én agent. Kjør oppgaven som vanlig. Ofte viser det seg at én agent er nok, og at det ikke er nødvendig å bygge et arbeidslag.
- Flytt grovarbeidet til én underagent. Når du ser at en del av oppgaven fyller konteksten med logger eller søkeresultater, gir du den til en underagent. I Claude Code gjør du dette gjennom konfigurasjon, uten kode: underagenten får sitt eget vindu og sitt eget sett med instruksjoner.
- Legg til parallellitet når det er mange deler. Flere underagenter, hver med ansvar for sin del av temaet, jobber samtidig. Gi hver av dem et tydelig avgrenset område, så de ikke forstyrrer hverandres arbeid.
- Følg med på forbruket. Husk forskjellen på femten ganger. Hvis oppgaven ikke er verdt den kostnaden, går du tilbake til én agent.
Hvis du ikke jobber i Claude Code, gjelder den samme mekanikken i andre verktøy. Jeg har et generelt kart over vibe-kodeverktøy om hva du kan bruke til programmering og til å kjøre agenter i 2026, og en artikkel om nestede underagenter om å delegere en stor oppgave til hjelpere som selv har underagenter.
Hva annet spør folk om multiagentsystemer?
Hovedpoeng
Korte svar på vanlige spørsmål: Multiagentsystemer er ikke alltid bedre enn én agent, du trenger vanligvis ikke å programmere for å bruke dem, en «orkestrator» er ganske enkelt lederagenten, og multiagentsystemer og et én-personsforetak er ulike ting, selv om de har beslektede ideer.
Ofte stilte spørsmål
Er et multiagentsystem alltid bedre enn én agent?
Nei. For en liten oppgave eller en der trinnene må utføres strengt i rekkefølge, gjør én agent en bedre jobb og koster mindre. Multiagentsystemer vinner bare på store oppgaver som kan deles opp i uavhengige deler, og de koster betydelig mer: Ifølge Anthropics målinger bruker de omtrent femten ganger så mange tokens som vanlig chat.
Må man kunne programmere for å sette sammen et multiagentsystem?
Vanligvis ikke. I Claude Code settes underagenter opp gjennom konfigurasjon: Du beskriver hva hjelperen gjør, og lederagenten gir den passende oppgaver. Hjelperen har sitt eget kontekstvindu og egne tillatelser. Det kreves ingen kode.
Er en orkestrator og en lederagent det samme?
Ja, det er ulike ord for den samme rollen: lederagenten som mottar en oppgave, deler den opp, fordeler delene til hjelpere og samler svarene deres i ett resultat. På engelsk kalles dette oppsettet orchestrator-workers.
Hvordan skiller et multiagentsystem seg fra et én-personsforetak?
Et multiagentsystem er et teknisk oppsett: Flere AI-er jobber med én oppgave. Et én-personsforetak handler om forretninger: Én person driver et helt selskap med hjelp fra AI. Multiagentsystemer kan være et verktøy i et én-personsforetak, men de hører til på ulike nivåer i diskusjonen: Det ene handler om hvordan AI er satt sammen, det andre om hvordan en virksomhet er satt sammen.
Hvor bør jeg begynne hvis jeg vil prøve multiagentsystemer?
Begynn med én stor oppgave som kan deles opp, og én underagent til grovarbeidet. Ikke hent inn fem hjelpere med én gang. Se først om én agent kan håndtere oppgaven, flytt deretter delen som fyller konteksten til en egen hjelper, og legg først da til parallellitet.
Kilder
Mer materiell er tilgjengelig på Ailoot.
Flere detaljer
Spørsmål om denne veiledningen: Slik lar kunstig intelligens agenter samarbeide om én oppgave
Når bør én agent beholde hele oppgaven?
Behold én agent når oppgaven er kort, eller hvert trinn avhenger av forrige resultat. Parallelle hjelpere er nyttige når verdifullt arbeid kan deles i uavhengige deler. Mål samlet forbruk sammen med spart tid.
Hva er det minste nyttige første fleragentoppsettet?
Kjør først den reelle oppgaven med én agent. Hvis logger eller søk fyller hovedkonteksten, flytter du den delen til én hjelper med tydelig omfang og ber om et kort resultat. Legg til flere hjelpere først når delingen har vist seg nyttig.