Multi-agentsystemen: wat ze zijn, in begrijpelijke taal, in 2026

Een jaar geleden volgde werken met AI het patroon “één chat, één agent, één taak tegelijk”. Daarna begon de agent bij complexe projecten helpers in te schakelen: de ene pluist documentatie uit, de andere controleert de cijfers en een derde brengt alles samen in één antwoord. Dat is een multi-agentsysteem, en de term klinkt veel enger dan wat erachter schuilgaat.

Hieronder leg ik in alledaagse taal uit wat het is, waarin meerdere agents verschillen van één agent, hoe ze één taak verdelen en wanneer die combinatie echt de moeite waard is. Zonder formules, met alledaagse voorbeelden en op basis van engineeringartikelen van Anthropic en de Claude Code-documentatie.

Wat is een multi-agentsysteem, in begrijpelijke taal?#

Stel je een renovatie van een appartement voor. Je kunt één aannemer inhuren die sleuven in de muren freest, tegels legt, schildert en stopcontacten installeert, de ene klus na de andere. Of je haalt een ploeg erbij: de voorman verdeelt het werk, de elektricien legt de bedrading aan, de tegelzetter legt de tegels, en dat gebeurt allemaal tegelijk. Een multi-agentsysteem werkt als zo’n ploeg, behalve dat er AI-agents werken in plaats van mensen.

Een agent is hier niet zomaar een chat die een antwoord schrijft. Het is een AI die zelfstandig hulpmiddelen kan gebruiken: op internet zoeken, bestanden lezen en bewerken, en opdrachten uitvoeren. Als meerdere van zulke agents aan een gedeelde taak werken, krijg je een multi-agentsysteem. Anthropic omschrijft het in zijn engineeringartikel precies zo:

De term is niet nieuw en geen marketingjargon; er zit een helder technisch idee achter: verdeel het werk over meerdere medewerkers.

Waarin verschilt een multi-agentsysteem van één AI-agent?#

Het belangrijkste verschil zit in de verdeling van het werk en het geheugen. Eén agent behandelt de hele taak in één gesprek: elke nieuwe stap komt in dezelfde context terecht, en aan het einde van een grote taak is die context een warboel van logs, fragmenten uit bestanden en tussentijdse conclusies. Een multi-agentsysteem verdeelt dit over verschillende agents, elk met een schone lei.

Ik heb de verschillen in een tabel gezet, zodat ze makkelijk te zien zijn:

De conclusie uit de tabel is eenvoudig. Een multi-agentsysteem is niet voor elke situatie een upgrade van een gewone agent. Het is een apart hulpmiddel voor grote taken. Voor een korte vraag is het overbodig en kost het alleen maar geld. Voor een brede, omvangrijke taak met een tiental bronnen kan het werk aan dat één agent zou overbelasten.

Hoe werkt de opzet met “orchestrator en workers”?#

Deze opzet heeft een technische naam: orchestrator en workers. Anthropic beschrijft het als volgt:

Zo ziet dit eruit in een concreet voorbeeld. Voor de onderzoeksfunctie gebruikt Anthropic een leidende agent die het verzoek van de gebruiker ontvangt, een strategie uitwerkt en meerdere hulpagents aanmaakt. Elke agent gaat een eigen deel van het onderwerp onderzoeken, terwijl de leider wacht en daarna de bevindingen samenvoegt. Zo beschrijven ze het proces zelf:

Het belangrijkste is dat de helpers parallel werken; dat is het hele doel van deze opzet. In hetzelfde systeem roept de leidende agent telkens drie tot vijf helpers in, en elk van hen gebruikt ook meerdere hulpmiddelen tegelijk. Zo kan een grote taak die voor één agent een lange reeks stappen zou vormen, voor de ploeg uiteenvallen in meerdere parallelle werkstromen.

Naast de opzet met “orchestrator en workers” zijn er twee verwante concepten die vaak met multi-agentsystemen worden verward:

1. Routering. Het systeem bekijkt een binnenkomend verzoek en stuurt het langs de juiste route: een vraag over betalingen gaat de ene kant op, een technische vraag de andere. Dit is nog geen team van agents; het is sortering bij de ingang.
2. Prompt chaining. De taak wordt in stappen verdeeld en elke volgende stap werkt met het resultaat van de vorige stap. Dit is een pijplijn met één agent; hier werken niet meerdere agents naast elkaar.

Een multi-agentsysteem verschilt doordat er echt meerdere workers zijn, die gelijktijdig werken, elk in hun eigen werkomgeving.

Contextisolatie maakt deel uit van wat ik context engineering noem: beheren wat er in het AI-geheugen wordt geplaatst en waar.

Waar gebruik je al multi-agentsystemen zonder dat je het weet?#

Het meest voor de hand liggende voorbeeld zijn subagents in Claude Code. De Claude-documentatie omschrijft ze kort:

Het belangrijkste kenmerk is een aparte werkomgeving. Een subagent zit niet in je hoofdgesprek; hij heeft een eigen contextvenster, eigen instructies en eigen machtigingen:

In de praktijk ziet het er zo uit: je vraagt een agent bijvoorbeeld een groot foutenrapport te analyseren. Die overspoelt je chat niet met honderd regels logs, maar geeft dat vuile werk aan een subagent. De subagent spit de logs door in zijn eigen werkomgeving en geeft vervolgens een korte conclusie terug: dit is de oorzaak, los het hier op. Je hoofdgesprek blijft overzichtelijk en de AI raakt niet in de war of de draad kwijt.

Zo wordt ook duidelijk waarom dit belangrijk is voor bedrijven. Ik gebruik Claude Code en andere agents samen en verdeel grote taken om precies deze reden over subagents: zodat elk zijn eigen gebied kan onderzoeken zonder de anderen in de weg te zitten. Wil je weten welke soorten taken je aan een agent kunt geven, dan heb ik een apart artikel over taken voor een AI-agent. En over hoeveel helpers je tegelijk kunt laten draaien zonder de agent te overbelasten, schreef ik in subagents en Claude Code-uitbreidingen.

Waarom een taak verdelen over meerdere agents?#

De eerste reden is geheugen. Wanneer één agent een grote taak uitvoert, raakt zijn context snel vol: zoekresultaten hier, fragmenten uit bestanden daar en tussentijdse redeneringen erboven. Aan het einde weet hij niet meer goed waar hij begon. Door het werk over meerdere agents te verdelen, geef je elk een schone lei. Anthropic beschrijft het voordeel als volgt: elke subagent zorgt voor arbeidsverdeling met eigen hulpmiddelen en een eigen zoekrichting, waardoor het onderzoek vollediger wordt.

De tweede reden is snelheid en breedte. Vijf helpers die tegelijk zoeken, behandelen een onderwerp breder en sneller dan één agent die het achtereenvolgens doorwerkt. Anthropic behaalde dit resultaat bij een interne evaluatie van de onderzoekskwaliteit:

Dat is een indrukwekkend cijfer, maar er hangt een prijskaartje aan, en eerlijk zijn over die kosten is belangrijker dan de winst zelf. Ik bespreek die apart — hier lopen verwachtingen vaak spaak.

Waarom verbruikt een multi-agentsysteem 15 keer meer tokens?#

Een token is de eenheid waarmee AI-gebruik wordt gemeten: grofweg een stukje tekst waarvoor je betaalt. Eén agent verbruikt al meer dan een gewone chat, omdat hij meer doet dan antwoorden: hij gebruikt hulpmiddelen, leest bestanden en zoekt informatie op. Als er meerdere agents zijn, tellen hun verbruiken bij elkaar op. De meting van Anthropic, gebaseerd op eigen gegevens:

Dat leidt rechtstreeks tot een conclusie over geld. Vijftien keer zoveel gebruik is alleen logisch als het resultaat zoveel waard is. Anthropic zegt het duidelijk: een multi-agentsysteem is gerechtvaardigd voor taken waarvan de waarde hoog genoeg is om het extra gebruik te betalen. Voor een korte vraag die één agent aankan, betaal je met een hele ploeg voor vijf mensen terwijl één genoeg zou zijn.

Dit mechanisme heeft ook een voordeel. Anthropic stelde vast dat het tokenverbruik zelf een groot deel van het kwaliteitsverschil verklaart: hoe meer middelen een systeem aan een taak kan besteden, hoe beter het resultaat. Met andere woorden, een multi-agentsysteem wint vaak simpelweg doordat je er meer rekenkracht aan kunt besteden. Als je budget beperkt is, werkt diezelfde logica juist tegen je. Ik heb een artikel over hoe je je limieten in Claude Code niet opgebruikt.

Wanneer is een multi-agentsysteem gerechtvaardigd en wanneer niet?#

Een eenvoudige regel: hoe groter en breder de taak, hoe meer een ploeg zin heeft. Anthropic geeft een duidelijke indeling op basis van schaal:

Anthropic zegt ook rechtstreeks waar multi-agentsystemen niet helpen. Niet elke taak kan worden opgesplitst in parallelle onderdelen, en agents zijn nog niet erg goed in het onderling coördineren tijdens het werk:

De conclusie is eenvoudig. Als je code schrijft waarbij elke stap voortbouwt op de vorige, raakt een groep agents eerder in de war dan dat die helpt. Als je breed onderzoek uit een tiental bronnen samenstelt, kan een ploeg werk aan dat één agent zou overbelasten. Het algemene advies van Anthropic, dat het afzonderlijk herhaalt, is om met de eenvoudigste oplossing te beginnen en pas complexiteit toe te voegen wanneer je tegen een grens aanloopt.

Hoe zet je je eerste multi-agentopstelling in elkaar?#

Volgens mijn ervaring is de volgorde als volgt:

1. Kies een taak die in onderdelen kan worden verdeeld. Breed onderzoek, gegevens uit veel verschillende bronnen verzamelen of een grote hoeveelheid materiaal analyseren. Als de taak strikt stap voor stap verloopt, heb je geen multi-agentopstelling nodig; gebruik één agent.
2. Begin met één agent. Laat de taak op de gebruikelijke manier uitvoeren. Vaak blijkt één agent genoeg en is er geen ploeg nodig.
3. Verplaats het vuile werk naar één subagent. Wanneer je ziet dat een deel van de taak de context overspoelt met logs of zoekresultaten, geef je dat aan een subagent. In Claude Code regel je dit via configuratie, zonder code: de subagent krijgt een eigen venster en instructies.
4. Voeg parallel werk toe als er veel onderdelen zijn. Meerdere subagents, elk verantwoordelijk voor een eigen onderdeel van het onderwerp, werken tegelijk. Geef elk een duidelijk afgebakend gebied, zodat ze elkaars werk niet hinderen.
5. Houd het verbruik in de gaten. Denk aan het vijftienvoudige verschil. Als de taak die kosten niet waard is, ga dan terug naar één agent.

Als je niet met Claude Code werkt, gelden dezelfde principes voor andere hulpmiddelen. Ik heb een algemene kaart van vibe-codinghulpmiddelen met informatie over wat je in 2026 kunt gebruiken voor programmeren en het draaien van agents, en een artikel over geneste subagents over het delegeren van een grote taak aan geneste helpers.

Wat vragen mensen nog meer over multi-agentsystemen?#

Meer materiaal is beschikbaar op Ailoot.