Anthropic mener én AI-agent ofte slår mange agenter

AI-selskaper og utviklere har lenge bygd systemer der flere spesialiserte AI-agenter samarbeider om ulike oppgaver. Nå mener Anthropic, selskapet bak Claude, at denne måten å organisere AI på ofte er unødvendig komplisert. Erfaringer fra bedriftskunder tyder på at én agent med riktige ferdigheter og verktøy i mange tilfeller kan levere bedre resultater, raskere og til en lavere kostnad.

I en artikkel publisert 22. oktober 2026 beskriver Anthropic en endring i hvordan selskapet anbefaler at AI-agenter bygges. I stedet for å opprette en egen agent for hver oppgave, anbefaler de å undersøke om én hovedagent kan håndtere flere oppgaver ved å hente fram riktig kunnskap og riktige verktøy når det trengs.

Anbefalingen bygger på erfaringer fra Anthropics Applied AI-team, som har sammenlignet ulike løsninger hos flere bedriftskunder. Resultatene er interessante, men det er viktig å understreke at dette er Anthropics egne sammenligninger, ikke uavhengige studier som fastslår at én agent alltid er bedre.

Kort fortalt

• Færre AI-agenter: Mange oppgaver som tidligere ble fordelt mellom spesialiserte agenter, kan håndteres av én hovedagent.
• Skills og verktøy: Agenten får tilgang til fagkunnskap, instruksjoner og funksjoner når den trenger dem, i stedet for at alt må være tilgjengelig hele tiden.
• Flere agenter når det trengs: Store oppgaver, parallell jobbing og uavhengig sjekk kan fortsatt gjøre det fornuftig å bruke flere agenter.

Hvorfor har vi bygd så mange AI-agenter?

En AI-agent er et system som bruker en AI-modell til å utføre oppgaver, ta beslutninger underveis og bruke verktøy for å nå et mål. I motsetning til en vanlig chatbot, som først og fremst svarer på spørsmål, kan en agent for eksempel undersøke informasjon, hente data fra andre systemer, oppdatere dokumenter og følge opp resultatene.

Når utviklere bygger slike systemer, har det vært vanlig å dele opp oppgavene mellom flere agenter. Én agent undersøker informasjon, en annen analyserer resultatene, en tredje tar beslutninger og en fjerde utfører handlingene.

Det kan virke logisk. I vanlige bedrifter har vi jo forskjellige avdelinger og ansatte med hvert sitt ansvarsområde. Men AI-agenter fungerer ikke nødvendigvis best når de organiseres på samme måte som mennesker.

Anthropic peker på at mange selskaper har endt opp med svært kompliserte systemer. Hver avdeling får sin egen agent med egne instruksjoner og verktøy. Deretter bygges det enda en agent som skal koordinere alle de andre. Resultatet kan bli et stort nettverk av agenter som bruker mye tid på å sende oppgaver og informasjon mellom hverandre.

Problemet er ikke bare at dette tar tid og koster penger. Det kan også føre til at viktig informasjon går tapt.

Tenk deg en bedrift som kjøper inn IT-utstyr

La oss bruke en IT-forhandler som eksempel. En kunde bestiller 30 bærbare PC-er og ønsker levering innen fredag.

Bedriften har et AI-system med fire agenter. Den første registrerer bestillingen. Den andre sjekker pris og tilgjengelighet hos distributørene. Den tredje planlegger leveringen, mens den fjerde sender kunden en ordrebekreftelse.

Hver agent gjør sin del av jobben og sender resultatet videre til neste agent. Men hva skjer dersom distributøren har PC-ene på lager, samtidig som en del av bestillingen ikke kan leveres før mandag?

Den andre agenten kan ha oppdaget dette, men dersom informasjonen blir mangelfullt oppsummert når oppgaven sendes videre, risikerer den fjerde agenten å bekrefte levering fredag likevel.

Dette er et eksempel på det Anthropic beskriver som et problem med overlevering mellom agenter. Hver agent har sitt eget kontekstvindu, som er informasjonen AI-modellen har tilgjengelig når den utfører oppgaven. Når én agent sender resultatet til en annen, blir informasjonen ofte forkortet eller oppsummert.

Jo flere overleveringer, desto flere muligheter finnes det for at detaljer forsvinner.

Det betyr ikke at flere agenter alltid fører til feil, men det introduserer flere steder der feil kan oppstå.

Én agent som beholder oversikten

Anthropics alternativ er å la én hovedagent ha ansvaret for hele oppgaven.

I eksemplet med IT-forhandleren kunne agenten først hentet inn kundens bestilling, deretter sjekket priser og lagerstatus hos distributørene, undersøkt leveringsmulighetene og til slutt utarbeidet en ordrebekreftelse.

Forskjellen er at den samme agenten beholder informasjonen fra de tidligere stegene. Den vet hvorfor en bestemt distributør ble valgt, hvilke varer som er tilgjengelige, og hvorfor deler av leveringen eventuelt blir forsinket.

Agenten trenger heller ikke følge en helt fastlåst plan. Hvis den oppdager at varene ikke kan leveres i tide, kan den undersøke alternative distributører før den fortsetter.

Anthropic kaller dette en single agent loop. Det betyr at den samme AI-agenten jobber i en løkke. Den vurderer hva som må gjøres, bruker nødvendige verktøy, undersøker resultatene og bestemmer neste steg. Prosessen fortsetter til oppgaven er ferdig eller en forhåndsbestemt grense er nådd.

En viktig detalj er at én agent fortsatt kan utføre flere tekniske operasjoner samtidig. Den kan for eksempel sende forespørsler til tre distributører parallelt og behandle svarene når de kommer tilbake. Det er ikke nødvendig å opprette tre separate AI-agenter bare for å hente inn tre priser.

Men hvordan kan én agent ha kunnskap om innkjøp, logistikk, kundeservice og en rekke andre fagområder uten å bli overbelastet?

Det er her skills kommer inn.

Skills gir agenten ferdigheter uten å opprette nye agenter

En skill er en samling instruksjoner, faglige regler og eventuelt ferdige programmer som forteller en AI-agent hvordan en bestemt type oppgave skal utføres.

En innkjøps-skill kan eksempelvis inneholde regler for hvordan distributører skal sammenlignes, hvilke betingelser som må undersøkes og hvordan totalprisen skal beregnes. En logistikk-skill kan beskrive hvordan leveringstider skal sjekkes og hvordan forsinkelser skal håndteres.

Dette er ikke selvstendige AI-agenter. Det er kunnskap og framgangsmåter som hovedagenten kan bruke når de er relevante.

For å forstå forskjellen kan vi bruke fotografering som eksempel.

En profesjonell fotograf kan håndtere hele prosessen fra planlegging og fotografering til bildeutvalg, redigering og ferdig leveranse. Fotografen trenger ikke være fem forskjellige personer for å utføre disse oppgavene.

Derimot trenger fotografen forskjellig kunnskap og utstyr underveis. Ved fotografering er kamerainnstillinger, lys og komposisjon viktige. Under bildebehandlingen er det andre ferdigheter som gjelder, for eksempel fargejustering, retusjering og klargjøring av bildefiler.

En AI-agent kan jobbe på lignende måte.

Når agenten skal planlegge en fotografering, kan den hente fram en skill med rutiner for lyssetting, utstyr og planlegging. Når bildene skal behandles, kan den bruke en annen skill med instrukser for retusjering, fargebehandling og eksport.

Selve bildebehandlingen kan utføres med scripts eller verktøy som styrer et bildebehandlingsprogram. Her er forskjellen viktig. Skillen beskriver hvordan oppgaven skal utføres, mens verktøyet gjør det mulig å utføre konkrete handlinger.

Den samme hovedagenten kan koordinere prosessen uten å starte en ny AI-agent for hvert steg.

Agenten får bare informasjonen den trenger

En sentral del av Anthropics anbefaling handler om noe de kaller progressive disclosure, som enkelt forklart betyr at informasjon gjøres tilgjengelig gradvis, etter behov.

Se for deg at en fotograf har et stort digitalt bibliotek med bruksanvisninger, redigeringsrutiner, kameraoppsett og eksportinnstillinger. Det ville vært upraktisk å lese gjennom hele biblioteket før hver eneste fotografering.

Det er langt mer effektivt å ha en oversikt over hva biblioteket inneholder, og deretter åpne dokumentene som er relevante for oppgaven.

Det samme prinsippet gjelder AI-agenten.

I stedet for å gi modellen hundrevis av sider med instruksjoner fra starten, kan den få korte beskrivelser av tilgjengelige skills og verktøy. De fullstendige instruksjonene hentes først når agenten trenger dem.

Dette er viktig fordi AI-modeller har en begrenset mengde informasjon de kan behandle i én sammenheng, kalt kontekstvinduet. Jo mer irrelevant informasjon som fyller dette vinduet, desto vanskeligere kan det bli å holde oversikten.

Det er derfor Anthropic ikke anbefaler å erstatte mange agenter med én enorm instruksjon som inneholder absolutt alt. Poenget er å kombinere én hovedagent med et ryddig system for å hente fram riktig kunnskap til riktig tid.

Bedre kvalitet og lavere kostnader, ifølge Anthropic

Anthropic forteller at de i flere bedriftsprosjekter har sammenlignet forskjellige måter å organisere AI-agenter på.

I disse sammenligningene ga én hovedagent med skills ofte bedre resultater enn både systemer med mange spesialiserte agenter og løsninger der alle instruksjoner var samlet i én stor beskjed til modellen.

Selskapet beskriver også et tilfelle der en bedrifts løsning med én agent gjennomførte oppgavene omtrent dobbelt så raskt som systemet med flere agenter.

Et annet eksempel handler om en bedrift som hadde rundt tolv spesialiserte agenter i kundeservicen. De forskjellige agentene gjorde det vanskelig å opprettholde en konsekvent måte å kommunisere med kundene på. I tillegg førte samarbeidet mellom agentene til ekstra ventetid.

Dette er relevante observasjoner, men Anthropic publiserer ikke nok detaljer om alle sammenligningene til at vi kan slå fast hvor mye raskere, billigere eller bedre en slik arkitektur generelt vil være.

Det finnes heller ingen garanti for at én agent alltid bruker mindre ressurser. Hvis hovedagenten må håndtere enorme mengder informasjon, eller stadig gjentar de samme undersøkelsene, kan fordelene forsvinne.

Det riktige valget avhenger derfor av hvilken oppgave som skal løses, og hvordan systemet er bygd.

Når er det fortsatt bedre å bruke flere AI-agenter?

Anthropic understreker at subagenter fortsatt er nyttige. En subagent er en separat AI-agent som får en avgrenset oppgave fra en hovedagent, og som kan jobbe med egne instruksjoner og sin egen informasjon.

Det finnes særlig tre situasjoner der denne løsningen kan være bedre.

Den første er når en oppgave krever så mye informasjon at hovedagenten mister oversikten. Da kan en subagent undersøke en avgrenset del av problemet og returnere et resultat uten at hovedagenten trenger å behandle alt materialet selv.

Den andre er når flere store oppgaver kan utføres uavhengig av hverandre. Tenk deg at en innkjøpsavdeling skal undersøke ti nye leverandører i forskjellige land. Separate agenter kan gjennomføre hver sin grundige undersøkelse samtidig, før en hovedagent sammenligner resultatene.

Den tredje situasjonen er når hovedagenten får problemer med å velge mellom mange verktøy, eller når forskjellige instruksjoner kommer i konflikt med hverandre. Da kan det være bedre å skille ut deler av ansvaret.

Uavhengig kvalitetssikring kan også være en god grunn til å bruke en separat agent. En agent som har skrevet en rapport, vil ikke nødvendigvis oppdage alle svakhetene i sitt eget resultat. En annen agent kan sjekke opplysningene uten å være påvirket av hele prosessen som førte fram til konklusjonen.

Det avgjørende er om oppgavene faktisk blir bedre løst hver for seg, ikke om det virker naturlig å gi hver oppgave sin egen agent.

Færre agenter betyr ikke færre sikkerhetsregler

At én agent kan få mer ansvar, betyr ikke at den bør få ubegrenset tilgang til å gjøre hva den vil.

I et innkjøpssystem kan agenten for eksempel få lov til å hente priser, sammenligne leverandører og foreslå en bestilling. Men dersom den skal gjennomføre et kjøp på 100 000 kroner, kan systemet kreve godkjenning fra et menneske.

Slike begrensninger bør håndheves av programvaren som utfører handlingen, ikke bare stå som en instruksjon til AI-modellen.

Det samme gjelder tilgang til kundedata, økonomiske opplysninger og andre sensitive systemer. Agenten skal bare kunne utføre handlinger den faktisk har tillatelse til.

Anthropic anbefaler derfor å beholde faste tekniske kontroller for blant annet godkjenninger, tilgangsrettigheter og ressursbruk, selv om flere oppgaver samles hos én agent.

Hvordan finner man ut hvilken løsning som er best?

Anthropics viktigste praktiske anbefaling er å teste før man bygger om et eksisterende system.

Selskapet foreslår å begynne med et lite sett på rundt ti representative testoppgaver. Disse skal vise hvordan systemet fungerer i virkelige situasjoner, inkludert vanskelige tilfeller og regler som aldri må brytes.

For et innkjøpssystem kan testene eksempelvis omfatte en vanlig bestilling, en utsolgt vare, en leverandør med lengre leveringstid, forskjellige valutakurser og en ordre som krever godkjenning.

Først kjører man testene med den eksisterende løsningen. Deretter erstatter man én subagent med en skill og nødvendige verktøy, og kjører de samme testene på nytt.

Man sammenligner ikke bare hvor godt agenten svarer, men også om den faktisk gjennomfører oppgavene riktig, hvor lang tid den bruker og hva det koster.

Anthropic beskriver også et tilfelle der en slik forenkling gjorde kundeserviceagenten raskere, men samtidig introduserte en feil. Agenten svarte på en ordrehenvendelse uten å undersøke forventet leveringsdato. Det viser hvorfor testene må sjekke hele oppgaven, ikke bare om svaret virker overbevisende.

For å hjelpe utviklere med denne prosessen har Anthropic publisert et åpent migreringskit, kalt Single Agent Loop Kit. Det inneholder hjelpemidler for å undersøke eksisterende agentoppsett, lage tester og sammenligne løsninger før og etter endringene.

Kitet er foreløpig en referanseløsning med begrenset praktisk testing, ikke et ferdig produksjonssystem som passer alle.

En endring i hvordan vi bør tenke når vi bygger med AI

Det mest interessante ved Anthropics anbefaling er kanskje ikke selve reduksjonen i antall agenter, men hvordan stadig mer kapable AI-modeller endrer måten vi bygger systemer på.

Tidligere kunne det være nødvendig å dele opp mange oppgaver i separate prosesser, med nøye definerte regler for hvilken agent som skulle gjøre hva. Etter hvert som modellene blir bedre til å planlegge, bruke verktøy og håndtere flere steg i en oppgave, kan noe av denne oppdelingen bli overflødig.

Det betyr ikke at én AI-agent skal gjøre alt, eller at skills erstatter behovet for programmering, databaser og tradisjonelle systemer. Tvert imot blir skillet mellom AI-modellens vurderinger og programvarens konkrete funksjoner viktigere.

AI-agenten kan avgjøre hva som bør gjøres videre. Skills kan beskrive hvordan forskjellige oppgaver skal utføres. Vanlig programkode og verktøy kan sørge for at beregninger, databehandling, godkjenninger og andre handlinger gjennomføres på en kontrollert måte.

For utviklere betyr dette at det ikke nødvendigvis er antallet AI-agenter som avgjør hvor avansert et system er. En løsning med én godt organisert agent kan være mer fleksibel enn et komplisert nettverk av spesialiserte agenter.

Anthropics anbefaling er derfor ikke å slutte å bygge systemer med flere agenter. Den er å slutte å anta at flere agenter automatisk gir et bedre system.

Før man bygger enda en spesialisert AI-agent, bør man undersøke om den eksisterende agenten heller kan få en ny ferdighet eller et nytt verktøy. Og før man bestemmer seg, bør begge løsningene testes mot de samme oppgavene.

Det viktigste å ta med seg

• Hver overlevering mellom agenter kan miste detaljer, og én agent som beholder oversikten, kan unngå det.
• Skills gir agenten fagkunnskap ved behov, slik at den ikke må bære alt i kontekstvinduet hele tiden.
• Flere agenter lønner seg fortsatt for store mengder informasjon, uavhengige oppgaver og uavhengig sjekk.
• Godkjenninger og tilgangsrettigheter bør håndheves av programvaren, ikke bare stå i instruksjonen.
• Test først. Kjør rundt ti representative oppgaver på dagens løsning og den forenklede, og sammenlign kvalitet, tid og kostnad. Resultatene i artikkelen er Anthropics egne og ikke uavhengig bekreftet.

Eksemplene fra innkjøp, logistikk og fotografering er konstruerte illustrasjoner for å forklare prinsippene, ikke dokumenterte kundetilfeller fra Anthropic.

Kilder og videre lesning