Skalierungsgesetze für Agenten werden zeigen, ob die Orchestrierung Dutzender LLMs eine Sackgasse ist

Lambert will harte Daten für Multi-Agenten-Schwärme

Der Forscher Nathan Lambert vom Allen Institute for AI weist öffentlich auf eine Lücke im aktuellen Diskurs hin: Uns fehlt das Verständnis dafür, wie genau sich Skalierungsgesetze verhalten, wenn wir nicht die Parameter eines einzelnen Modells, sondern die Anzahl der unabhängigen Agenten skalieren, die an einem einzigen Problem arbeiten. Während Inference-Time-Compute (wie von OpenAI mit o1-Modellen demonstriert) deutliche Leistungssteigerungen durch zusätzliche „Denkzeit“ zeigt, bleibt das Verhalten von Multi-Agenten-Systemen in Bezug auf harte Metriken bisher unerforschtes Terrain.

Für Unternehmen ändert dies die Art und Weise, wie Budgets für Compute ausgegeben werden

Wenn sich herausstellt, dass das Hinzufügen von zehn weiteren Agenten zu einem Schwarm die Zuverlässigkeit oder Ausgabequalität vorhersehbar erhöht (ähnlich wie das Training mit mehr Daten oder eine längere Inference-Time-CoT (Chain of Thought)) ändert sich die Mathematik der Unternehmensarchitektur. Entwicklungsteams müssten nicht auf GPT-5 oder Claude 4 warten. Stattdessen könnten sie durch die geschickte Orchestrierung billigerer Modelle (wie Llama 3.1 8B) in einem massiv parallelen Schwarm vergleichbare Leistung erzielen. Die Frage ist, wie die Kurve der abnehmenden Erträge aussieht.

Die Kommunikationskosten der Agenten werden die Skalierungsvorteile auffressen

Das ist der Punkt, den viele Agenten-Framework-Startups ignorieren. Das Hinzufügen eines weiteren Agenten zum System bringt nicht nur mehr Rechenleistung, sondern vor allem exponentiell mehr Overhead für Orchestrierung, Kontextübergabe und den Umgang mit Halluzinationen. Wenn ein Agent ausfällt, kann sich der Fehler kaskadenartig im Schwarm ausbreiten. Ohne Isolierung und strikte Eingabetypisierung werden die Vorteile der Skalierung im Chaos der gegenseitigen Kommunikation untergehen.

Akademische Studien zur Schwarmkommunikation werden der Wendepunkt sein

Achten Sie in den kommenden Monaten auf wichtige Papiere aus Labors wie Google DeepMind oder AI2, die versuchen, die Schwarmleistung bei schwierigen Benchmarks (wie SWE-bench oder MATH) zu quantifizieren. Der Beweis, dass dies funktioniert, werden keine Startup-Demos von „einem Agententeam, das Ihre App schreibt“ sein, sondern langweilige Diagramme, die die asymptotischen Grenzen für das Hinzufügen von X Instanzen zu einem System zeigen.

Liliths Urteil

Der wahre Flaschenhals von Agentensystemen wird nicht die Inferenz sein, sondern die Bewältigung des Kommunikationschaos. Wir warten auf den Forscher, der das Diagramm zeichnet, das genau zeigt, bei welcher Anzahl von Agenten ein Schwarm in seine eigenen Halluzinationen kollabiert.