اگر برای اتوماسیون کارهای پیچیده، چندین عامل هوش مصنوعی را در یک تیم کنار هم قرار داده‌اید، احتمالاً بودجه‌ی توکن‌های خود را دور می‌ریزید. طبق گزارشی که در ۱۱ اکتبر ۲۰۲۶ توسط Vals AI منتشر شد، ساختارهای چندعاملی بین ۱.۸ تا ۵.۱ برابر گران‌تر از تک‌عامل‌ها هستند، اما نتایج تقریباً یکسانی در محک Vibe Code Bench ثبت کرده‌اند. این موضوع یادآور هزینه‌های پنهان توکن‌هاست که پیش‌تر بررسی کردیم و نشان داد چگونه بودجه‌های عملیاتی عامل‌های هوش مصنوعی را می‌بلعند.
این یافته‌ها در حالی منتشر می‌شود که شرکت‌ها برای اتوماسیون پژوهش‌های تخصصی و کدنویسی، به سمت گردش‌های کاری پیچیده و عامل‌محور (Agentic) — شبیه به تشکیل یک شرکت کوچک با چندین کارمند برای انجام یک پروژه — می‌روند. همان‌طور که در تحلیل قبلی ما درباره‌ی اینکه عامل‌ها چگونه اغلب نتایج خود را در پژوهش‌های مستقل بیش از حد بزرگ جلوه می‌دهند اشاره کردیم، این داده‌ها ثابت می‌کنند که صرفاً افزودن تعداد عامل‌ها به یک وظیفه، محدودیت‌های استدلالی مدل‌های بنیادی را حل نمی‌کند.
هزینه هماهنگی
Vals AI مدل‌های GPT-6 Sol و Claude Opus 5.5 را در دو سطح استدلال متوسط و حداکثری آزمایش کرد. نتایج تکان‌دهنده بود:
- تنها در یک مورد بهبود آماری معنادار دیده شد: GPT-6 Sol در سطح استدلال متوسط، در حالت تیمی ۷.۳ امتیاز بالاتر رفت.
- در سطح استدلال حداکثری، هیچ‌کدام از مدل‌ها مزیت واقعی و ملموسی از ساختار تیمی به دست نیاوردند.
- آزمایش‌های خود شرکت Anthropic روی Opus 5.5 نشان داد که مقیاس‌بندی تعداد عامل‌ها از ۱۰ به ۱۰۰، حتی پس از گذشت ۲۴ ساعت، تنها تأثیر بسیار ناچیزی بر نمرات داشت.
سرعت در برابر کیفیت
نوآم براون، پژوهشگر OpenAI، در پادکست Dwarkesh تأیید کرد که سامانه‌های چندعاملی (Multi-agent systems) — مثل تقسیم یک کتاب بزرگ بین ۱۰ نفر برای سریع‌تر خواندن — اساساً سرعت را می‌خرند، نه کیفیت. او اشاره کرد که کارهای ریاضی و پژوهش‌های وب به‌خوبی موازی می‌شوند، اما کارهای خلاقانه مثل نوشتن رمان این‌طور نیستند. گماشتن ۱۰ هزار عامل برای نوشتن یک رمان، به اندازه گماشتن ۱۰ هزار انسان برای این کار بی‌فایده است.
اریک پروونچر، توسعه‌دهنده OpenAI، هشار داد که «سرمایه‌های عامل» (Agent Swarms) اغلب اتلاف پول هستند. او دلیل این اتفاق را «مالیات هماهنگی» (Coordination Tax) می‌داند؛ وضعیتی که در آن سربارِ ارتباطات بین عامل‌ها با یکدیگر باعث می‌شود سیستم دچار فروپاشی شود. این تحلیل در راستای بررسی جامع‌تری است که در آن توضیح دادیم چگونه ارتش‌های هوش مصنوعی توکن‌ها را بدون افزایش کیفیت می‌سوزانند.
برای مدیران کسب‌وکار، این یعنی روند فعلی «مقیاس‌افزایی افقی» (Scaling Out) با افزودن عامل‌های بیشتر، احتمالاً یک تخلیه مالی است. اگر یک مدل واحد که با حداکثر توان محاسباتی اجرا می‌شود نتواند مسئله‌ای را حل کند، اضافه کردن پنج کپی دیگر از همان مدل به‌ندرت منجر به آن پیشرفت یا گشایشی می‌شود که مورد نیاز است.
کاربران اکنون باید بهینه‌سازی عمق استدلال (Reasoning Depth) یک تک‌عامل را بر گسترش اندازه یک «سرمایه عامل» ترجیح دهند. معیار حیاتی بعدی که باید زیر نظر داشت این است که آیا معماری‌های جدید هماهنگی می‌توانند این «مالیات» را بدون افزایش هزینه‌ی توکن‌ها کاهش دهند یا خیر.
گام بعدی شما
- به‌جای گسترش تعداد عامل‌ها، روی افزایش عمق استدلال یک تک‌عامل تمرکز کنید.
- برای کارهای موازی (مثل جست‌وجوی وب) از تیم‌های عامل استفاده کنید، اما برای کارهای خطی و خلاقانه، مدل‌های تک‌عاملی را ترجیح دهید.
- هزینه توکن‌های مصرفی در گردش‌های کاری چندعاملی را با کیفیت خروجی بسنجید تا «مالیات هماهنگی» را شناسایی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو