연구에 따르면 '더 많은 에이전트'는 더 나은 기업 인공지능 시스템으로 이어지는 신뢰할 수 있는 경로가 아니다.

구글과 MIT 연구진은 다중 에이전트 시스템과 단일 에이전트 시스템의 효율성을 비교했다. 그들의 연구는 더 많은 에이전트가 항상 더 나은 인공지능 성능을 가져다준다는 가정을 도전한다. 그들은 작업과 아키텍처 특성에 따라 에이전트 시스템의 성능을 예측하는 모델을 개발했다. 더 많은 에이전트를 추가하면 특정 작업을 개선할 수 있지만 종종 오버헤드와 감소하는 수익을 초래한다. 연구는 "정적"과 "에이전트" 작업을 구분하며, 에이전트 작업은 지속적인 상호 작용과 적응성을 요구한다. 실험은 다양한 다중 에이전트 아키텍처와 대규모 언어 모델(Large Language Model, LLM) 계열을 테스트했다. 연구 결과, 다중 에이전트 시스템은 도구 사용, 기준 성능 및 오류 전파와 관련된 트레이드오프에 직면한다. 다중 에이전트 시스템이 유익한 경우에 대한 구체적인 지침이 제공되었다. 기업은 단일 에이전트 벤치마크를 우선시하고 작업의 순차적 특성을 고려해야 한다. API 사용과 토폴로지 선택에 대한 주의 깊은 고려가 중요하다. 현재 팀 크기는 통신 오버헤드에 의해 제한된다. 향후 연구는 희소한, 계층적, 비동기적, 능력 인식형 조정을 강조한다.