Одним из центральных драйверов развития искусственного интеллекта сегодня остаются ИИ-агенты. Многие аналитики (в частности, специалисты Gartner) называют важным трендом в этой области в 2026 году разработку и внедрение мультиагентных, или многоагентных систем (Multi-Agent Systems, MAS).

Что это такое? 

Если кратко резюмировать разные источники (Google Cloud, Hugging Face, IBM, NVIDIA, SAP и Cloud.ru), мультиагентные системы — это набор ИИ-агентов, работающих над решением одной или нескольких задач.

Агенты в MAS действуют в одной общей среде (Environment), а чтобы достичь поставленной цели, они как сотрудничают, так и соперничают между собой.

Мультиагентные системы представляют собой естественное развитие направления ИИ-агентов. Ключевой метрикой эффективности MAS является рост производительности процессов.

Как они устроены? 

Обычно архитектуры мультиагентных систем классифицируют (Google Research, LangChain) на основе того, как агенты взаимодействуют между собой:

• независимо: ИИ-агенты работают параллельно; 

• централизованно: агент-оркестратор распределяет задачи субагентам-специалистам и отвечает за конечный результат;

• децентрализованно: агенты общаются между собой на равных правах, и решение, как выполнять задачу, принимается большинством голосов; 

• гибридно: агент-оркестратор сводит результат работы общающихся между собой субагентов.

Для каких задач использовать? 

MAS хорошо себя проявляют (Anthropic, LangChain, ML6) там, где от них требуется понимать промпты (инструкции) в специализированных областях и взаимодействовать с большим количеством различных инструментов для их выполнения.

Кто и как уже применяет MAS?

Несмотря на значительное число заявлений от компаний по всему миру о разработке и внедрении мультиагентных систем в свои продукты, кейсов с измеримыми показателями не так много:

• в Anthropic MAS на основе агента-оркестратора Claude Opus 4 и четырех меньших по размеру субагентов на базе Claude Sonnet 4 позволила на 90,2% повысить точность ответа по сравнению с ИИ-агентом, построенном на Claude Opus 4; 

• с помощью мультиагентной системы Trend-to-Product срок выхода новых отвечающих стилистическим запросам пользователей линеек одежды в Walmart удалось сократить на 18 недель.

В России ситуация схожая. Пока больше встречается анонсов о переходе на эту архитектуру или о платформах для самостоятельной разработки ИИ-агентов и MAS, сотрудничествах в этой сфере («Яндекс», «Сбер», MWS AI, «Билайн» и red_mad_robot, «Технологии Доверия», Just AI и др.), тем не менее есть некоторые примеры с цифрами:

• Yandex Cloud внедрила в свой центр мониторинга и реагирования ИБ мультиагентную систему, благодаря чему автоматизировала 39% рутинных задач, которые раньше могли занимать до трети рабочего времени ИБ-специалистов;

• в «Сбере» сообщили, что благодаря внедрению мультиагентной системы удалось сократить время анализа риск-событий в ИБ более чем в 20 раз;

• в Центре ИИ МГУ им. М.В. Ломоносова описали мультиагентный метод для управления сетевым трафиком, чтобы ускорить принятие решения о перераспределении потоков данных и сократить объем межагентных обменов до 80–96% по сравнению с предыдущими алгоритмами при сохранении эффективности балансировки нагрузки и скорости.

Но есть нюансы

Наращивание количества агентов не всегда равно росту производительности. Так, исследователи из Google Research и MIT обнаружили, что эффект снижается, если агенты работают над задачами последовательно, и, наоборот, увеличивается, если они их выполняют параллельно.

Также, по мнению одного из разработчиков библиотеки LangChain, пока еще легче создавать и управлять мультиагентными системами, которые «читают» (к примеру, анализируют информацию по теме), чем MAS, которые «пишут» (к примеру, создают программный код). Это связано с тем, что чтение лучше поддается параллельной реализации, а при попытке распределить задания по написанию между агентами возникает двойная задача: эффективная передача контекста между ними и последующее согласованное объединение их результатов.

С похожими трудностями при разработке мультиагентной системы для написания программного кода столкнулись в Cognition AI: субагенты по-разному понимали задачи, выданные агентом-оркестратором, помогающим обеспечить бесперебойное взаимодействие между ИИ-агентами.

Что изучить дополнительно по теме

• Введение в руководство по проектированию агентных систем от CTO Google Cloud Антонио Гулли (Antonio Gulli)   
• Инструкция по построению архитектур MAS от CEO стартапа Quantmate Николь Кёнигштайн (Nicole Königstein)
• Гайды по созданию мультиагентных систем от «Сбера», «Яндекса», n8n 
• Обзор саморазвивающихся (Self-Evolving) агентных систем от коллектива ученых из Великобритании и Сингапура
• Разбор угроз для безопасности мультиагентных систем от преподавателя МГТУ им. Н.Э. Баумана Бориса Захира

Deep Dive [Дип Дайв] — формат разбора для быстрого погружения в новую (или хайповую) технотему.