Jeden agent AI to za mało. Pięć wzorców zespołów AI według Anthropic

Rozmawiałem w lutym z CEO firmy produkcyjnej z Mazowsza. Zatrudnił Claude Opus do pisania ofert handlowych. Działało świetnie przez miesiąc. Potem zaczęły się problemy. Oferty były poprawne językowo, ale nie uwzględniały aktualnego stanu magazynu. Informacje o produktach czasami nie zgadzały się z najnowszą specyfikacją. Ceny bywały z poprzedniego roku.

Problem nie był w modelu. Problem polegał na tym, że od jednego agenta wymagał czterech różnych kompetencji naraz. Znajomości produktów, aktualnego magazynu, aktualnych cen i umiejętności redakcyjnych. To za dużo dla pojedynczego kontekstu. Tak samo za dużo, jak dla jednego człowieka w firmie byłoby tworzyć oferty, kontaktować się z magazynem, negocjować z księgową i jeszcze poprawiać styl.

Rozwiązaniem była prosta zmiana. Ofertę przygotowywało teraz czterech współpracujących agentów zamiast jednego. Pierwszy pobierał dane o produkcie z systemu ERP. Drugi sprawdzał aktualny stan magazynu i terminy. Trzeci przygotowywał kalkulację cenową z aktualnymi cennikami. Czwarty składał to w ofertę i redagował pod styl firmy. Efekt: spadek zgłoszeń niezgodności w ofertach z 22% do 3%. Koszt API wzrósł o 40%, ale ogólny koszt procesu spadł o 60% dzięki oszczędności czasu handlowców.

To właśnie istota multi-agent. Nie chodzi o to, żeby mieć więcej AI, ale o to, żeby każdy agent miał węższy i dobrze zdefiniowany zakres kontekstu. Gartner zarejestrował między pierwszym kwartałem 2024 a drugim kwartałem 2025 wzrost zapytań o systemy multi-agent o 1445%. To nie chwilowa moda, to faktyczna zmiana w sposobie wdrażania AI w biznesie.

Cara Phillips z Anthropic i jej zespół (Eugene Yang, Jiri De Jonghe, Samuel Weller, Erik S.) opublikowali 10 kwietnia 2026 roku przewodnik zatytułowany „Multi-agent coordination patterns: Five approaches and when to use them". Pięć sposobów organizacji współpracy agentów AI oraz kiedy który działa. Ten artykuł tłumaczę Ci na język polskiego biznesu.

Największa lekcja Anthropic brzmi kontrowersyjnie. Zespoły wybierają wzorce „na podstawie tego, co brzmi wyrafinowanie, nie tego, co pasuje do problemu". Mówiąc prościej: budujesz skomplikowaną maszynę, ponieważ wygląda mądrze, a prostsze rozwiązanie załatwiłoby problem w trzech liniach kodu. Ten artykuł ma Ci pomóc tego uniknąć.

O tym, dlaczego w ogóle warto myśleć o agentach AI w kontekście biznesu, pisałem szczegółowo w artykule Agenci AI w marketingu - przewodnik, framework, narzędzia.

Pięć wzorców koordynacji według Anthropic

Teraz każdy wzorzec osobno z analogią biznesową, którą zrozumiesz bez technicznego wykształcenia.

Wzorzec 1: Generator-Verifier (twórca i redaktor)

Jak działa: Jeden agent generuje wynik. Drugi agent sprawdza ten wynik według jasno zdefiniowanych kryteriów. Jeśli nie przechodzi kontroli, wraca do generatora z konkretną informacją zwrotną. Pętla trwa do momentu akceptacji albo do ustalonego limitu iteracji.

Analogia biznesowa: Copywriter i redaktor naczelny. Copywriter pisze tekst. Redaktor sprawdza go pod kątem faktów, stylu, długości i zgodności z charakterem marki. Jeśli coś nie gra, odsyła z komentarzem. Copywriter poprawia. Cykl się powtarza, aż redaktor da zielone światło albo po trzech iteracjach przekaże artykuł do starszego redaktora.

Kiedy używać: Jakość wyniku krytyczna i da się zdefiniować mierzalne kryteria oceny. Idealne zastosowania to generowanie kodu (drugi agent uruchamia testy), sprawdzanie faktów (drugi agent weryfikuje w bazie wiedzy), grading szkolnych prac, kontrola zgodności z regulacjami.

Konkretny przykład biznesowy: System obsługi klienta generuje odpowiedzi na maile. Agent weryfikujący sprawdza trzy rzeczy. Czy odpowiedź faktycznie rozwiązuje problem klienta. Czy trzyma się tonu firmy (formalny, ciepły, bezpośredni). Czy opiera się na aktualnej bazie wiedzy. Jeśli nie, agent generujący dostaje konkretną informację zwrotną i pisze od nowa.

Pułapka, której unikać: Zespoły wdrażają pętle weryfikacyjne bez zdefiniowania, co weryfikacja ma znaczyć. Powstaje złudzenie kontroli jakości bez faktycznej kontroli jakości. Zamiast „sprawdź, czy to jest dobre" trzeba dać konkret: „sprawdź, czy odpowiedź zawiera numer zamówienia, termin dostawy i link do śledzenia przesyłki".

Wzorzec 2: Orchestrator-Subagent (kierownik i eksperci)

Jak działa: Jeden agent pełni rolę lidera. Planuje pracę, deleguje konkretne zadania wyspecjalizowanym subagentom, zbiera wyniki i łączy je w całość. Subagenci są wywoływani jednorazowo do konkretnego zadania, wracają z odpowiedzią i znikają.

Analogia biznesowa: Kierownik projektu w agencji reklamowej. Klient przychodzi z briefem. Kierownik rozbija go na części i wysyła do freelancerów. Grafik dostaje zadanie na projekt wizualny. Copywriter na teksty. Specjalista SEO na słowa kluczowe. Każdy odsyła swoją część. Kierownik składa to w jedną ofertę i prezentuje klientowi. Freelancerzy znikają po zakończeniu swojego fragmentu. Nie zostają na etacie.

Kiedy używać: Podział zadania jest czytelny. Podzadania są krótkie, mają jasne granice i wyraźny output. Zależności między podzadaniami są minimalne. To jest też wzorzec rekomendowany przez Anthropic jako punkt startowy dla większości systemów multi-agent. Obsługuje najszerszy zakres problemów przy najmniejszym nakładzie koordynacyjnym.

Konkretny przykład biznesowy: Automatyczny system recenzji pull requestów (zgłoszeń kodu do scalenia) w firmie programistycznej. Orchestrator dostaje nowy kod. Deleguje zadania: jeden subagent sprawdza luki bezpieczeństwa, drugi pokrycie testami, trzeci zgodność ze stylem kodowania, czwarty spójność architektoniczną. Każdy zwraca swoje ustalenia. Orchestrator łączy to w raport i rekomenduje decyzję: scalenie, zmiany, odrzucenie. Claude Code używa dokładnie tego wzorca - główny agent pisze kod, a subagenty w tle szukają informacji w bazie kodu albo odpowiadają na pytania pomocnicze.

Pułapka, której unikać: „Orchestrator staje się wąskim gardłem informacyjnym" - ostrzega Anthropic. Informacje między subagentami muszą zawsze przechodzić przez orchestrator. Przy okazji gubią się szczegóły w procesie podsumowywania. Jeśli dwa subagenty mają ze sobą komunikować się bezpośrednio, ten wzorzec nie zadziała. Drugi problem: wykonanie sekwencyjne ogranicza przepustowość, chyba że wyraźnie zrównoleglisz wywoływania. Wtedy płacisz za tokeny kilku subagentów naraz bez zysku na prędkości.

Wzorzec 3: Agent Teams (dedykowany zespół ze specjalizacjami)

Jak działa: Koordynator uruchamia wielu agentów jako niezależne, długo działające procesy. Agenci biorą zadania z wspólnej kolejki, pracują nad nimi samodzielnie przez wiele etapów, gromadzą kontekst i specjalizację z czasem.

Analogia biznesowa: Dedykowany zespół programistów w firmie. Każdy programista specjalizuje się w swoim module systemu. Magda od modułu płatności. Tomek od logistyki. Kasia od raportów. Każde z nich od miesięcy pracuje nad tym samym fragmentem, zna dokładnie swoją dziedzinę, wie, gdzie są najgłębsze zakamarki kodu. Koordynator nie przydziela im codziennie zadań od zera. Biorą je z listy zadań dla swojego obszaru.

Kluczowa różnica w porównaniu z Orchestrator-Subagent: Ciągłość pracowników. Orchestrator-Subagent wywołuje subagenta do jednego ograniczonego zadania, po którym subagent kończy działanie. Członek zespołu w Agent Teams żyje długo i wykonuje wiele zadań, gromadząc wiedzę specjalistyczną.

Kiedy używać: Podzadania korzystają z długiej, wieloetapowej pracy. Agenci powinni gromadzić wiedzę specjalistyczną. Praca jest podzielona na wyraźnie osobne obszary, które rzadko ze sobą oddziałują.

Konkretny przykład biznesowy: Migracja systemu firmowego z jednego frameworka na drugi. Każdy agent-członek zespołu dostaje jeden serwis do przeniesienia. Rozwija w trakcie pracy znajomość grafu zależności tego serwisu, wzorców testowych, konfiguracji wdrożeń. W drugim tygodniu pracuje szybciej, ponieważ zna swój obszar. W czwartym tygodniu zgłasza obserwacje, których nie udałoby się dostrzec bez stopniowego gromadzenia kontekstu.

Pułapka, której unikać: Ten wzorzec wymaga prawdziwej niezależności agentów. Nie nadaje się do sytuacji, gdy agenci muszą dzielić się bieżącymi odkryciami. „Jeśli praca jednego teammate'a wpływa na pracę drugiego, żaden z nich nie wie o tym, a ich wyniki mogą się kłócić" - pisze Anthropic. Drugi problem: wykrywanie zakończenia pracy jest trudniejsze przy autonomicznej pracy o zmiennym czasie trwania. Trzeci: wspólne zasoby powodują konflikty, gdy dwóch agentów edytuje ten sam plik albo bazę danych.

Wzorzec 4: Message Bus (centrala zdarzeń w firmie kurierskiej)

Jak działa: Agenci komunikują się przez mechanizm publikowania i subskrybowania wiadomości. Nie mówią do siebie bezpośrednio. Każdy publikuje informacje o zdarzeniach, a ci, którzy są zainteresowani, subskrybują odpowiednie kategorie. Router dostarcza wiadomości tylko do subskrybentów. Nowych agentów można dodawać bez przebudowy istniejących połączeń.

Analogia biznesowa: Centrala sortująca w firmie kurierskiej. Przesyłka trafia do centrali. Dyspozytor nie sprawdza osobiście, gdzie ma ją wysłać. System widzi tag „Warszawa-Mokotów" i automatycznie kieruje paczkę do kuriera obsługującego ten rejon. Jeśli firma rozwinie działalność na nowy region, dodaje się kolejnego kuriera jako subskrybenta tagu „Wrocław". Cała reszta systemu działa bez zmian.

Kiedy używać: Procesy przepływu zdarzeń, w których kolejność działań wynika ze zdarzeń, a nie jest zaprojektowana z góry. Ekosystem agentów ma prawdopodobnie rosnąć. Logika warunkowa w orchestratorze zaczyna się rozrastać do absurdalnych rozmiarów.

Konkretny przykład biznesowy: Automatyzacja operacji cyberbezpieczeństwa. Alerty spływają z różnych źródeł (systemy monitoringu, skanery, logi). Agent klasyfikujący sortuje je według ważności i typu. Następnie trafiają do wyspecjalizowanych agentów: agent od sieci zajmuje się incydentami sieciowymi, agent od tożsamości analizuje podejrzane logowania. Agenci śledczy zgłaszają żądania wzbogacenia danych. Agent zbierający kontekst realizuje te żądania i odsyła odpowiedź. Agent reakcji decyduje o działaniu na podstawie zebranego obrazu. Wszystko samodzielnie, bez kierownika pośrodku.

Pułapka, której unikać: Śledzenie tego, co się stało, jest trudniejsze. „Zrozumienie, co się wydarzyło, wymaga starannego rejestrowania zdarzeń i ich korelacji" - mówi Anthropic. Dokładność kierowania zdarzeń jest kluczowa. Błędnie sklasyfikowane zdarzenia bezgłośnie giną w systemie. Jeśli mechanizm routingowy oparty na modelu językowym (LLM) popełnia błędy klasyfikacji, system nic nie obsługuje, ale też nigdy nie sygnalizuje, że coś jest nie tak. Awarie są ciche i najtrudniejsze do wykrycia ze wszystkich wzorców.

Wzorzec 5: Shared State (wspólny Notion zespołu badawczego)

Jak działa: Agenci działają autonomicznie. Czytają i piszą do wspólnego trwałego magazynu: bazy danych, systemu plików, wspólnego dokumentu. Nie ma centralnego koordynatora. Praca zaczyna się, gdy magazyn zostaje zainicjalizowany pytaniem albo zbiorem danych. Kończy się, gdy spełniony zostaje warunek zakończenia.

Analogia biznesowa: Zespół badawczy piszący wspólny raport w Notion albo Google Doc. Marta pisze rozdział o rynku polskim. Krzysztof pracuje nad analizą konkurencji. Ewa bada trendy regulacyjne. Każde z nich widzi na bieżąco, co piszą inni. Jeśli Marta wpisze, że główny konkurent właśnie otrzymał dofinansowanie, Krzysztof natychmiast uwzględnia tę informację w swojej analizie. Nie ma szefa nad nimi. Zbiegają się wokół dokumentu, a ten jest ich wspólną prawdą.

Kiedy używać: Praca agentów jest wspólnotowa. Odkrycia powinny płynąć między nimi w czasie rzeczywistym. Budujesz bazę wiedzy, która akumuluje się w czasie. Nie chcesz pojedynczego punktu awarii (orchestrator to taki punkt). Agenci mają budować na odkryciach innych w miarę rozwoju pracy.

Konkretny przykład biznesowy: System syntezy wiedzy dla działu strategii. Jeden agent bada literaturę akademicką. Drugi raporty branżowe. Trzeci patenty. Czwarty doniesienia medialne. Wszyscy piszą do wspólnego magazynu. Gdy agent od literatury akademickiej znajdzie kluczowego badacza, ta informacja natychmiast staje się istotna dla agenta śledzącego branżę (ten badacz może być w ich radach doradczych). Odkrycia akumulują się we wspólnym magazynie.

Pułapka, której unikać (NAJWAŻNIEJSZA ze wszystkich wzorców): Reaktywne pętle (reactive loops). Agent A wpisuje odkrycie. Agent B czyta je i wpisuje kolejne na tej podstawie. Agent A widzi nowy wpis i reaguje. System zużywa tokeny na pracę, która nie prowadzi do konwergencji. Anthropic ostrzega, że systemy traktujące warunek zakończenia jako refleksję końcową „działają w pętli w nieskończoność albo zatrzymują się losowo, gdy jednemu z agentów skończy się kontekst". Rozwiązanie: budżet czasowy, próg konwergencji (brak nowych odkryć przez N cykli) albo wyznaczony agent, którego zadaniem jest decydowanie, kiedy magazyn zawiera wystarczającą odpowiedź.

Trzy zasady wyboru wzorca

Anthropic w swoim artykule podaje trzy zasady, które ratują przed najczęstszymi błędami wdrożeniowymi.

Zasada pierwsza: zaczynaj od najprostszego wzorca, który może zadziałać. Nie próbuj od razu budować Message Bus, jeśli wystarczy Generator-Verifier. Zaczynając prosto, widzisz wyraźnie, gdzie system zaczyna się zacinać. Dopiero tam ewoluujesz do bardziej złożonego wzorca.

Zasada druga: dziel pracę według kontekstu, nie według typu pracy. To przełom w myśleniu o multi-agent. Nie buduj agentów po linii „ten pisze treści, ten zajmuje się SEO, ten robi grafikę". Buduj po linii „ten ma dostęp do bazy produktów, ten ma dostęp do danych klienta, ten zna aktualny cennik". Kontekst decyduje o jakości pracy agenta, nie nazwa jego roli.

Zasada trzecia: systemy produkcyjne to hybrydy. „Produkcyjne systemy często łączą wzorce" - pisze Anthropic. Typowa hybryda: Orchestrator-Subagent dla głównego przepływu pracy, Shared State dla fragmentu, który wymaga współpracy. Inny typowy układ: Message Bus do kierowania zdarzeń, a wewnątrz wykonawcy zorganizowani jak Agent Teams. Nie patrz na pięć wzorców jak na pięć osobnych opcji. Patrz na nie jak na pięć elementów, z których składasz architekturę.

Co to znaczy dla polskich MŚP

Agencja marketingowa. Twoi copywriterzy piszą 50 postów tygodniowo dla różnych klientów. Każdy klient ma inny ton, inne wymogi merytoryczne, inne zakazy. Zamiast prosić jednego człowieka o pilnowanie wszystkich aspektów, rozdziel to na dwa agenty. Jeden pisze, drugi weryfikuje według listy kontrolnej zdefiniowanej dla każdego klienta. Czas pisania postu spada z 45 do 12 minut. Człowiek w pętli zostaje, ale na końcu, nie przy każdym kroku.

Dział sprzedaży w firmie produkcyjnej. Przykład z Mazowsza z początku artykułu. Orchestrator dostaje zapytanie od klienta. Deleguje: agent bazowy pobiera specyfikację produktu, agent logistyczny sprawdza stan magazynu i terminy, agent cenowy buduje kalkulację ze zniżkami dla tego segmentu klientów, agent redaktor składa to w ofertę w stylu firmy. Czas na ofertę spada z 90 minut do 12. Liczba błędów spada dwukrotnie, ponieważ każdy agent odpowiada tylko za swój wąski zakres.

Dział strategii. Zespół strategii Twojej firmy pracuje nad analizą „wejście na rynek czeski". Zamiast zatrudniać trzech analityków na dwa tygodnie, uruchamiasz trzech agentów Shared State. Jeden przeszukuje bazy konkurencji, drugi bada regulacje czeskie, trzeci analizuje rynek konsumencki. Piszą do jednego dokumentu z kontekstem, co znaleźli. Agent-terminator decyduje po 48 godzinach albo po trzech cyklach bez nowych odkryć, że jest dość. Finalna synteza do decyzji zarządu spada z tygodni do dni.

Szczegółowy praktyczny przewodnik po tym, jak zbudować swój pierwszy zespół agentów AI, znajdziesz w Zespoły agentów AI w marketingu - Claude Code. Jeśli dopiero decydujesz, czy w ogóle potrzebujesz agenta, przeczytaj Pierwszy agent AI - 5 pytań, przewodnik decyzyjny.

Trzy pułapki, które kosztują realne pieniądze

Anthropic wymienia kilkanaście pułapek rozsianych po artykule. Trzy są najważniejsze finansowo.

Pułapka pierwsza: gumowy stempel weryfikacji. Budujesz Generator-Verifier, ale agent weryfikujący dostaje instrukcję „sprawdź, czy jakość jest dobra". Model AI potraktuje to jak miłą prośbę. Przepuści praktycznie wszystko. Masz iluzję kontroli bez kontroli. Rozwiązanie: każde kryterium weryfikacji musi być binarne i testowalne. „Czy odpowiedź zawiera numer zamówienia?" Tak albo nie. Nie „czy brzmi profesjonalnie".

Pułapka druga: orchestrator jako wąskie gardło. Rozbudowujesz Orchestrator-Subagent aż do momentu, gdy subagentów jest dziesięciu. Każdy z nich przysyła szczegółowe wyniki. Orchestrator nie nadąża z podsumowywaniem. Gubi szczegóły. Ważne informacje nie docierają do kolejnych kroków. Rozwiązanie: rozbij na Agent Teams (jeśli subagenty są niezależne) lub przejdź na Message Bus (jeśli komunikacja musi być bezpośrednia), ewentualnie ogranicz liczbę subagentów do pięciu.

Pułapka trzecia: reaktywne pętle w Shared State. Najdroższa ze wszystkich. Agenci czytają i piszą do wspólnego dokumentu. Agent A reaguje na wpis B, agent B reaguje na wpis A, agent C reaguje na wpisy obu. System obraca się w kółko i w każdej iteracji zużywa tokeny na pracę, która do niczego nie prowadzi.

Rozwiązanie: zawsze budżet czasowy, zawsze próg konwergencji („brak nowych wpisów przez trzy cykle = stop"), zawsze wyznaczony agent-sędzia decydujący, kiedy system ma dość.

Cztery kroki, żeby zacząć w tym tygodniu

Kiedy multi-agent jest złym wyborem

Cała narracja o pięciu wzorcach zakłada jedno: że faktycznie potrzebujesz multi-agent. A nie zawsze potrzebujesz. Pojedynczy agent jest lepszym wyborem, gdy zadanie mieści się w jednym kontekście i nie wymaga wielu kompetencji naraz. Pisanie posta na LinkedIn, odpowiadanie na typowe pytania klientów, generowanie opisów produktów z prostego szablonu - pojedynczy Claude Opus albo GPT-5.4 wystarczy.

Anthropic poświęcił temu osobny artykuł w 2025 roku („Building multi-agent systems: when and how to use them"). Zasada jest prosta: multi-agent wprowadza złożoność. Więcej agentów to więcej punktów awarii, więcej kosztów API, więcej rzeczy, które trzeba nadzorować.

Gartner w czerwcu 2025 roku opublikował prognozę, która zasługuje na uwagę: do końca 2027 roku ponad 40% projektów agentic AI zostanie anulowanych. Główne powody to eskalujące koszty, niejasna wartość biznesowa i nieadekwatne mechanizmy kontroli ryzyka. Ta prognoza stoi obok innej prognozy Gartnera, która mówi o 40% aplikacji z wbudowanymi agentami AI do końca 2026. Oba te scenariusze są prawdziwe jednocześnie: popyt rośnie szybko, ale wiele projektów kończy się porażką z powodu nieprzemyślanej implementacji.

Wniosek praktyczny dla CEO MŚP: nie buduj multi-agent, bo „jest 2026 i wszyscy to robią". Buduj, bo konkretne zadanie w Twojej firmie wymaga agenta wielokompetencyjnego, a pojedynczy LLM zawodzi. Jeśli nie potrafisz wskazać takiego zadania w pięciu minutach, prawdopodobnie jeszcze go nie masz.

Co z tego zostaje

Rok 2025 był rokiem indywidualnych asystentów AI. Każdy odkrywał ChatGPT, każdy próbował Claude, każdy uczył się promptować. Rok 2026 zaczyna się jako rok zespołów AI dla tych firm, które faktycznie napotkały granice pojedynczego agenta. Nie dla wszystkich.

Anthropic nie wymyślił tych wzorców. Są one w informatyce znane od lat pięćdziesiątych (producent-konsument, pub-sub (publikacja-subskrypcja), master-worker). Zasługa Cary Phillips i jej zespołu to przełożenie ich na kontekst LLM i podanie konkretnych pułapek, które różnią się od klasycznych systemów rozproszonych. Modele AI mają swoje specyficzne problemy: reaktywne pętle, gubienie szczegółów w podsumowaniach, gumowe stemple weryfikatorów.

Jeśli w Twojej firmie pracuje już AI jako pojedynczy asystent i widzisz konkretne ograniczenia - pora pomyśleć o zespole. Jeśli jeszcze nie wdrożyłeś żadnego agenta, nie próbuj od razu budować multi-agent. Zacznij od jednego, zobacz gdzie się zacina, wtedy rozważ rozszerzenie. Tak zresztą rekomenduje sam Anthropic: najprostszy wzorzec, który może zadziałać.

Pytanie, które Ci zostawiam, nie brzmi: „czy potrzebuję systemu multi-agent?". Brzmi: „od którego wzorca zaczynam i które zadanie w mojej firmie jest pierwszym kandydatem do wdrożenia w tym kwartale?".