Anthropic rozšíril svoju platformu Managed Agents o funkciu dynamic workflows, ktorá dovoľuje v rámci jednej úlohy spustiť naraz až 1000 AI agentov. Firma tvrdí, že takto poskladaný tím agentov dokáže v kóde odhaliť podstatne viac chýb než jeden samostatný agent, hoci kritici upozorňujú, že ide o nákladný spôsob práce s tokenmi. Pre firmy, ktoré už AI agentov nasadzujú na programovanie či testovanie, ide o signál, že koordinácia veľkého počtu agentov sa stáva bežnou výbavou, nie experimentom.
V skratke
- Anthropic spustil funkciu dynamic workflows pre Claude Managed Agents, aktivuje sa výberom typu agenta „multiagent_20261001″.
- Jedna úloha môže naraz rozdeliť prácu až medzi 1000 AI agentov, ktorí bežia paralelne pod vedením jedného lead agenta.
- V teste na kóde so 116-tisíc riadkami a 70 skrytými chybami odhalil samostatný agent 14 až 27 chýb za jeden beh, tím agentov pravidelne 66.
- Senior inžinier OpenAI nedávno nazval podobné roje agentov zbytočným premárnením tokenov, Anthropic vysokú spotrebu pripúšťa a odporúča začať s menšími úlohami.
Ako funguje koordinácia stoviek agentov
Dynamic workflows stavia na infraštruktúre Managed Agents, ktorú Anthropic ponúka vývojárom už od tohto roka. Princíp je jednoduchý: jeden lead agent najprv rozloží veľkú úlohu, napríklad prehľadanie rozsiahleho softvérového projektu, na menšie a samostatné úseky práce. Tie potom rozdelí medzi desiatky až stovky sub-agentov, ktorí bežia súčasne a každý sa venuje len svojej časti. Keď sub-agenti skončia, lead agent ich výsledky poskladá do jedného výstupu.
Je to podobné tomu, ako si vedúci veľkého projektu rozdelí prácu medzi tím kolegov a na konci zozbiera a zjednotí ich čiastkové výstupy. Novinkou je, že počet sub-agentov môže pri jednom spustení vystúpiť až na 1000, čo je výrazný nárast oproti doterajším bežným nastaveniam s jednotkami až desiatkami agentov. Funkcia sa aktivuje výberom typu agenta s označením „multiagent_20261001″ a je dostupná cez dokumentáciu Anthropicu alebo príslušný príkaz priamo v Claude Code.
Pre bežného používateľa je dôležité pochopiť hlavne jedno: pri rozsiahlych úlohách, kde treba prejsť veľké množstvo textu, kódu alebo dát, dokáže tím agentov pracovať rýchlejšie, pretože jednotlivé časti spracúva naraz a nie postupne. Pri malej úlohe, ktorú zvládne jeden agent za pár sekúnd, však rozdelenie práce medzi stovky agentov zmysel nemá, naopak spotrebuje zbytočne veľa výpočtového výkonu. Anthropic preto zdôrazňuje, že dynamic workflows sú nástroj na konkrétny typ problému, nie univerzálne vylepšenie, ktoré sa oplatí zapnúť vždy.
Test ukázal štvornásobne viac odhalených chýb
Aby Anthropic overil, či sa viac agentov naozaj oplatí, pripravil testovací projekt so 116-tisíc riadkami kódu, do ktorého zámerne vložil 70 chýb. Jeden samostatný agent, ktorý úlohu riešil sám, odhalil v priemere 14 až 27 chýb za jeden beh. Tím zostavený pomocou dynamic workflows nachádzal chyby opakovane okolo čísla 66, teda viac ako dvojnásobok najlepšieho výsledku jedného agenta a zhruba štvornásobok jeho slabšieho výkonu.
Anthropic zároveň upozorňuje, že nejde o univerzálny záver platný pre každý typ úlohy a že firmy by si mali výsledky overiť na vlastných projektoch, než na dynamic workflows spoľahnú dôležitú časť vývoja.
Kritika: drahé premárnenie tokenov?
Nie všetci v odbore sú z nápadu nadšení. Jeden zo seniorných inžinierov OpenAI nedávno označil podobné roje agentov za masívne premrhanie tokenov, teda výpočtového výkonu, za ktorý firmy platia. Anthropic v reakcii na kritiku pripúšťa, že dynamic workflows spotrebujú veľa tokenov, a odporúča s nimi najprv experimentovať na menších úlohách, než ich firma nasadí do ostrej prevádzky.
Otázka nákladov je citlivá aj vzhľadom na to, že Anthropicu sa v poslednom čase nahromadili problémy s nekontrolovaným správaním agentov. Píšeme napríklad o prípade, keď jeden z jej modelov poslal polícii vo Philadelphii falošný tip o vražde. Viac samostatne konajúcich agentov teda neznamená len viac nájdených chýb, ale aj viac príležitostí, kde môže niečo zlyhať bez dohľadu človeka.
Čo to znamená pre firmy
Pre firmy, ktoré uvažujú o nasadení AI agentov do vývoja softvéru či testovania, je dynamic workflows signálom, že koordinácia veľkého počtu agentov prestáva byť experimentom a stáva sa bežnou funkciou komerčných platforiem. Výhodou je rýchlejšie a dôkladnejšie prehľadanie rozsiahleho kódu, nevýhodou vyššia spotreba tokenov a tým aj nákladov, ktoré treba vopred odhadnúť.
Firmám, ktoré s nasadzovaním AI do bežnej prevádzky ešte začínajú, sa oplatí postupovať po malých krokoch. Peter Kudlej na svojom blogu opisuje, ako AI a automatizáciu zapracúva do vlastnej firmy tak, aby sa nestali len ďalšou nákladovou položkou. Rovnako ako pri iných investíciách do AI aj tu platí, že malý pilotný projekt je rozumnejší než plošné nasadenie. Anthropic napokon súčasne investuje aj do vzdelávania vlastných AI inžinierov, čo naznačuje, že aj výrobca nástroja počíta s tým, že zvládnuť prácu s veľkým počtom agentov si vyžaduje nové zručnosti.
V praxi sa dynamic workflows najskôr uplatnia v oddeleniach vývoja softvéru, kde firmy riešia veľké a staršie kódové základy, takzvaný legacy kód, pri ktorých má manuálna kontrola kvality obmedzené kapacity. Rovnaký princíp si však vedia predstaviť aj pri iných hromadných úlohách, napríklad pri kontrole veľkého množstva zmlúv, faktúr alebo dát, kde treba rýchlo prejsť množstvo podobných dokumentov a nájsť v nich odchýlky. Kľúčové je mať jasno v tom, koľko taká úloha reálne stojí, než sa nasadí naplno.
Čo sledovať ďalej
Dynamic workflows sú podľa Anthropicu vo verejnej beta verzii, takže firma v najbližších týždňoch pravdepodobne zverejní viac údajov o reálnej spotrebe tokenov a nákladoch pri bežnom nasadení. Zaujímavé bude aj to, či podobnú funkciu v krátkom čase ponúkne aj OpenAI alebo Google, ktoré majú vlastné platformy pre agentov. Sledovať sa oplatí aj to, či vyššia miera autonómie agentov nepovedie k ďalším podobným incidentom, aké Anthropic riešil v uplynulom týždni.
