Agentzwerm: wat gebeurt er als AI's gaan samenwerken?

Een agentzwerm is een verzameling van meerdere AI-programma's die zelfstandig kunnen handelen, zogeheten AI-agenten, en die samen aan één taak werken, net zoals losse werknemers in een bedrijf samen een project afronden. In plaats van dat één groot AI-systeem alles in zijn eentje probeert op te lossen, wordt de taak opgeknipt in stukken die verschillende, vaak gespecialiseerde agenten oppakken: de een zoekt informatie op, de ander schrijft code, een derde controleert het resultaat en een vierde voegt alles samen tot een eindantwoord.

De naam is geleend van de natuur. Bij een zwerm spreeuwen volgt elke vogel simpele regels — blijf dicht bij je buren, vlieg dezelfde kant op, vermijd botsingen — en toch ontstaat er op groepsniveau een ingewikkeld, sierlijk patroon dat geen enkele vogel individueel plant. Onderzoekers naar zwermintelligentie bestuderen dit soort gedrag al decennia bij mieren en bijen. Bij een agentzwerm hopen ontwikkelaars een vergelijkbaar effect te krijgen met software: eenvoudige, gespecialiseerde AI-onderdelen die door samenwerking iets kunnen wat één programma alleen niet voor elkaar krijgt.

Wat is het precies?

Om een agentzwerm te begrijpen, helpt het om eerst te weten wat een AI-agent is. Dat is een programma, meestal gebouwd rond een groot taalmodel (large language model, het type model achter ChatGPT of Claude), dat niet alleen tekst genereert, maar ook zelfstandig stappen kan zetten: het stelt een plan op, roept externe hulpmiddelen aan — zoals een zoekmachine, een rekenprogramma of een stukje programmeercode dat het zelf uitvoert — en beoordeelt tussentijds of het resultaat klopt, voordat het verdergaat.

Een agentzwerm bestaat uit meerdere van dit soort agenten die met elkaar 'praten', meestal door tekstberichten naar elkaar te sturen zoals in een chatgesprek, en die elk een eigen rol of specialisatie krijgen. Een veelgebruikte opzet werkt met een orchestrator of coördinator-agent: een centrale agent die de oorspronkelijke opdracht opsplitst in deeltaken, die uitdeelt aan gespecialiseerde werk-agenten, en die aan het eind de losse antwoorden weer samenvoegt tot één geheel. Een andere opzet laat agenten in een soort vergadering met elkaar overleggen, waarbij ze elkaars werk becommentariëren en verbeteren voordat er een eindantwoord uitrolt.

Belangrijk is dat elke agent meestal een eigen geheugen (ofwel context) en eigen instructies (ofwel prompt) heeft, toegespitst op zijn taak. Een onderzoeksagent krijgt bijvoorbeeld de instructie om grondig bronnen te zoeken en samen te vatten, terwijl een programmeeragent de opdracht krijgt om code te schrijven en te testen. Door taken op te knippen, hoeft geen enkele agent het overzicht over de hele, vaak complexe opdracht te bewaren — iets wat voor een taalmodel lastig blijft naarmate een taak langer duurt en meer stappen bevat.

Sommige systemen gaan een stap verder en laten agenten ook onderling onderhandelen of stemmen over de beste aanpak, geïnspireerd door hoe menselijke teams samenwerken. Dat maakt het systeem flexibeler, maar ook lastiger te voorspellen: fouten van één agent kunnen doorsijpelen naar de rest van de zwerm.

Wat wil men ermee bereiken?

De belangrijkste belofte van agentzwermen is dat ze taken aankunnen die te groot, te lang of te divers zijn voor één taalmodel. Een enkel AI-model dat een lang, meerstaps-project moet uitvoeren — bijvoorbeeld 'onderzoek een markt, schrijf een rapport en bouw er een prototype-website bij' — raakt vaak de weg kwijt of vergeet eerdere stappen. Door het werk te verdelen over gespecialiseerde agenten, elk met een kleinere, overzichtelijkere taak, hopen ontwikkelaars dat soort fouten te verminderen.

Een tweede motivatie is snelheid door parallellisatie: waar één agent taken na elkaar moet afwerken, kunnen meerdere agenten tegelijk aan verschillende deeltaken werken, zoals meerdere onderzoekers die gelijktijdig andere bronnen doorzoeken. Dat kan de tijd tot een antwoord flink verkorten.

Een derde doel is kwaliteitscontrole: agenten kunnen elkaars werk nakijken. Eén agent die een tekst schrijft en een andere die daarna specifiek zoekt naar fouten of onjuistheden, levert in theorie een betrouwbaarder resultaat op dan een model dat zijn eigen werk moet beoordelen. Dit sluit aan bij bredere pogingen om hallucinaties — het overtuigend verzinnen van onjuiste informatie door taalmodellen — terug te dringen.

Ten slotte zien bedrijven agentzwermen als een manier om AI dichter bij bestaande organisatiestructuren te brengen: net zoals een bedrijf afdelingen heeft met eigen taken, zou een 'digitale organisatie' van gespecialiseerde AI-agenten complexere bedrijfsprocessen kunnen overnemen, van klantenservice tot softwareontwikkeling.

Voorbeelden uit de praktijk

Agentzwermen zijn niet alleen theorie; er zijn inmiddels tientallen projecten en frameworks die het idee in de praktijk testen.

Generative Agents / 'Smallville' (Stanford en Google, 2023): onderzoekers lieten 25 AI-agenten los in een gesimuleerd dorpje. Elke agent had een eigen geheugen, dagelijkse routine en persoonlijkheid, en de agenten organiseerden op eigen initiatief zelfs een verjaardagsfeestje voor een van hen. Het onderzoek, gepubliceerd in april 2023, wordt gezien als een van de eerste overtuigende demonstraties van hoe meerdere AI-agenten geloofwaardig sociaal gedrag kunnen vertonen.

AutoGPT (2023): dit open-source project, dat in het voorjaar van 2023 viraal ging, liet een taalmodel zichzelf doelen stellen, deeltaken bedenken en die achter elkaar uitvoeren. Het werkte destijds nog onbetrouwbaar en verdween vaak in eindeloze lussen, maar het liet zien wat er mogelijk was en zette een golf van vervolgprojecten in gang.

Microsoft AutoGen (sinds 2023): een softwareframework van Microsoft Research waarmee ontwikkelaars meerdere AI-agenten met elkaar laten converseren om een taak op te lossen, bijvoorbeeld een agent die code schrijft en een andere die deze test en van feedback voorziet.

CrewAI (2023-2024): een framework waarmee bedrijven 'crews' van agenten met een vaste rolverdeling samenstellen — bijvoorbeeld een onderzoeker, een schrijver en een redacteur — die gezamenlijk rapporten, marketingteksten of analyses produceren. Het wordt inmiddels door verschillende bedrijven gebruikt om terugkerende kantoortaken te automatiseren.

OpenAI Swarm (oktober 2024): een lichtgewicht, experimenteel framework van OpenAI, uitdrukkelijk bedoeld als leermateriaal en niet als kant-en-klaar product, dat laat zien hoe je de overdracht van een taak tussen agenten kunt programmeren.

Hoe ver is de techniek?

Agentzwermen zijn op dit moment vooral een actief onderzoeks- en experimenteerterrein, geen kant-en-klare, betrouwbare technologie. De losse bouwstenen — taalmodellen die tools kunnen aanroepen en met elkaar kunnen communiceren — bestaan en werken redelijk goed voor afgebakende taken. Zodra meerdere agenten samen langere, open-eindige opdrachten moeten uitvoeren, ontstaan er echter nieuwe problemen die nog niet zijn opgelost.

Een bekend probleem is foutopstapeling: als één agent een klein foutje maakt of een taak verkeerd interpreteert, geeft die dat foutje door aan de volgende agent, die er weer op voortbouwt. In een lange keten van agenten kan een kleine misser zo uitgroeien tot een compleet verkeerd eindresultaat. Ook is het duur en traag: elke agent doet apart een beroep op een taalmodel, wat het aantal 'aanroepen' en dus de rekenkosten en wachttijd snel laat oplopen vergeleken met één enkel model dat de klus zelf klaart.

Daarnaast ontbreekt het nog aan gestandaardiseerde manieren waarop agenten met elkaar en met externe systemen moeten communiceren. Recente initiatieven proberen daar verandering in te brengen: Anthropic introduceerde eind 2024 het Model Context Protocol (MCP), een open standaard waarmee AI-agenten op een uniforme manier toegang krijgen tot externe tools en databronnen. Google kondigde in 2025 het Agent2Agent-protocol (A2A) aan, gericht op communicatie tussen agenten van verschillende makers. Zulke standaarden moeten het makkelijker maken om agenten van verschillende bedrijven met elkaar te laten samenwerken, maar zijn zelf nog volop in ontwikkeling.

Onafhankelijke evaluatie is een ander obstakel: er bestaat nog geen brede consensus over hoe je de prestaties van een agentzwerm eerlijk meet en vergelijkt met die van een enkel, goed doordacht taalmodel. Verschillende onderzoeken laten wisselende resultaten zien: soms presteert een zwerm van agenten aantoonbaar beter dan één model, soms voegt de extra complexiteit vooral kosten en fouten toe zonder duidelijke winst. Kortom: het idee is veelbelovend en volop in ontwikkeling, maar nog niet uitgekristalliseerd tot een standaardaanpak.

Wie werken eraan?

Vrijwel alle grote AI-laboratoria experimenteren met agentzwermen, meestal als onderdeel van bredere 'agentic AI'-ontwikkeling. OpenAI bouwde met Swarm een eigen experimenteel framework en verwerkt vergelijkbare ideeën in zijn producten. Microsoft Research ontwikkelt AutoGen en integreert multi-agentfunctionaliteit in zijn Azure AI-diensten voor bedrijven. Google DeepMind onderzoekt agentsamenwerking binnen zijn Gemini-modellen en bracht met het Agent2Agent-protocol een poging tot standaardisatie. Anthropic, het bedrijf achter Claude, publiceerde het Model Context Protocol en bouwt functies waarmee een AI-assistent taken kan verdelen over meerdere 'subagenten'.

Daarnaast is er een levendig veld van gespecialiseerde start-ups en open-sourceprojecten, zoals CrewAI en LangChain (met zijn LangGraph-framework), die zich volledig richten op gereedschap om agentzwermen te bouwen en te beheren voor bedrijven. Academisch gezien speelt Stanford University een voorlopende rol, onder meer met het al genoemde Generative Agents-onderzoek, vaak in samenwerking met Google. Ook aan andere Amerikaanse, Europese en Aziatische universiteiten lopen onderzoeksprojecten naar multi-agentsystemen — een onderzoeksveld dat al ouder is dan de huidige golf aan taalmodellen en teruggaat tot de jaren negentig van de vorige eeuw, toen onderzoekers voor het eerst 'multi-agent systems' als apart vakgebied binnen de informatica beschreven.

Verder lezen

• arXiv.org — publicatiearchief met (voor)publicaties van onderzoek naar multi-agentsystemen en generative agents.
• OpenAI — documentatie en achtergrond over agent-frameworks zoals Swarm.
• Microsoft Research — achtergrond en publicaties over het AutoGen-framework.
• Anthropic — informatie over het Model Context Protocol en agentic AI.