Evals şirketi Vals AI, AI ajan takımlarının tek ajanlara göre neredeyse hiç daha iyi sonuç vermediğini ve büyük miktarda token harcadığını buldu. Vibe Code Bench üzerinde GPT-6 Sol ve Claude Opus 5.5'i değerlendiren son testlerde, takım kurulumları tek ajanlara göre 1,8 kat ile 5,1 kat daha pahalı çıktı. Takımlar ile tek ajanlar arasında yapılan dört karşılaştırmadan sadece biri istatistiksel olarak anlamlı bir iyileşme gösterdi; bu, GPT-6 Sol'un orta seviyedeki akıl yürütmede 7,3 puan daha yüksek skor almasıydı. En yüksek akıl yürütme çabasında, takım konfigürasyonu hiçbir modele gerçek bir avantaj sağlamadı.
Ek testler, ölçekleme sınırları ve maliyet verimsizlikleri konusundaki bu bulguları pekiştiriyor. Anthropic, Opus 5.5 ile daha fazla ajan eklendiğinde kalite artışının azaldığını gözlemledi ve daha büyük takımlar performans seviyelerine daha hızlı ulaşsa da, on ajandan 100 ajana çıkmak sadece puanları hafifçe artırdı. Bir bilgi tabanı görevinde, Fable 5.1 puanları 30 ajandan 100 ajana ölçeklendirildiğinde hafifçe düştü. OpenAI araştırmacısı Noam Brown, çok ajanlı sistemlerin esas olarak hızı artırdığını, daha iyi kalite sağlamadığını doğruladı ve web araştırması gibi görevlerin paralelleşme açısından iyi olduğunu, yaratıcı görevlerin ise olmadığını belirtti. OpenAI geliştiricisi Eric Provencher da ajan sürülerine karşı uyarıda bulunarak, koordinasyon bozulmaları nedeniyle bunların boşa harcanan para olduğunu söyledi.
Bu araştırma önem taşıyor çünkü mevcut çok ajanlı yapay zeka stratejilerindeki ciddi ekonomik ve verimlilik sınırlamalarını ortaya koyuyor ve yoğun token harcamasının genellikle önemsiz kalite iyileştirmeleri sağladığını gösteriyor.