Представь: однажды твоими коллегами станут не люди, а группа ИИ. И что ещё страннее — эти ИИ сами устраивают совещания, делят задачи, спорят, мирятся и в итоге делают работу.
Это не фантастика. В 2026 году мультиагентные системы (Multi-Agent Systems, MAS) выходят из лабораторий в реальный мир — от зон спасательных операций в Испании до суперкомпьютерного центра Окриджской национальной лаборатории в США и цехов в Санкт-Петербурге. Команды «ИИ-сотрудников» уже работают вместе.
Но история далеко не такая радужная. Новейшие исследования вскрывают неудобную правду: когда ИИ сбиваются в команды, их коллективный интеллект может не вырасти, а упасть.
Как вообще работает «команда» ИИ?
Сначала разберёмся: мультиагентная система — это не один ИИ, разрезанный на части. Это несколько независимых ИИ, каждый со своей ролью, которые взаимодействуют через диалог, общую память или вызовы инструментов.
Основные фреймворки уже вовсю конкурируют. Microsoft AutoGen идёт по пути «диалога» — ИИ переписываются в общем чате и так продвигают задачу. CrewAI ближе к «ролевой игре»: ты назначаешь каждому ИИ должность — «исследователь», «писатель», «рецензент» — и смотришь, как они работают как команда.
Показательный тест: дать CrewAI и AutoGen сделать один и тот же конкурентный анализ. CrewAI — 45 строк кода, 182 секунды, 24 500 токенов, успех 98%. AutoGen — 60 строк, 245 секунд, 31 200 токенов, успех 92%. Более простая архитектура оказалась эффективнее — почти контр-интуитивный результат для мультиагентной области.
Реальные внедрения ещё жёстче. На учениях по ликвидации последствий катастроф в Малаге участвовали более 150 спасателей в шести параллельных поисковых задачах. Мультиагентная система на базе LLM в реальном времени получала данные о位置 каждой команды, самостоятельно решала, какому отряду помочь беспилотной наземной машине, и передавала целевые координаты внешнему планировщику — машина ехала сама. Спасатели отозвались: «Это реально повысило эффективность».
Окриджская лаборатория пошла дальше: подключила мультиагентную систему к суперкомпьютеру и производственным мощностям, чтобы ИИ автономно координировал эксперименты по аддитивному производству — почти в реальном времени согласовывая оборудование и ресурсы HPC.
Но у команд ИИ есть фатальный изъян: они не умеют «делиться секретами»
Исследование, представленное на ICML 2026, вылило ушат холодной воды на мультиагентный хайп.
Учёные разработали 65 задач типа «скрытый архив»: каждый ИИ-агент получает часть общих улик плюс часть информации, известной только ему. Правильный ответ можно найти, только сложив уникальные данные всех участников.
Результат ошеломляет:
| Сценарий | Точность |
|---|---|
| Один ИИ получает всю информацию | 80,7% |
| Несколько ИИ с частями информации, общаются между собой | 30,1% |
Точность падает более чем вдвое. Исследователи проследили паттерны провалов: ИИ снова и снова обсуждают то, что все и так знают, и почти никогда не спрашивают: «А нет ли у тебя информации, которой нет у меня?» Они не распознают сам факт информационной асимметрии и не пытаются закрыть этот пробел.
Хуже того, проблема усугубляется с ростом команды. Чем больше народу, тем больше хаоса.
Статья IEEE дополнительно квантифицировала провалы мультиагентных систем: без координации через общую память доля неудач может взлетать до 40–80%. Около 36,9% провалов вызваны «рассогласованием состояний или целей между агентами».
А есть и совсем абсурдное: ранние команды агентов без общей памяти на простой запрос «порождали 50 суб-агентов» или уходили в бесконечный онлайн-поиск, мешая друг другу.
Галлюцинация одного ИИ распространяется через диалог на остальных, вызывая «каскадный отказ» — ошибка повторяется и усиливается в системе.
Война фреймворков: каждая команда ИИ говорит на «своём диалекте»
У мультиагентной области есть неловкая реальность: фреймворки несовместимы.
Модель задач CrewAI агент AutoGen не поймёт; планировщик SmolAgent не сможет напрямую вызвать рабочий процесс LangGraph. Каждый фреймворк определяет агентов, задачи, инструменты и память на «своём диалекте».
Это значит: команду, которую ты три месяца собирал на CrewAI, при переходе на AutoGen придётся переписывать почти с нуля.
Проблема глубже — жёсткость архитектуры. Большинство фреймворков навязывают агентам фиксированные роли — «планировщик», «исполнитель», «кодер» — и после назначения поведение в ходе выполнения не меняется. Для динамичных задач это почти смертельно.
Плюс безопасность кода. MetaGPT и AutoGen исполняют сгенерированный ИИ Python-код, а тот может содержать доступ к файловой системе, shell-команды и небезопасные импорты. Один «взбунтовавшийся» ИИ способен обрушить всю систему.
Россияне пошли другим путём
Команда Санкт-Петербургского политехнического университета выбрала иную дорогу. Они отказались от централизованного управления, позволив каждому элементу — станку, роботу, логистическому узлу — самому формировать решение и самому договариваться. Система итеративно повторяет цикл, постепенно оптимизируя общий результат.
Данные тестов жёсткие: в 10 раз быстрее классических методов оптимизации, а в крупномасштабном моделировании — даже лучше заданных технических параметров.
Они называют это «мультиагентным подходом», а применение — распределение ресурсов бурения в нефтегазовой отрасли. Прототип уже итерируется на реальных отраслевых данных.
Философия этого подхода отличается от мейнстрима Кремниевой долины: не делать ИИ «умнее», а делать систему «адаптивнее».
Чего мы вообще ждём?
Нарратив мультиагентных систем соблазнителен: группа ИИ, как спецназ, действует согласованно и решает задачи, недостижимые для одиночного ИИ.
Но реальность 2026 года такова:
- Узкое место — обмен информацией, а не уровень интеллекта
- Провалы чаще структурные, а не потому что отдельный ИИ «туп»
- Фрагментация фреймворков не даёт экосистеме созреть
- Дыры в безопасности могут превратить всю систему в поверхность атаки
Исследователи ищут выход. Кто-то предлагает общую память, принуждающую к координации; кто-то проектирует структурированные протоколы коммуникации, обязывающие ИИ «докладывать эксклюзивную информацию»; кто-то пытается скрестить микросервисную архитектуру с LLM-агентами.
Но ключевой вопрос, возможно, философский: может ли система из нескольких «неполных» агентов быть умнее одного «полного»?
Данные HiddenBench отвечают: пока нет. Один ИИ со всей информацией даёт 81% точности; группа ИИ с частями информации — 30%. Этот разрыв не закрыть «пусть побольше поболтают» — их нужно учить задавать вопросы, а не отвечать.
Мультиагентные системы превращаются из «игрушки» в «инструмент», но до «команды» им ещё далеко. Следующему поколению ИИ, возможно, придётся освоить не более сложные рассуждения, а более базовый навык: признавать, чего ты не знаешь, и спрашивать того, кто знает.
Ведь главное преимущество человеческой команды никогда не было в том, что каждый умён — а в том, что она знает, у кого лежит недостающий кусок пазла.