.jpg)
Dochodzi do nieoczekiwanego opóźnienia dostawy krytycznego komponentu. Dział zakupów informuje produkcję za pośrednictwem e-maila. Produkcja pyta logistykę o stany magazynowe. Logistyka czeka na informacje zwrotne z systemu ERP. Dział sprzedaży dopiero po południu dowiaduje się, że nie uda się dotrzymać terminów dostaw, mimo że wcześniej zdążył już uspokoić klientów.
Zanim zostanie podjęta skoordynowana decyzja (i to na podstawie danych, które w tym momencie często są już nieaktualne), mijają godziny. Co by się zmieniło, gdyby system aktywnie współuczestniczył w tym procesie, zamiast jedynie go dokumentować? Agenci AI właśnie to potrafią – analizują sytuację, uzyskując dostęp do danych z systemu ERP, rozpoznają wpływ opóźnienia na otwarte zamówienia i samodzielnie proponują odpowiednie działania.
Jednak pojedynczy agent ma swoje ograniczenia. Zakupy, produkcja i sprzedaż działają według różnych zasad i korzystają z odmiennych źródeł danych. Prawdziwy potencjał tkwi więc we współpracy: gdy wielu wyspecjalizowanych agentów działa w skoordynowany sposób, powstaje tzw. system wieloagentowy.
Czym jest system wieloagentowy?
W systemie wieloagentowym (MAS) kilka autonomicznych agentów współpracuje ze sobą w sposób skoordynowany, aby realizować zadania. Głównymi cechami każdego agenta są autonomia (samodzielne działanie ), reaktywność (dostosowywanie się do zmian w otoczeniu ), proaktywność (ukierunkowana na cel własna inicjatywa ) oraz kompetencje społeczne (zdolność do komunikacji z innymi agentami).
Różnica między klasycznym oprogramowaniem a systemem MAS polega na zdolności do samoorganizacji. Tradycyjny program wykonuje z góry określoną sekwencję poleceń, natomiast agenci dynamicznie planują sposób osiągnięcia celu, dobierają odpowiednie narzędzia i dostosowują się do zmieniających się warunków.
Czym systemy wieloagentowe różnią się od systemów jednoagentowych?
Pojedynczy agent pracuje sekwencyjnie i w obrębie jednego obszaru odpowiedzialności, natomiast systemy wieloagentowe rozdzielają zadania równolegle pomiędzy wyspecjalizowanych agentów. MAS przewyższają systemy jednoagentowe w złożonych, międzywydziałowych i równoległych zadaniach między innymi dlatego, że każdy agent wnosi specjalistyczną wiedzę ekspercką.
Pojedynczy agenci sprawdzają się szczególnie przy jasnych zadaniach o zrozumiałej ścieżce rozwiązania. Często są łatwiejsi w sterowaniu i bardziej efektywni kosztowo niż systemy wieloagentowe. W zależności od przypadku użycia odpowiedni jest system jedno- lub wieloagentowy, przy czym dla wielu zastosowań rekomenduje się również ich kombinację.
Pojedynczy agent i systemy wieloagentowe - bezpośrednie porównanie
Jak zbudowane są systemy wieloagentowe?
Systemy wieloagentowe (MAS) działają albo pod nadzorem centralnej jednostki z globalną bazą wiedzy, albo w zdecentralizowanej sieci, w której każdy agent komunikuje się z sąsiednimi agentami. Scentralizowana architektura zapewnia spójność wiedzy i ułatwia koordynację. Jej słabym punktem jest jednak pojedynczy punkt awarii (Single Point of Failure). Z kolei architektury zdecentralizowane są bardziej odporne i modułowe, ale wymagają bardziej złożonych mechanizmów koordynacji.
Architektury hybrydowe łączą oba podejścia. Centralny orkiestrator nadzoruje cały proces, natomiast podagenci realizują swoje zadania w sposób zdecentralizowany. Taki model dominuje obecnie we wdrożeniach produkcyjnych systemów opartych na dużych modelach językowych (LLM).
W systemie MAS agenci mogą być zorganizowani w następujący sposób:
Ponadto istnieją również trwale powiązani agenci o silnej wzajemnej zależności. To podejście nadaje się szczególnie do stabilnych, powtarzalnych przepływów pracy.
Jak działają technicznie systemy wieloagentowe oparte na LLM?
W systemach wieloagentowych opartych na dużych modelach językowych (LLM) każdy agent działa w ciągłej pętli obejmującej cztery etapy: percepcję, wnioskowanie, działanie i obserwację.
Agent odbiera dane wejściowe, planuje kolejny krok z wykorzystaniem mechanizmu wnioskowania LLM, wykonuje określone działanie (np. wywołanie narzędzia lub wysłanie wiadomości do innego agenta), a następnie analizuje uzyskany wynik, po czym cały cykl rozpoczyna się od nowa.
Z kolei zgodnie ze wzorcem ReWOO-Muster (Reasoning Without Observation) agent planuje z wyprzedzeniem wszystkie wywołania narzędzi jako element jednej, spójnej strategii, zanim przystąpi do ich realizacji. Pozwala to ograniczyć liczbę wywołań modelu LLM, a tym samym zmniejszyć związane z tym koszty.
Przykłady zastosowań: systemy wieloagentowe w kontekście ERP
W środowisku ERP systemy wieloagentowe są najbardziej efektywne tam, gdzie duża liczba transakcji łączy się z powtarzalnymi schematami podejmowania decyzji:
- Zakupy: sztuczna inteligencja w obszarze zakupów wcześniej wykrywa ryzyko problemów z dostawami, automatycznie inicjuje zamówienia i skraca czas realizacji procesu Procure-to-Pay.
- Księgowość: rozpoznawanie dokumentów, automatyczne dekretowanie oraz wykrywanie anomalii.
- Sprzedaż: przygotowywanie ofert i potwierdzanie terminów dostaw na podstawie danych planistycznych i stanów magazynowych, bez konieczności ręcznego przeszukiwania baz danych.
- HR: wstępna selekcja kandydatów, koordynacja rozmów kwalifikacyjnych oraz generowanie dokumentów w ramach jednego, spójnego procesu.
Skalowalność tych przypadków użycia zależy od architektury. Zgodnie z analizami Bitkom1, system MAS w kontekście ERP opiera się na modelu warstwowym, który składa się z warstwy orchestracji (sterowanie procesami, ścieżka audytu), wyspecjalizowanych agentów (prognozowanie, compliance, wykrywanie anomalii), wspólnej warstwy wiedzy i kontekstu oraz standaryzowanej infrastruktury komunikacyjnej.
Kluczowe znaczenie ma ścisłe oddzielenie warstwy orkiestracji, logiki agentów oraz transakcyjnego wykonywania operacji w systemie ERP. Dzięki temu testowanie, audyty oraz dalsza rozbudowa systemu pozostają łatwiejsze do zarządzania.
Checklista: wdrożenie systemu wieloagentowego w 4 krokach
Krok 1 - Zdefiniuj agentów
- Określ na piśmie rolę i zakres odpowiedzialności każdego agenta.
- Świadomie ogranicz zestaw narzędzi dostępnych dla każdego agenta (agent mający dostęp do wszystkich narzędzi nie jest specjalistą).
- Utrzymuj wąski zakres działania agenta - źle zdefiniowany zakres odpowiedzialności jest najczęstszą przyczyną chaotycznego działania systemu.
Krok 2 - Określ strategię orkiestracji
- Agent koordynujący steruje pracą pozostałych agentów i dba o to, aby zadania były wykonywane we właściwej kolejności.
- Model równorzędny: agenci współpracują na równych zasadach i wzajemnie weryfikują swoje wyniki.
- Zdefiniuj logikę eskalacji: co powinno się wydarzyć, gdy agent zostanie zablokowany lub jego wynik nie osiągnie wymaganego poziomu jakości?
Krok 3 - Wybierz protokół komunikacyjny
- MCP do integracji z narzędziami, interfejsami API i bazami danych (łączy agentów z zewnętrznymi narzędziami, interfejsami i bazami danych).
- A2A do komunikacji między agentami pochodzącymi od różnych dostawców i działającymi w różnych systemach.
- Określ tryb komunikacji: bezpośrednie przesyłanie wiadomości w przypadku zadań wymagających szybkiej reakcji oraz wspólna baza danych dla zadań, które nie muszą być realizowane natychmiast.
Krok 4 - Skonfiguruj monitoring i mechanizmy nadzoru (governance)
- Włącz AgentOps Tracing: rejestruj każdą decyzję wraz ze znacznikiem czasu, danymi wejściowymi i wynikami.
- Zdefiniuj punkty kontrolne Human-in-the-Loop: określ, które działania wymagają obowiązkowej akceptacji człowieka.
- Dodaj warstwę walidacji pomiędzy agentem generującym wynik a agentem wykonującym działanie.
Korzyści i ryzyka związane z systemami wieloagentowymi w sektorze średnich przedsiębiorstw
Korzyści: co konkretnie zyskują prezesi i dyrektorzy IT
- Odciążenie bez zwiększania zatrudnienia: powtarzalne procesy w księgowości, zakupach czy HR przebiegają autonomicznie, dzięki czemu specjaliści mogą skupić się na zadaniach o większej wartości.
- Specjalizacja zamiast kompromisów: każdy agent jest zoptymalizowany pod kątem konkretnej dziedziny.
- Rozwój bez zmiany systemu: nowe procesy można obsługiwać poprzez dodawanie kolejnych agentów, co pozwala uniknąć kosztownych modyfikacji systemu ERP.
- Ograniczenie przestojów procesów: w przypadku awarii jednego agenta jego zadania mogą przejąć pozostali.
Ryzyka: na co dyrektorzy IT powinni zwrócić uwagę przed wdrożeniem
- Błędy mogą się rozprzestrzeniać: Błędne dane wyjściowe jednego agenta są przyjmowane przez kolejne agenty jako fakty. Bez warstwy walidacyjnej niesie to ze sobą stałe ryzyko systemowe.
- Wspólne słabe strony: jeśli wielu agentów korzysta z tego samego modelu AI, dzielą oni również jego ograniczenia i „ślepe punkty”. W efekcie błąd modelu może wpłynąć na cały przebieg procesu.
- Trudne do kontrolowania koszty operacyjne: każda iteracja pracy agenta generuje wywołania API. Bez aktywnego monitorowania kosztów wydatki mogą rosnąć szybciej niż korzyści płynące z wdrożenia.
- Zarządzanie od samego początku: są warunkiem zapewnienia przejrzystości działania i zgodności z wymogami regulacyjnymi. Ich wdrożenie dopiero na późniejszym etapie często wiąże się z dodatkowymi kosztami. Ponadto w systemie wieloagentowym należy wyraźnie rozdzielić tożsamości i uprawnienia poszczególnych agentów. W przeciwnym razie trudno będzie ustalić, który agent podjął konkretną decyzję opartą na danych. Brak przejrzystości utrudnia wykrywanie błędów i może uniemożliwić pomyślne przeprowadzenie audytu – zarówno wewnętrznego, jak i zewnętrznego.
Źródło: Bitkom e.V., Multi-Agenten-Systeme im Kontext von ERP – Zwischen Automatisierung und Autonomie, s. 7–8.
Zaplanuj spotkanie z ekspertem AI!
Umów się na rozmowę online i poznaj ofertę Proalpha.
Grzegorz Wikierski, Head of Sales Poland, odpowie na Twoje pytania.
