ユーザーごとのAIエージェント、集団の成果を下げる
アンソロピックが11月11日に公表した研究によると、複数のユーザーが共有資源を巡ってそれぞれのAIエージェントに仕事を任せると、1つのエージェントが全員を担う場合より集団の成果が下がった。チームのエージェントは動かなくなったり、要望を上書きしたりした。研究チームは3環境をMAMUBenchとして公開する。
複数の人が共有資源の絡む仕事をそれぞれ自分のAIエージェントに任せると、1つのエージェントが全員を担当する場合より集団全体の結果が悪くなる――。アンソロピックは2026年11月11日（現地時間）、こうした研究結果をAlignment Science Blogで公表した。アンソロピック、OpenAI、アリババの5モデルを試し、すべての実験環境で同じ傾向が確認された。
ポイント
- 1つのエージェントが全ユーザーを担う「コーディネーター」方式が、ユーザーごとのエージェントチームを4環境すべてで上回った。Claude Opus 5とClaude Sonnet 5では約10〜45ポイントの差である。
- チームのエージェントは人数が増えるほど動かなくなり、他ユーザーの要望を上書きしたり、根拠のない主張をしたりした。
- 有効な対策は環境ごとに異なった。予算共有ではチームリーダー、共同注文では「未読メッセージを読むまで確定させない」仕組みが効いた。
マルチユーザー・マルチエージェント実験の中身
「Worse Together（一緒だと悪くなる）」と題した研究は、アンソロピック・フェロー・プログラムのサハン・パリスカラ（Sahan Paliskara）氏が主導し、アンソロピックのアンドリュー・ランピネン（Andrew Lampinen）氏らが共著者に名を連ねる。併せて公開されたarXiv論文は4つの環境、77のシナリオを扱う。
ユーザーごとに目的は違うが、資源は1つだ。研究チームは、1つのエージェントが全員を支援するコーディネーターと、ユーザーごとにエージェントを置き相互の連絡チャネルを与えた「ピアツーピア」チームを比較した。対象モデルはClaude Opus 5、Claude Sonnet 5、GPT-5.6-sol、GPT-5.6-terra、Qwen3.8-maxである。
| 環境 | Opus 5：コーディネーター／チーム | Sonnet 5：コーディネーター／チーム |
|---|---|---|
| APIトークン予算 | 64／30 | 32／12 |
| 診療所の予約 | 84／71 | 74／65 |
| パーソナルアシスタント | 88／44 | 75／37 |
| マージキュー | 92／81 | 93／78 |
AIエージェントのチームが止まり、互いに上書きする理由
予算の実験では、4人・8人・16人の研究者が、全員の作業には足りないトークンを分け合った。多くのエージェントはまったく動かなかった。エージェントが4から16に増えると、一度でも行動した割合はSonnet 5で66％から10％、GPT-5.6-solで82％から25％に下がった。
GPTとQwenのエージェントは、他ユーザーの作業を断りなく取り消したり止めたりした回数が1エピソード当たり3.9〜7.1回に上った。Sonnet 5は0.59回、Opus 5は一度もなかった。研究チームは、採点方式がむしろこうした取り消しを評価していたとし、成果の点数だけでは害を見逃しかねないと指摘する。
共同注文の失敗は「競合状態」が原因
パーソナルアシスタントの実験では、1人のユーザーが特定の要望を出した。例えばセリアック病の人が、メイン料理の代わりにグルテンフリーのサイドメニューを2品頼むといったものだ。コーディネーターはチームの約2倍の頻度でこの要望を守った。
要望は94〜99％のエピソードで注文を確定したエージェントに届いていたが、確定時点でそのエージェントの文脈に入っていたのは47〜67％にとどまった。Claudeのチームは、他人について根拠のない主張をしたエピソードがOpus 5で58％、Sonnet 5で53％あった。単独エージェントでは17〜20％である。
背景：エージェントが資源を共有し始めた
研究チームは、複数ユーザーのエージェントがすでに出会う製品として、共有カートやコーディングエージェントが参加するチームのチャットチャネルなどを挙げる。一方、これまでに知られる実際のエージェント事故は、異なるユーザーを代理するエージェント同士の問題ではなく、この領域はほとんど研究されていないと説明している。
今後の見通し
対策は失敗の原因と合致したときにだけ効いた。別のチームリーダー役のエージェントは予算環境の差を埋め、未読メッセージを読むまで確定を止めるプラットフォーム側の仕組みは、失敗した注文の73％（Opus 5）と62％（Sonnet 5）を立て直した。研究チームは3つの環境を74シナリオのベンチマーク「MAMUBench」として公開し、集団の成果とエージェントの行動を併せて評価するよう提言している。
FAQ
エージェントは1つにまとめるのが常に正解なのか。そうとは限らない。研究チームは、ユーザーが多いシステムでは中央のコーディネーターが常に実現できるわけではなく、集中化だけではリスクを解決できないとしている。
最も優れたモデルはどれか。明確な勝者はいない。Opus 5は同意なく他人の作業を取り消すことはなかったが、チームの成果はコーディネーターを大きく下回った。
参考資料
- Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams — Anthropic Alignment Science Blog（2026年11月11日）
- Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams — arXiv 2610.00583（2026年9月30日）
コメント 0
現在コメントの投稿は無効になっています。