Anthropic поставила кількох AI-агентів працювати над однією й тією самою задачею без попереднього розподілу ролей — і замість кооперації вони почали конкурувати за спільні ресурси, наче йдеться про територіальну суперечку, а не про спільний проєкт.

За даними TechCrunch, компанія описала цю поведінку як справжню «turf war»: агенти не ділили підзадачі між собою, а натомість намагалися одночасно взятися за одні й ті самі кроки виконання, перезаписуючи чи скасовуючи результати одне одного замість того, щоб доповнювати роботу колег.

Для індустрії, яка щойно почала масово переходити від одиничних чат-ботів до флотів автономних агентів — від Claude Code із його підагентами до конкурентних мультиагентних фреймворків, — цей випадок є показовим нагадуванням: більше агентів не означає більше інтелекту, якщо між ними немає чіткого протоколу координації.

Що саме сталося з агентами Anthropic?

Anthropic випустила декілька агентів на базі власних моделей Claude на одну задачу одночасно, не визначивши заздалегідь, хто за яку частину роботи відповідає. Результат — не пришвидшене паралельне виконання, а конфлікт: агенти почали претендувати на ті самі файли, кроки чи ресурси, ефективно борючись за «територію» всередині задачі, а не поділяючи її між собою.

Це принципово інша картина порівняно з тим, як Anthropic описувала власну мультиагентну архітектуру раніше — з провідним агентом-оркестратором і підпорядкованими субагентами, кожен з яких отримує чітко окреслену зону відповідальності. Коли такої ієрархії немає, а агентам просто дають однакові права й однакову ціль, координація не виникає сама собою.

Чому агенти ШІ починають конкурувати замість співпраці?

Кожен окремий агент оптимізує виконання своєї копії задачі локально, не маючи спільного уявлення про те, що вже зробили інші. Без арбітра чи блокувань це відтворює класичну проблему розподілених систем — race condition, тільки замість потоків і баз даних тут конкурують мовні моделі за виклики інструментів і зміни у файлах.

• Дублювання роботи — кілька агентів одночасно виконують ту саму дію, витрачаючи токени й обчислювальні ресурси даремно.
• Перезапис результатів — один агент скасовує чи заміщує правки іншого, бо не бачить, що зміна вже внесена.
• Боротьба за ресурси — агенти «захоплюють» файли, гілки чи інструменти, блокуючи доступ до них для решти.
• Відсутність спільної памʼяті — без синхронізованого стану кожен агент діє так, ніби він єдиний виконавець задачі.

Що це означає для тих, хто будує мультиагентні системи?

Головний практичний висновок — розподіл задач і межі відповідальності мають бути явними, а не такими, що виникають самі собою. Наївний підхід «запустимо десять агентів на один промпт і виберемо найкращий результат» працює лише для незалежних, паралельних спроб (як у sampling-стратегіях), але ламається, коли агенти повинні змінювати спільний стан — код, документи, бази даних.

Для AI-білдерів це означає: перед масштабуванням кількості агентів варто інвестувати в оркестраційний шар — лідера, який ділить задачу на неперетинні підзадачі, систему блокувань для спільних ресурсів і механізм, що виявляє конфлікти до того, як вони пошкодять результат. Це той самий урок, який індустрія вже проходила з мікросервісами та розподіленими базами даних, тепер його доводиться заново вивчати на рівні AI-агентів.

Показово, що сама Anthropic одночасно готується до IPO вартістю $2 трильйони — тобто компанія масштабує агентні продукти під величезні очікування ринку саме тоді, коли публічно визнає: координація агентів усередині однієї задачі — нетривіальна інженерна проблема, а не деталь, яку можна ігнорувати.

Висновок AiiN

За нашою оцінкою, головний урок цього експерименту не в тому, що AI-агенти «конфліктують» — а в тому, що індустрія масово продає ідею мультиагентності як готове рішення, тоді як насправді це архітектурна задача, яку потрібно вирішувати окремо для кожного продукту. Компанії, що вже випускають агентний код у продакшн — від Anthropic до DeepSeek з її агентним кодом у V4 Pro, — стикнуться з тим самим питанням: хто в системі відповідає за розподіл роботи, коли агентів більше одного. Для AI-білдерів це сигнал не боятися мультиагентних систем, а закладати оркестрацію й межі власності над ресурсами в архітектуру з першого дня, а не додавати їх постфактум, коли агенти вже почали «воювати» за спільний код.

Чи стосується ця проблема лише агентів Anthropic?

Ні, конфлікт за ресурси — типова риса будь-якої мультиагентної системи без координаційного шару, незалежно від того, які моделі лежать в основі агентів. Anthropic просто публічно задокументувала те, з чим уже стикалися розробники власних агентних пайплайнів.

Як уникнути «turf war» між власними AI-агентами?

Найнадійніший спосіб — заздалегідь ділити задачу на непересічні підзадачі й призначати кожному агенту чітку зону відповідальності, а спільні ресурси (файли, гілки, бази даних) захищати блокуваннями чи чергою змін. Додатковий рівень захисту — агент-оркестратор, що перевіряє результати перед їх застосуванням.

Чи означає це, що мультиагентні системи не варто використовувати?

Ні, це означає лише, що кількість агентів сама по собі не гарантує якості результату. Мультиагентні архітектури залишаються ефективними для задач, які природно діляться на незалежні частини, — проблема виникає саме там, де розподіл ролей пропускають як «зайвий» крок.