Samarbejde skal være i hjertet af fremstillingsbranchens multi‑agent‑AI‑tilgang. Sådan gør du.

De fleste, om ikke alle, store producenter jonglerer med en overflod af systemer i deres digitale infrastruktur. Ofte kører disse alle samtidigt på fabriksgulvet: en forudsigende vedligeholdelsesagent overvåger vibrationssensorer for sikkerhedsmønstre, en vision‑baseret kvalitetskontrolagent markerer produktdefekter, og en planlægningsagent håndterer omlægninger, mens en lageragent holder øje med indkøb. Hver har en klar operationel opgave, men oftere end ikke taler disse systemer ikke sammen.

Det er netop manglen på samarbejde, der underminerer agent‑AI i stor‑skala produktion. Hvorvidt en agent fungerer eller ej er én ting, men et andet væsentligt problem for store produktionsvirksomheder er, at de opererer i næsten total isolation.

Og mens antallet af store organisationer, der skalerer AI‑agenter i mindst én funktion, er steget fra 27 % til 40 % år for år, fokuserer de på specifikke funktioner som IT og softwareudvikling i stedet for at fordele agenter jævnt over hele driften som et koordineret system. Samtidig, selvom flertallet af organisationerne planlægger at implementere autonome agenter, tror kun omkring en tredjedel, at deres infrastruktur er klar til at understøtte dem. Endvidere viste forskning fra 2025, at 79 % af fejl i multi‑agent LLM‑systemer stammer fra problemer med koordinering og specifikation.

Producenter tilføjer autonome beslutningstagere til gulvet og produktionslinjen hurtigere, end de bygger den nødvendige forbindelse mellem dem. Dette forværrer koordinations‑ og samarbejdsproblemer, som underminerer, hvordan disse modeller fungerer. I sidste ende viser dette sig i tre særskilte dele af AI‑stakken. Her er, hvad producenter bør gøre for at sikre samarbejdende, velforbundne agent‑systemer.

Samarbejdets største friktionspunkter

Den første og måske største barriere er data, som fortsat er et betydeligt hængepunkt for mange store organisationer, der ønsker at skalere AI. De fleste producenter opererer på årtiers akkumuleret infrastruktur (og de data, der er knyttet til den) i form af MES‑ og ERP‑systemer, som ikke deler et fælles skema med andre datastrømme som kommunikation og HR. På grund af dette har agenter svært ved at kommunikere med hinanden, om overhovedet; isolerede eller dårligt formaterede data udgør en næsten uoverstigelig barriere mellem flere agenter.

Dette viser sig på fabriksgulvet, når en agent, der overvåger maskinens sundhed og ydeevne på én linje, ikke har nogen pålidelig måde at vide, hvad planlægningsagenten to systemer videre planlægger for den kommende omlægning, selvom de to beslutninger og arbejdsgange påvirker hinanden direkte.

Det næste friktionspunkt er protokollen. Det er et element, der ikke får nok opmærksomhed, når man tilgår AI‑samarbejde. Agent‑AI er meget ny, og indtil for nylig fandtes der ingen reel standard for, hvordan agenter bygget på forskellige rammer, grundlag eller leverandører kan kommunikere og samarbejde.

Heldigvis begynder det at ændre sig. For eksempel Googles Agent2Agent (A2A)-protokol, som blev lanceret sidste år, standardiserer, hvordan uafhængige agenter (eventuelt bygget på helt forskellige platforme) opdager hinandens kapabiliteter og delegere opgaver. Vigtigt er dette eksplicit designet til at supplere Anthropics Model Context-protokol (MCP), som standardiserer, hvordan hver agent får adgang til værktøjer og datakilder. Det fælles mål er at overvinde isolation og sikre samarbejde, selv i multi‑agent‑miljøer, i stor skala.

Endelig kæmper mange producenter stadig med spørgsmålet om menneskelig tilsyn. Selv et perfekt koordineret agentnetværk vil fejle, hvis de personer, der overvåger det, ikke har tillid til dets beslutninger eller har urealistiske forventninger til dets kapaciteter. Analytikere fra MIT Sloan har fremsat advarsler om oppustede forventninger og faldende tillid til agent‑AI, samt en potentiel trussel om menneskelig frakobling fra AI‑agenter. På fabriksgulvet kan disse huller og friktionspunkter være katastrofale: den menneskelige tråd, der forbinder det agent‑økosystem, er absolut afgørende for sikre, pålidelige operationer.

Brobygning af tillidskløften

Det er fristende at betragte den menneskelige side som et rent kulturelt problem, der kan løses med flere træningssessioner. Disse indsatser vil dog ikke være tilstrækkelige, medmindre de kombineres med holdbare arkitektoniske løsninger. Tilsynsdesign skal tage højde for, hvornår menneskelig dømmekraft skal træde tilbage til systemet, i stedet for blot at tilsidesætte agentens forslag, fordi personen i kredsen er uenig.

Indbyg ræsonnementgennemsigtighed, hvilket betyder, at der altid er synlighed og mulighed for at analysere, hvorfor en agent traf en beslutning eller markerede et forslag, ud over blot at observere resultatet. Og når operatører er uenige, skal der sikres en klar og effektiv eskaleringsvej, som forankrer gennemsigtighed og sporbarhed i beslutningsprocesserne.

Genopbygning af en følelse af helhed

Agenter, ligesom de teams, de er bygget til at støtte, har brug for mere end adgang til en snæver, specifik opgave. De har brug for, hvad der svarer til en følelse af helhed; en arbejdende model for, hvordan deres del af driften forbinder sig med alt andet. En planlægningsagent, der optimerer omstillingstid uden nogen synlighed i, hvad vedligeholdelsesagenten ser om aldrende udstyr, træffer kun en nogenlunde acceptabel beslutning, som måske ikke er den rigtige, når den sættes op imod andre arbejdsflowkrav.

Det er her, protokollaget og problemet med følelsen af helhed mødes. Delt kontekst er det praktiske middel, hvormed en agents individuelle opgave forankres i anlæggets bredere faktiske tilstand. I fremstillingsindustrien findes der allerede et delvist svar på dette i form af standarder såsom ISA-95, som definerer fælles metoder til, hvordan virksomheds- og kontrolsystemer grundlæggende kommunikerer på tværs af et anlæg. Nyheden nu er dog at udvide denne idé om et delt operationelt ordforråd fra menneskelæselig integration til information, som agenter kan behandle.

Uden den delte model tilføjer hver ekstra agent, der implementeres, et nyt isoleret punkt for ræsonnement og beslutningstagning, som ikke er en del af en sammenhængende helhed. Det er præcis sådan, agentspredning forværres i stedet for at løse sig selv, når adoptionen skalerer.

Holde pulsen på de rette målinger for succes

En anden fælde er blot at måle agentbaseret AI på samme måde som enhver anden softwareudrulning overvåges: at fokusere på effektivitetstal og sikre, at de fortsat stiger. For koordinerede og samarbejdende multi‑agent systemer er dette ikke nødvendigvis gavnligt og kan faktisk slå tilbage, når det bliver den eneste præstationsmåling.

Det første, der er værd at bekræfte, er ikke blot, hvor mange penge en agent sparer, men om den er sikker og tryg at operere som designet. Sørg for, at den handler inden for sine tilsigtede grænser, har forudsigelige fejl, og tillader menneskelig indgriben og eskalering efter behov. Først når dette er afklaret, bør kvaliteten komme i forgrunden, såsom om agentens output faktisk er korrekt og konsistent og ikke blot øjeblikkeligt.

Dette er den prioriteringsrækkefølge, som producenter bør følge. Hastighed, gennemløb og omkostningsbesparelser er de laveste prioriteter. En produktivitetsforøgelse bygget på en usikker eller upålidelig agent er en forpligtelse for teams, teknologi, produktionslinjer, relationer og virksomhedens omdømme.

Test i lille skala, før du går videre til større. En enkelt agent, der håndterer en enkelt veldefineret opgave, kan give en klar før‑og‑efter‑sammenligning. Men når perspektivet udvides til at omfatte dusinvis af interagerende agenter på tværs af et helt anlæg, før nogen er blevet valideret individuelt, er det meget sværere at fastslå, hvilken del af systemet der driver resultatet. Kompleksitet bør kun tilføjes målemetoden i samme tempo som den tilføjes implementeringen.

Her begynder samarbejde og måling at sameksistere. En agents output vil kun være så pålidelig som den kontekst, den havde adgang til, da den handlede. Det betyder, at det førnævnte problem med delt kontekst faktisk er en forudsætning for måling. Producenter, der ikke har løst et samlet driftsbillede på tværs af systemer, har ingen pålidelig måde at vide, om et positivt eller negativt resultat afspejler agentens dømmekraft eller et hul i den adgang, den har fået. De målinger, der betyder noget, er læsbare, når sekvensen og den delte kontekst er låst.

Koordination og samarbejde i centrum for kapabilitet

Ultimativt er store producenters strukturelle fordele (deres enorme produktionsvolumener, historiske datasæt, proceskonsekvens og talent‑ og teknologiresurser) ubestridelige. Disse fordele forstærkes dog kun, hvis producenter først løser samarbejdsproblemet.

Ser man fremad, efterhånden som AI‑kapaciteter udvikler sig mod mulig total autonomi, og både systemer og produktionslinjer vokser, er dette samarbejde og denne koordination en absolut nødvendighed. At betragte interoperabilitet, protokolstandarder, delt kontekst, kalibreret menneskelig overvågning og en følelse af helhed som arkitektoniske forudsætninger før skalering og implementering er et must. Det er den afgørende forskel mellem producenter, der skalerer agentbaseret AI med succes og sikkerhed, og dem, der sidder fast i pilotprojekter.