Samarbeid må sitte i hjertet av produksjonens multi‑agent‑AI‑tilnærming. Slik gjør du det.

De fleste, om ikke alle, store produsenter håndterer en mengde systemer i sin digitale infrastruktur. Ofte opererer disse samtidig på fabrikkgulvet: en prediktiv vedlikeholdsagent overvåker vibrasjonsensorer for sikkerhetsmønstre, en visjonsbasert kvalitetskontrollagent flagger produktdefekter, og en planleggingsagent håndterer omstillinger mens en lageragent holder oversikt over innkjøp. Hver har en klar operativ oppgave, men ofte snakker ikke disse systemene med hverandre.

Det er nettopp mangelen på samarbeid som undergraver agent‑AI i stor skala produksjon. Om en agent fungerer eller ikke er én ting, men et annet betydelig problem for store produksjonsbedrifter er at de opererer i nesten total isolasjon.

Også selv om antallet store organisasjoner som skalerer AI‑agenter i minst én funksjon har økt fra 27 % til 40 % år for år, fokuserer de på spesifikke funksjoner som IT og programvareutvikling i stedet for å fordele agenter jevnt over hele driften som et koordinert system. Samtidig, selv om flertallet av organisasjonene planlegger å sette i drift autonome agenter, tror kun omtrent en tredjedel at infrastrukturen er klar til å støtte dem. Dessuten viste forskning fra 2025 at 79 % av feil i multi‑agent‑LLM‑systemer skyldes problemer knyttet til koordinering og spesifikasjon.

Produsenter legger til autonome beslutningstakere på gulvet og produksjonslinjen raskere enn de bygger tilkoblingen mellom dem. Dette forverrer koordinasjons‑ og samarbeidsproblemer som undergraver hvordan disse modellene presterer. Til slutt viser dette seg i tre distinkte deler av AI‑stakken. Her er hvor, og hva produsenter bør gjøre for å sikre samarbeidsvillige, godt‑tilkoblede agent‑systemer.

Samarbeidets største friksjonspunkter

Den første og kanskje største barrieren er data, som fortsatt er et betydelig hinder for mange store organisasjoner som ønsker å skalere AI. De fleste produsenter opererer på tiår med akkumulert infrastruktur (og data knyttet til den) i form av MES‑ og ERP‑systemer som ikke deler et felles skjema med andre datastrømmer som kommunikasjon og personaladministrasjon. På grunn av dette sliter agenter med å kommunisere med hverandre, om i det hele tatt; isolert eller dårlig formatert data utgjør en nesten ubrytelig barriere mellom flere agenter.

Dette materialiserer seg på fabrikkgulvet når en agent som overvåker maskinhelse og ytelse på én linje ikke har noen pålitelig måte å vite hva planleggingsagenten to systemer videre har planlagt for den kommende omstillingen, selv om de to beslutningene og arbeidsflytene påvirker hverandre direkte.

Den neste friksjonspunkten er protokoll. Det er et element som ikke får nok oppmerksomhet når man nærmer seg AI‑samarbeid. Agent‑AI er svært ny, og inntil nylig fantes det ingen reell standardmåte for agenter bygget på ulike rammeverk, plattformer eller leverandører å kommunisere og samarbeide.

Heldigvis begynner dette å endre seg. For eksempel Googles Agent2Agent (A2A) protokoll, som ble lansert i fjor, standardiserer hvordan uavhengige agenter (potensielt bygget på helt ulike plattformer) oppdager hverandres evner og delegere oppgaver. Avgjørende er at dette er eksplisitt designet for å komplettere Anthropics Model Context Protokoll (MCP), som standardiserer hvordan hver agent får tilgang til verktøy og datakilder. Det felles målet her er å overvinne isolasjon og sikre samarbeid, selv i multi‑agent‑miljøer, i stor skala.

Til slutt sliter mange produsenter fortsatt med spørsmålet om menneskelig tilsyn. Selv et perfekt koordinert agentnettverk vil svikte dersom menneskene som har ansvaret for det ikke stoler på beslutningene eller har urealistiske forventninger til evnene. Analytikere fra MIT Sloan har hevet advarsler om oppblåste forventninger og svekket tillit til agent‑AI, samt en potensiell trussel om menneskelig frakobling fra AI‑agenter. På fabrikkgulvet kan disse hullene og friksjonspunktene være katastrofale: den menneskelige tråden som knytter sammen agent‑økosystemet er helt avgjørende for sikker og pålitelig drift.

Brobygging av tillitsgapet

Det er fristende å betrakte den menneskelige siden som et rent kulturelt spørsmål som kan løses med flere opplæringsøkter. Imidlertid vil disse tiltakene ikke holde mål med mindre de kombineres med varige arkitektoniske løsninger. Tilsynsdesign må ta høyde for når menneskelig skjønn skal gi plass til systemet, og ikke bare som standard overstyre agentens forslag fordi personen i kretsen er uenig.

Inkluder begrunnelsestransparens, noe som betyr at det alltid er synlighet og mulighet til å forklare hvorfor en agent tok en beslutning eller flagget et forslag, utover bare å observere resultatet. Og når operatører er uenige, sørg for at det finnes en klar og effektiv eskaleringsvei som forankrer transparens og sporbarhet i beslutningsprosessene.

Gjenoppbygging av en følelse av helhet

Agenter, på samme måte som teamene de er bygget for å støtte, trenger mer enn tilgang til en smal, spesifikk oppgave. De trenger det som tilsvarer en følelse av helhet; en arbeidsmodell for hvordan deres del av driften kobles til alt annet. En planleggingsagent som optimaliserer omstillingstid uten noen innsikt i hva vedlikeholdsagenten ser om aldrende utstyr, tar kun en delvis akseptabel beslutning som kanskje ikke er den riktige når den settes opp mot andre arbeidsflytkrav.

Dette er hvor protokollaget og problemet med helhetsfølelse møtes. Delt kontekst er det praktiske middelet som forankrer en agents individuelle oppgave i plantens bredere faktiske tilstand. I produksjon finnes det allerede et delvis svar på dette i form av standarder som ISA-95, som definerer felles metoder for hvordan virksomhets‑ og kontrollsystemer i hovedsak kommuniserer på tvers av en fabrikk. Det nye nå er å utvide denne ideen om et delt operasjonelt vokabular fra menneskelig lesbar integrasjon til informasjon som agenter kan behandle.

Uten den delte modellen tilfører hver ekstra agent som tas i bruk et nytt isolert punkt for resonnering og beslutningstaking som ikke er en del av en sammenhengende helhet. Det er nettopp slik agentspredning forverres i stedet for å løse seg selv når adopsjonen skaleres.

Holde pulsen på de riktige målingene for suksess

En annen felle er å måle agentisk AI på samme måte som enhver annen programvareutrulling overvåkes: fokusere på effektivitets‑tall og sørge for at de fortsetter å øke. For koordinerte og samarbeidsorienterte multi‑agent‑systemer er dette ikke nødvendigvis fordelaktig og kan faktisk slå tilbake når det blir den eneste ytelsesindikatoren.

Det første som bør bekreftes er ikke bare hvor mye penger en agent sparer, men om den er trygg og sikker å operere som designet. Sørg for at den handler innenfor sine tiltenkte grenser, har forutsigbare feil og tillater menneskelig inngripen og eskalering etter behov. Først når dette er på plass bør kvaliteten stå i sentrum, for eksempel om agentens output faktisk er korrekt og konsistent og ikke bare umiddelbar.

Dette er prioriteringsrekkefølgen produsenter bør følge. Hastighet, gjennomstrømning og kostnadsbesparelser er de laveste prioriteringene. En produktivitetsgevinst bygget på en usikker eller upålitelig agent er en forpliktelse for team, teknologi, produksjonslinjer, relasjoner og forretningsomdømme.

Test i liten skala før du går videre til større omfang. En enkelt agent som håndterer en veldefinert oppgave kan gi en klar før‑og‑etter‑sammenligning. Når perspektivet imidlertid utvides til å omfatte dusinvis av samhandlende agenter på tvers av en hel fabrikk før noen av dem er validert individuelt, blir det mye vanskeligere å fastslå hvilken del av systemet som driver resultatet. Kompleksitet bør kun legges til målemetoden i samme tempo som den legges til implementeringen.

Her begynner samarbeid og måling å eksistere side om side. En agents output vil kun være så pålitelig som konteksten den hadde tilgang til da den handlet. Dette betyr at det nevnte problemet med delt kontekst faktisk er en forutsetning for måling. Produsenter som ikke har løst en samlet driftsoversikt på tvers av systemer, har ingen pålitelig måte å vite om et positivt eller negativt resultat reflekterer agentens vurdering eller et hull i hva den har tilgang til. De målene som betyr noe, blir lesbare når sekvensering og delt kontekst er låst på plass.

Koordinering og samarbeid i sentrum av kapasitet

Til syvende og sist er store produsenters strukturelle fordeler (deres enorme produksjonsvolumer, historiske datasett, prosesskonsekvens og talent‑ og teknologiresurser) udiskutable. Disse fordelene forsterkes imidlertid kun dersom produsentene først løser samarbeidsproblemet.

Når vi ser fremover, etter hvert som AI‑kapasiteter utvikler seg mot mulig total autonomi, og både systemer og produksjonslinjer vokser, er dette samarbeidet og koordineringen en absolutt nødvendighet. Å behandle interoperabilitet, protokollstandarder, delt kontekst, kalibrert menneskelig tilsyn og en følelse av helhet som arkitektoniske forutsetninger før skalering og utrulling er et must. Det er skillet mellom produsenter som skalerer agentisk AI på en vellykket og sikker måte, og de som sitter fast i pilotprosjekter.