Współpraca musi znajdować się w sercu wieloagentowego podejścia AI w przemyśle. Oto jak.

Większość, jeśli nie wszystkie, duże przedsiębiorstwa produkcyjne żongluje mnóstwem systemów w swojej cyfrowej infrastrukturze. Często wszystkie te systemy działają jednocześnie na hali produkcyjnej: agent predykcyjnego utrzymania monitoruje czujniki drgań pod kątem wzorców bezpieczeństwa, agent kontroli jakości oparty na wizji wykrywa wady produktów, a agent planowania zarządza przestojami, podczas gdy agent zarządzania zapasami śledzi zamówienia. Każdy ma jasno określone zadanie operacyjne, ale częściej niż nie, te systemy nie komunikują się ze sobą.

To właśnie brak współpracy podważa agentową sztuczną inteligencję w dużej skali produkcji. To, czy agent działa, to jedna sprawa, ale kolejnym istotnym problemem dla dużych firm produkcyjnych jest to, że działają one w prawie całkowitej izolacji.

Jednocześnie, chociaż liczba dużych organizacji wdrażających agenty AI przynajmniej w jednej funkcji wzrosła z 27% do 40% rok do roku, koncentrują się one na konkretnych funkcjach, takich jak IT i inżynieria oprogramowania, zamiast równomiernie rozmieszczać agenty w całej operacji jako spójny system. Tymczasem, mimo że większość organizacji planuje wdrożenie autonomicznych agentów, tylko około jednej trzeciej uważa, że ich infrastruktura jest gotowa, aby ich wesprzeć. Co więcej, badania z 2025 roku wykazały, że 79% awarii systemów LLM wieloagentowych wynika z problemów związanych z koordynacją i specyfikacją.

Producenci dodają autonomiczne podmioty decyzyjne na halę i linię produkcyjną szybciej, niż budują między nimi łączność. Prowadzi to do problemu koordynacji i współpracy, który podważa wydajność tych modeli. Ostatecznie objawia się to w trzech wyraźnych częściach stosu AI. Oto gdzie i co producenci powinni zrobić, aby zapewnić współpracujące, dobrze połączone systemy agentowe.

Największe punkty tarcia współpracy

Pierwszą i prawdopodobnie największą barierą są dane, które nadal stanowią znaczący problem dla wielu dużych organizacji dążących do skalowania AI. Większość producentów opiera się na dekadach zgromadzonej infrastruktury (i powiązanych z nią danych) w postaci systemów MES i ERP, które nie mają wspólnego schematu z innymi strumieniami danych, takimi jak komunikacja i zasoby ludzkie. Z tego powodu agenci mają trudności z komunikacją ze sobą, jeśli w ogóle; izolowane lub źle sformatowane dane stanowią prawie nieprzebraną barierę między wieloma agentami.

Przekłada się to na hali fabrycznej, gdzie agent monitorujący stan i wydajność maszyn na jednej linii nie ma wiarygodnego sposobu, aby dowiedzieć się, co planuje agent planowania dwa systemy dalej na nadchodzący przestój, mimo że obie decyzje i przepływy pracy bezpośrednio na siebie wpływają.

Kolejnym punktem tarcia jest protokół. To element, który nie otrzymuje wystarczającej uwagi przy podejściu do współpracy AI. Agentowa AI jest bardzo nowa i dopóki niedawno nie istniał prawdziwy standardowy sposób, w jaki agenci zbudowani na różnych ramach, fundamentach lub u różnych dostawców mogą się komunikować i współpracować.

Na szczęście zaczyna się to zmieniać. Na przykład protokoł Google Agent2Agent (A2A), który został uruchomiony w zeszłym roku, standaryzuje sposób, w jaki niezależni agenci (potencjalnie zbudowani na zupełnie różnych platformach) odkrywają wzajemne możliwości i delegują zadania. Co kluczowe, jest to wyraźnie zaprojektowany aby uzupełniać protokoł Model Context Protocol (MCP) firmy Anthropic, co standaryzuje sposób, w jaki każdy agent uzyskuje dostęp do narzędzi i źródeł danych. Wspólnym celem jest tutaj przełamanie izolacji i zapewnienie współpracy, nawet w środowiskach wieloagentowych, na dużą skalę.

Wreszcie wielu producentów wciąż zmaga się z kwestią nadzoru ludzkiego. Nawet doskonale skoordynowana sieć agentów zawiedzie, jeśli osoby nadzorujące ją nie będą ufały jej decyzjom lub będą miały nierealistyczne oczekiwania co do jej możliwości. Analitycy z MIT Sloan zasygnalizowali ostrzeżenia dotyczące zawyżonych oczekiwań i osłabionej pewności wobec agentowej AI, a także potencjalnego zagrożenia związanego z wycofaniem się ludzi od agentów AI. Na hali produkcyjnej te luki i punkty tarcia mogą być katastrofalne: ludzki element łączący ekosystem agentowy jest absolutnie niezbędny dla bezpiecznej, niezawodnej eksploatacji.

Mostowanie luki zaufania

Kuszące jest traktowanie ludzkiej strony tego problemu jako czysto kulturowego zagadnienia, które można rozwiązać poprzez dodatkowe sesje szkoleniowe. Jednak takie działania nie przyniosą efektu, jeśli nie będą połączone z trwałymi rozwiązaniami architektonicznymi. Projektowanie nadzoru musi uwzględniać, kiedy ludzka ocena powinna ustąpić systemowi, a nie po prostu domyślnie odrzucać sugestię agenta, ponieważ osoba w pętli nie zgadza się z nią.

Zadbaj o przejrzystość rozumowania, co oznacza, że zawsze istnieje widoczność i możliwość rozłożenia na czynniki pierwsze, dlaczego agent podjął określoną decyzję lub zgłosił sugestię, wykraczając poza jedynie obserwację wyniku. A gdy operatorzy się nie zgadzają, zapewnij jasną i efektywną ścieżkę eskalacji, która utrwali przejrzystość i możliwość śledzenia procesów decyzyjnych.

Odbudowa poczucia całości

Agenci, podobnie jak zespoły, które mają wspierać, potrzebują więcej niż dostęp do wąskiego, konkretnego zadania. Potrzebują czegoś, co można określić jako poczucie całości; działającego modelu, jak ich fragment operacji łączy się ze wszystkim innym. Agent planujący optymalizujący czas przestawiania bez jakiejkolwiek widoczności tego, co agent utrzymania widzi w odniesieniu do starzejącego się sprzętu, podejmuje jedynie w miarę akceptowalną decyzję, która może nie być właściwa w kontekście innych wymagań przepływu pracy.

To właśnie w tym miejscu warstwa protokołu i problem poczucia całości zbieżają się. Wspólny kontekst jest praktycznym sposobem, w jaki indywidualne zadanie agenta jest powiązane ze stanem całej fabryki. W przemyśle istnieje już częściowe rozwiązanie tego problemu w postaci standardów, takich jak ISA-95, które definiują wspólne środki, jak systemy przedsiębiorstwa i sterowania komunikują się w zakładzie. Nowością jest jednak rozszerzenie tej koncepcji wspólnego słownika operacyjnego z integracji czytelnej dla człowieka na informacje, które agenci mogą przetwarzać.

Bez tego wspólnego modelu każdy kolejny wdrożony agent dodaje nowy, odizolowany punkt rozumowania i podejmowania decyzji, który nie jest częścią spójnej całości. To właśnie w ten sposób rozrost agentów pogarsza się zamiast rozwiązywać się wraz ze skalowaniem adopcji.

Śledzenie właściwych miar sukcesu

Kolejną pułapką jest po prostu mierzenie AI agentowego tak samo, jak monitoruje się wdrożenie dowolnego innego oprogramowania: koncentrowanie się na liczbach wydajności i zapewnianie ich ciągłego wzrostu. W przypadku skoordynowanych i współpracujących systemów wielo‑agentowych nie jest to koniecznie korzystne i może wręcz przynieść odwrotny skutek, gdy stanie się jedyną miarą wydajności.

Pierwszą rzeczą, którą warto potwierdzić, nie jest jedynie, ile pieniędzy agent oszczędza, lecz czy działa bezpiecznie i zgodnie z przeznaczeniem. Należy zapewnić, że działa w określonych granicach, ma przewidywalne awarie oraz umożliwia odpowiednią interwencję i eskalację ze strony człowieka. Dopiero po rozwiązaniu tych kwestii jakość powinna zająć centralne miejsce, np. czy wynik agenta jest rzeczywiście poprawny i spójny, a nie tylko natychmiastowy.

To jest kolejność priorytetów, której powinni przestrzegać producenci. Prędkość, przepustowość i oszczędności kosztów znajdują się najniżej na liście. Wzrost wydajności oparty na niebezpiecznym lub niewiarygodnym agencie stanowi zobowiązanie wobec zespołów, technologii, linii produkcyjnych, relacji oraz reputacji firmy.

Testuj w małej skali, zanim przejdziesz do większej. Jeden agent realizujący jedną jasno określoną czynność może dostarczyć czyste porównanie przed i po. Jednak gdy perspektywa zostaje rozszerzona, aby objąć dziesiątki współdziałających agentów w całej fabryce, zanim którykolwiek z nich zostanie indywidualnie zweryfikowany, znacznie trudniej jest określić, która część systemu generuje wynik. Złożoność powinna być dodawana do podejścia pomiarowego jedynie w tym samym tempie, w jakim jest wprowadzana do wdrożenia.

Tutaj współpraca i pomiar zaczynają współistnieć. Wynik agenta będzie tak wiarygodny, jak kontekst, do którego miał dostęp podczas działania. Oznacza to, że wspomniany problem wspólnego kontekstu jest w rzeczywistości warunkiem wstępnym pomiaru. Producenci, którzy nie opracowali jednolitego obrazu operacji we wszystkich systemach, nie mają wiarygodnego sposobu określenia, czy pozytywny lub negatywny wynik odzwierciedla ocenę agenta, czy lukę w dostępie, do którego jest uprawniony. Metryki, które mają znaczenie, są czytelne, gdy sekwencjonowanie i wspólny kontekst są ustalone.

Koordynacja i współpraca w centrum kompetencji

Ostatecznie strukturalne przewagi dużych producentów (ich ogromne wolumeny produkcji, historyczne zestawy danych, spójność procesów oraz zasoby talentów i technologii) są niezaprzeczalne. Jednak te przewagi nasilają się jedynie wtedy, gdy producenci najpierw rozwiążą problem współpracy.

Patrząc w przyszłość, w miarę jak możliwości AI rozwijają się w kierunku potencjalnej pełnej autonomii, a zarówno systemy, jak i linie produkcyjne rosną, współpraca i koordynacja stają się absolutną koniecznością. Traktowanie interoperacyjności, standardów protokołów, wspólnego kontekstu, skalibrowanej kontroli ludzkiej oraz poczucia całości jako wymogów architektonicznych przed skalowaniem i wdrożeniem jest niezbędne. To linia podziału między producentami, którzy skutecznie i bezpiecznie skalują AI agentowe, a tymi, którzy utknęli w fazie pilotażowej.