Samarbete måste stå i centrum för tillverkningssektorns multi‑agentbaserade AI‑strategi. Så här gör du.

De flesta, om inte alla, storskaliga tillverkare jonglerar en mängd system i sina digitala ryggradssystem. Ofta kör de alla samtidigt på verkstadsgolvet: en prediktiv underhållsagent övervakar vibrationssensorer för säkerhetsmönster, en bildbaserad kvalitetskontrollagent flaggar produktdefekter och en schemaläggningsagent hanterar omställningar medan en lageragent håller koll på inköp. Var och en har en tydlig operativ uppgift, men oftare än inte kommunicerar dessa system inte med varandra.

Det är just bristen på samarbete som undergräver agentbaserad AI i storskalig tillverkning. Om en agent fungerar eller inte är en sak, men en annan betydande fråga för stora tillverkningsföretag är att de opererar i nästan total isolering.

Och medan andelen stora organisationer som skalar AI‑agenter i minst en funktion har ökat från 27% till 40% år för år, fokuserar de på specifika funktioner som IT och mjukvaruutveckling istället för att fördela agenter jämnt över verksamheten som ett koordinerat system. Samtidigt, även om majoriteten av organisationerna planerar att implementera autonoma agenter, tror bara ungefär en tredjedel att deras infrastruktur är redo att stödja dem. Dessutom visade forskning från 2025 att 79% av misslyckanden i multi‑agent‑LLM‑system beror på problem med samordning och specifikation.

Tillverkare lägger till autonoma beslutsfattare på golvet och produktionslinjen snabbare än de bygger upp anslutningen mellan dem. Detta förvärrar koordinations‑ och samarbetsproblemen som undergräver hur dessa modeller presterar. I slutändan visar detta sig i tre tydliga delar av AI‑stacken. Här är var och vad tillverkare bör göra för att säkerställa samarbetsinriktade, välanslutna agentbaserade system.

Samarbetets största friktionspunkter

Den första och kanske största hindret är data, som fortsätter att vara en betydande flaskhals för många stora organisationer som vill skala AI. De flesta tillverkare arbetar med årtionden av ackumulerad infrastruktur (och data knuten till den) i form av MES‑ och ERP‑system som inte delar ett gemensamt schema med andra datastreams såsom kommunikation och personalresurser. På grund av detta har agenter svårt att kommunicera med varandra, om alls; isolerad eller dåligt formaterad data utgör ett nästan ogenomträngligt hinder mellan flera agenter.

Detta visar sig på fabriksgolvet när en agent som övervakar maskinens hälsa och prestanda på en linje inte har något pålitligt sätt att ta reda på vad schemaläggningsagenten två system bort planerar för den kommande omställningen, även om de två besluten och arbetsflödena direkt påverkar varandra.

Den nästa friktionspunkten är protokoll. Det är ett element som inte får tillräckligt med uppmärksamhet när man närmar sig AI‑samarbete. Agentbaserad AI är mycket ny, och fram till nyligen fanns det ingen riktig standard för hur agenter byggda på olika ramverk, grunder eller leverantörer kan kommunicera och samarbeta.

Lyckligtvis börjar detta förändras. Till exempel Googles Agent2Agent-protokoll (A2A), som lanserades förra året, standardiserar hur oberoende agenter (eventuellt byggda på helt olika plattformar) upptäcker varandras kapabiliteter och delegerar uppgifter. Avgörande är att detta är explicit utformat för att komplettera Anthropics Model Context Protocol (MCP), som standardiserar hur varje agent får åtkomst till verktyg och datakällor. Det gemensamma målet här är att övervinna isolering och säkerställa samarbete, även i multi‑agent‑inställningar, i stor skala.

Slutligen kämpar många tillverkare fortfarande med frågan om mänsklig tillsyn. Även ett perfekt koordinerat agentnätverk kommer att misslyckas om de personer som övervakar det inte litar på dess beslut eller har orealistiska förväntningar på dess förmågor. Analytiker från MIT Sloan har lagt fram varningar kring uppblåsta förväntningar och minskat förtroende för agentbaserad AI, samt ett potentiellt hot om mänsklig frånkoppling från AI‑agenter. På verkstadsgolvet kan dessa luckor och friktionspunkter bli katastrofala: den mänskliga tråden som förbinder agentekosystemet är absolut avgörande för säkra, pålitliga operationer.

Överbrygga förtroendeklyftan

Det är frestande att betrakta den mänskliga sidan som ett rent kulturellt problem som kan lösas med fler utbildningspass. Dessa insatser kommer dock att misslyckas om de inte kombineras med hållbara arkitektoniska lösningar. Övervakningsdesign måste ta hänsyn till när mänskligt omdöme bör underordnas systemet, snarare än att automatiskt åsidosätta agentens förslag bara för att personen i kretsen är emot det.

Inkludera resonemangstransparens, vilket innebär att det alltid finns insyn och möjlighet att bryta ner varför en agent fattade ett beslut eller flaggade ett förslag, utöver att bara observera resultatet. Och när operatörer är oense, säkerställ att det finns en tydlig och effektiv eskaleringsväg som förankrar transparens och spårbarhet kring beslutsprocesserna.

Återuppbygga en känsla av helhet

Agenter, precis som de team de är byggda för att stödja, behöver mer än åtkomst till en snäv, specifik uppgift. De behöver vad som motsvarar en känsla av helhet; en fungerande modell för hur deras del av verksamheten kopplas till allt annat. En schemaläggningsagent som optimerar omställningstid utan någon insyn i vad underhållsagenten ser om åldrande utrustning fattar bara ett någorlunda acceptabelt beslut som kanske inte är det rätta när det jämförs med andra arbetsflödeskrav.

Det är här protokollagret och problemet med känslan av helhet möts. Delad kontext är det praktiska sättet genom vilket en agents individuella uppgift förankras i anläggningens bredare faktiska tillstånd. Inom tillverkning finns ett befintligt delvis svar på detta i form av standarder såsom ISA-95, som definierar gemensamma metoder för hur företags‑ och styrsystem i princip kommunicerar över en anläggning. Det nya nu är att utvidga denna idé om ett delat operativt vokabular från mänskligt läsbar integration till information som agenter kan bearbeta.

Utan den delade modellen lägger varje ytterligare agent som implementeras till en ny isolerad punkt för resonemang och beslutsfattande som inte är en del av en sammanhängande helhet. Det är exakt så agentutbredning förvärras istället för att lösa sig själv när antagandet skalar.

Hålla ett finger på rätt mätvärden för framgång

En annan fallgrop är att helt enkelt mäta agentbaserad AI på samma sätt som någon annan mjukvaruutrullning övervakas: fokusera på effektivitetsmått och säkerställa att de fortsätter att öka. För koordinerade och samarbetande multi‑agentsystem är detta inte nödvändigtvis fördelaktigt och kan faktiskt slå tillbaka när det blir det enda prestationsmåttet.

Det första som är värt att bekräfta är inte bara hur mycket pengar en agent sparar utan om den är säker och trygg att fungera som avsett. Säkerställ att den agerar inom sina avsedda gränser, har förutsägbara fel och möjliggör mänsklig intervention och eskalering därefter. Först när detta är avklarat bör kvalitet stå i centrum, exempelvis om agentens resultat faktiskt är korrekta och konsistenta och inte bara omedelbara.

Detta är den prioritetsordning som tillverkare bör följa. Hastighet, genomströmning och kostnadsbesparingar är de lägsta prioriteringarna. En produktivitetsökning som bygger på en osäker eller opålitlig agent är en risk för team, teknik, produktionslinjer, relationer och företagets rykte.

Testa i liten skala innan du går vidare till större. En enskild agent som hanterar en tydligt definierad uppgift kan ge en ren före‑och‑efter‑jämförelse. Men när perspektivet breddas för att omfatta dussintals interagerande agenter över en hel anläggning innan någon har validerats individuellt, blir det mycket svårare att avgöra vilken del av systemet som driver resultatet. Komplexitet bör endast läggas till mätmetoden i samma takt som den läggs till i själva implementeringen.

Här börjar samarbete och mätning samexistera. En agents resultat kan bara vara så pålitligt som den kontext den hade tillgång till när den agerade. Detta innebär att det tidigare nämnda problemet med delad kontext faktiskt är en förutsättning för mätning. Tillverkare som inte har löst en enhetlig driftbild över system har ingen pålitlig metod för att veta om ett positivt eller negativt resultat speglar agentens bedömning eller ett gap i den åtkomst som tillåts. De mått som spelar roll är läsbara när sekvenseringen och den delade kontexten är låsta.

Koordination och samarbete i centrum för förmåga

I slutändan är stora tillverkares strukturella fördelar (deras enorma produktionsvolymer, historiska datamängder, processkonsekvens och talang‑ och teknikresurser) obestridda. Dessa fördelar förstärks dock bara om tillverkarna först löser samarbetsproblemet.

När vi ser mot framtiden, när AI‑kapaciteter utvecklas mot eventuell total autonomi och både system och produktionslinjer växer, är detta samarbete och koordination en absolut nödvändighet. Att betrakta interoperabilitet, protokollstandarder, delad kontext, kalibrerad mänsklig övervakning och en känsla av helhet som arkitektoniska förutsättningar innan skalning och implementering är ett måste. Det är den avgörande gränsen mellan tillverkare som framgångsrikt och säkert skalar agentbaserad AI och de som fastnar i pilotprojekt.