Orkiestracja AI to nie kolejka zadań. To zarządzanie chaosem.

Dyrygent orkiestry nie wysyła nut do muzyków - oni je znają. Dyrygent mówi: wolniej, mocniej, teraz ty. Nie mówi skrzypkowi jak trzymać smyczek. Decyduje jak to ma zabrzmieć razem.

Orkiestracja agentów AI działa na tej samej zasadzie. Każdy agent ma swoje skille, swoje narzędzia połączone przez MCP. Co robić - wiedzą. Czym robić - mają. Jak współpracować - decyduje orkiestrator.

Trzy wymiary koordynacji

Powiedzieć agentowi “zrób X” to dispatching - przydział zadania. To dopiero pierwszy etap w procesie orkiestracji.

Kontekst - kto co wie i w jakim momencie

Agent promocyjny widzi 200 sztuk produktu na stanie - uruchamia kampanię -40%. Agent kontroli jakości sprawdza daty ważności - 190 z tych sztuk jest po terminie i powinno zostać wycofane. Oba działają poprawnie.

Razem - sklep promuje towar który za chwilę trafi do utylizacji. Każdy agent operuje na własnym snapshocie stanu. Bez synchronizacji tych snapshotów system podejmuje decyzje na danych które w momencie działania już nie istnieją.

Jest jeszcze drugi wariant tego problemu. Wiadomość przekazywana między kolejnymi agentami może ulec zmianie - zastrzeżenie “wyniki wstępne, wymaga potwierdzenia” staje się “potwierdzone dane” dwa transfery dalej. Orkiestrator musi zabezpieczać nie tylko synchronizację snapshotów, ale też integralność informacji w łańcuchu przekazań.

Kolejność - co musi się stać zanim ruszy następny krok

W systemie badawczym Anthropic lead agent rozkłada zadanie na 3-5 subagentów pracujących równolegle. Agent syntezujący musi czekać na wyniki wszystkich. Jeśli ruszy po dwóch z trzech - buduje wnioski które trzeci agent zaraz unieważni. Kolejność nie jest liniowa, ale punkty synchronizacji są sztywne.

Zależności - wynik jednego agenta zmienia plan drugiego

Zależności wymagają podejmowania decyzji w trakcie wykonania. Agent badawczy analizuje temat i odkrywa wątek regulacyjny którego nikt nie przewidział. Pierwotny plan zakładał trzech agentów specjalistów. Teraz orkiestrator musi powołać czwartego - prawnika - i przebudować pipeline tak aby prawnik przeanalizował temat zanim reszta ruszy dalej. Wynik jednego agenta zmienił plan dla wszystkich.

Lekcja z mikroserwisów

Branża software’owa już to przeżyła. Monolityczne aplikacje były niewygodne, ale przewidywalne. Podział na mikroserwisy obiecywał elastyczność i skalowalność - i dostarczył. Nie bez kosztów: distributed debugging, kaskadowe awarie i coordination overhead, które w wielu przypadkach zjadły zyski z efektywności.

Multi-agent AI powtarza ten sam wzorzec: deployment szybszy niż infrastruktura.

Schemat: monolity → mikroserwisy → distributed hell → orkiestracja (Kubernetes, service mesh) → równowaga

Schemat: single-agent → multi-agent → distributed chaos → orkiestracja → ?

Agenci AI nie mają jeszcze swojego Kubernetesa.

Skala problemu:

System multi-agent zużywa średnio 15 razy więcej tokenów niż pojedyncze zapytanie - Anthropic raportuje ten współczynnik dla swojego systemu badawczego
Według estymacji Gartnera, cytowanej przez Deloitte, ponad 40% projektów agentic AI ryzykuje anulowanie do 2027 z powodu kosztów, złożoności i ryzyka
Analiza 1600 przebiegów systemów multi-agent zidentyfikowała 14 trybów awarii - znaczna część wynika nie z błędów pojedynczych agentów, ale z warstwy koordynacji między nimi

Koszt koordynacji to nie podatek od złożoności. To cena za rozproszenie, którą trzeba aktywnie zarządzać, nie ignorować.

Centralizacja kontra emergence

Centralny orkiestrator wygląda jak naturalna odpowiedź. Jeden punkt kontroli, przewidywalne ścieżki, pełna audytowalność. W regulowanych branżach - finanse, medycyna, prawo - to często preferowana opcja.

Ale centralizacja ma cenę. Badacze z Arion Research nazywają ją “forever bottleneck” - każda nowa zdolność, każde eksperymentalne podejście, każda adaptacja musi przejść przez centralny punkt kontroli. Centralny orkiestrator świetnie obsługuje znane, powtarzalne procesy. Gorzej radzi sobie gdy środowisko wymaga ciągłej adaptacji.

Decentralizacja odwraca proporcje. Agenci koordynują się lokalnie - przez wspólną pamięć, sygnały środowiskowe, zdarzenia. System jest odporny na awarię pojedynczego węzła. Ale pojawia się nowy problem: emergence.

Emergentne zachowania to działania wyłaniające się z interakcji agentów, których nikt nie zaprojektował - jak korki drogowe wyłaniające się z indywidualnych decyzji kierowców. Analiza Galileo AI wskazuje, że w systemach multi-agent halucynacje mogą powstawać nie w pojedynczym agencie, ale na styku między nimi - jako produkt złożoności interakcji.

Model	Metafora	Kontrola	Elastyczność
Graf stanów	Maszyna z przejściami	Najwyższa - deterministyczne ścieżki	Najniższa - każda zmiana to nowy graf
Org chart	Zespół z rolami	Średnia - role stabilne, ale mniej granularne	Średnia - intuicyjny model
Konwersacja	Dyskusja	Najniższa - wynik zależy od dynamiki rozmowy	Najwyższa - naturalny język jako protokół

Żaden nie jest uniwersalny. Naturalna odpowiedź to hybryda - centralna koordynacja krytycznych ścieżek, decentralizacja dla eksploracji i adaptacji. Ale “hybrydę” łatwo powiedzieć. Trudniej zaprojektować granicę między tym co wymaga centrum, a tym co lepiej zostawić agentom.

Dyrygent który zapomina

Orkiestracja rozwiązuje chaos nieskoordynowanych agentów. Dyrygent uczy się z każdego koncertu - zapamiętuje co zadziałało, co nie, co publiczność przyjęła najlepiej. Orkiestrator AI bez warstwy pamięci tego nie robi. Każda sesja to debiut.

Koordynacja bez pamięci to improwizacja. System który zapomina po każdej sesji powtarza te same błędy, traci te same lekcje, buduje te same struktury od zera. Koordynować agentów - wiadomo jak. Pozostaje trudniejsze pytanie: jak system ma się uczyć, jeśli zapomina po każdym koncercie?

W newsletterze rozwijam tego rodzaju tematy głębiej. Zapisz się.