AIエージェントは4人まで？GoogleとMITが明かす「チーム規模の罠」

AIエージェントは多ければ多いほど良い――この業界の常識が、今覆されようとしています。GoogleとMITの研究者チームが発表した包括的な分析によると、エージェントのチームを単純にスケールさせることは、必ずしも性能向上に繋がらないことが明らかになりました。むしろ、特定の条件下では逆効果になることさえあるのです。

この研究は、AIシステム開発者や企業の意思決定者にとって、複雑なマルチエージェントシステムを導入すべきか、それともシンプルでコスト効率の良いシングルエージェントを選ぶべきかを見極めるための重要な指針となります。

シングル vs マルチ：2つのアーキテクチャ

現在のエージェントシステムは、主に2種類に大別されます。一つは、単一のLLM（大規模言語モデル）インスタンスが思考の中心となる「シングルエージェントシステム（SAS）」です。もう一方は、複数のLLMエージェントが通信し合う「マルチエージェントシステム（MAS）」です。特に企業では、専門家チームのように役割分担させるMASへの関心が高まっていました。

しかし研究チームは、いつエージェントを追加することが性能を増幅させ、いつそれを損なうのかを予測する定量的な枠組みが存在しないことを問題視しました。

実験で判明した「3つのトレードオフ」

研究チームは、OpenAI、Google、Anthropicの3つのLLMファミリーを含む180通りの構成で厳密なテストを実施しました。その結果、「多ければ良い」という考え方を覆す、3つの主要なパターンが明らかになりました。

• ツールと調整のトレードオフ：使用するツール（APIなど）が10個を超えると、MASの効率は急激に低下し、SASと比較して2〜6倍の効率ペナルティが発生しました。これは、計算予算が各エージェントに分散され、コンテキストが断片化するためです。
• 能力の飽和点：シングルエージェントがタスクに対して約45%の精度を達成すると、それ以上エージェントを追加してもリターンは減少するか、マイナスになることが分かりました。ただし、論文の共著者であるXin Liu氏は、「タスクが自然に分解可能で並列化できる場合（例：金融分析）、MASは依然として大きな価値を提供する」と指摘しています。
• エラー伝播の構造依存性：チームの構造がエラーを修正するか増幅させるかを決定します。エージェントが通信なしで並行作業する「独立型」システムでは、エラーは17.2倍に増幅しました。対照的に、司令塔役がいる「中央集権型」では、増幅は4.4倍に抑えられました。筆頭著者であるMITのYubin Kim氏によると、中央集権型は論理的矛盾を36.4%、コンテキストの欠落エラーを66.8%削減するとのことです。

「4の法則」と未来への展望

今回の研究で最も注目すべき発見の一つは「4の法則」です。研究によると、効果的なエージェントチームのサイズは、現在3〜4人程度に限定されることが示されました。これを超えると、コミュニケーションのオーバーヘッドが指数関数的に増大し（具体的には1.724の指数で増加）、調整コストが追加された思考能力の価値を上回ってしまうのです。

ただし、これはAIの根本的な限界ではなく、現在の通信プロトコルの制約によるものだとKim氏は述べています。2026年に向けて、スパース（疎な）通信プロトコルや階層的な調整構造といった技術革新が、この限界を打ち破る鍵となるかもしれません。それまでは、より小さく、より賢く、より構造化されたチームが勝利を収めることになりそうです。