AIエージェントを増やせば、チームは賢くなるのか

Anicca Research / Manager Masterclass P11-3 / 2026年11月7日

一人のAIに論文を10本読ませる。あるいは10体のAIに1本ずつ担当させる。後者のほうが賢く、速いだろうか。

研究タスクが並列に分けられるなら、複数AIは大きな利点を持つかもしれない。しかし、前の答えがないと次の計算ができないタスクでは、相互連絡が増えるほど遅くなる可能性がある。

AIの人数ではなく、仕事の依存関係と情報の受け渡しが、協調の成否を決める。

古い理論が新しいAIに生きる

Edwin Hutchinsの『Cognition in the Wild』（1995）は、船の航海に必要な認知が、乗組員の頭の中だけでなく、海図、計器、記録、手順に分散していると示した。分散認知（Distributed Cognition）という考え方である。

現代のAIエージェントにも同じ問いがある。検索担当、分析担当、実行担当、独立確認担当を分けると、全体としてより良い結果が出るだろうか。

Anthropicの2025年の公開技術記事では、Lead AgentがSubagentへ調査を委任する研究システムが紹介された。同社の分析では、並列に探索できる複雑なタスクに利点がある一方、マルチエージェント研究では通常チャットより多くのトークンを消費することがある。

Google Researchは2026年、180のエージェント構成を比較した。並列可能な仕事では協調が有利でも、逐次的な仕事では悪化し得ると報告した。これは「人数を増やせば万能」という期待に対する重要な反証だ。

通信のコストを数える

\(n\)体のエージェント全員が互いに通信するなら、通信ペア数は

\[ \frac{n(n-1)}2 \]

となる。10体なら45ペア。中央の調整役と9体が通信するスター型では9本だ。ただし通信ペア数はトークンの実費そのものではない。

私たちはこれを簡単な時間モデルで計算した。12個の完全架空タスクを2workerへ割り当てると、90%を並列化できる設定では、単体の120時間単位に対して合成の協調構成は74単位となった。一方並列可能率10%では122単位に悪化した。これは実モデルのスループットではなく、並列化限界を表す教材だ。

AI同士が合意しても独立した証拠ではない

さらに厄介なのは、誤りの相関である。2体のAIが各10%の確率で間違え、誤りが独立なら同時に誤る確率は1%になる。しかし同じ誤情報を使う完全相関なら同時誤答は10%のままである。

だから、AI同士に「この決済は成功したか」と尋ねて双方がYESと答えても、決済提供元の独立した記録にはならない。

Managerで複数AIを使う意味は、自然なグループチャットを作ることではなく、仕事を安全に分担し、独立した情報源で成果を確認することにある。

主な一次資料

• Hutchins (1995), Cognition in the Wild
• Anthropic (2025), Multi-agent Research System
• Google Research (2026), Science of Scaling Agent Systems
• Magentic-One (2024)

注：12タスクの速度と10%の誤答確率は合成の教育例。実AIチームの独立ベンチマーク結果ではない。