Kolik AI agentů nasadit: proč optimum končí u 16

Když si sedneš k návrhu nové automatizace, dřív nebo později narazíš na stejnou otázku: kolik AI agentů nasadit do jednoho workflowu, aby to dávalo smysl? Intuice většiny lidí je jasná — čím víc agentů, tím líp. Další agent znamená další výkon, rychlejší práci a větší úsporu času. Jenže čerstvý výzkum z NTT Research a Harvardu tuto intuici poměrně nekompromisně bourá. Nad šestnáct agentů se výkon multiagentního systému nelepší, ale klesá — a ty za ten pokles ještě připlatíš tokeny.

V tomto článku si ukážeme, proč tomu tak je, jak poznat, že už jsi za optimální hranicí, a hlavně jak nasadit správný počet AI agentů v praxi, aby ti tým agentů opravdu pomáhal a neřešil vlastní hádky.

Kolik AI agentů je akorát: co ukázal „Flag Game"

Společný tým NTT Research a Harvard University postavil experiment, kterému říkají Flag Game — úloha, kde skupina agentů musí spojit rozložené znalosti, dohodnout se na odpovědi a vyřešit problém. Měnili přitom jedinou věc: kolik agentů v týmu hraje. Výsledek je překvapivě čistý.

Kolektivní přesnost stoupala s počtem agentů jen do určitého bodu. Vrchol přišel zhruba u 16 agentů — tam systém doručoval nejlepší konsenzus. Pod tímto číslem agenti nenashromáždili dostatek důkazů, aby se spolehlivě shodli. Nad ním se začali do cesty a výkon znovu klesal.

Přesně tohle popisuje oficiální zpráva NTT Research z 28. července 2026: k número 16 agentů dorazíš k bodu, kdy další agent už nepřidává výstup, ale šum. A stejný závěr přebírá i syndikovaná zpráva Business Wire z téhož dne — přidávat agenty prostě neznamená lepší výsledky.

Důležité je pochopit, proč k tomu poklesu dochází. Není to technická chyba, ale dynamika, kterou známe od lidí:

• Málo agentů (pod ~16): Systém nemá dost pohledů na problém, chybí mu důkazy, konsenzus je křehký a často chybný.
• Optimum (~16): Agenti se doplňují, pluralita názorů vede k lepšímu rozhodnutí.
• Hodně agentů (nad ~16): Začíná polarizace. Agenti se rozdělí na tábory, komunikace se zablokuje a výsledek je horší, než kdyby dělal úkol jeden kvalitní agent.

Proč ti více agentů prodraží, aniž by pomohli

Tady se dostáváme k té nepříjemné části, kterou prodejci agentů rádi přecházejí. OpenAI i Anthropic sázejí na vizi stále větších „armád agentů", které za tebe vyřídí víc práce. Hezký příběh — jenže tokeny, které agenti spotřebovávají, jsou přesně to, za co ti vendor účtuje. Čím víc agentů rozjedeš, tím víc tokenů se spálí, ať už ten šestnáctý pomůže, nebo šedesátý rozjeli zbytečnou hádku.

A právě v tom spočívá hlavní rozpor: více agentů znamená víc tokenů, ale ne nutně lepší výsledek. Výzkum z Harvardu a NTT to ukazuje velmi jasně — za hranicí optima už přidávání agentů neřeší produktivitu, ale jen zvyšuje fakturu. Pokud chceš rozumět, kam ti tokeny reálně mizí a jak je efektivně udržet na uzdě, podívej se na návod Kde mizí tvoje tokeny: 5 důvodů + 6 okamžitých oprav.

Tohle nesmíš plést s paralelními agenty, kteří dělají různé úkoly najednou. Když pět agentů pracuje na pěti nezávislých ticketech, polarizace nehrozí, protože se nemají o čem hádat. Problém nastává, když hodíš na jeden společný úkol desítky agentů, co mají dosáhnout společného konsenzu — přesně scénář, který Flag Game testoval. Jak paralelní spouštění rozumně nastavit popisuje článek Paralelní AI coding agenty v cloudu.

Jak poznat, že už máš agentů moc

Výzkumníci mluví o „polarizaci", ale v praxi to vypadá konkrétně. Tady jsou signály, které ti řeknou, že jsi nad optimem:

• Stejný úkol, pokaždé jiný výsledek. Agenti se neshodnou, odpověď se mění s každým během — klasický důsledek táborského rozštěpení.
• Rostoucí latence bez lepší kvality. Workflow trvá déle, protože agenti mezi sebou dlouze vyjednávají, ale výstup není lepší než předtím.
• Náklad na tokeny roste rychleji než hodnota. Faktura za měsíc ti ukáže, že jsi spálil dvojnásobek tokenů za horší nebo stejný výsledek.
• Opakující se „neshoda" v logu. Agent A trvá na jednom přístupu, agent B na druhém a orchestrátor musí rozhodovat místo toho, aby pracoval.

Vidíš dva nebo tři z těchto signálů naráz? Pravděpodobně máš v jednom konsenzuálním workflowu agentů víc, než je zdravé.

Jak nasadit správný počet AI agentů krok za krokem

Místo aby jsi házel agenty do workflowu naslepo, použij jednoduchý postup, který tě udrží v bezpečné zóně.

1. Začni s jedním až třemi agenty

Každý workflow rozběhni v minimální podobě. Jeden agent na hlavní úkon, případně druhý na kontrolu nebo formátování. V této fázi jde o to ověřit, že úkol dává smysl řešit agentem vůbec. Mnoho úkolů, které se na první pohled jeví jako „multiagentní", zvládne jeden dobře nastavený agent s jasnými pokyny — o tom, jak udržet kontext čistý a agenta soustředěného, se dočteš v návodu Subagenti v Claude Code.

2. Škáluj směrem k 16, nikoliv přes ni

Pokud úkol reálně potřebuje víc pohledů (research + analýza + psaní + kontrola faktů), přidávej agenty postupně a měř výsledek. Cílová zóna je zhruba 4 až 16 agentů. Pokud se blížíš k šestnácti a výkon se nelepší, nezvyšuj počet dál — optimalizuj role a pokyny stávajících agentů. Místo „přidej agenta" se ptej „jak mám líp rozdělit práci".

3. Odděl konsenzuální a paralelní úkoly

Tohle je klíčové pravidlo, které tě zachrání před zbytečnou fakturou:

• Konzenzuální úkol (agenti se musí shodnout na jedné odpovědi) → drž se v pásmu do 16 agentů.
• Paralelní úkol (každý agent řeší nezávislý podúkol) → počet může být vyšší, protože polarizace nehrozí.

Právě proto dynamické workflow, kde jeden nadřízený agent rozdělí úkol na stovky dílčích kousků, funguje jinak než klasický multiagentní konsenzus. Jak to dělat bez zničeného rozpočtu popisuje případová studie Claude Code Dynamic Workflows: Jak poslat 1000 agentů na jeden úkol.

4. Měř, ne jen pocituj

Bez metriky se pohybuješ naslepo. Sleduj tři čísla: kvalitu výstupu (např. úspěšnost eval testů), latenci a cenu v tokenech. Přidej agenta jen tehdy, když se zlepší alespoň kvalita bez propadu v ostatních dvou. Když kvalita stagnuje a cena roste, jsi za optimem — ubírej.

Kolik AI agentů nasadit podle typu úkolu

Jeden číslo pro všechny situace neexistuje, ale Flag Game dává jasnou mantinelu. Praktické rozdělení vypadá takhle:

Příklad z praxe: hloubkový research report

Představ si, že stavíš tým agentů na tvorbu hloubkového research reportu o trhu. Verze A rozjede 25 agentů, které se mají shodnout na struktuře i obsahu najednou — výsledek je zdlouhavý, agenti se neshodnou na prioritách, faktura za tokeny roste a report navíc nestojí za to. Verze B rozdělí úkol do jasných rolí: jeden agent dělá research, druhý analyzuje data, třetí píše text a čtvrtý kontroluje fakta. Čtyři agenti s jasnými kompetencemi doručí lepší report rychleji a levněji než armáda dvaceti pěti. Není to o tom, že by víc agentů nikdy nepomohlo — je o tom, že za bodem optima už přidávání nepřidává hodnotu, jen odčerpává rozpočet a trpělivost.

Tabulka je vodítko, ne dogma. Vždycky ověř na vlastních datech, protože tvůj konkrétní úkol může mít jinou strukturu komunikace než Flag Game. Pokud tě zajímá, jak orchestraci agentů na vyšší úrovni rozběhnout a udržet ji pod kontrolou, pomůže návod AI orchestrace: Jak řídit tým agentů v business workflow a 5 kroků k úspěšné orchestraci AI agentů.

Hlavní úskalí, na která dřív nebo později narazíš

Je dobré znát nejen optimální počet, ale i situace, kdy tým agentů selže bez ohledu na velikost.

• Agenti bez jasných rolí. Deset agentů s nedefinovanými kompetencemi se shodne hůř než tři s jasným rozdělením práce.
• Sdílený kontext, který se přeplní. Čím víc agentů sdílí jeden kontext, tím víc šumu vzniká a tím hůř se dorozumívají.
• Chybějící orchestrátor. Bez toho, kdo rozhoduje při neshodě, se polarizace prohloubí a workflow se zasekne.
• Měření kvality až po nasazení. Pokud nemáš eval testy, nikdy nezjistíš, že desátý agent už nic nepřinesl — jen uvidíš vyšší fakturu.

Když se chceš inspirovat praxí někoho, kdo s desítkami agentů denně pracuje, podívej se na Jak řídit 10 AI agentů najednou — metoda Andreje Karpathyho. Najdeš tam přesně principy, které tady popisujeme — menší, dobře řízený tým agentů překoná velkou a neuspořádanou armádu.

Časté otázky

Platí číslo 16 agentů pro všechny typy AI workflow?

Ne. Číslo ~16 vychází z experimentu Flag Game, který testoval konsenzuální úlohy, kde se agenti musí dohodnout na společné odpovědi. Pro paralelní úkoly, kde každý agent pracuje na nezávislém podúkolu, limit 16 neplatí — tam může být agentů víc. Vždycky vycházej z toho, jestli tvůj workflow potřebuje konsenzus nebo paralelismus.

Znamená to, že jeden agent je často nejlepší volba?

Ano, pro většinu běžných úkolů. Mnoho workflowů, které lidé složitě staví jako multiagentní, zvládne jeden dobře promptovaný agent rychleji a levněji. Více agentů dává smysl až ve chvíli, kdy úkol reálně potřebuje víc různých pohledů nebo specializovaných rolí.

Jak poznám, že už mám v týmu agentů moc?

Hlavní signály jsou nestabilní výsledky (stejný úkol pokaždé jinak), rostoucí latence bez lepší kvality a náklady na tokeny rostoucí rychleji než hodnota. Pokud se tyto signály objeví naráz, jsi za optimem a měl bys naopak agenty ubrat nebo přerovnat role.

Funguje optimum 16 agentů i pro coding agenty?

Pro coding agenty, které dělají nezávislé paralelní úkoly (např. pět ticketů najednou), limit neplatí. Pokud ale několik coding agentů pracuje na stejném kusu kódu a musí se dohodnout, platí stejné riziko polarizace a konfliktů jako v Flag Game — tam je rozumné tým udržet menší.

Jak to souvisí s náklady na tokeny?

Přímo. Každý agent spotřebovává tokeny, ať už přináší hodnotu nebo ne. Nad optimem pálíš tokeny za agenty, které se spíš hádají než pracují. Udržet tým agentů v pásmu optima je proto zároveň nejrychlejší cesta, jak snížit fakturu za AI.