W skrócie
Agenci AI wykonują zadania w wielu krokach, raz po raz wywołując modele i narzędzia, więc jedno zlecenie może zużyć wielokrotnie więcej tokenów niż czat. Systemy wieloagentowe mnożą to zużycie, a gdy agenci wpadają w pętle albo nie rozumieją się nawzajem, tokeny idą na marne. Budżety, limity kroków, wykrywanie pętli i modele dobrane do zadania sprawiają, że agenci pozostają użyteczni i nie spalają energii na próżno.
Najważniejsze punkty
- Agent wykonuje wiele wywołań modelu na jedno zadanie, więc jego zużycie tokenów, a zatem i energii, może być wielokrotnie większe niż w pojedynczym czacie.
- Systemy wieloagentowe ponownie mnożą zużycie tokenów, co opłaca się tylko przy zadaniach na tyle cennych i złożonych, że tego wymagają.
- Agenci mogą utknąć w pętlach lub powtarzać pracę, zużywając tokeny bez żadnych postępów.
- Twarde limity kroków, tokenów, czasu i wydatków oraz monitoring, który może zatrzymać zablokowany przebieg, to podstawowe zabezpieczenia.
- Dobór skali oznacza sięgnięcie po jednego agenta, mały model albo rezygnację z agenta, gdy zadanie na to pozwala.
Agenci sztucznej inteligencji (AI) to systemy, które dążą do celu w kilku krokach i same wybierają, jakie narzędzia wywołać i co zrobić dalej. Potrafią rezerwować, wyszukiwać, pisać kod, testować go i próbować ponownie. Ta autonomia jest przydatna, ale każdy krok to kolejne wywołanie modelu, a koszty narastają w sposób, jakiego nie zna pojedynczy czat.
Co sprawia, że agenci są kosztowni?
Agent wywołuje model wiele razy na jedno zadanie, a każde wywołanie zwykle zawiera rosnącą historię dotychczasowej pracy. Zużycie tokenów, a więc i energii, rośnie z każdym krokiem, wywołaniem narzędzia i ponowną próbą.
Token to fragment tekstu, mniej więcej część słowa, który model odczytuje lub zapisuje. Przetworzenie każdego tokenu kosztuje obliczenia. W czacie jedno pytanie daje jedną odpowiedź. U agenta jedno zlecenie może uruchomić dziesiątki wywołań modelu: planowanie, wyszukiwanie, czytanie wyników, pisanie, sprawdzanie i poprawianie.
Anthropic opisał to w 2025 roku w relacji z budowy swojego wieloagentowego systemu badawczego. Według firmy agenci zużywali zwykle około czterech razy więcej tokenów niż interakcje w czacie, a systemy wieloagentowe około piętnastu razy więcej. Firma ustaliła też, że w jej teście porównawczym przeglądania sieci samo zużycie tokenów wyjaśniało 80% zmienności wyników: systemy radziły sobie lepiej głównie dlatego, że więcej zużywały.
Przy trudnym, cennym zadaniu to uczciwa wymiana. Przy prostym to marnotrawstwo.
Czy istnieją dane o zużyciu energii przez agentów?
Wczesne badania wskazują ten sam kierunek. Kim, Shin, Chung i Rhu (2025) porównali agentowe, wieloetapowe przepływy pracy z jednoetapową inferencją (wnioskowaniem) z punktu widzenia infrastruktury centrów danych. Ustalili, że agenci zużywali znacznie więcej energii, że zyski w trafności malały wraz z kolejnymi nakładami obliczeń i że koszty infrastruktury przy takim skalowaniu agentów mogą stać się nie do utrzymania.
Zmierzonych danych z rzeczywistych wdrożeń wciąż jest mało, bo dostawcy rzadko je publikują. Więcej w tekście pomiar jest wąskim gardłem.
Jak agenci marnują tokeny?
Wykonując pracę, która nie posuwa zadania naprzód. Typowe wzorce to:
- Pętle. Agent powtarza to samo działanie albo dwóch agentów bez końca przerzuca problem między sobą.
- Nadmierne sprawdzanie. Każdy krok jest weryfikowany kolejnym wywołaniem modelu, nawet tam, gdzie wystarczyłby prosty test.
- Rozdęty kontekst. Całe dokumenty, logi lub wyniki narzędzi są przenoszone przez każdy następny krok.
- Lawiny ponowień. Błąd wywołuje serię ponownych prób, czasem na coraz większych modelach.
- Nadmierne delegowanie. Zadanie jest dzielone między wielu agentów, choć wystarczyłby jeden.
Cemri i współpracownicy (2025) przeanalizowali ponad 1 600 opisanych zapisów przebiegów z siedmiu frameworków wieloagentowych i wyróżnili 14 odrębnych sposobów, w jakie te systemy zawodzą, pogrupowanych w trzy kategorie: problemy ze specyfikacją systemu i zadania, rozbieżności między agentami oraz braki w weryfikacji zadania. Każdy z tych trybów awarii to zarazem sposób na zużycie tokenów bez uzyskania wyniku.
Ten sam problem omawiał brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przedstawicieli przemysłu: roje agentów mogą same się uwięzić, wysyłając sobie nawzajem bezsensowne treści i spalając setki tysięcy tokenów. Otwarte pytanie badawcze, które tam padło, brzmi: jak wcześnie i matematycznie wykryć, że grupa agentów utknęła, aby ktoś lub coś mogło ją zatrzymać.
Czy ma to znaczenie nie tylko dla środowiska, lecz także dla biznesu?
Tak; koszty i energia rosną razem. Gartner przewidział w czerwcu 2025 roku, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. Marnowanie tokenów bezpośrednio przyczynia się do pierwszego z tych powodów.
Jakie zabezpieczenia trzymają agentów w ryzach?
Twarde limity, monitoring i możliwość zatrzymania. To podstawowe mechanizmy kontroli inżynierskiej, a większość frameworków agentowych obsługuje przynajmniej część z nich.
| Zabezpieczenie | Co robi |
|---|---|
| Limit kroków | Ogranicza liczbę wywołań modelu w jednym przebiegu. Na przykład OpenAI Agents SDK ma ustawienie max_turns, które zatrzymuje przebieg po jego przekroczeniu. |
| Budżet tokenów lub wydatków | Zatrzymuje przebieg lub przekazuje go wyżej, gdy przekroczy ustalony koszt. |
| Limit czasu | Kończy przebiegi, które trwają znacznie dłużej, niż oczekiwano. |
| Wykrywanie pętli | Sygnalizuje powtarzane działania lub niemal identyczne wiadomości między agentami. |
| Zewnętrzny obserwator | Osobny, tani proces lub człowiek, który śledzi postępy i może zatrzymać przebieg: „czerwony przycisk”. |
| Przycinanie kontekstu | Streszcza lub usuwa starą historię, aby każde wywołanie odczytywało mniej tokenów. |
Limity powinny zawodzić bezpiecznie: gdy budżet się wyczerpie, agent powinien się zatrzymać i zgłosić to, co ma, a nie po cichu ponawiać próby.
Co oznacza dobór skali agenta?
Użycie najprostszego systemu, który wykona zadanie. Przed zbudowaniem systemu wieloagentowego warto przejść tę listę od góry:
- Bez agenta. Czy wystarczy stały skrypt, wyszukiwanie lub pojedyncze wywołanie modelu?
- Jedno wywołanie z narzędziami. Pojedyncze, dobrze sformułowane wywołanie modelu z dostępem do narzędzia często wystarcza.
- Jeden agent. Pojedynczy agent z limitem kroków.
- Wielu agentów – tylko przy zadaniach szerokich, cennych i rzeczywiście równoległych.
W każdym z tych wariantów należy używać małych modeli do prostych podzadań, takich jak klasyfikacja, ekstrakcja i formatowanie, a duże modele zostawić do trudnego rozumowania. Jest jednak haczyk: zbyt mały model może zawieść i wymusić ponowne uruchomienie na większym, a w długim łańcuchu jedna awaria może wykoleić kolejne kroki. Ustalenie tego progu to decyzja projektowa, którą warto przetestować. Więcej w tekstach wybór właściwego modelu oraz orkiestracja zamiast generowania.
Co zrobić dalej
- Rejestrować liczbę tokenów na każde ukończone zadanie, łącznie z ponowieniami i nieudanymi przebiegami, dla każdego używanego agenta.
- Ustawić limity kroków, tokenów, czasu i wydatków dla każdego agenta przed wdrożeniem go do produkcji.
- Dodać wykrywanie pętli i możliwość zatrzymania przebiegu przez człowieka.
- Zaczynać od najprostszego działającego rozwiązania i dodawać agentów tylko wtedy, gdy zadanie tego wymaga.
- Kierować proste podzadania do małych modeli. Więcej w tekście efektywne korzystanie z AI.
- Przy zakupie narzędzi agentowych warto pytać dostawców, jak ograniczają i raportują zużycie tokenów: zob. zrównoważone zamówienia AI.
Najczęściej zadawane pytania
Czym jest agentowa AI?
To systemy AI, które dążą do celu w kilku krokach i same decydują, jakie narzędzia wywołać i co zrobić dalej, zamiast odpowiadać na pojedynczy prompt. Często wywołują model językowy wiele razy na jedno zadanie.
Dlaczego agenci AI zużywają tak dużo tokenów?
Na każdym kroku do modelu trafia z powrotem rosnąca historia zadania, a agenci mogą wywoływać narzędzia, sprawdzać własną pracę i ponawiać próby. Systemy wieloagentowe przekazują też wiadomości między agentami, a każda z nich kosztuje tokeny.
Jak powstrzymać agenta AI przed marnowaniem tokenów?
Należy ustawić limity liczby kroków, tokenów, czasu i wydatków; wykrywać pętle i powtarzane działania; używać małych modeli do prostych podzadań; i zapewnić, że człowiek może zatrzymać przebieg.
Źródła
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective, Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
- Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027, Gartner (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
Powiązane
Orkiestracja zamiast generowania
Dlaczego ponowne użycie sprawdzonych komponentów i routing zapytań do najmniejszego wystarczającego modelu może obniżyć zużycie energii przez AI.
Efektywne korzystanie z AI: codzienne nawyki
Codzienne nawyki, które ograniczają zużycie energii przez AI: jasne prompty, mniej ponownych generowań, umiar z obrazami i wideo, buforowanie, wyłączanie.
Wybór właściwego modelu do zadania
Jak dobrać AI do zadania: kiedy wystarczy mały lub wyspecjalizowany model, kiedy duży model jest wart kosztów, jak działa routing i kiedy obejść się bez AI.
Pomiar to wąskie gardło zielonej AI
Dlaczego dane o zużyciu energii przez AI trudno sprawdzić i porównać: deklaracje firm, szacunki zamiast pomiarów, różne granice systemu i dobre praktyki.