# Agentowa AI i marnowanie tokenów

> Dlaczego agenci AI mogą zużywać wielokrotnie więcej tokenów i energii niż czat, jak pętle je marnują i jakie zabezpieczenia trzymają agentów w ryzach.

Source: https://greenai.guide/pl/artykuly/agentowa-ai-i-marnowanie-tokenow/  
Updated: 2026-11-19

## 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? {#what-makes-agents-expensive}

**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? {#is-there-evidence-on-agents-energy-use}

**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](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

## Jak agenci marnują tokeny? {#how-do-agents-waste-tokens}

**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? {#does-this-matter-commercially-as-well-as-environmentally}

**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? {#what-guardrails-keep-agents-in-check}

**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? {#what-does-right-sizing-an-agent-mean}

**Użycie najprostszego systemu, który wykona zadanie.** Przed zbudowaniem systemu wieloagentowego warto przejść tę
listę od góry:

1. **Bez agenta.** Czy wystarczy stały skrypt, wyszukiwanie lub pojedyncze wywołanie modelu?
2. **Jedno wywołanie z narzędziami.** Pojedyncze, dobrze sformułowane wywołanie modelu z dostępem do narzędzia często
   wystarcza.
3. **Jeden agent.** Pojedynczy agent z limitem kroków.
4. **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](/pl/dobre-praktyki/wybor-wlasciwego-modelu-do-zadania/) oraz
[orkiestracja zamiast generowania](/pl/artykuly/orkiestracja-zamiast-generowania/).

## Co zrobić dalej {#what-to-do-next}

- 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](/pl/dobre-praktyki/efektywne-korzystanie-z-ai-codzienne-nawyki/).
- Przy zakupie narzędzi agentowych warto pytać dostawców, jak ograniczają i raportują zużycie tokenów: zob.
  [zrównoważone zamówienia AI](/pl/dobre-praktyki/zrownowazone-zamowienia-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](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Why do multi-agent LLM systems fail?](https://arxiv.org/abs/2503.13657), Cemri et al. (2025)
- [The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective](https://arxiv.org/abs/2506.04301), Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
- [Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027), Gartner (2025)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
