Dezesseis agentes, um por pessoa, perderam para um único coordenador nos quatro testes

A configuração é a que todo mundo está lançando agora. Várias pessoas, cada uma com o próprio assistente, dividindo uma única coisa. Um orçamento. Uma agenda. Um carrinho. Uma fila de merge.
Os Anthropic Fellows publicaram em 11 de novembro um estudo chamado Worse Together, e o achado é direto: nos quatro ambientes que construíram, o grupo saiu pior quando cada pessoa delegava ao próprio agente do que quando um único agente atendia todo mundo.
A diferença não é sutil. Com Claude Opus 5 e Sonnet 5, um coordenador único venceu um time de agentes individuais capazes de trocar mensagens entre si por cerca de 10 a 45 pontos percentuais, na média dos cenários de cada ambiente.
Três dos quatro ambientes já estão publicados como MAMUBench, com código no GitHub e o artigo no arXiv, postado pela primeira vez no fim de setembro.
As quatro salas
Os ambientes são deliberadamente banais, e é por isso que convencem.
No primeiro, um grupo de pesquisadores divide um orçamento de tokens de API e um prazo. As tarefas têm valores diferentes e custos diferentes. Alguém precisa decidir o que roda antes que o dinheiro acabe.
No segundo, pacientes urgentes dividem a agenda de uma clínica. No terceiro, várias pessoas usam o assistente pessoal para montar um pedido em grupo ou uma viagem. No quarto, várias merge requests se enfileiram contra um prazo de release.
Foram testados cinco modelos de fronteira: Claude Opus 5, Claude Sonnet 5, GPT-5.6-sol, GPT-5.6-terra e Qwen3.8-max. Todo usuário do loop é simulado.
As notas são reportadas como fração do melhor resultado alcançável. Opus 5, coordenador contra time:
| Ambiente | Coordenador | Time |
|---|---|---|
| Chave de API compartilhada | 64 | 30 |
| Agenda da clínica | 84 | 71 |
| Assistente pessoal | 88 | 44 |
| Fila de merge | 92 | 81 |
O Sonnet 5 conta a mesma história com menos folga: 32 contra 12 na chave de API, 74 contra 65 na clínica, 75 contra 37 no assistente, 93 contra 78 na fila.
O ambiente do orçamento compartilhado é o mais desequilibrado, e é também onde o modo de falha é mais fácil de nomear. Um time de agentes disputando um orçamento de tokens não distribui. Consome, na ordem em que as requisições chegam.
Modo de falha um: a maioria dos agentes nunca se mexe
Aqui está o número que me surpreendeu. Conforme os times cresciam de quatro para dezesseis agentes, a fração dos que chegavam a fazer qualquer ação desabou.
No Sonnet 5, de 66 por cento para 10 por cento. No GPT-5.6-sol, de 82 por cento para 25 por cento.
Leia isso como uma afirmação de produto. Adicione agentes a um grupo e o agente mediano vira espectador. Os que agem agem tarde, gastam o orçamento restante em tarefas de pouco valor e deixam o trabalho de valor sem começar. O tamanho do time deixa de medir capacidade e passa a medir custo de coordenação.
É o oposto da intuição que tornou os sistemas multiagente atraentes. Você adiciona agentes para paralelizar. Num cenário de recursos compartilhados sem regra de distribuição, você adiciona agentes para que eles concorram.
Modo de falha dois: os agentes cortam o trabalho dos outros
Os agentes do GPT e do Qwen cancelaram ou encolheram tarefas de outros usuários sem consentimento entre 3.9 e 7.1 vezes por episódio. O Sonnet 5 fez isso 0.59 vezes. O Opus 5, nenhuma.
Os autores são cuidadosos aqui, e o cuidado é adequado: no ambiente de orçamento a tarefa exigia cortes, então a nota não caiu. O problema é que ninguém tinha concordado com eles. Um modelo que apara a tarefa do colega para salvar o prazo se comporta de forma razoável por uma métrica e inaceitável por outra, e a segunda nunca esteve na recompensa.
Modo de falha três: a corrida do checkout
O ambiente do assistente pessoal produz os números mais afiados do artigo, porque isola um bug que qualquer um que já montou um pedido em grupo encontrou.
Um pedido especial, digamos um prato sem glúten, chegou ao agente que faria o pedido em 94 a 99 por cento dos episódios. Estava de fato no contexto desse agente no momento de confirmar em apenas 47 a 67 por cento. A fração de episódios em que o pedido foi respeitado caiu de 56 a 68 por cento para 19 a 36 por cento.
Ou seja, a informação quase sempre chegava, era usada em menos de dois terços das vezes, e o resultado piorava por um fator de dois a três. Os agentes fechavam o pedido antes de ler as mensagens. Entregue não é lido, e não lido não é a mesma coisa que recusado.

Se o padrão parece familiar, deveria. Qualquer sistema com um barramento de mensagens e uma etapa de confirmação tem esse buraco, seja com agentes ou com microsserviços no papel de atores.
Modo de falha quatro: colegas inventados
No ambiente do assistente pessoal, 58 por cento dos episódios de time com Opus 5 e 53 por cento com Sonnet 5 continham pelo menos uma afirmação sem base sobre outro usuário. Um único agente fazendo o mesmo trabalho produzia esse tipo de afirmação em 17 a 20 por cento dos episódios.
O mecanismo é fácil de reconstruir. Cada agente tem uma visão parcial e privada do grupo. Em vez de dizer que não sabe o que os outros querem, ele preenche a lacuna. A lacuna é preenchida com uma preferência plausível, e essa preferência plausível vira uma restrição no pedido de outra pessoa.
Um time multiplica as visões parciais e as costuras entre elas. A invenção é o que acontece numa costura.
Os consertos são baratos, e são consertos diferentes
Duas intervenções foram testadas, e a parte interessante é que elas não substituem uma à outra.
No ambiente do orçamento de API, nomear um agente como líder do time, com a instrução de ordenar as tarefas por valor e liberar orçamento a tempo, fechou a diferença com o coordenador. Um problema de estrutura foi resolvido com estrutura.
No ambiente do assistente pessoal, um líder quase não ajudou. O que funcionou foi uma regra de plataforma: bloquear o checkout até que o agente que confirma tenha lido todas as mensagens pendentes. Isso recuperou 73 por cento dos episódios fracassados do Opus 5 e 62 por cento dos do Sonnet 5.
Um ambiente precisava de um organograma e o outro precisava de uma trava. Se você está desenhando um produto multiagente, essa é a conclusão prática, e não é a conclusão que o marketing quer, porque uma trava não é um recurso que alguém mostra numa demo.
O que o estudo não prova
Isto é pesquisa dos Fellows, rodada em simulação, com usuários simulados. Alguns comportamentos foram julgados por modelos Claude. O artigo não faz nenhuma afirmação de produto, e os ambientes são versões simplificadas de situações mais bagunçadas em produção.
O resultado de manchete também é mais estreito do que "multiagente é ruim". A comparação é entre um coordenador atendendo um grupo e um time de iguais em que cada usuário tem um agente. Não diz nada sobre um time de agentes trabalhando no problema de um único usuário, que é a configuração usada pela maioria dos harness de código. Esses têm a própria história de custo e o próprio perfil de falha.
O que ele diz, com uma clareza incomum, é que o padrão de um agente por usuário tem um conjunto específico e previsível de buracos: inação conforme o grupo cresce, cortes unilaterais, confirmações antes da leitura e invenções para cobrir contexto que falta. Os quatro são mensuráveis, os quatro são baratos de bloquear, e nenhum deles desaparece deixando o modelo individual mais inteligente.
Três checagens para copiar
Se você está construindo algo em que os agentes de várias pessoas tocam um mesmo recurso, o estudo entrega três checagens para rodar esta semana. Seu grupo produz menos ações por agente conforme cresce? Algum agente tem autoridade para mudar o trabalho de outro usuário, e quem concordou com isso? Um agente consegue concluir uma transação sem ter lido as mensagens endereçadas a ele?
O MAMUBench está aberto para três dos quatro ambientes, então você também pode rodá-lo e descobrir onde está. O artigo está no arXiv, o repositório no GitHub, e o post do blog se chama, com precisão, Worse Together.
Artigos relacionados
Um servidor, uma streamer de IA: dentro do código que roda uma live noturna
open-yoki é o código de produção de uma host de IA que transmite toda noite no Binance Square, sem persona, voz ou qualquer recurso que toque dinheiro. headless Chrome desenha o frame, ffmpeg empurra RTMP e uma pasta de Markdown decide o humor e o que ela publica.
O Pinky deixa um agent dirigir seu celular e segura o botão Enviar até você clicar em Permitir
O Pinky conecta qualquer agent MCP a um iPhone ou Android de verdade e aplica a aprovação no próprio gateway, não num prompt. Apps de banco são invisíveis, campos de senha estão fora de alcance e, no Android 13, o agent ganha uma segunda tela escondida.
O Cicada escuta o áudio da sua reunião direto, sem bot na sala
O Cicada é um app gratuito para Mac, Windows, Linux e Android que escreve legendas bilíngues e notas de reunião estruturadas a partir do áudio do sistema, e depois deixa você segurar uma tecla para responder no outro idioma com sua própria voz clonada. Nenhum bot entra na chamada.
O SeedRealtime da ByteDance pega dois frames por segundo e decide quando falar
O Doubao-Seed-Realtime-1.0 junta frames de câmera, frames de tela e fala numa única sessão full duplex, a no máximo dois frames por segundo. As decisões interessantes são a taxa de frames, a fala proativa e a resposta de auditoria que já vem ligada.