Apakah Tim Agen AI Benar-Benar Lebih Unggul? Benchmark Bilang Biasanya Tidak
Sebagian besar tidak. Vals AI menemukan bahwa menggabungkan GPT-6 Sol dan Claude Opus 5.5 dalam satu tim jarang sepadan dengan token tambahan yang dihabiskan, meski satu konfigurasi Sol dengan penalaran medium menunjukkan peningkatan yang cukup berarti.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Biasanya tidak. Pada 11 Okt. 2026, Vals AI melaporkan bahwa tim agen AI sering kali memakan biaya 1.8x hingga 5.1x lebih besar dibanding agen tunggal, sementara peningkatan kualitas yang terukur sangat kecil atau bahkan tidak ada, terutama pada penalaran maksimum. Bagi pengembang dan perusahaan yang membangun alur kerja agen, pelajarannya sederhana: jika ingin hasil yang lebih baik, uji dulu satu agen yang kuat sebelum membayar untuk sebuah tim.
Apa yang diuji Vals AI
Vals AI mengevaluasi GPT-6 Sol dan Claude Opus 5.5 di Vibe Code Bench miliknya, baik dalam konfigurasi tunggal maupun tim, masing-masing dengan upaya penalaran medium dan maksimum. Dari empat perbandingan tim versus tunggal, hanya satu yang menunjukkan peningkatan kualitas yang signifikan secara statistik: GPT-6 Sol pada penalaran medium, dengan skor tim 7.3 poin lebih tinggi. Pada penalaran maksimum, konfigurasi tim tidak memberi keunggulan berarti bagi kedua model.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Mengapa ini penting
- Riset ini menunjukkan bahwa sistem multi-agen sering kali merupakan keputusan soal biaya, bukan soal kualitas.
- Jika sebuah model sudah berjalan dengan upaya penalaran penuh, menambah agen mungkin tidak banyak memperbaiki hasilnya.
- Tim mungkin tetap masuk akal ketika penyelesaian yang lebih cepat lebih penting daripada memeras hasil yang sedikit lebih baik.
- Untuk alur kerja pemrograman dan riset yang boros token, beban koordinasi bisa berubah menjadi masalah anggaran yang nyata.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Lebih banyak agen tampaknya lebih membantu kecepatan daripada kualitas
Pola yang lebih luas dalam sumber menunjukkan arah yang sama. Pengujian Anthropic sendiri dengan Opus 5.5 memperlihatkan hasil yang makin berkurang seiring bertambahnya agen: pada tugas basis pengetahuan, skor naik dari 0.53 dengan satu agen menjadi 0.70 dengan 10, 0.71 dengan 30, dan 0.74 dengan 100. Pada pembuktian teorema Lean, skornya 0.39, 0.66, 0.66, dan 0.68. Peneliti OpenAI Noam Brown juga menyatakan bahwa sistem multi-agen terutama membeli kecepatan, bukan kualitas yang lebih baik, dengan mencatat bahwa empat agen menyelesaikan tugas sekitar dua kali lebih cepat dengan biaya sekitar dua kali lipat. Kompromi ini tampaknya lebih cocok untuk tugas paralel seperti riset web atau matematika dibanding pekerjaan yang saling terkait erat seperti penulisan panjang, di mana koordinasi justru menjadi penghambat.
Haruskah Anda berhenti menggunakan tim agen AI?
Belum tentu. Temuan ini menunjukkan bahwa tim sering kali cara yang buruk untuk membeli kualitas, tetapi tetap bisa berguna ketika kecepatan penting dan tugasnya bisa dipecah menjadi pekerjaan paralel.
Apakah ada konfigurasi tim yang meningkatkan hasil dalam riset ini?
Ya. Vals AI menemukan satu peningkatan kualitas yang signifikan secara statistik: GPT-6 Sol dalam konfigurasi tim pada penalaran medium mendapat skor 7.3 poin lebih tinggi daripada versi tunggalnya.
Apa kelemahan utama konfigurasi multi-agen?
Biaya. Dalam pengujian Vals AI, tim memakan biaya 1.8x hingga 5.1x lebih besar dibanding agen tunggal, dan token tambahan itu biasanya tidak menghasilkan output yang jauh lebih baik.
Jenis tugas apa yang mungkin lebih diuntungkan oleh banyak agen?
Berdasarkan sumber, tugas yang mudah diparalelkan, seperti riset web dan matematika, adalah kandidat yang lebih baik. Tugas yang bergantung pada satu alur pemikiran yang koheren, seperti menulis, tampaknya kurang cocok untuk kawanan agen berukuran besar.


