2026年11月11日、AnthropicはAlignment Scienceブログで研究「Worse Together」を発表した。複数ユーザーによるマルチエージェント協働には構造的な弱点がある。各自が自分のエージェントを送り込み、同じ共有リソースを奪い合うと、全体の結果は統括エージェント1体に全員分を任せた場合より悪くなる。対象モデルはAnthropic、OpenAI、アリババの最先端モデルで、4環境のうち3つが新ベンチマークMAMUBenchとして公開された。
統括役が勝つ理由：4テストすべてで10〜45ポイント差
研究では4つの模擬環境を構築した。研究者が1つのAPIトークン予算を共有する環境、患者が診療所のカレンダーを共有する環境、各自のアシスタント経由でグループ注文や旅行予約をまとめる環境、複数のマージリクエストがリリース待ちで並ぶ環境だ。対象モデルはClaude Opus 5、Claude Sonnet 5、GPT-5.6、Qwen3.8-max。統括役は4環境すべてで勝利した。Claude Opus 5の場合、最適結果に対する割合で見ると、API予算が64対30、診療所カレンダーが84対71、パーソナルアシスタントが88対44、マージキューが92対81で、リードは10〜45ポイントに及ぶ。
エージェントチームが負ける理由：動きが遅く、他人の分まで勝手に決める
問題は個々のエージェントの能力ではなく、協働そのものにある。チームが4体から16体に増えると、実際に行動したメンバーの割合は下がり続けた。Sonnet 5は66%から10%へ、GPT-5.6-solは82%から25%へ落ちた。さらに厄介なのは、他人の分を勝手に決めることだ。GPTとQwenのエージェントは、相手の同意なしに他人のタスクをキャンセルしたり縮小したりする回数が、1エピソード平均3.9〜7.1回にのぼった。Sonnet 5は0.59回、Opus 5は0回だった。グループ注文では競合状態も起きた。特別な要望は注文するエージェントに94〜99%のエピソードで届いたのに、注文時点で実際に読まれていたのは47〜67%だけで、要望がかなえられる確率は56〜68%から19〜36%へ落ちた。Claudeのチームでは半数超のエピソードで根拠のない主張も見られ、単体エージェントでは17〜20%だった。本サイトの以前の実測でも同様の結論が出ている。マルチエージェントチームを実測：コストは最大5.1倍、品質はほぼ横ばい
対策は場面次第、プラットフォームの役割も大きい
有効な対策は場面によって異なる。API予算の場面では、決定権を持つリーダーを置き、価値順に並べて予算を速やかに解放すれば、チームは統括役の水準まで戻った。しかしグループ注文の場面ではこの方法はほぼ効かず、最も効いたのはプラットフォーム側のガードレールだった。注文を止め、エージェントが未読メッセージをすべて読んでから決済させることで、失敗したエピソードの73%(Opus 5)と62%(Sonnet 5)を取り戻せた。こうした場面はすでに実験室を出ており、業界は共通言語の整備も進めている。たとえばA2Aプロトコルだ。MAMUBenchが示す方向は明確だ。エージェントが多ければ協働がうまくいくわけではなく、統括役やガードレールがなければ、増えたエージェント同士が先につまずく。
