Agent-team: 1,8–5,1x – én treff, Opus 122 dollar

Vals AI har målt hva native agent-team faktisk kjøper. GPT-6 Sol og Claude Opus 5.5 bygde 50 fullstendige webapper, alene og som team, på medium og max reasoning. Team kostet 1,8 til 5,1 ganger mer enn én agent. Bare ett av fire løft var statistisk signifikant. Opus 5.5 på max i team: 93,2 prosent treff og 122 dollar per app. Samme modell alene på medium: 91,5 prosent og 4,08 dollar.

Anthropic solgte nettopp dynamiske arbeidsflyter med opptil 1 000 agenter. Denne benken er motvekten: mer parallellitet er ikke automatisk mer kvalitet. Det er oftere mer cache.

Hva som er nytt

Vals kjørte Vibe Code Bench: bygg en app fra produktspec, deploy med Docker Compose, la nettleseragenter klikke gjennom flytene. Score er andel UI-tester som passerer, snitt over 50 apper. Teamet fikk samme sandkasse og samme karakter som soloagenten. Forskjellen var en kort instruks: splitt i uavhengige deler, deleger, integrer og verifiser. Opptil fem underagenter samtidig. Underagenter kan ikke spawne egne.

Hvert av de åtte oppsettene kjørte én gang. Tallene, slik Vals publiserte dem 9. oktober:

Sol medium solo 77,6 prosent, 1,22 dollar, 12,4 min. Sol medium team 84,9 prosent, 3,07 dollar, 11,9 min. Det er pluss 7,3 poeng, p = 0,005. Det er det eneste signifikante løftet.

Sol max solo 89,0 prosent, 4,82 dollar, 38,4 min. Sol max team 90,4 prosent, 8,54 dollar, 27,6 min. Pluss 1,4 poeng, ikke signifikant.

Opus 5.5 medium solo 91,5 prosent, 4,08 dollar, 20,3 min. Opus medium team 91,2 prosent, 9,10 dollar, 26,6 min. Minus 0,3 poeng.

Opus max solo 89,8 prosent, 23,77 dollar, 74,7 min. Opus max team 93,2 prosent, 122 dollar, 174,1 min. Pluss 3,4 poeng, ikke signifikant. Én kjøring tok mer enn fem timer. Kostnaden på rundt 189 dollar er estimert fra tokens og tatt med i snittet.

The Decoder løftet saken 11. oktober. Poenget deres treffer FinOps: teamene kostet langt mer og flyttet knapt scoren når modellen allerede gikk for fullt.

Hvor pengene tar veien

Mesteparten av merforbruket er cachet input. Hver underagent har egen kontekst med spec og arbeidstilstand. Den sendes på nytt i hvert kall. På max leste Opus-underagentene median 224 millioner cachede tokens per app. Lederen leste 17 millioner. Soloagenten 55 millioner.

Sol og Opus orkestrerte ulikt. Sols leder splittet appen langs arkitektur – database, API, grensesnitt, deploy – og spawnet underagenter i løpet av første minutt. Den testet selv i nettleser i 46 av 50 kjøringer. På max falt kjøretiden fra 38 til 28 minutter.

Opus’ leder skrev først en kontrakt, oftest CONTRACT.md, med skjema, ruter og fileierskap. Deretter bølger: byggere, så testere. På max kom tre bølger. Teamet ble tregere, opptil 2,3 ganger solo. To tredeler av max-kjøringen kom etter første docker compose up. Median 68 agentminutter gikk til testing etter deploy, mot 10 hos soloagenten. Lengre løp ga ikke høyere score.

For Sol løftet høyere effort mer enn et team: max solo 89 prosent mot medium team 84,9 prosent, til 1,6 ganger prisen og tre ganger tiden. For Opus scoret billigste oppsett omtrent som dyreste.

Vals advarer selv: én benk, én kjøring per oppsett, ulike harnesser per lab. Intervallene fanger variasjon mellom apper, ikke mellom gjentatte kjøringer.

Hva norske ledere bør gjøre nå

Ikke slå på multiagent som standard fordi leverandøren har et tak på 1 000.

FinOps: krev kostnad per ferdig oppgave, ikke per token. Sett tak på underagenter og på reasoning-effort hver for seg. Mål cacheandel. Hvis cachede tokens eksploderer uten at UI-tester eller forretnings-KPI flytter seg, er teamet et forbruk, ikke et løft.

CIO: test tre oppsett på egen arbeidsflyt før produksjon: én agent på medium, én agent på max, et lite team på medium. På denne benken vant max-effort for Sol. Team vant nesten aldri for Opus.

CISO: flere agenter i samme sandkasse øker flaten, ikke bare regningen. Delte filer, felles vault og parallell nettleser mot prod-URL er hendelsesrisiko. Behold menneske på integrasjon og på alt som rører betalinger, identitet og kundegrunnlag.

Styre: når en leverandør viser at 1 000 agenter fant 66 av 70 gjemte feil, spør hva det kostet, på hvilken oppgave, og hva én agent med høyere effort ville gjort. Vals’ svar på appbygging er klart nok til å ta med inn i budsjettmøtet.

Kilder og medier

Primærkilde: Vals AI, Katrina Drozdov, «Do Agent Teams Pay Off? A Case Study on Vibe Code Bench», 9. oktober 2026. https://www.vals.ai/blogs/multi-agent-vibe-code-bench

The Decoder, «AI agent teams waste massive tokens for barely measurable quality gains, research finds», 11. oktober 2026. https://the-decoder.com/ai-agent-teams-waste-massive-tokens-for-barely-measurable-quality-gains-research-finds/

Thumbnail: OpenAI Image 2 / hogby.ai