A VB Transform 2026 konferencián James Zou, a Stanford University associate professor of biomedical data science, azt állította, hogy az eddigi fejlesztői alapfeltevés — egy mérnök, egy ügynök — meg fog szűnni. A következő határvonal nem egyetlen, mindenre kiterjedő ügynök lesz, hanem több tízezer, egymással együttműködő specializált AI‑ügynök.
Zou előadása alapján a legfontosabb gyakorlati tanulság, különösen fejlesztők és terméképítők számára, az az, hogyan lehet ilyen nagyléptékű rendszereket megszervezni. A Stanford‑csapat kutatása gyakorlati tervet mutat be örökölt adatbázisok AI‑orchestration rétegekhez való csatlakoztatására és olyan környezetek tervezésére, amelyek lehetővé teszik ezernyi ügynök együttműködését.
A labor mint szervezet: a Virtual Labból a Virtual Biotechig
A projektet eredetileg „Virtual Lab” néven indították: öt‑nyolc ügynök alkotta a virtuális csapatot, amely a Stanford fizikai laborját tükrözte. A felállás tartalmazott egy AI professzort, mint principal investigator, és AI hallgatókat különböző szakterületekkel, rendszeres csoportmegbeszélésekkel.
"A szereplők számára létrehoztunk a Stanford másolatát is, egy ügynökiskolát, ahol az ügynökök felügyelt finomhangolást végezhetnek, hogy javítsák szakterületi szakértelmüket," mondta Zou.
A virtuális labor képes volt új nanobody fehérjéket tervezni a legutóbbi COVID‑variánsokra; Zou szerint az AI‑tervezésű nanobodyk jobb kötődési tulajdonságokat mutattak, mint a korábbi emberi tervek.
A vizes laborban (wet lab) történő validáció után a csapat céljai kiszélesedtek: egyetlen kutatócsoport modellezéséről átléptek egy nagy, vállalati szerkezetet utánzó rendszerre.
Ennek eredménye a Virtual Biotech elnevezésű rendszer lett, amely több tízezer specializált AI‑ügynökből áll, és egy Chief Scientific Officer (CSO) ügynök felügyelete alatt működik. A rendszer részlegekre oszlik — például target discovery, molekulatervezés és klinikai vizsgálatok —, és az egyes részlegeken belül az ügynökök továbbspecializálódnak.
"A CSO‑ügynök mellett különböző részlegek működnek, amelyek tükrözik az emberi biotech vagy gyógyszeripari cégeknél található részlegeket," magyarázta Zou. Például a target discovery részlegen lehet egy ügynök, amely minden genetikai adatot vizsgál, egy másik pedig genomikai és single‑cell adatokat elemez.
A több‑ügynökös megközelítés előnyei
Ahogy az alapmodellek képessége növekszik, felmerül a mérnöki döntés: miért osszák fel a feladatokat több tízezer specializált ügynökre ahelyett, hogy minden erőforrást egyetlen, „mindentudó” modellbe koncentrálnának?
Zou csapata összehasonlította a több‑ügynökös csapatot egyetlen ügynökkel ugyanazon tudományos kihívás megoldására. A több‑ügynökös ökoszisztéma olyan súrlódást és interakciót hozott létre — vitákat, érvelést és meggyőzési kísérleteket —, amelyek kreatívabb és hibákkal szemben ellenállóbb megoldásokhoz vezettek.
"Ezekben a tudományos virtuális laborokban az ügynökök vitatkoznak, meg kell győzniük a többi AI‑t az ötleteikről, és ez sokkal kreatívabb, robusztusabb érvelést vált ki, mint ha egyetlen modell próbálna mindent egyedül megoldani," mondta Zou.
Az orchestration szűk keresztmetszete és a Paperclip
Nagyléptékűre bővítve az orchestration válik az elsődleges akadállyá. A rendszernek szüksége van egy egységes kontextusrétegre, amely lehetővé teszi az ügynökök számára, hogy különböző eszközökből, adathalmazokból és történeti feljegyzésekből szintetizálják a tudást.
Sok vállalati csapat azzal próbálkozik, hogy meglévő adatbázisokat egy MCP‑vel (middleware‑lel) burkol be. Zou felhívta a figyelmet arra, hogy az örökölt rendszerek nincsenek optimálisan kialakítva ügynökök fogyasztására: egy kutatási cikk PDF‑jének bedobása egy ügynök kontextusába hatékonytalan, a szövegmodellek pedig nehezen értelmezik a komplex ábrákat és táblázatokat, ami hallucination‑ökhöz vezet.
Ennek orvoslására Zou csapata létrehozta a Paperclip nevű platformot. Paperclip a modern nagynyelvi modellek egyik erősségére épít: képesek kódot írni és fájlrendszerekben navigálni. Ahelyett, hogy az ügynököket törékeny, adatbázis‑specifikus API‑hívásokra kényszerítenék, a Paperclip digitalizálja a strukturálatlan adatokat és különböző adatbázisokat egy egységes, AI‑natív virtuális fájlrendszerbe rendezi.
Ez a struktúra lehetővé teszi, hogy az ügynökök szabványos fájlrendszer‑műveletekkel férjenek hozzá millióknyi cikk tudásához.
"Ez lényegében megmutatja, hogy sokkal jobb pontosságot érhetünk el, ha Paperclipet használunk, és ezzel több mint egy nagyságrenddel csökkenthetjük az időt és költséget az ügynökök nélküli, vagy nem AI‑natív infrastruktúrákat használó megoldásokhoz képest," állította Zou.
Valós világú validáció: 37 000 ügynök és egy ADC‑terv
A Paperclip és az orchestration architektúra gyakorlati tesztjeként a Virtual Biotech 37 000 "clinical trial agent" példányt indított el, hogy szintetizálják a darabokra hulló vizsgálati adatokat. Ezek az ügynökök single‑cell jellemzőket azonosítottak, amelyek előre jeleztek klinikai vizsgálati sikert — az ilyen jellemzőkkel alátámasztott gyógyszercélpontok körülbelül 50%-kal nagyobb valószínűséggel jutottak piacra, mint a velük összehasonlítható, ilyen jellemző nélküli célpontok.
A rendszer aztán autonóm módon megtervezett egy anti‑test‑konjugátumot (antibody‑drug conjugate, ADC), amely a CD276 fehérjét célozza tüdőrák ellen. Az ügynökök a tervezést teljes egészében önállóan hajtották végre, kizárólag 2025 januárja előtti publikált adatokra támaszkodva.
Néhány hónappal később a gyógyszeripari Merck függetlenül kifejlesztette és validálta ugyanazt a terápiás tervet; a Merck által továbbvitt terv FDA breakthrough designation‑t kapott. Zou ezt a Merck általi független validálást a virtuális biotech ügynökök által nyújtott terápiás terv harmadik fél általi megerősítéseként írta le.
Környezetek tervezése, nem merev munkafolyamatok
Zou szerint, ahogy a több‑ügynökös rendszerek skálázódnak, a vezetőknek újra kell gondolniuk a digitális munkaerő kezelését. Javaslata az, hogy el kell mozdulni a merev munkafolyamatok tervezésétől az „open environment” típusú megközelítés felé. A munkafolyamatok előírják, hogy az ügynök pontosan mit és hogyan csináljon, míg a környezetek infrastruktúrát, szabályokat és ösztönzőket biztosítanak, de hagyják, hogy az ügynökök nyitott végű problémákon dolgozzanak együtt.
A skálázás optimalizálása így nem az egyes modellek finomhangolásáról szól, hanem a környezet mérnöki kialakításáról. Bár egyes ügynökök továbbfejleszthetők megerősítéses tanulással vagy felügyelt finomhangolással az ügynökiskolában, a nagyméretű több‑ügynökös rendszer sikerét inkább a kollaborációt vezérlő paraméterek módosítása határozza meg.
"A több‑ügynökös oldalon már nem az egyes modelleket finomhangoljuk és változtatjuk, hanem a környezetet optimalizáljuk," magyarázta Zou. "A környezet az az objektum, amit optimalizálunk az ügynökök javítása érdekében."
Miért számít mindez?
Zou bemutatása rávilágít arra, hogy az AI‑alkalmazások fejlesztése hamarosan átalakulhat: a fókusz a „nagyobb egyetlen modell” helyett olyan rendszerek felépítése felé tolódik, amelyek sok, jól definiált szerepre szakosodott ügynök együttműködését támogatják. A siker kulcsa pedig nemcsak a modellkapacitásban, hanem az adatokhoz és tudáshoz való hozzáférés AI‑natív szervezésében, valamint az együttműködést ösztönző környezetek megtervezésében rejlik.
