Anthropic gaf elke persoon in een groep zijn eigen AI-teamgenoot, en de groep presteerde slechter dan toen één teamgenoot iedereen bediende. Het is tot nu toe een van de duidelijkste bewijzen dat "een agent voor elke werknemer" niet leidt tot effectief teamwerk, en het wijst duidelijk op wat in plaats daarvan wel werkt.
In Worse Together (november 2026) gaven onderzoekers in het Fellows Program van Anthropic elke persoon in een groep zijn of haar eigen AI-agent, lieten ze die agenten een budget, een agenda of een bestelling delen en vergeleken ze het resultaat met een andere groep waar één agent iedereen bediende. Eén agent die iedereen bediende, deed het in elke situatie beter voor de groep. Voor iedereen die agentieve workflows opzet, is de conclusie duidelijk: het probleem zijn niet de agenten. Het gaat om de manier waarop het team om hen heen is georganiseerd.
Onze Chief Product Officer, Arnab Bose, zegt het duidelijk in de serie van Anthropic over teams van mensen en agenten: "Tegenwoordig is elk team deels mens, deels agent." Wat die teams nodig hebben, zegt hij, is "één gemeenschappelijke context waar zowel mensen als agents vanuit kunnen werken." Hij gaat dieper in op hoe Asana agentic-workflows bouwt in haar teams, met enkele praktische voorbeelden in zijn artikel.
Het onderzoek gebruikte gesimuleerde gebruikers, maar de instellingen zijn alledaags: een gedeeld computerbudget, een kliniekagenda, een groepsbestelling en een releasedeadline. In alle vier de gevallen, en voor beide geteste Claude-modellen, presteerde één agent die de groep bediende beter dan een team van persoonlijke agenten.
Bron: Worse Together, Anthropic Alignment Science Blog, 11 november 2026 (afbeelding 2). Claude Opus 5 weergegeven; Claude Sonnet 5 volgde hetzelfde patroon.
Drie andere bevindingen vallen op.
Meer teamgenoten, minder actie. Naarmate teams groeiden van 4 naar 16 agenten, daalde het aandeel agenten dat ooit actie ondernam op basis van het gedeelde budget van 66% naar 10% voor een van de geteste modellen.
Bezorgd is niet gelezen. Het speciale verzoek van een gebruiker bereikte de agent die de groepsbestelling plaatste in 94–99% van de gevallen, maar het stond bij het afrekenen slechts in 47–67% van de gevallen voor die agent.
De score verhulde de schade. Sommige agenten annuleerden de taken van andere mensen zonder te vragen, en de score van de groep bleef stabiel. De conclusie van de onderzoekers: meet hoe agenten zich gedragen, niet alleen wat ze leveren.
Omdat gedeeld werk moeilijker is dan persoonlijke taken. Een persoonlijke agent die een etentje boekt, heeft één persoon, één stap, één mening en alle context die nodig is. Gedeeld werk omvat veel mensen, veel stappen, veel meningen, institutionele kennis en goedkeuringen. Elk van deze kwam naar voren in het onderzoek.
1. Veel mensen: niemand is verantwoordelijk voor de beslissing. Omdat niemand de leiding had over het gedeelde budget, handelden medewerkers te weinig en te laat, en was er voor het meest waardevolle werk geen tijd meer. Het lijkt veel op het omstandereffect, en het werd erger naarmate teams groter werden.
2. Veel stappen: medewerkers handelen voordat ze hebben gelezen wat belangrijk is. In de groepsbestelling had de medewerker die afrekende vaak nog niet het enige verzoek gelezen dat de bestelling had moeten veranderen. Op het werk gebeurt hetzelfde wanneer een medewerker een concept verzendt, een leverancier boekt of code samenvoegt voordat een belangrijke goedkeuring of update is binnengekomen. Snel handelen bij één stap is geen vooruitgang als de stap die er echt toe deed, wordt overgeslagen.
3. Institutionele kennis: teamgenoten raden. Elke medewerker zag alleen de notities van zijn eigen gebruiker, maar moest namens de groep spreken. Dus vulde hij de hiaten in, ervan uitgaande dat iedereen wilde wat zijn gebruiker wilde, of door te zeggen dat iemand het ermee eens was terwijl dat niet zo was. Agenten kunnen niet weten wie wat doet, wanneer, hoe en waarom, tenzij het is opgeschreven waar ze het kunnen zien.
4. Veel meningen: elke agent pleit voor zijn eigen persoon. Elke agent was gebouwd om één gebruiker te bedienen, en geen enkele was gebouwd om de groep te bedienen. In 65–77% van de teamruns bewerkte ten minste één agent de gedeelde bestelling of boeking tegen het verzoek van een andere persoon in.
5. Goedkeuringen en gegevens: agenten gaan te ver. Sommige agenten annuleerden het werk van andere mensen zonder te vragen. Op het werk ziet dat eruit als een agent die de taak van een collega opnieuw toewijst, een gedeeld bestand overschrijft of budget uitgeeft dat hij nooit had mogen aanraken.
Geen van deze gaat over de vraag of het model de taak kan uitvoeren. Het gaat over hoe het werk georganiseerd is. En het is niet alleen een teamprobleem: de auteurs merken op dat hetzelfde soort botsing optreedt wanneer één persoon meerdere agents laat werken aan overlappend werk.
Geef agenten de structuur die je elk team zou geven: een eigenaar, een controlepunt, één plan en duidelijke grenzen. In het onderzoek werden enkele van deze punten rechtstreeks getest. De rest komt voort uit de manier waarop Asana zijn eigen agenten aanstuurt, wat Arnab beschreef in de blogserie van Anthropic. Het doel is niet minder teamgenoten. Het gaat om agenten die georganiseerd zijn als een team.
Waar het fout gaat | Wat de studie heeft aangetoond | Beste praktijk |
1. Niemand is eigenaar van de beslissing | Een aangewezen hoofdteamgenoot dichtte de kloof met de enige teamgenoot op het gedeelde budget. Het toevoegen van duidelijke instructies, zoals het rangschikken van werk op waarde, deed het nog beter. | Geef elke agent een gedefinieerde rol en een specifieke menselijke eigenaar, vastgelegd als een briefing voor een nieuwe werknemer. Wanneer er een conflict is tussen agenten, beslist de eigenaar. |
2. Agents handelen voordat ze lezen | Het blokkeren van het afrekenen totdat de agent zijn berichten had gelezen, redde 62-73% van de mislukte groepsbestellingen toen ze opnieuw werden uitgevoerd. | Houd het werk van agenten in een gedeelde taak, zodat iedereen de aanvraag, de stappen en het resultaat kan zien, en voeg een controle toe vóór alles wat moeilijk ongedaan te maken is. |
3. Agenten maken aannames over anderen | Verzonnen claims werden teruggevoerd op gesplitste informatie: elke agent zag alleen de opmerkingen van zijn eigen gebruiker. | Laat agenten vanuit hetzelfde plan werken als de mensen om hen heen: wie is waarvoor verantwoordelijk, wanneer en wat is er al besloten. |
4. Elke agent bedient één persoon | Een leider met duidelijk aangegeven prioriteiten verbeterde de resultaten van het gedeelde budget. | Laat het team de agent vormgeven, niet één persoon. Benoem een paar bewerkers om de instructies en het geheugen in te stellen; alle anderen geven feedback op hun eigen taken. |
5. Agenten gaan te ver | Scores die alleen op resultaten waren gebaseerd, zagen over het hoofd dat agenten het werk van anderen annuleerden, dus de auteurs raden aan om ook het gedrag te meten. | Beperk de toegang van elke agent tot de toestemmingen van de persoon die hem activeert, en controleer wat agenten hebben gedaan, niet alleen wat ze hebben opgeleverd. |
Hier zijn drie workflows die Asana heeft gebouwd met Claude, uit Agenten die je kunt coachen: hoe Asana teams van mensen en agenten bouwt met Claude:
Vragen over het product vanuit Slack beantwoorden. Vragen van verkopers en klantsuccesmedewerkers worden Asana-taken die een agent oppakt. De agent antwoordt met goedgekeurde richtlijnen en bronlinks, registreert producthiaten voor het productteam en signaleert terugkerende vragen aan het enablement-team.
Leidinggevenden informeren over verlengingen die risico lopen. Een agent leest elke risicovolle verlenging in het hele bedrijf en stuurt leiders een dagelijks overzicht van wat er verbetert, wat er achteruitgaat en wat er moet worden opgevolgd. Leiders stellen vragen en coachen hem in een gedeelde ruimte, zodat hij bij elke uitvoering beter wordt.
Planning van engineeringcycli. Agenten vullen de backlog van het team met tickets uit klantfeedback, mensen beslissen wat er in elke cyclus komt en het plan laat zien of een release op schema ligt.
Wie is verantwoordelijk voor de beslissing wanneer medewerkers met elkaar in conflict komen? Als het antwoord "ze lossen het wel op" is, verwacht dan dat niemand zal handelen.
Wat moet een medewerker lezen voordat hij/zij zich vastlegt? Benoem de berichten en goedkeuringen die hij moet controleren voordat hij iets doet dat moeilijk ongedaan te maken is.
Werkt elke medewerker vanuit hetzelfde plan? Agenten die alleen de notities van één persoon zien, zullen over alle anderen moeten gissen.
Wie geeft vorm aan de agent: één persoon of het team? Een medewerker die instructies van één persoon aanneemt, zal voor die persoon pleiten.
Welke acties hebben de toestemming van de betrokken persoon nodig en houdt u deze bij? Een goed resultaat kan een agent verbergen die iemands werk heeft geannuleerd om dat resultaat te bereiken.
Agentic workflows zijn processen waarbij AI-agents samen met mensen werk in meerdere stappen uitvoeren, zoals productlanceringen, campagnebeheer, onboarding van klanten of projectintake, in plaats van alleen maar prompts te beantwoorden. Ze worden workflows met meerdere agenten wanneer meerdere agenten in dezelfde gedeelde ruimte werken, zoals een budget, een agenda of een codebase.
Persoonlijke agenten zijn nuttig voor individuele taken. Voor gedeeld werk bleek uit de Worse Together-studie van Anthropic dat een groep persoonlijke agenten het slechter deed dan één agent die iedereen bediende, in elke geteste omgeving. Als mensen elk een agent hebben, geef die agents dan een eigenaar, één gedeeld plan en een controlepunt voordat ze zich vastleggen.
Een multi-agentsysteem is een opstelling waarbij meerdere AI-agenten in dezelfde omgeving opereren en iets delen, zoals een budget, een agenda of een codebase. In de versie die in het onderzoek Worse Together werd getest, werkt elke agent voor een andere persoon met verschillende doelen, wat de manier is waarop veel implementaties op de werkplek worden opgezet.
Vooral vanwege coördinatie, niet vanwege capaciteiten. Bedrijfswerk omvat veel mensen, veel stappen, concurrerende prioriteiten, kennis die niet is opgeschreven en goedkeuringen. Agenten die voor één persoon zijn ontworpen, gaan daar slecht mee om, tenzij iemand de beslissingen neemt, agenten één plan delen en alles wat moeilijk ongedaan te maken is, op een controle wacht.
Dat moet een persoon zijn. Elke agent heeft een specifieke eigenaar nodig die de instructies bepaalt, en de acties van de agent moeten zichtbaar zijn voor de mensen op wie ze van invloed zijn. In het onderzoek annuleerden sommige agenten het werk van anderen zonder te vragen, en daarom heeft gedrag, niet alleen output, een eigenaar nodig.
Er is geen magisch getal, maar coördinatie wordt moeilijker naarmate het aantal toeneemt. Voeg alleen een agent toe als je kunt zeggen aan wie hij rapporteert, wat hij kan beïnvloeden en hoe hij informatie deelt met de anderen.
Over het onderzoek. Worse Together is een onderzoek van Anthropic Fellows door Sahan Paliskara, Nattaput Namchittai, Jacqueline Tay, Avery Griffin en Andrew Lampinen, gepubliceerd op 11 november 2026. Er werden vijf geavanceerde modellen van Anthropic, OpenAI en Alibaba getest in 77 scenario's in vier gesimuleerde omgevingen. De cijfers voor de vergelijking tussen één agent en een team, en voor de afhandeling van aanvragen, zijn voor Claude Opus 5 en Claude Sonnet 5, zoals gerapporteerd door de auteurs. Het cijfer van 66% tot 10% is voor Claude Sonnet 5. De auteurs hebben drie van de omgevingen uitgebracht als een open benchmark, MAMUBench.
Bronnen
Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams, Anthropic Alignment Science Blog, 11 november 2026
Agenten die je kunt coachen: hoe Asana teams van mensen en agenten samenstelt met Claude, Claude-blog, 29 september 2026