🤖 AI

Internet of Agentic AI: Incentive-Compatible Distributed Teaming and Workflow

Dit artikel stelt het "Internet of Agentic AI" voor, een gedecentraliseerd framework dat heterogene autonome agenten in staat stelt om dynamisch prikkelcompatibele coalities te vormen over cloud- en edge-infrastructuur om schaalbare, gespecialiseerde en economisch levensvatbare workflows uit te voeren.

Oorspronkelijke auteurs: Ya-Ting Yang, Quanyan Zhu

Gepubliceerd 2026-02-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ya-Ting Yang, Quanyan Zhu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin Kunstmatige Intelligentie niet één gigantisch, alwetend brein is dat in een enkele serverruimte zit, maar eerder een uitgestrekt, wereldwijd internet van gespecialiseerde "AI-werkers". Dit is de visie die in het paper wordt voorgesteld: The Internet of Agentic AI.

Hier is een eenvoudige uiteenzetting van waar het paper over gaat, gebruikmakend van alledaagse analogieën.

1. Het Probleem: De "Alles-in-één" Bottleneck

De meeste geavanceerde AI-systemen zijn momenteel als een enorm, monolithische fabriek. Eén centrale baas (een massief AI-model) probeert alles te doen: plannen, redeneren, feiten opzoeken en taken uitvoeren.

Het Probleem: Deze fabriek is moeilijk uit te breiden. Als je een nieuwe vaardigheid nodig hebt (zoals een specifieke medische diagnose of een controle van een juridisch contract), moet je de hele fabriek herbouwen of hopen dat de centrale baas het al weet. Het is traag, duur en werkt niet goed wanneer verschillende organisaties (zoals een ziekenhuis en een verzekeringsmaatschappij) samen moeten werken maar hun interne "baas" niet kunnen delen.

2. De Oplossing: De "AI Gig Economy"

De auteurs stellen een nieuw systeem voor genaamd de Internet of Agentic AI. Zie dit niet als een fabriek, maar als een platform voor de gig economy (zoals een supergeavanceerde Uber of Upwork voor AI).

De Werkers: In plaats van één groot brein zijn er duizenden kleine, gespecialiseerde AI-agenten. Sommigen zijn erg goed in het lezen van handschrift (OCR), sommigen zijn experts in röntgenfoto's, en anderen zijn goed in het controleren van verzekeringspolissen. Ze leven op verschillende computers (sommigen in de "cloud", sommigen op lokale "edge"-apparaten).
De Taak: Wanneer er een complexe taak binnenkomt (bijv. "Diagnosticeer deze patiënt en regel de behandeling"), kan geen enkele agent dit alleen.
Het Samenwerken: Het systeem vindt automatisch de juiste mix van werkers en vormt een tijdelijk team (coalitie) voor specifen die ene taak. Zodra de taak voltooid is, wordt het team opgeheven en gaan de werkers terug naar de wachtstand voor de volgende klus.

3. De Uitdaging: Krijgen ze het eens (Incentives)

Het moeilijkste deel is niet alleen het vinden van de werkers; het is ervoor zorgen dat ze ook willen samenwerken.

De Kosten: Elke AI-agent kost geld om te draaien (elektriciteit, rekenkracht) en kost tijd om met anderen te communiceren.
De Beloning: De taak levert een beloning op (geld of waarde).
De Regel: Het paper introduceert een set regels genaamd Incentive Compatibility. Dit is een chique manier om te zeggen: "Het systeem moet zo ontworpen zijn dat elke werker meer geld verdient door lid te worden van het team dan door thuis te blijven of de taak alleen te proberen te doen."
De Haalbaarheidscheck: Voordat een team wordt gevormd, voert het systeem een wiskundige controle uit om te verzekeren dat:
1. Het team daadwerkelijk over de vaardigheden beschikt om de taak uit te voeren.
2. Het team dicht genoeg bij elkaar is (op het netwerk) om snel met elkaar te communiceren.
3. De totale beloning groot genoeg is om ieders kosten te dekken en winst te maken.

4. Hoe het werkt: Het "Scout" Algoritme

Het paper stelt een slim algoritme voor om het beste team te vinden.

De Scout: Stel je een "Scout"-agent voor aan het begin van de taak. Het kijkt in de directe omgeving (1 hop afstand) om te zien of er een team gevormd kan worden.
Het Zoekgebied Uitbreiden: Als er dichtbij geen team wordt gevonden, breidt de Scout zijn zoekradius uit (2 hops, dan 3 hops, enz.) totdat het een groep vindt die de taak kan uitvoeren.
Het Doel: Het algoritme probeert het goedkoopste, meest efficiënte team te vinden dat de taak nog steeds kan volbrengen. Het pakt niet zomaar iedereen; het berekent de benodigde "inspanning" en kiest de combinatie die verspilling minimaliseert terwijl de kans op succes wordt gemaximaliseerd.

5. Praktijkvoorbeeld: Gezondheidszorg

Het paper gebruikt een gezondheidsscenario om te laten zien hoe dit werkt:

De Patiënt: Een patiënt komt binnen bij een kleine kliniek (Node A). De kliniek heeft basisinstrumenten, maar kan geen complexe hersenscans uitvoeren of verzekeringsregels controleren.
De Coalitie:
1. Node A (Kliniek) digitaliseert de handgeschreven aantekeningen van de patiënt.
2. Node B (Beeldvormingscentrum) analyseert de röntgenfoto's.
  {% De röntgenfoto's analyseren. %}
3. Node C (Specialistisch Ziekenhuis) stelt de diagnose.
4. Node D (Verzekering) controleert of de behandeling gedekt is.
5. Node E (Telehealth) legt het plan uit aan de patiënt.
Het Resultaat: Deze vijf verschillende instellingen, die normaal gesproken niet met elkaar praten, vormen een tijdelijk "virtueel ziekenhuis" voor deze specifieke patiënt. Ze wisselen gegevens uit, worden betaald voor hun specifieke deel van het werk, en de patiënt krijgt een complete oplossing.

6. De "Laag" Bovenop het Systeem

De auteurs merken op dat dit systeem de huidige AI-tools niet vervangt (zoals het Model Context Protocol of MCP, wat een standaardmanier is voor AI om met tools te communiceren). In plaats daarvan fungeert het als een beheerlaag die erbovenop ligt.

Denk aan MCP als de telefoonlijnen die agenten in staat stellen om met tools te communicen.
Dit nieuwe framework is de dispatcher die beslist wie hij moet bellen, wanneer hij hen belt, en hoeveel hij hen betaalt voordat het gesprek überhaupt begint.

Samenvatting

Het paper betoogt dat om AI echt schaalbaar en nuttig te maken voor complexe, reële problemen, we moeten stoppen met het proberen te bouwen van één gigantisch AI-brein. In plaats daarvan moeten we een Internet van gespecialiseerde AI-agenten bouwen die dynamisch teams kunnen vormen, eerlijk betaald kunnen worden en samen problemen kunnen oplossen, net zoals een goed georganiseerde groep freelancers. Het paper biedt de wiskundige regels en algoritmen om ervoor te zorgen dat deze teams efficiënt worden gevormd en niet onderweg geld verliezen.

Technische Samenvatting: Internet van Agentic AI: Incentives-Compatibele Gedistribueerde Teaming en Workflow

1. Probleemstelling

De opkomst van Large Language Models (LLM's) geïntegreerd met externe tools heeft "agentic AI"-systemen mogelijk gemaakt die in staat zijn tot redeneren, plannen en handelen. De huidige agentische architecturen zijn echter overwegend gecentraliseerd en monolithisch, wat schaalbaarheid, specialisatie en interoperabiliteit beperkt. Hoewel het Model Context Protocol (MCP) een gestandaardiseerde interface biedt voor tool-ontdekking en -aanroepen, opereert het binnen begrensde computationele omgevingen die uitgaan van gecentraliseerd eigendom.

Het kernprobleem dat wordt aangepakt is het gebrek aan een schaalbaar framework voor netwerkgeoriënteerde agentische ecosystemen, waarbij autonome, heterogene agenten verspreid over cloud- en edge-infrastructuren dynamisch kunnen samenwerken. Specifiek identificeert het paper drie kritieke hiaten:

Schaalbaarheidsbeperkingen: Huidige systemen schalen via modelgrootte of rekenkracht in plaats van via functionele diversiteit of organisatorisch bereik.
Gebrek aan Netwerk-Native Coördinatie: Er is geen principieel mechanisme voor agenten om capaciteiten te ontdekken, coalities te vormen en workflows uit te voeren over organisatorische en cloud-edge grenzen heen.
Economische Levensvatbaarheid: Bestaande frameworks negeren vaak de koppeling tussen coalitievorming, workflow-executie en incentive-compatibiliteit, wat het moeilijk maakt om te waarborgen dat gedistribueerde samenwerkingen economisch duurzaam zijn.

2. Methodologie

Het paper stelt een framework voor dat wordt aangeduid als het Internet van Agentic AI, waarbij agentische samenwerking wordt gemodelleerd als een netwerksysteemprobleem. De methodologie integreert coöperatieve speltheorie, gedistribueerde workflow-executie en incentive-ontwerp.

A. Netwerk-Native Model

Het systeem wordt gemodelleerd als een ongerichte communicatiegraaf $G = (V, E)$ , waarbij knooppunten (nodes) autonome platforms vertegenwoordigen (bijv. instellingen, edge-apparaten) die gespecialiseerde AI-agenten hosten.

Domeinspecialisatie: Knooppunten bezitten specifieke domeinexpertise (bijv. radiologie, juridische interpretatie). Agenten bij een knooppunt putten hun capaciteiten primair uit dit domein.
Taakformulering: Taken worden gedefinieerd als multisets van vereiste capaciteiten. Als een knooppunt niet in staat is aan deze vereisten te voldoen, initieert het een coalitievormingsproces om externe knooppunten te rekruteren.
Coalitiedefinitie: Een capaciteit-dekkende coalitie is een deelverzameling van knooppunten die gezamenlijk over de noodzakelijke capaciteiten beschikken om een taak uit te voeren, onderworpen aan netwerk-lokaliteitsbeperkingen (gedefinieerd door een "haalbaarheidsstraal" of hop-afstand).

B. Gedistribueerde Workflow-Executie

Zodra een coalitie is gevormd, wordt de taak gedecomposeerd in een Directed Acyclic Graph (DAG) van onderling afhankelijke subtaken.

Recursieve Compositie: Subtaken worden toegewezen aan agenten op basis van capaciteitsmatching. De output van de workflow is een recursieve compositie van lokale agent-computaties, waarbij elke agent inputs verwerkt van voorafgaande taken.
Haalbaarheid: Een workflow is alleen uitvoerbaar als de coalitiestructuur de vereiste capaciteitsdekking ondersteunt en de recursieve computation een welgedefinieerde globale output oplevert.

C. Incentive-Compatibel Workflow-Coalitie Framework

Het paper introduceert een rigoureus framework om te waarborgen dat coalities niet alleen structureel levensvatbaar zijn, maar ook economisch implementeerbaar.

Utility Model: Elk knooppunt brengt inspanningskosten (rekenkracht, deliberatie) en communicatiekosten in rekening. De taakbeloning is een functie van de workflow-uitkomst.
Incentive Compatibility (IC) & Individual Rationality (IR): Een coalitie is alleen haalbaar als:
1. Budgettair Haalbaar: Totale kosten (inspanning + communicatie) de taakbeloning niet overstijgen.
2. Incentive Compatibility: Elk knooppunt een beloningsdeel ontvangt dat voldoende is om zijn kosten te dekken, waardoor geen enkel knooppunt een prikkel heeft om af te wijken.
Minimum-Inspanning Coalitie Selectie: Het paper formuleert het probleem van het vinden van een coalitie die de totale agent-inspanning minimaliseert, terwijl aan alle haalbaarheidsvoorwaarden (capaciteitsdekking, workflow-executie en economische levensvatbaarheid) wordt voldaan.

D. Gedecentraliseerd Algoritme

Een Workflow-Coalitie Vormingsalgoritme wordt voorgesteld om het minimum-inspanning selectieprobleem op te lossen.

Mechanisme: Het initiërende knooppunt voert een gedecentraliseerd zoekproces uit, waarbij het de zoekstraal ( $k$ -hop buurt) stapsgewijs uitbreidt.
Proces: Bij elke straal enumereert het algoritme kandidaat-coalities, verifieert de workflow-coalitie haalbaarheid (controle van capaciteitsdekking, toewijzingsconsistentie en economische beperkingen) en selecteert de coalitie met de minimale totale inspanning.
Integratie: Dit algoritme fungeert als een coördinatielaag boven het Model Context Protocol (MCP), die de coalitiesamenstelling en tool-selectie bepaalt vóór de executie, zonder de runtime-semantiek van MCP te wijzigen.

3. Belangrijkste Bijdragen

Internet van Agentic AI Framework: Een netwerk-native model waarbij heterogene agenten dynamisch coalities vormen over cloud-edge grenzen heen om taakgestuurde workflows uit te voeren.
Incentive-Compatibele Workflow-Coalitie Haalbaarheid: Een formeel framework dat coalitievorming koppelt aan gedistribueerde workflow-executie, en de condities karakteriseert waaronder coalities haalbaar zijn, workflows uitvoerbaar zijn en incentives uitgelijnd zijn onder netwerkbeperkingen en budgetten.
Minimum-Inspanning Coalitie Selectie: Een formele probleemdefinitie en een gedecentraliseerd algoritme voor het selecteren van optimale coalities met gebruik van enkel lokale netwerkinformatie, geschikt voor open ecosystemen.
C+MCP Architectuur: Een voorstel om het bestaande Model Context Protocol uit te breiden met een pre-executie coördinatielaag (C+MCP) die coalitievorming en economische haalbaarheid afhandelt zonder de onderliggende tool-aanroep-protocol te wijzigen.

4. Resultaten

Het paper valideert het framework via een gezondheidscasus betreffende een gedistribueerde workflow voor patiëntdiagnose en behandelplanning.

Scenario: Een eerstelijns kliniek (Node A) initieert een workflow die OCR, radiologische interpretatie, differentiële diagnose, verzekeringsvalidatie en teleconsultatie vereist. Deze capaciteiten zijn verdeeld over beeldvormingscentra, gespecialiseerde ziekenhuizen en verzekeringsplatforms.
Simulatie: Gebruikmakend van een Erdős–Rényi graaf met 40 knooppunten, identificeerde het algoritme succesvol een haalbare coalitie bij een hop-radius van $k=2$ $k = 2$ .
- De geselecteerde coalitie (3 knooppunten) dekte alle vereiste capaciteiten en minimaliseerde de totale agentische inspanning.
- Het systeem bereikte een strikt positief economisch surplus (Beloning: 8.25, Kosten: 4.51).
Schaalbaarheidsgedrag: Monte-Carlo simulaties toonden aan dat het vergroten van de capaciteitsbreedte van individuele agenten zowel de vereiste coördinatieradius (hop-afstand) als de coalitiegrootte vermindert. Dit duidt op een substitutie-effect waarbij rijkere lokale capaciteiten de noodzaak voor uitgebreide netwerk-niveau coördinatie verminderen.

5. Betekenis en Claims

Het paper claimt de basis te leggen voor geprincipieerde coördinatie en schaalbaarheid in het opkomende tijdperk van het Internet van Agentic AI. De betekenis ligt in de verschuiving van het paradigma van agentische AI van gecentraliseerde orchestratie naar netwerkgeoriënteerde ecosystemen.

Systeem-niveau Schaalbaarheid: Het werk betoogt dat schaalbaarheid in agentische AI niet uitsluitend kan worden bereikt door de modelgrootte te vergroten; het vereist architecturale en economische mechanismen die agenten in staat stellen om te ontdekken, te coördineren en beloningen op een incentive-compatibele manier te delen.
Koppeling van Problemen: Het demonstreert dat coalitievorming, workflow-executie en prijsstelling (beloningen) intrinsiek gekoppelde problemen zijn die gezamenlijk moeten worden opgelost om operationele haalbaarheid en economische levensvatbaarheid te garanderen in open, gedistribueerde omgevingen.
Praktische Compatibiliteit: Door het framework te positioneren als een coördinatielaag boven MCP, stelt het paper dat de benadering compatibel is met bestaande agentische infrastructuur, en een schaalbare, incentive-bewuste uitbreiding biedt in plaats van een vervanging.

De auteurs merken op dat toekomstig werk nodig is om prijsmechanismen, marktgebaseerde coördinatie, attributie van verantwoordelijkheid en de integratie van vertrouwen en reputatiesystemen aan te pakken, met name in hoog-risico domeinen zoals de gezondheidszorg en cybersecurity.