Emerging tech | 2026 m. rugpjūtis
Lietuvos IT sektorius per pastaruosius metus tapo vienu iš svarbiausių šalies ekonomikos variklių. Paslaugų eksportas auga, IRT indėlis į BVP jau viršija 5 %, o talentų koncentracija DI srityje – viena didžiausių regione. Tačiau 2025–2026 m. įvyko lūžis: vienas didelis kalbos modelis daugiau nepakanka. Į sceną įžengė multi-agent AI sistemos – kelių specializuotų dirbtinio intelekto agentų komandos, kurios dirba kartu, derina veiksmus ir sprendžia užduotis, kurių vienas agentas neįveiktų.
Šiame straipsnyje išsamiai paaiškinsime, kas yra multi-agent sistemos, kaip jos veikia, kokie rėmeliai dominuoja 2026 m., ir – svarbiausia – kaip jos keičia Lietuvos IT paslaugų rinką: nuo programavimo ir testavimo iki klientų aptarnavimo, konsultavimo ir managed services.
Kas yra multi-agent AI sistema?
Multi-agent AI sistema (MAS) – tai architektūra, kurioje keli specializuoti AI agentai dirba kartu siekdami bendro tikslo. Kiekvienas agentas turi savo rolę, įrankius, atmintį ir sprendimų logiką. Jie komunikuoja, perduoda užduotis, kritikuoja vienas kito rezultatus ir kartais dirba lygiagrečiai.
Įsivaizduokite ne vieną super-programuotoją, o visą komandą: architektą, kūrėją, testuotoją, saugumo specialistą ir projekto vadovą. Visi jie – AI.
Vienas agentas gali parašyti kodą. Multi-agent sistema gali:
- išanalizuoti reikalavimus,
- sukurti architektūrą,
- parašyti kodą,
- parašyti testus,
- patikrinti saugumą,
- paruošti dokumentaciją
- ir atidaryti pull request’ą – beveik be žmogaus įsikišimo.
2026 m. tai jau ne laboratorinis eksperimentas. Gamybinės sistemos veikia klientų aptarnavime, dokumentų apdorojime, pardavimų procesuose ir IT operacijose.
Kaip veikia multi-agent architektūra
Tipinė multi-agent sistema turi kelis pagrindinius elementus:
- Orchestrator / Supervisor – vadovas, kuris skirsto užduotis ir stebi eigą.
- Specializuoti agentai – kiekvienas su savo role (tyrėjas, rašytojas, kritikas, vykdytojas).
- Komunikacijos protokolas – kaip agentai keičiasi informacija (MCP, A2A ir pan.).
- Bendra atmintis / state – kad visi žinotų kontekstą.
- Įrankiai – prieiga prie duomenų bazių, API, kodų repozitorijų, naršyklių.
- Human-in-the-loop taškai – kai reikia žmogaus patvirtinimo.
Populiariausi modeliai 2026 m.:
- Supervisor (hierarchinis)
- Pipeline / Sequential
- Hierarchical
- Swarm / Network
- Blackboard
Deloitte prognozuoja, kad 2026 m. bus lūžio metai agentų orkestracijai – įmonės pradės masiškai diegti koordinuotas multi-agent sistemas.
Populiariausi rėmeliai 2026 m.: LangGraph, CrewAI, AutoGen
Trys pagrindiniai open-source ir produkciniai rėmeliai dominuoja:
| Rėmelis | Stilius | Geriausia kam | Brandumas produkcijoje |
|---|---|---|---|
| LangGraph | State machine / grafas | Sudėtingi, ilgai veikiantys procesai, human-in-the-loop | Aukščiausias |
| CrewAI | Role-based crews | Greitas prototipavimas, komandos su aiškiomis rolėmis | Labai geras |
| AutoGen | Conversational | Tyrimai, kodo rašymas ir vykdymas, diskusijos | Vidutinis–geras |
LangGraph dažniausiai pasirenkamas gamybinėms sistemoms, nes turi aiškų state’ą, checkpoint’us ir gerą stebėseną. CrewAI – greičiausias būdas sukurti „komandą“ su rolėmis. AutoGen stiprus ten, kur reikia agentų dialogų.
Vienas agentas vs. keli agentai – kada reikia komandos
Vienas agentas greitesnis, pigesnis ir lengviau derinti. Multi-agent sistema reikalinga, kai:
- užduotis per didelė vienam kontekstiniam langui,
- reikia kelių specializacijų,
- norima paralelumo,
- reikia kryžminės patikros (kritikas sumažina haliucinacijas).
Tyrimai rodo, kad gerai sukurtos multi-agent sistemos gali sumažinti klaidų skaičių ir pagreitinti kompleksines užduotis 3–10 kartų.
Pasaulinės tendencijos ir rinkos prognozės
Autonominių AI agentų rinka 2026 m. siekia apie 8,5 mlrd. USD, o iki 2030 m. – 35 mlrd. USD (Deloitte). Gartner prognozuoja, kad iki 2027 m. multi-agent sistemos bus 70 % įmonių.
McKinsey ir kiti analitikai pabrėžia, kad agentic AI gali suspausti tradicines IT paslaugas 20–30 %, bet tuo pačiu sukurti naują 200 mlrd. USD vertės paslaugų rinką – orkestracija, agentų inžinerija, saugumas ir valdymas.
Kaip multi-agent sistemos keičia IT paslaugas
Tradicinis IT outsourcing modelis rėmėsi darbo jėgos arbitražu. Multi-agent sistemos keičia taisykles:
- Programavimas ir modernizacija – agentai jau konvertuoja milijonus eilučių kodo (pvz., COBOL → microservices) 60 % pigiau ir greičiau.
- Testavimas ir QA – atskiri agentai rašo, vykdo ir analizuoja testus.
- IT operacijos (AIOps) – multi-agent sistemos stebi, diagnozuoja ir net taiso incidentus.
- Klientų aptarnavimas – 80 % užklausų gali būti išspręsta autonomiškai iki 2029 m. (Gartner).
- Konsultavimas ir diegimas – įmonės ieško partnerių, kurie moka kurti ir valdyti multi-agent sistemas, o ne tik „pridėti žmonių“.
Rezultatas: pigesnis, greitesnis ir labiau outcome-based modelis. Kas anksčiau buvo „body shopping“, dabar tampa „agent orchestration + human expertise“.
Lietuvos IT sektoriaus kontekstas ir galimybės
Lietuva yra gerai pasiruošusi:
- IRT sektorius jau generuoja daugiau nei 5 % BVP, eksportas per kelerius metus išaugo beveik penkis kartus.
- Paslaugų eksportas sparčiai auga, o žinioms imlios paslaugos sudaro vis didesnę dalį.
- DI talentų koncentracija – viena didžiausių CEE.
- Įmonių AI naudojimas per metus šoktelėjo daugiau nei dvigubai (kai kurių duomenų – iki 21 %).
Lietuvos IT įmonės, kurios greitai įsisavins multi-agent sistemas, gali:
- padidinti savo komandų produktyvumą 2–4 kartus,
- pasiūlyti klientams brangesnes, aukštesnės vertės paslaugas (agentų projektavimas, orkestracija, governance),
- sumažinti priklausomybę nuo pigios darbo jėgos konkuruojant su Indija ar Filipinais,
- tapti regioniniais centrais agentic AI sprendimams (ypač fintech, cybersecurity, viešasis sektorius).
Konkrečios taikymo sritys Lietuvos įmonėms
- Software development teams – agentų komandos, kurios rašo, peržiūri ir testuoja kodą.
- Managed services / MSP – multi-agent sistemos, kurios automatiškai tvarko tickets, monitoringą ir remedaciją.
- Fintech ir bankai – dokumentų apdorojimas, compliance, fraud detection su kelių agentų koordinacija.
- Klientų aptarnavimas – trijų lygių agentų sistema (triage → specialistas → eskalacija).
- Vidinių procesų automatizavimas – HR, finansai, pirkimai.
Iššūkiai ir rizikos {#issukiai}
- Agent sprawl – per daug agentų, kuriuos sunku valdyti.
- Koordinacijos klaidos – agentai nesutaria dėl konteksto.
- Saugumas ir compliance – ypač BDAR, TIS2 aplinkoje.
- Stebėsenos ir auditavimo trūkumas.
- Talentų trūkumas – reikia ne tik promptų, bet ir orkestracijos, state management, evaluation kompetencijų.
Kaip pradėti: praktiniai žingsniai
- Pradėkite nuo vieno proceso proceso (pvz., kodo peržiūros ar ticket triage).
- Pasirinkite rėmelį pagal poreikį (CrewAI greitam prototipui, LangGraph produkcijai).
- Įdiekite stebėseną ir human-in-the-loop nuo pirmos dienos.
- Matuokite ne tik greitį, bet ir kokybę bei klaidų skaičių.
- Investuokite į komandos mokymus – multi-agent inžinerija tampa nauja specialybe.
Išvados
Multi-agent AI sistemos nėra dar vienas hype. Jos keičia IT paslaugų ekonomiką iš esmės – nuo darbo jėgos kiekio prie orkestracijos ir rezultatų. Lietuvos įmonės, kurios dabar investuos į šią kompetenciją, turės aiškų konkurencinį pranašumą tiek vietinėje, tiek tarptautinėje rinkoje.
Jei jūsų įmonė kuria ar planuoja diegti multi-agent sprendimus, nori pasidalinti case study, arba ieško galimybių talpinti ekspertinį turinį / partnerystes emerging tech temomis – rašykite.
Šis straipsnis parengtas remiantis 2025–2026 m. Deloitte, McKinsey, Gartner, IDC ir Lietuvos statistikos bei inovacijų agentūrų duomenimis. Rinka keičiasi greitai – stebėkite atnaujinimus.
