Zespół badaczy opracował teoretyczne ramy dla dynamicznego wyboru agentów i optymalizacji komunikacji w systemach agentic AI, gdzie wiele modeli językowych o różnych umiejętnościach musi wspólnie rozwiązywać zadania. Problem polega na tym, że większość obecnych architektur albo ustala kanały komunikacji z góry, albo pozwala na pełny broadcast - oba podejścia generują zbędne koszty ze względu na liczbę tokenów, opóźnienia, redundancję i propagację błędów.
Badacze zamodelowali problem jako grę kooperacyjną ze sformułowaniem użyteczności netto U(C|x) = V(C|x) - suma kosztów agentów, separując koszty na poziomie koalicji od kosztów aktywacji. Zaproponowali trzy kluczowe wkłady: regułę aktywacji opartą na wartości marginalnej, zachłanny router z optymalizacją krawędzi komunikacji oraz wykorzystanie szacowanych wartości Shapleya do przewidywania, którzy agenci są wärti kontaktu. Pracę teoretyczną wspierają dowody dla szczególnych przypadków, w tym granica oparta na krzywiźnie oraz przybliżenie 1/2-aproksymacyjne przy użyciu podwójnego algorytmu zachłannego.
W eksperymentach syntetycznych ich podejście osiąga 99,5 procenta optymalności uzyskanej algorytmem brute-force, ale średnio aktywuje jedynie 1,96 z 8 dostępnych agentów. To ma praktyczne znaczenie dla redukcji kosztów operacyjnych w produkcji, gdzie każdy token stanowi wydatek, a każde opóźnienie wpływa na jakość doświadczenia użytkownika. Szacunkowe wartości Shapleya działają jako predyktor przydatności agenta, umożliwiając systemu inteligentne decyzje przed i podczas wykonywania zadania.