Badacze z arXiv publikują stanowisko pozycyjne twierdzące, że wiele awarii w systemach multi-agent opartych na LLM nie wynika ze słabej koordynacji, lecz z problemów kontroli współbieżności. Gdy wiele agentów jednocześnie czyta i pisze do wspólnego stanu systemu, długie okresy wnioskowania modeli AI dramatycznie zwiększają ryzyko wystąpienia starych danych, utraty aktualizacji i niespójnych wyników.
Papier mapuje typowe scenariusze awarii na klasyczne anomalie współbieżności znane z informatyki - takie jak race conditions czy dirty reads. Zamiast szukać rozwiązań w lepszej komunikacji między agentami, autorzy argumentują, że problem leży w warstwie kontroli dostępu do dzielonych zasobów. Proponują, aby ramy (frameworki) budujące multi-agent systems wdrożyły explicite mechanizmy takie jak detekcja konfliktów, gwarantowane izolacje transakcji i strukturyzowany dostęp do wspólnego stanu.
To podejście zmienia fundamentalnie sposób myślenia o niezawodności systemów AI. Zamiast dodawać więcej agentów i nadziewać się na lepszą koordynację, zespoły powinny najpierw rozwiązać problem zarządzania konkurencyjnym dostępem - stawiając kontrolę współbieżności na pierwszym planie projektu, nie jako poprawkę dodaną na koniec.