Onderzoekers publiceerden op 6 oktober 2026 een paper over SHIFT, een systeem dat voor elke vraag automatisch de juiste combinatie van AI-agenten samenstelt. In plaats van tijdens het gebruik allerlei opstellingen uit te proberen, traint SHIFT een klein taalmodel om te voorspellen welke opstelling het beste werkt. Vervolgens stelt het met behulp van Monte Carlo tree search de agenten samen. De methode is getest op 9.193 taken uit zes benchmarks, variërend van rekenproblemen tot documentverwerking en taken voor algemene assistenten.
Hoe presteert SHIFT?
Met Gemini 3.5 Flash als uitvoeringsmodel behaalde SHIFT een gemiddelde nauwkeurigheid van ongeveer 80%. Daarmee presteerde het beter dan 17 andere methoden, waaronder gewone prompts, technieken voor promptoptimalisatie en andere methoden om workflows te doorzoeken. De sterkste concurrent bleef 7,2 procentpunt achter. Een goedkopere configuratie van SHIFT presteerde nog altijd beter dan alle baselines, met 32% minder tokens en dus minder benodigde rekenkracht.
Waarom het loont om alles samen te ontwerpen
De auteurs laten zien dat het beter werkt om de communicatiestructuur, instructies en tools samen te kiezen dan om slechts één van die onderdelen te selecteren. Die gezamenlijke keuze verbeterde de resultaten met maximaal 9,1 punt ten opzichte van een keuze op basis van alleen instructies of alleen tools. Ook hielp de aangeleerde waardefunctie om uit een groep kandidaten nauwkeurigere en goedkopere agentopstellingen te kiezen.
Waarom het ertoe doet
Voor ontwikkelaars van AI-assistenten belooft SHIFT betere prestaties, zonder dat ze voor elke nieuwe vraag zelf een opstelling van agenten hoeven te maken. De methode verlaagt ook de rekenkosten. Daardoor kunnen cloudkosten dalen en kunnen uitgebreidere diensten met meerdere agenten betaalbaarder worden voor eindgebruikers.
