AI-laber og teknologiselskaperPublisert 15. juli 2026
Swarm eller Graph: AWS-case viser hva orkestreringsvalget faktisk koster
En teknisk gjennomgang fra AWS ML-bloggen, basert på produksjonsbruk hos Thrad.ai, viser at valget mellom to multi-agent-mønstre kan kutte kostnad per lead med 25 prosent og spare 3,6 timer per 1 000 enheter.
Valget mellom to arkitekturmønstre for AI-agenter — Swarm og Graph — har direkte konsekvenser for driftskostnad og responstid. En teknisk gjennomgang fra AWS ML-bloggen, basert på reell produksjonsbruk hos oppstartsselskapet Thrad.ai, gir målbare tall på forskjellen.
30 minutter manuelt arbeid per lead
Thrad.ai bygger annonseinfrastruktur for AI-chatgrensesnitt. Salgsteamet brukte 30 til 45 minutter på å undersøke én potensiell kunde på tvers av seks datakilder før en relevant e-post kunne skrives. Det lot seg ikke skalere manuelt.
Selskapet bygde derfor et multi-agent-system på toppen av AWS-rammeverket Strands Agents og den administrerte kjøretidsplattformen Amazon Bedrock AgentCore. Systemet består av fire agenter med strengt avgrensede ansvarsområder: én henter trender fra seks plattformer (blant annet Hacker News, Reddit og Stack Overflow), én beriker prospektprofiler med kontekst fra GitHub og Wikipedia, én scorer hvert prospekt fra 0 til 100, og én genererer personaliserte e-poster. Arkitekturvalget bak dette systemet — og særlig avveiningen mellom to orkestreringsmønstre — er det som gjør caset relevant for virksomheter som vurderer produksjonssetting av agentbaserte systemer.
Swarm: agenter som styrer seg selv
I Swarm-mønsteret overlater man koordineringen til agentene selv. Hver agent avgjør når den skal sende kontrollen videre til en kollega via et verktøy kalt «handoff_to_agent», og de deler felles arbeidsminne. Oppdager analyseagenten at datagrunnlaget er for tynt, kan den sende jobben tilbake til innhentingsagenten uten at noen har forhåndsdefinert den bevegelsen.
Fleksibiliteten har en pris: uten eksplisitte begrensninger kan to agenter sende oppgaven frem og tilbake uten å komme videre. Thrad.ai løste dette med en «ping-pong»-detektor som krever at minst tre unike agenter deltar i en sekvens på åtte overføringer. Swarm brukte ifølge AWS ML-bloggen i snitt rundt 12 000 tokens per prospekt og tok 45 sekunder i gjennomsnitt, med et 95-prosentil på 78 sekunder.
Graph: fast arbeidsflyt med betingede porter
Graph-mønsteret definerer arbeidsflyten som en rettet asyklisk graf (DAG) — en struktur der nodene er forbundet med enveis-kanter og uten sykluser. Trend-agenten og søkespesialisten kjører parallelt fra starten, noe som halverer tiden brukt på datainnhenting. Analyseagenten venter til begge er ferdige, og deretter aktiveres en betinget kant: e-postgenerering skjer bare hvis prospektet scorer 60 eller høyere.
Porten er ikke bare en effektivitetsoptimalisering — den fungerer som en styringskontroll. Prospekter som ikke kvalifiserer, logges men hoppes over, noe som ifølge bloggen sparte rundt 3 000 tokens per skippet prospekt. Graph brukte i snitt 8 500 tokens og tok 32 sekunder per prospekt, med et 95-prosentil på 38 sekunder.
Tallene: kvalitet mot kostnad
Thrad.ai kjørte begge mønstre tre ganger mot 50 prospekter fra Hacker News. To uavhengige vurderere scoret e-postkvaliteten på en skala fra 1 til 10 basert på spesifisitet, tone og nøyaktighet. Swarm oppnådde 8,2 mot Graphs 7,6 — fordi agentene hentet tilleggskontekst når datagrunnlaget var spinkelt. Graph kostet om lag 0,06 dollar per prospekt mot Swarms 0,08 dollar.
Skalert til en batch på 1 000 prospekter er forskjellen konkret: Graph sparer om lag 3,6 timer behandlingstid og 20 dollar i token-kostnader, ifølge bloggen. Tallene er selskapets egne og er ikke uavhengig verifisert. Thrad.ai valgte Graph til nattlig stordriftsbehandling og Swarm til ukentlige dybdeanalyser av høyverdige prospekter — begge mønstre opererer i samme kodebase, aktivert av én konfigurasjonsflagg.
Produksjonssetting krever mer enn lokal prototyping
Å flytte et multi-agent-system fra laptop til produksjon krever sesjonsisolasjon, kapasitetsstyring og observerbarhet. Amazon Bedrock AgentCore, som ble allment tilgjengelig i oktober 2025, håndterer dette som administrerte tjenester: agentene kjører i isolerte mikro-VM-er med IAM-autentisering, livssykluskontroller og automatisk skalering. Et enkelt MCP-endepunkt (Model Context Protocol — en standardprotokoll for kommunikasjon mellom språkmodeller og verktøy) eksponerer alle ni verktøy agentene bruker.
Observerbarhetsdata hadde direkte driftsverdi: Thrad.ai oppdaget gjennom distribuerte spor at YouTube API-kall stod for 40 prosent av total latens, og la til automatisk retry-logikk med eksponentiell ventetid. Styringskontroller er implementert på tre nivåer: betingede kanter som porter handlinger, avgrenset verktøytilgang per agent, og Swarm-spesifikke begrensninger på antall overføringer og total kjøretid.
Beslutningsrammeverket
Mønstervalgene er ikke AWS-spesifikke — de samme avveiningene gjelder på tvers av rammeverk som LangGraph, CrewAI og AutoGen, ifølge uavhengige analyser av produksjonssystemer i 2026. Koordineringsmodellen bestemmer systemets latens, feiltoleranse, skaleringstak og debuggingskompleksitet.
Tommelfingerregelen fra Thrad.ai-caset er enkel: Graph passer når arbeidsflyten er repeterbar og forutsigbar latens er et krav. Swarm passer når datakvaliteten varierer og agentene må tilpasse seg underveis. Fordelen med å holde begge i én kodebase er at valget ikke er permanent — det kan skiftes per kjøring. Et kodeeksempel er tilgjengelig i AWS sitt GitHub-repositorium og kan distribueres på om lag 60 minutter til en estimert kostnad på 3 til 5 dollar i modellanrop, ifølge blogginnlegget.
««Graph lets us process large batches quickly and cheaply, while Swarm helps us go deeper on higher-value leads where extra context actually makes a difference.»»
De viktigste AI- og reguleringssakene, oversatt til hva de betyr for din virksomhet. Gratis.
Kilde: https://aws.amazon.com/blogs/machine-learning/multi-agent-social-intelligence-with-strands-agents-and-amazon-bedrock/
Bakgrunnskilder: Amazon Bedrock AgentCore — offisiell dokumentasjon · Strands Agents: Multi-agent Patterns (offisiell SDK-dokumentasjon) · AI Echoes: Exploring AWS Bedrock AgentCore and Strands Agents (uavhengig gjennomgang) · GitHub: Companion repository for blogginnlegget