--- title: "Waarom multi-agent-LLM-systemen falen: 14 MAST-faalwijzen | Len P. van der Hof" description: Het MAST-onderzoek labelde 1642 traces en vond 14 faalwijzen. Houd de fout van een agent en de werkstroom die hem doorliet uit elkaar, en test één mislukte… image: "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.wide.webp" --- [AI-systemen](https://lenvanderhof.com/nl/blog/categorie/ai-systemen/) Onderzoeksartikel # Waarom multi-agent-LLM-systemen falen: de 14 MAST-faalwijzen De fout van een agent en de werkstroom die hem doorliet, zijn twee verschillende problemen. MAST geeft je de begrippen voor allebei. Len P. van der HofGepubliceerd 15 oktober 202610 min. leestijd Beide lopers waren snel. Het stokje ligt nog op de baan. Direct antwoord Multi-agent-LLM-systemen falen wanneer een agent een fout maakt en de werkstroom eromheen die fout laat passeren: rollen zijn onduidelijk, context raakt tussen agents kwijt of wordt achtergehouden, of een controle keurt onaf werk goed. Het MAST-onderzoek (Cemri en collega's, NeurIPS 2025) labelde 1642 uitvoeringslogboeken van zeven opensourceframeworks en vond 14 faalwijzen in drie groepen: systeemontwerp, gebrekkige afstemming tussen agents en taakverificatie. Duidelijkere rolprompts en een reviewlus hielpen in de proeven van de auteurs, maar maakten de systemen niet aantoonbaar betrouwbaar. De cijfers gaan over onderzoeksframeworks op testtaken, niet over het faalpercentage van jouw bedrijf. ## Belangrijkste inzichten - Ontleed een mislukte run op twee niveaus: wat de agent fout deed en wat de werkstroom doorliet. Elk niveau vraagt om een andere ingreep. - MAST noemt 14 faalwijzen in drie groepen: systeemontwerp (44,2% van de gelabelde fouten), gebrekkige afstemming tussen agents (32,3%) en taakverificatie (23,5%). - De grootste afzonderlijke faalwijzen waren stappen herhalen (15,7%), een kloof tussen redeneren en handelen (13,2%) en niet weten wanneer de klus af is (12,4%). - De faalpercentages van 41% tot 86,7% zijn gemeten bij onderzoeksframeworks op testtaken, niet bij bedrijfsprojecten. - Duidelijkere rolprompts brachten ChatDev op 32 taken van 25,0% naar 34,4% succes; een aparte ingreep met een reviewlus kwam op 40,6%. De auteurs noemden geen van beide een wezenlijke verbetering. - De multi-agent organisatie koppelt de drie groepen aan CHORUS: Charter voor ontwerp, Handoff en Orchestrate voor afstemming, Review voor verificatie. MAST heeft CHORUS niet getest. **Als een multi-agentsysteem faalt, heeft dat twee kanten: de fout die een agent maakte, en de werkstroom die hem doorliet.** Bekijk ze los van elkaar. Wat deed de agent, welke informatie bereikte hem, en wat had de volgende overdracht of review moeten tegenhouden? Die tweedeling helpt bij het lezen van “Why Do Multi-Agent LLM Systems Fail?” van Mert Cemri, Melissa Z. Pan, Shuyi Yang en collega’s van UC Berkeley en Intesa Sanpaolo, gepubliceerd op NeurIPS 2025 ([arXiv 2503.13657](https://arxiv.org/abs/2503.13657)). De auteurs verdeelden de fouten die ze tegenkwamen over 14 faalwijzen in drie groepen en noemden die indeling MAST: de Multi-Agent System Failure Taxonomy. Een multi-agent-LLM-systeem zet meerdere [AI-agents](https://lenvanderhof.com/nl/begrippen/ai-agent/) samen aan één taak. Elke agent draait op een groot taalmodel en heeft een eigen rol. ChatDev, een van de onderzochte systemen, bootst een softwarebedrijf na met een CEO, een CTO, een programmeur, een reviewer en een tester, allemaal gespeeld door AI. ## Wat hebben de onderzoekers precies gedaan? Ze verzamelden runs van zeven opensourceframeworks: ChatDev, MetaGPT, HyperAgent, AppWorld, AG2 (voorheen AutoGen), Magentic-One en OpenManus. De taken: programmeren, wiskunde en algemeen assistentwerk. Elke run leverde een *trace* op: het volledige logboek van wat elke agent zei en deed. In de eerste reeks telde zo’n trace gemiddeld meer dan 15.000 regels tekst. Zes experts lazen meer dan 150 traces en leidden de faalcategorieën af uit wat ze zagen. Daarna labelden drie beoordelaars onafhankelijk van elkaar traces, in herhaalde verfijningsrondes. Ze kwamen uit op een Cohens kappa van 0,88 (een maat waarbij 1 volledige overeenstemming betekent en 0 toeval). Een AI-beoordelaar op basis van het o1-model van OpenAI labelde vervolgens alle 1642 traces; de overeenstemming met de menselijke experts was 0,77. Die scores meten hoe eensgezind er gelabeld is, niet of elke diagnose klopt. Op hun testtaken faalden de systemen in 41% tot 86,7% van de gevallen. Die percentages gaan over onderzoeksframeworks, gedraaid met modellen als GPT-4o en Claude 3.7 Sonnet. Het zijn geen faalpercentages voor jouw bedrijf. ## De 14 faalwijzen, elk met een keukenvoorbeeld Stel je een restaurantkeuken voor waarin elke medewerker een AI-agent is. De Engelse namen komen uit het onderzoek; de Nederlandse weergaven en de keukenscènes zijn van dit artikel. De laatste kolom geeft het aandeel van elke faalwijze in alle gelabelde fouten in de 1642 traces, niet het aandeel mislukte runs. CodeFaalwijzeWat het betekentIn de keukenAandeelSystem design issues (systeemontwerp)44,2%1.1Disobey task specification (taakomschrijving negeren)Negeert de eisen of beperkingen van de taakOp de bon staat “zonder noten”. Er gaan toch noten in het gerecht.11,8%1.2Disobey role specification (rolomschrijving negeren)Werkt buiten de eigen rol, of gedraagt zich als een andere agentDe afwasser begint desserts op te maken1,5%1.3Step repetition (stappen herhalen)Doet stappen opnieuw die al klaar warenDezelfde saus wordt twee keer gemaakt, omdat niemand hem afvinkte15,7%1.4Loss of conversation history (gespreksgeschiedenis kwijtraken)Verliest recente context en valt terug naar een eerdere standEen kok vergeet dat tafel zes de bestelling wijzigde en maakt de oorspronkelijke2,8%1.5Unaware of termination conditions (niet weten wanneer de klus af is)Herkent niet dat de klus af isHet gerecht is klaar, maar wordt “verbeterd” tot het koud is12,4%Inter-agent misalignment (gebrekkige afstemming tussen agents)32,3%2.1Conversation reset (gesprek begint opnieuw)Het gesprek start opnieuw en de voortgang is wegMidden in de service wordt de bonnenrail leeggehaald en begint iedereen opnieuw2,2%2.2Fail to ask for clarification (niet om verduidelijking vragen)Gaat door met onduidelijke informatie in plaats van te vragenNiemand vraagt “medium of doorbakken?” en de biefstuk gaat verkeerd de zaal in6,8%2.3Task derailment (ontsporing van de taak)Dwaalt af van het eigenlijke doelEen kok gaat tijdens de lunchdrukte een nieuwe kaart bedenken7,4%2.4Information withholding (informatie achterhouden)Heeft informatie die een andere agent nodig heeft, maar geeft die niet doorDe souschef weet dat de vis op is en zegt niets0,85%2.5Ignored other agent’s input (inbreng van een andere agent negeren)Negeert wat een andere agent zeiDe bediening meldt een allergie en de grillkok negeert die1,9%2.6Reasoning-action mismatch (kloof tussen redeneren en handelen)Doet iets anders dan de eigen redenering zegt”Geen zout voor tafel vier”, zegt de kok, en strooit er toch zout over13,2%Task verification (taakverificatie)23,5%3.1Premature termination (te vroeg stoppen)Stopt voordat het doel bereikt is of alle nodige informatie is uitgewisseldHet bord wordt uitgeserveerd voordat de saus erop zit6,2%3.2No or incomplete verification (geen of onvolledige controle)De controle ontbreekt of gebeurt maar halfNiemand proeft voordat het bord de zaal in gaat8,2%3.3Incorrect verification (verkeerde controle)Er wordt gecontroleerd, maar op het verkeerde, of de fout wordt gemistDe chef keurt het bord goed omdat het er mooi uitziet, niet omdat de kip gaar is9,1% Lees de tabel met die tweedeling in gedachten. Sommige faalwijzen zijn een fout van de agent zelf: bij 2.6 strookt de handeling niet met de redenering die de agent net gaf. Andere laten zien wat de werkstroom niet doorgaf of niet tegenhield: bij 2.4 komt informatie nooit aan bij de agent die ermee verder moet, bij 3.2 ontbreekt de controle of gebeurt die half. Eén mislukte run kan beide bevatten: een agent negeert een eis (1.1) en een controle die op het verkeerde let, laat dat door (3.3). ## Drie mislukkingen uit het onderzoek zelf **Het Wordle-spel (1.1).** ChatDev moest een Wordle-spel maken met elke dag een nieuw woord van vijf letters, en leverde een programma met een vaste woordenlijst. Ook na een uitdrukkelijke instructie om dat niet te doen, bleef die lijst erin, met nieuwe fouten erbij. De auteurs zien hierin een probleem met hoe het systeem instructies verwerkt, niet alleen een beperking van het model. **De telefoonlogin (2.4).** In één trace wist een telefoonagent dat de gebruikersnaam een telefoonnummer moest zijn, maar hij gaf dat niet door aan de supervisoragent. De supervisor vroeg er ook niet naar. Inlogpoging na inlogpoging mislukte, en daarmee de hele taak. **Het schaakprogramma (3.2).** ChatDev bouwde een schaakspel dat door de controles kwam omdat de code compileerde, maar door runtimefouten onbruikbaar was. Of het spel zich aan de schaakregels hield, toetsten de controles niet. Het onderzoek beschrijft controleurs die keken of de code compileerde en of er TODO-opmerkingen waren blijven staan, zonder goed na te gaan of het programma deed wat de taak vroeg. Telkens maakte een agent een fout en hield niets verderop in de werkstroom die tegen. ## Wat de auteurs testten en wat ze voorstellen De auteurs onderscheiden *tactische* ingrepen, zoals duidelijkere prompts en rollen, betere gespreksvormen en zelfcontroles, van *structurele* veranderingen: grondigere verificatie, vaste afspraken over hoe agents communiceren, zekerheidsdrempels (een agent handelt pas als hij zeker genoeg is) en beter beheer van geheugen en toestand. Het zijn richtingen voor verbetering, geen bewezen recept voor betrouwbaarheid. Op 32 programmeertaken slaagde ChatDev zonder ingreep in 25,0% van de gevallen. Duidelijkere rolprompts, met onder meer de regel dat alleen een hoger geplaatste agent een gesprek mag beëindigen, brachten dat op 34,4%. Een aparte ingreep bouwde de werkstroom om rond een reviewlus die pas stopt als de CTO-agent bevestigt dat de reviews in orde zijn; die kwam op 40,6%. Beide cijfers zijn vergelijkingen met de nulmeting, geen winsten die je bij elkaar optelt. Het oordeel van de auteurs zelf: de ingrepen “do not constitute substantial improvements”, oftewel geen wezenlijke verbetering. Nog één onderscheid telt als je tools inkoopt: berichtformaat tegenover berichtinhoud. Het onderzoek bespreekt standaarden als MCP en Agent-to-Agent (A2A), maar de auteurs zagen ook gebrekkige afstemming tussen agents in hetzelfde framework die gewoon in natuurlijke taal met elkaar praatten. Zij wijten dat aan agents die niet goed inschatten wat een andere agent moet weten. Ook een standaardformaat kan een onvolledig bericht bevatten. ## Wat de cijfers je niet vertellen De tabel vertelt je niet hoe vaak jouw systeem zal falen, of welke fout jou het meest kost. Hij toont aandelen van gelabelde fouten in een onderzoekscorpus, waarvan een AI-beoordelaar de meeste traces labelde. De auteurs zeggen zelf dat de taxonomie niet volledig is. Het foutprofiel verschilde ook per systeem: AppWorld stopte vaak te vroeg, OpenManus herhaalde vaak stappen. Wat de labels je wel geven, is een diagnose die concreet genoeg is om mee aan de slag te gaan. “De agents deden het slecht” is geen diagnose. “We hebben een 2.2 en een 3.3” is een begin, mits je de logregels achter elke code kunt aanwijzen. Die regels laten zien waar je moet ingrijpen. ## CHORUS: een manier om de ingrepen te ordenen **CHORUS** is het coördinatieprotocol uit *[De multi-agent organisatie](https://lenvanderhof.com/boeken/multi-agent-organization/)*, geschreven voor kleine teams van ruwweg 2 tot 15 mensen die met AI-agents werken. Het is een operationeel ontwerp, geen onderzoeksresultaat: MAST heeft het niet getest, en het boek zegt zelf dat MAST CHORUS niet valideert. De zes vaardigheden houden hun Engelse namen en geven je een plek voor de veranderingen die je gaat testen: 1. **Charter.** Geef elke medewerker, mens of agent, een contract van één pagina met zeven velden: doel, input, output, bevoegdheidsplafond, succescriteria, reviewvereiste en escalatie. 2. **Handoff.** Geef bij elke overdracht een contextpakket met zes velden mee (doel, randvoorwaarden, input, herkomst, goedkeuringscriteria en deadline), zodat de ontvanger niet hoeft te raden. 3. **Orchestrate.** Leg vast welke stappen na elkaar lopen, waar werk zich over parallelle agents verdeelt en weer samenkomt, en bij welke mens met naam en toenaam escalaties terechtkomen. 4. **Review.** Laat output pas door de poort als die aan vooraf opgeschreven goedkeuringscriteria voldoet, niet omdat hij goed klonk. 5. **Update.** Laat reviewbevindingen terugvloeien in prompts, tools, SOP’s en charters, en controleer daarna of de wijziging hielp. 6. **Sync.** Houd één gedeeld overzicht bij van wie waarvan eigenaar is en wat vastzit, doorgenomen in een kort wekelijks overleg. Het boek koppelt systeemontwerp aan Charter, gebrekkige afstemming aan Handoff en Orchestrate, en verificatie aan Review. Gebruik die koppeling als praktische indeling, niet als bewijs dat die werkwijzen elke fout in een groep oplossen. Neem een verzonnen supportketen met drie agents: een triage-agent sorteert het ticket, een schrijfagent stelt het antwoord op, een controle-agent beoordeelt het. Het *charter* legt vast wanneer het werk klaar is: één antwoord, onder de 150 woorden, met een link naar het juiste helpartikel. Die controle is gericht op 1.5. De *handoff* geeft het abonnement van de klant en de eerdere tickets verplicht mee, en de schrijfagent stopt als een van de twee ontbreekt; dat moet 2.2 en 2.4 voorkomen. De *review* toetst het antwoord aan het restitutiebeleid, niet alleen aan de toon; dat moet 3.3 voorkomen. Of deze controles werken, weet je pas als je ze test. Waarom worden teams trager als ze agents toevoegen? Dat bredere verhaal lees je in [de coördinatiekloof](https://lenvanderhof.com/nl/blog/waarom-multi-agent-systemen-falen/) en in [wat agent-orkestratie is](https://lenvanderhof.com/nl/blog/wat-is-agent-orchestratie/). De [CHORUS-frameworkpagina](https://lenvanderhof.com/nl/frameworks/chorus/) geeft alle stappen. ## Probeer het vandaag: ontleed één mislukte run in 20 minuten 1. **Kies de mislukking.** Bewaar de input en de trace van één recente mislukte run. Schrijf op wat een acceptabel resultaat was geweest. 2. **Zoek de fout van de agent.** Spoor het eerste punt op waar het werk zichtbaar van die eis afwijkt. Zet de MAST-code erbij, met de logregels die hem onderbouwen. Twijfel je over een label, noteer dat. 3. **Zoek het gat in de werkstroom.** Kijk naar de eerstvolgende overgang. Wat kon de ontvangende agent of de reviewer zien? Ontbrak er context, viel er een eis weg, of was er geen controle? 4. **Verander één controle.** Maak een stopregel duidelijker, maak het ontbrekende overdrachtsveld verplicht, of voeg een controle toe op precies deze fout. Schrijf vóór je test op wat de aangepaste werkstroom moet doen. 5. **Draai de bewaarde input opnieuw.** Kijk of de controle werkte zoals bedoeld en of het eindresultaat aan de oorspronkelijke eis voldeed. Noteer allebei: een fout onderscheppen en de taak afronden zijn verschillende uitkomsten. Voor het supportvoorbeeld: draai een ticket opnieuw zonder het abonnement van de klant. De schrijfagent hoort te stoppen en erom te vragen voordat hij schrijft. Gokt hij het abonnement en gaat hij door, dan is de overdrachtscontrole voor de test gezakt. Eén herhaling bewijst geen betrouwbaarheid. Ze laat alleen zien of één controle één keer werkte. Bewaar de trace en de toets waarmee je het resultaat beoordeelde, zodat je de test na de volgende wijziging opnieuw kunt draaien. Citeer deze pagina:Waarom multi-agent-LLM-systemen falen: de 14 MAST-faalwijzen.Len P. van der Hof. [https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/](https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/) · Gepubliceerd 15 oktober 2026. ## Begrippen - [TRACE](https://lenvanderhof.com/nl/begrippen/trace/) - [CHORUS](https://lenvanderhof.com/nl/begrippen/chorus/) ## Bronnen 1. [Why Do Multi-Agent LLM Systems Fail? (arXiv 2503.13657, v3)](https://arxiv.org/abs/2503.13657) · Cemri, Pan, Yang, Agrawal, Chopra, Tiwari, Keutzer, Parameswaran, Klein, Ramchandran, Zaharia, Gonzalez, Stoica (UC Berkeley, Intesa Sanpaolo) 2. [Why Do Multi-Agent LLM Systems Fail? (NeurIPS 2025, Datasets and Benchmarks Track)](https://proceedings.neurips.cc/paper_files/paper/2025/file/b1041e52d3be19f0a9bc491657488e4a-Paper-Datasets_and_Benchmarks_Track.pdf) · NeurIPS Proceedings 3. [NeurIPS 2025 poster: Why Do Multi-Agent LLM Systems Fail?](https://neurips.cc/virtual/2025/poster/121528) · NeurIPS 4. [CHORUS (framework)](https://lenvanderhof.com/nl/frameworks/chorus/) 5. [De multi-agent organisatie](https://lenvanderhof.com/boeken/multi-agent-organization/) 6. [Waarom multi-agentsystemen falen](https://lenvanderhof.com/nl/blog/waarom-multi-agent-systemen-falen/) ## Verder lezen - [Waarom multi-agentsystemen falen: de coördinatiekloof](https://lenvanderhof.com/nl/blog/waarom-multi-agent-systemen-falen/) - [CHORUS](https://lenvanderhof.com/nl/frameworks/chorus/) - [De multi-agent organisatie](https://lenvanderhof.com/boeken/multi-agent-organization/) - [Wat is agent-orkestratie?](https://lenvanderhof.com/nl/blog/wat-is-agent-orchestratie/) Over de auteur ## [Len P. van der Hof](https://lenvanderhof.com/nl/auteurs/len-p-van-der-hof/) Ondernemer, AI-innovator en venture builder Len P. van der Hof bouwt praktische AI-systemen, digitale ventures en evidence-informed hulpmiddelen voor founders. ```json { "@context": "https://schema.org", "@graph": [ { "@type": "Person", "@id": "https://lenvanderhof.com/#person", "name": "Len P. van der Hof", "alternateName": [ "Len van der Hof", "L.P. van der Hof", "Leendert Pieter van der Hof" ], "honorificSuffix": "MSc", "url": "https://lenvanderhof.com/", "image": [ "https://lenvanderhof.com/photos/len-portrait-1.jpg", "https://lenvanderhof.com/photos/len-portrait-2.jpg", "https://lenvanderhof.com/photos/len-portrait-3.jpg", "https://lenvanderhof.com/photos/len-portrait-4.jpg", "https://lenvanderhof.com/photos/len-speaking.jpg", "https://lenvanderhof.com/photos/len-hero.jpg" ], "jobTitle": "Ondernemer, AI-innovator en venture builder", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "address": { "@type": "PostalAddress", "addressLocality": "Zwijndrecht", "addressCountry": "NL" }, "alumniOf": { "@type": "CollegeOrUniversity", "name": "Rotterdam School of Management, Erasmus University" }, "knowsAbout": [ "Artificial intelligence", "AI agents", "Agentic AI systems", "LLM routing", "SEO", "Generative engine optimization", "Answer engine optimization", "Venture building", "Founder performance", "Founder psychology", "Evidence-based decision-making" ], "sameAs": [ "https://www.linkedin.com/in/lenvanderhof/", "https://x.com/LenvanderHof", "https://www.youtube.com/channel/UCTG20buKqYYbitqqf7l3zJA", "https://www.instagram.com/Lenvanderhof/", "https://www.threads.com/@lenvanderhof", "https://github.com/Lenvanderhof", "https://huggingface.co/LPH98", "https://www.npmjs.com/~lenvanderhof", "https://www.goodreads.com/author/show/70983905.Len_P_van_der_Hof", "https://www.amazon.com/author/lenvanderhof", "https://www.bol.com/nl/nl/b/len-p-van-der-hof-msc/609879394/", "https://bsky.app/profile/lenvanderhof.com", "https://mastodon.social/@Lenvanderhof", "https://crates.io/users/Lenvanderhof", "https://cursor.com/@Lenvanderhof", "https://medium.com/@Lenvanderhof", "https://gitlab.com/Lenvanderhof", "https://hub.docker.com/u/lenvanderhof/", "https://dev.to/lenvanderhof", "https://www.facebook.com/Lenvanderhof", "https://soundcloud.com/Lenvanderhof" ], "affiliation": [ { "@id": "https://lenvanderhof.com/#publisher" }, { "@id": "https://lenvanderhof.com/#mindsesh" }, { "@id": "https://lenvanderhof.com/#lifestyle" } ] }, { "@type": "WebSite", "@id": "https://lenvanderhof.com/#website", "url": "https://lenvanderhof.com/", "name": "Len P. van der Hof", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "inLanguage": [ "en", "nl" ], "publisher": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#publisher", "name": "LPH98.ventures", "url": "https://lph98.ventures", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#mindsesh", "name": "MindSesh", "url": "https://mindsesh.net", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#reasonkit", "name": "ReasonKit", "url": "https://reasonkit.sh", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#undominated", "name": "Undominated.ai", "url": "https://undominated.ai", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#lifestyle", "name": "LPH98.lifestyle", "url": "https://lph98.lifestyle", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "ImageObject", "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#primaryimage", "url": "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.wide.webp", "contentUrl": "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.wide.webp", "representativeOfPage": true }, { "@type": "BreadcrumbList", "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#breadcrumb", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "Home", "item": "https://lenvanderhof.com/nl/" }, { "@type": "ListItem", "position": 2, "name": "Blog", "item": "https://lenvanderhof.com/nl/blog/" }, { "@type": "ListItem", "position": 3, "name": "AI-systemen", "item": "https://lenvanderhof.com/nl/blog/categorie/ai-systemen/" }, { "@type": "ListItem", "position": 4, "name": "Waarom multi-agent-LLM-systemen falen: de 14 MAST-faalwijzen", "item": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/" } ] }, { "@type": "WebPage", "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#webpage", "url": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/", "name": "Waarom multi-agent-LLM-systemen falen: de 14 MAST-faalwijzen", "description": "Het MAST-onderzoek labelde 1642 traces en vond 14 faalwijzen. Houd de fout van een agent en de werkstroom die hem doorliet uit elkaar, en test één mislukte run.", "isPartOf": { "@id": "https://lenvanderhof.com/#website" }, "primaryImageOfPage": { "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#primaryimage" }, "breadcrumb": { "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#breadcrumb" }, "inLanguage": "nl-NL" }, { "@type": "BlogPosting", "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#article", "mainEntityOfPage": { "@id": "https://lenvanderhof.com/nl/blog/multi-agent-faalwijzen-uitgelegd/#webpage" }, "headline": "Waarom multi-agent-LLM-systemen falen: de 14 MAST-faalwijzen", "description": "Het MAST-onderzoek labelde 1642 traces en vond 14 faalwijzen. Houd de fout van een agent en de werkstroom die hem doorliet uit elkaar, en test één mislukte run.", "datePublished": "2026-10-15T14:05:00.000Z", "author": { "@id": "https://lenvanderhof.com/#person" }, "publisher": { "@id": "https://lenvanderhof.com/#person" }, "image": [ "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.square.webp", "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.landscape.webp", "https://lenvanderhof.com/media/generated/blog-hero-multi-agent-failure-modes-explained-v1.cc2d29fe31e5.wide.webp" ], "articleSection": "AI-systemen", "inLanguage": "nl-NL" } ] } ```