OpenAI یک case study درباره اجرای ۱۰٬۰۰۰ ایجنت توسط Third Moment Research به مدت بیش از ۳۶ ساعت منتشر کرده است. برای تیم‌هایی که swarm ایجنت می‌سازند، ارزش این نوشته در عدد تیتروار آن نیست، بلکه در شکل بار کاری است: یک اجرای با افق بلند و fanout بالا که در آن هزاران worker هم‌زمان باید state را نگه دارند، از خرابی بازیابی کنند و سرباز ارکستراسیون را در یک بازه پایدار محدود نگه دارند. این همان رژیمی است که در آن آهنگ checkpointing، ماندگاری state و طراحی fan-in supervisor تعیین می‌کند که یک اجرا کامل شود یا بی‌صدا تنزل کند.
تصویر پذیرش گسترده‌تر ناهموار است. پژوهش G2 نشان داد ایجنت‌های AI از مرحله pilot به production رسیده‌اند و هزینه‌های نظارت همراه با استقرار افزایش یافته است. Diginomica گزارش داد که رهبران سازمانی درباره پذیرش agentic بیش از مدیران میانی اطمینان دارند. OpenAI همچنین یک شکاف پذیرش AI در اروپا را با وجود جهش هشت‌برابری استفاده از ایجنت در میان کسب‌وکارهای کوچک علامت‌گذاری کرد. پرسش باز برای متخصصان این است که چه مقدار از پروفایل هزینه و قابلیت اطمینان اجرای ۱۰٬۰۰۰ ایجنت به swarmهای کوچک‌تر و دامنه‌محور منتقل می‌شود، و کدام الگوهای ارکستراسیون باربر هستند و کدام تصادفی. این case study آن را قطعی نمی‌کند؛ بلکه یک نقطه مرجع فراهم می‌کند که تیم‌ها بتوانند پیش از تعهد به بودجه fanout، بازه‌های checkpoint، معناشناسی restart و مخازن state هر ایجنت خود را با آن مقایسه کنند.