W przypadku złożonych systemów opartych na modelach językowych dochodzą do tego problemy optymalizacji całości systemu (a nie pojedynczych komponentów), zapewnienia jakości danych oraz kontroli nad kosztami i bezpieczeństwem.
Systemy wieloagentowe oparte na modelach językowych są dodatkowo trudne w utrzymaniu z powodu niedeterministycznego działania, kumulowania się drobnych błędów w długotrwałych procesach oraz wysokiego zużycia zasobów.
Przykłady mały|Watson firmy IBM w 2011: system łączył setki algorytmów analizy języka, wyszukiwania i oceny hipotez w architekturze DeepQAWatson firmy IBM, oparty na architekturze DeepQA, łączył wiele algorytmów analizy języka naturalnego, wyszukiwania informacji, reprezentacji wiedzy i uczenia maszynowego w jeden system odpowiadający na pytania w czasie rzeczywistym. Twórcy podkreślali, że DeepQA zaprojektowano jako rozszerzalną platformę do łączenia i oceny różnych technik. Hearsay-II, system rozumienia mowy, w którym po raz pierwszy zastosowano architekturę tablicową do integracji niezależnych źródeł wiedzy. Systemy robotyczne budowane w oparciu o ROS 2, w tym roboty mobilne i autonomiczne wdrażane w środowiskach komercyjnych. TacAir-Soar, system oparty na