Apple ML Research : les équipes multi-agents de LLM freinent les agents experts

Исследователи Apple ML Research опубликовали работу о мультиагентных LLM-системах с неожиданным выводом: команды языковых моделей, где агенты взаимодействуют свободно без заранее заданных ролей и сценариев, не только не превосходят экспертных агентов — они их сдерживают. Название исследования говорит прямо: «Multi-Agent Teams Hold Experts Back».

Почему свободная координация не работает

Мультиагентные системы становятся одним из ключевых инструментов в современных AI-приложениях. В таких системах несколько специализированных агентов работают совместно: один собирает данные, другой анализирует, третий формулирует ответ. В теории разделение труда и коллективный интеллект должны давать результат лучше, чем один агент-универсал.

Большинство существующих подходов обеспечивают координацию через жёсткую структуру: каждому агенту назначена фиксированная роль, задан порядок шагов или определены правила агрегации результатов. Это работает, но ограничивает гибкость. Возникает вопрос: а что, если дать агентам взаимодействовать полностью свободно — без каких-либо предустановленных ограничений?

Apple ML Research изучила именно этот сценарий. «Самоорганизующаяся команда» в терминах авторов — система, где координация не прописана заранее, а возникает органически через само взаимодействие агентов. Вопрос актуален для всей индустрии: именно в направлении большей автономии и свободного взаимодействия двигаются современные фреймворки оркестрации агентов.

Авторы опираются на организационную психологию и вводят ключевую метрику: сильная синергия — команда считается синергичной, если стабильно превосходит лучшего из своих участников, а не просто их среднее.

Что показало исследование Apple ML Research?

Самоорганизующиеся LLM-команды сильной синергии не достигают. Хуже того — в условиях неограниченного взаимодействия команда сдерживает своих экспертных участников, а не усиливает их.

• Мультиагентные команды без фиксированных ролей не превосходят лучшего агента-эксперта Свободная координация ограничивает, а не раскрывает потенциал экспертных участников Структурированные подходы с заранее заданными ролями и правилами агрегации стабильно эффективнее * Эффект «мудрости толпы», хорошо задокументированный в человеческих коллективах, у LLM-агентов не воспроизводится Это разрыв с тем, как работают люди. В человеческих группах без жёсткой иерархии взаимная коррекция ошибок и разнообразие точек зрения нередко позволяют находить решения, недоступные любому участнику в одиночку. Через призму организационной психологии это объясняется накопленной культурой совместной работы и общим контекстом, который группа формирует со временем. Языковые модели такого контекста не накапливают: каждая сессия начинается заново, без общей истории и выработанных норм взаимодействия. В результате свободная координация порождает помехи, а не синергию. Практический вывод: если координация не заложена явно через роли, рабочие процессы или правила агрегации, мультиагентная система рискует уступить одному хорошо откалиброванному специалисту. Добавить агентов легко — организовать их взаимодействие так, чтобы это реально работало, намного сложнее.

Что это значит

Исследование Apple ML Research — весомый аргумент в пользу структурного проектирования мультиагентных систем. Синергия не возникает из свободного взаимодействия сама по себе: её необходимо конструировать явно. Пока языковые модели не научились органически выстраивать ту координацию, которую человеческие группы строят через культуру и опыт, самоорганизующиеся AI-команды будут проигрывать структурированным — и сдерживать, а не усиливать лучших агентов в своём составе.