Apple ML Research: мультиагентные LLM-команды сдерживают экспертных агентов

Мультиагентные LLM-системы, в которых модели-агенты взаимодействуют свободно, без заранее заданных ролей и сценариев, не превосходят одного хорошо откалиброванного эксперта — а наоборот, сдерживают его. Это главный вывод новой работы Apple ML Research, название которой говорит само за себя: «Multi-Agent Teams Hold Experts Back» («Мультиагентные команды сдерживают экспертов»).

Что изучали в Apple ML Research

Мультиагентные системы — один из ключевых инструментов современных AI-приложений: несколько специализированных агентов работают совместно, один собирает данные, другой анализирует, третий формулирует ответ. Большинство существующих подходов обеспечивают координацию через жёсткую структуру — фиксированные роли, заданный порядок шагов или правила агрегации результатов. Это работает, но ограничивает гибкость.

Apple ML Research задалась вопросом, что произойдёт, если убрать эти ограничения и дать агентам взаимодействовать полностью свободно. Такую систему авторы называют «самоорганизующейся командой» — координация в ней не прописана заранее, а должна возникать органически через само взаимодействие агентов. Вопрос актуален для всей индустрии: именно в сторону большей автономии и свободного взаимодействия сейчас двигаются современные фреймворки оркестрации агентов.

Опираясь на организационную психологию, авторы ввели ключевую метрику — сильную синергию: команда считается синергичной, только если она стабильно превосходит лучшего из своих участников, а не просто их усреднённый результат.

Главный результат: сильной синергии нет

По данным Apple ML Research, самоорганизующиеся LLM-команды сильной синергии не достигают. Более того, в условиях неограниченного взаимодействия команда сдерживает своих экспертных участников, а не усиливает их. Ключевые находки исследования:

• Мультиагентные команды без фиксированных ролей не превосходят лучшего агента-эксперта в своём составе.
• Свободная координация ограничивает, а не раскрывает потенциал экспертных участников.
• Структурированные подходы с заранее заданными ролями и правилами агрегации стабильно эффективнее неструктурированных.
• Эффект «мудрости толпы», хорошо задокументированный в человеческих коллективах, у LLM-агентов не воспроизводится.

Почему у LLM не работает «мудрость толпы»

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 между агентами. В результате свободная координация порождает помехи, а не синергию — экспертный агент внутри такой команды работает хуже, чем если бы он действовал один.

Что это значит для разработчиков агентных систем

Практический вывод исследования: если координация не заложена явно — через роли, рабочие процессы или правила агрегации результатов — мультиагентная система рискует уступить одному хорошо откалиброванному специалисту. Добавить агентов легко; организовать их взаимодействие так, чтобы это реально работало, намного сложнее.

Работа Apple ML Research — весомый аргумент в пользу структурного проектирования мультиагентных систем: синергия не возникает из свободного взаимодействия сама по себе, её нужно конструировать явно. Пока языковые модели не научились органически выстраивать 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.

Что такое «сильная синергия» в исследовании

Apple ML Research?

Сильная синергия — метрика, введённая авторами исследования на основе организационной психологии: команда LLM-агентов считается синергичной только тогда, когда она стабильно превосходит лучшего из своих отдельных участников, а не просто показывает результат выше среднего по команде. Именно этот порог самоорганизующиеся команды агентов, по данным Apple ML Research, не преодолевают.

Почему самоорганизующиеся команды LLM-агентов уступают экспертам-одиночкам?

Потому что у языковых моделей отсутствует то, что позволяет людям эффективно координироваться без жёсткой структуры — накопленная культура совместной работы и общий контекст, складывающийся со временем. Каждая сессия LLM-агентов начинается заново без общей истории и выработанных норм взаимодействия, поэтому свободное взаимодействие агентов порождает помехи, а не «мудрость толпы», и экспертный агент внутри такой команды работает хуже, чем действуя в одиночку.

Как избежать провала мультиагентной системы, по данным

Apple ML Research?

Координацию нужно закладывать явно — через фиксированные роли для агентов, заданный порядок шагов (workflow) и определённые правила агрегации результатов. Исследование показывает, что именно такие структурированные подходы стабильно эффективнее свободного, неограниченного взаимодействия агентов, которое рискует сдержать, а не усилить лучшего эксперта в команде.