Habr AI: самоорганизующиеся LLM-агенты обошли иерархические системы на 14%

Эксперимент с LLM-агентами показал, что привычная организационная логика плохо переносится в AI-системы. Если не навязывать агентам роли сверху, а дать им самим выбирать специализацию и степень участия, качество решений растёт.

Как проверяли гипотезу

Авторы исследования шесть месяцев тестировали разные схемы координации на 25 000 задачах, используя 8 моделей и команды размером до 256 агентов. Главный вопрос был простым: работает ли для AI тот же подход, что и для людей, когда есть координатор, фиксированные роли и заранее заданная структура. Чтобы проверить это, сравнили несколько режимов работы — от жёстко спроектированных команд до систем, где агенты сами решают, кто и когда подключается к задаче.

В самоорганизующейся схеме агент не получает ярлык вроде аналитик, редактор или проверяющий ещё до начала работы. Вместо этого он смотрит на конкретную задачу, оценивает, где может быть полезен, и выбирает специализацию по ситуации. Более того, агент может вообще отказаться от участия, если его вклад не улучшит итог.

Это важный сдвиг: вместо дисциплины и подчинения система опирается на локальные решения каждого участника и собирает из них общую стратегию.

Почему иерархия проиграла

Ключевой вывод исследования звучит жёстко: назначать роли заранее — антипаттерн. Система, в которой агенты самостоятельно распределяли функции, превзошла вариант с координатором на 14%. Причина не только в гибкости. Когда роль задаётся заранее, агент начинает подгонять поведение под шаблон, даже если задача требует другого типа мышления. В результате часть участников работает не там, где приносит максимум пользы, а там, куда их однажды поставил архитектор системы.

Назначать роли — антипаттерн.

Самый показательный результат связан не с процентами, а с разнообразием поведения. Всего 8 агентов в ходе эксперимента создали 5 006 уникальных ролей — намного больше, чем человек обычно закладывает в дизайн такой системы. Это не хаос, а динамическая микроспециализация: один и тот же агент может в одном случае искать факты, в другом — уточнять требования, а в третьем — молчать. Именно право не участвовать, когда ценность вклада низкая, отдельно повысило качество итоговых ответов.

Практика для команд

Для разработчиков multi-agent систем из этого следует довольно практичный набор правил. Если задача меняется от кейса к кейсу, то жёсткая оргсхема начинает мешать раньше, чем помогает. Вместо сложной иерархии полезнее проектировать механизмы выбора: кто берёт задачу, как агент сигнализирует о своей компетенции и когда он должен выйти из процесса. Иначе команда из агентов быстро превращается в цифровую копию корпоративного отдела со всеми его лишними согласованиями.

• Не фиксировать роли там, где задачи сильно отличаются друг от друга Давать агентам возможность самим выбирать специализацию под конкретный запрос Разрешать не участвовать, если уверенность низкая или вклад будет дублирующим Оценивать не только послушность системы, но и качество самоорганизации Закладывать масштабирование от малых групп к большим, не меняя принцип координации Практическая ценность работы в том, что она не сводится к красивой теории про emergent behavior. Она даёт прямую рекомендацию тем, кто строит AI-пайплайны, ассистентов и агентные платформы: меньше ручного менеджмента, больше правил локального выбора. Такой подход особенно важен там, где задачи неоднородны, контекст быстро меняется, а стоимость лишнего шага высока. В этих условиях самоорганизация оказывается не исследовательской экзотикой, а способом получить лучший результат при том же наборе моделей.

Что это значит

Для рынка это сигнал, что следующий этап развития агентных систем связан не с усложнением иерархий, а с проектированием среды, в которой агенты умеют договариваться без жёсткого начальника. Если выводы из эксперимента подтвердятся в прикладных продуктах, то многие команды будут пересматривать архитектуру AI-ассистентов: от набора заранее назначенных ролей — к более гибкой, адаптивной и экономной координации.