L'ère de l'organisation agentique : Apprendre à s'organiser avec les modèles de langage

The Era of Agentic Organization: Learning to Organize with Language Models

October 30, 2025

papers.authors: Zewen Chi, Li Dong, Qingxiu Dong, Yaru Hao, Xun Wu, Shaohan Huang, Furu Wei

cs.AI

papers.abstract

Nous envisageons une nouvelle ère de l'IA, appelée organisation agentique, où des agents résolvent des problèmes complexes en travaillant de manière collaborative et concurrente, permettant d'atteindre des résultats dépassant l'intelligence individuelle. Pour concrétiser cette vision, nous introduisons la pensée asynchrone (AsyncThink) comme nouveau paradigme de raisonnement avec les grands modèles de langage, qui organise le processus de réflexion interne en structures exécutables simultanément. Plus précisément, nous proposons un protocole de pensée où un organisateur assigne dynamiquement des sous-requêtes à des travailleurs, fusionne les connaissances intermédiaires et produit des solutions cohérentes. Plus important encore, la structure de pensée dans ce protocole peut être optimisée par apprentissage par renforcement. Les expériences démontrent qu'AsyncThink réduit la latence d'inférence de 28% par rapport à la pensée parallèle tout en améliorant la précision sur le raisonnement mathématique. De plus, AsyncThink généralise ses capacités apprises de pensée asynchrone, abordant efficacement des tâches non vues sans apprentissage supplémentaire.

English

We envision a new era of AI, termed agentic organization, where agents solve complex problems by working collaboratively and concurrently, enabling outcomes beyond individual intelligence. To realize this vision, we introduce asynchronous thinking (AsyncThink) as a new paradigm of reasoning with large language models, which organizes the internal thinking process into concurrently executable structures. Specifically, we propose a thinking protocol where an organizer dynamically assigns sub-queries to workers, merges intermediate knowledge, and produces coherent solutions. More importantly, the thinking structure in this protocol can be further optimized through reinforcement learning. Experiments demonstrate that AsyncThink achieves 28% lower inference latency compared to parallel thinking while improving accuracy on mathematical reasoning. Moreover, AsyncThink generalizes its learned asynchronous thinking capabilities, effectively tackling unseen tasks without additional training.