L'Era dell'Organizzazione Agente: Imparare a Organizzare con i Modelli Linguistici

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

October 30, 2025

Autori: Zewen Chi, Li Dong, Qingxiu Dong, Yaru Hao, Xun Wu, Shaohan Huang, Furu Wei

cs.AI

Abstract

Prevediamo una nuova era dell'IA, denominata organizzazione agentica, in cui gli agenti risolvono problemi complessi collaborando e operando in modo concorrente, consentendo risultati che superano l'intelligenza individuale. Per realizzare questa visione, introduciamo il pensiero asincrono (AsyncThink) come nuovo paradigma di ragionamento con i grandi modelli linguistici, che organizza il processo di pensiero interno in strutture eseguibili concorrentemente. Nello specifico, proponiamo un protocollo di pensiero in cui un organizzatore assegna dinamicamente sotto-query ai lavoratori, fonde le conoscenze intermedie e produce soluzioni coerenti. Ancora più importante, la struttura di pensiero in questo protocollo può essere ulteriormente ottimizzata attraverso l'apprendimento per rinforzo. Gli esperimenti dimostrano che AsyncThink raggiunge una latenza inferiore del 28% rispetto al pensiero parallelo, migliorando al contempo l'accuratezza nel ragionamento matematico. Inoltre, AsyncThink generalizza le sue capacità apprese di pensiero asincrono, affrontando efficacemente compiti non visti senza ulteriore addestramento.

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.