Het tijdperk van de agentische organisatie: Leren organiseren met taalmodellen

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

October 30, 2025

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

cs.AI

Samenvatting

Wij voorzien een nieuw tijdperk van AI, aangeduid als agentische organisatie, waarin agenten complexe problemen oplossen door middel van collaboratief en parallel werken, waardoor resultaten ontstaan die individuele intelligent overstijgen. Om deze visie te realiseren, introduceren we asynchroon denken (AsyncThink) als een nieuw paradigma voor redeneren met grote taalmodellen, waarbij het interne denkproces wordt georganiseerd in parallel uitvoerbare structuren. Concreet stellen we een denkprotocol voor waarin een organisator dynamisch subvragen toewijst aan werkers, tussentijdse kennis integreert en samenhangende oplossingen genereert. Cruciaal is dat de denkstructuur in dit protocol verder geoptimaliseerd kan worden via reinforcement learning. Experimenten tonen aan dat AsyncThink een 28% lagere inferentielatentie bereikt vergeleken met parallel denken, terwijl de nauwkeurigheid bij wiskundig redeneren verbetert. Bovendien generaliseert AsyncThink zijn geleerde asynchrone denkvaardigheden en lost het effectief onbekende taken op zonder aanvullende training.

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.