A Era da Organização Agêntica: Aprendendo a Organizar com Modelos de Linguagem

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

October 30, 2025

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

cs.AI

Resumo

Vislumbramos uma nova era da IA, denominada organização agentiva, na qual os agentes resolvem problemas complexos colaborando e atuando concorrentemente, permitindo resultados que transcendem a inteligência individual. Para materializar essa visão, introduzimos o pensamento assíncrono (AsyncThink) como um novo paradigma de raciocínio com modelos de linguagem de grande escala, que estrutura o processo interno de pensamento em formas concorrentemente executáveis. Especificamente, propomos um protocolo de pensamento no qual um organizador atribui dinamicamente subconsultas a trabalhadores, consolida conhecimento intermediário e produz soluções coerentes. Mais importante ainda, a estrutura de pensamento neste protocolo pode ser otimizada através de aprendizagem por reforço. Experimentos demonstram que o AsyncThink alcança uma latência de inferência 28% inferior em comparação com o pensamento paralelo, além de melhorar a precisão em raciocínio matemático. Ademais, o AsyncThink generaliza suas capacidades aprendidas de pensamento assíncrono, abordando eficazmente tarefas não vistas sem necessidade de treinamento adicional.

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.