함께 추론하는 법을 학습하는 자기 조직화 에이전트 팀
Self-Organizing Agent Teams Learn to Reason Together
집단 지성은 팀 구성원이 아는 것뿐만 아니라 이들이 업무를 어떻게 조직화하는지에도 좌우됩니다. 해결책의 구조를 알 수 없을 때는 유용한 역할과 분업을 사전에 지정할 수 없으며, 팀은 추론이 전개되는 과정에서 이를 어떻게 조직화할지 경험을 통해 학습해야 합니다. 인간 팀은 일상적으로 이러한 방식으로 적응하지만, 기존 AI 에이전트(agent) 팀은 고정된 프로토콜, 명시적인 작업 분해 또는 라우팅에 의존합니다. 본 논문에서는 이전 협업으로부터 재사용 가능한 전략을 학습하여 역할, 대화 단계, 참여 및 정보 흐름을 조직화하는 고정된 AI 에이전트 팀인 자기 조직화 에이전트 팀(Self-Organizing Agent Teams, SAT)을 소개합니다. 이러한 전략은 에이전트들이 부분적인 추론을 교환하고, 이의를 제기하고, 수정하며, 종합하여 어떤 구성원도 독립적으로 도출하지 못한 해결책을 만들어내는 협력적 계산(collaborative computation)을 가능하게 합니다. 두 가지 독립적인 설정에서, 본 연구는 단 15개의 수학 문제와 25개의 대학원 수준 지식 문제만을 사용하여 미간섭 벤치마크(unseen benchmark)로 변경 없이 전이되는 팀워크 전략을 학습합니다. 5개의 수학 및 물리학 벤치마크 전반에서 자기 조직화 팀은 66.7%의 평균 정확도를 기록하여, 가장 뛰어난 단일 구성원의 48.8%, 해당 에이전트의 계산량을 맞춘(compute-matched) 추론(inference)의 58.7%, 구성원들의 독립적인 답변에 대한 완벽한 라우터의 59.0%를 능가했으며, AIME 2026에서는 이 라우터를 13.4점 차이로 앞섰습니다. 벤치마크마다 성능 향상 폭이 다르기 때문에, 본 연구는 자기 조직화 협업이 언제 도움이 되는지 질문을 던집니다. 8개 벤치마크 전반에서 논증 가능성(demonstrability, 팀이 올바른 추론과 그렇지 않은 추론을 구별할 수 있는지를 나타내는 조직심리학 개념)은 가장 뛰어난 구성원 대비 성능 향상과 밀접하게 연동되었으며(Spearman $\rho=0.90$, $p=0.005$), 팀은 올바른 추론이 제시되었을 때 이를 알아볼 수 있을 때 가장 큰 혜택을 얻는 것으로 나타났습니다. 더 넓게 보면, 이러한 결과는 조직화 자체가 에이전트 역량이 될 수 있음을 시사합니다. 즉, 에이전트 팀은 함께 추론하는 법을 학습하여 구성원 개별적으로는 도달할 수 없었던 해결책을 도출할 수 있습니다.