No mundo da inteligência artificial, uma crença comum tem sustentado há muito tempo que, se você der a um grupo de programas de computador poder suficiente e permitir que eles conversem entre si, eles naturalmente descobrirão como trabalhar juntos. Essa ideia assume que a inteligência é uma propriedade dos membros individuais: se cada robô ou agente de software for inteligente o suficiente, o grupo será inteligente o suficiente. No entanto, a história humana e a sociologia sugerem uma verdade diferente. Sabemos que o sucesso de um grupo depende tanto de como seus membros estão organizados quanto de seus talentos individuais. Uma equipe de médicos brilhantes falhará em uma cirurgia se não houver uma divisão clara de trabalho, uma cadeia de comando ou uma forma de decidir quem faz o quê e quando. Esse princípio, conhecido como design organizacional, é a arquitetura invisível que transforma uma multidão de indivíduos em um coletivo coordenado. Durante décadas, cientistas que construíam equipes artificiais focaram quase inteiramente em tornar os agentes individuais mais inteligentes, frequentemente deixando a questão de como organizá-los como uma preocupação secundária, ou assumindo que uma estrutura única e fixa funcionaria para todas as situações.

Um novo estudo desafia essa suposição ao mostrar que a maneira como os agentes artificiais são organizados é tão crítica quanto a inteligência que possuem. Pesquisadores da Universidade de Duke desenvolveram um sistema chamado ORCH, que significa Organizing Roles and Coordination Hierarchies (Organização de Papéis e Hierarquias de Coordenação). Em vez de forçar cada grupo de robôs a seguir as mesmas regras rígidas, o ORCH atua como um arquiteto que projeta uma estrutura de gestão única para cada missão específica. O sistema baseia-se em ideias da teoria de gestão humana, observando especificamente como diferentes tipos de trabalho exigem diferentes tipos de coordenação. Algumas tarefas podem ser feitas por muitas pessoas trabalhando lado a lado sem precisar esperar umas pelas outras, como um grupo de bombeiros, cada um derrubando árvores diferentes. Outras tarefas exigem uma ordem estrita, onde um passo deve ser concluído antes que o próximo possa começar, como um drone precisando explorar um incêndio e identificar rotas seguras antes que um helicóptero possa transportar os bombeiros para o local, após o qual os bombeiros extinguem o fogo. O ORCH reconhece essas diferenças e constrói uma hierarquia que combina com o trabalho: ele cria gestores "horizontais" para supervisionar o trabalho independente e paralelo, e gestores "verticais" para supervisionar processos sequenciais, passo a passo.

Para testar se essa abordagem realmente funciona, os pesquisadores colocaram seu sistema à prova em um mundo simulado complexo de resposta a incêndios florestais. Eles criaram vinte e cinco missões diferentes, variando de tarefas simples, como patrulhar uma área pequena, até cenários massivos e caóticos envolvendo até cinquenta tipos diferentes de agentes, incluindo drones, helicópteros, tratores de esteira e bombeiros semelhantes a humanos. Essas missões foram projetadas para serem difíceis, com condições mutáveis como mudanças repentinas de vento, novos focos de incêndio ou agentes falhando no meio da tarefa. Os pesquisadores colocaram o sistema ORCH contra outros quatro métodos líderes de coordenação de equipes artificiais. Eles realizaram essas simulações usando oito modelos diferentes de linguagem de grande escala (LLMs), que serviram como os "cérebros" para os agentes, para garantir que os resultados não fossem apenas um acaso de um programa de computador específico. Os resultados foram impressionantes. Equipes organizadas pelo ORCH superaram consistentemente os outros métodos. Elas completaram as missões com pontuações mais altas, concluíram as tarefas muito mais rápido e exploraram mais o ambiente. Em média, as estruturas criadas por humanos via ORCH melhoraram a pontuação final da missão em quase sessenta e quatro por cento e a velocidade de execução em mais de setenta e quatro por cento em comparação com as abordagens anteriores mais avançadas. Mesmo quando a hierarquia da equipe foi gerada automaticamente por uma inteligência artificial em vez de um humano, o sistema ainda melhorou o desempenho em mais de quarenta por cento.

Uma das descobertas mais surpreendentes foi que ter um cérebro computacional maior e mais poderoso não garantia uma equipe melhor. Os pesquisadores testaram modelos de tamanhos vastamente diferentes, desde modelos menores e eficientes até sistemas massivos e de última geração. Eles descobriram que um modelo de tamanho moderado, quando colocado em uma estrutura de equipe bem organizada, frequentemente performava melhor do que um modelo muito maior que fosse mal organizado. Isso sugere que simplesmente tornar os agentes individuais mais inteligentes não é o único caminho para o sucesso; a estrutura que os mantém unidos importa tanto quanto. De fato, o estudo mostrou que o desempenho coletivo não aumenta simplesmente à medida que o modelo cresce. Um modelo grande e poderoso ainda pode falhar se receber um organograma confuso ou ineficiente. Os pesquisadores também descobriram que o sistema ORCH foi robusto em diferentes tipos de missões e diferentes cérebros computacionais subjacentes, provando que os princípios de organização são uma ferramenta fundamental para construir grupos artificiais capazes, e não apenas um método para um cenário específico.

O estudo também analisou de perto por que outros sistemas falharam. Quando os pesquisadores analisaram os registros de comunicação das equipes que tiveram dificuldades, descobriram que a maioria das falhas ocorreu porque agentes individuais receberam tarefas que não podiam realizar ou foram instruídos a fazer coisas que não faziam sentido naquele momento. Em contraste, as equipes organizadas pelo ORCH tiveram muito menos desses erros de execução. A estrutura hierárquica ajudou a filtrar informações e garantir que as tarefas fossem compatíveis com as capacidades adequadas. No entanto, os pesquisadores observaram que, embora o sistema funcionasse bem, não era perfeito. Quando a hierarquia da equipe era gerada automaticamente por uma inteligência artificial sem supervisão humana, as estruturas resultantes eram frequentemente mais complicadas e menos equilibradas do que aquelas projetadas por um especialista humano. Essas equipes geradas automaticamente às vezes criavam camadas desnecessárias de gestão ou atribuíam muitos agentes a um único gestor, o que as tornava mais lentas. Isso sugere que, embora as máquinas possam aprender a se organizar, a visão humana sobre como estruturar uma equipe continua sendo uma vantagem valiosa.

Em última análise, este trabalho estabelece que o design organizacional é uma parte central da inteligência artificial, não apenas um detalhe administrativo. Ele prova que princípios desenvolvidos para entender as sociedades humanas — como dividir o trabalho com base no fato de ele poder ser feito em paralelo ou deve ser feito em sequência — podem ser traduzidos em código para construir melhores equipes artificiais. Os pesquisadores descobriram que, ao tratar a organização da equipe como uma variável que pode ser ajustada e otimizada, eles puderam desbloquear capacidades que estavam ocultas mesmo em agentes individuais poderosos. À medida que os sistemas artificiais se tornam maiores e mais complexos, passando de pequenos grupos de robôs idênticos para coletivos diversos e massivos, a capacidade de projetar a estrutura certa para o trabalho se tornará tão essencial quanto a própria inteligência dos agentes. O estudo sugere que o futuro da inteligência coletiva artificial reside não apenas em tornar os robôs mais inteligentes, mas em aprender como organizá-los.