マルチエージェント大規模言語モデル（LLM）システムは、固定された事前定義のワークフローを実行するのではなく、エージェントが自由に相互作用する自律的な協働者としてますます展開されている。このような環境では、効果的な調整を事前に完全に設計することはできず、相互作用を通じて創発する必要がある。しかし、これまでの研究の多くは固定された役割、ワークフロー、または集約ルールによって調整を強制しており、調整が無制約な場合に自組織化チームがどれだけうまく機能するかという問いは未解決のままである。
組織心理学に着想を得て、スタンフォード大学とエモリー大学などの研究者らは、自組織化LLMチームが強い相乗効果——チーム性能が最良の個々のメンバーと同等かそれを上回る状態——を達成できるかを体系的に調査した。論文「Multi-Agent Teams Hold Experts Back」は2026年7月に発表された。
研究チームは人間に着想を得たベンチマークと最先端の機械学習ベンチマークで実験を行った。その結果は驚くべきものだった。人間のチームとは異なり、LLMチームは専門エージェントの性能に一貫して及ばず、チーム内で誰が専門家かを明示的に伝えても、MLベンチマークでは最大41.1%の性能損失が生じた。この発見は、マルチエージェント協働が自然に集合知を結集するという基本的前提に疑問を投げかける。
この失敗を分解するため、研究者らは問題を専門家の特定と専門家の活用の2つの段階に分けた。結果は、専門家の活用——特定ではなく——が主なボトルネックであることを示した。チームは専門家を特定できるものの、その後の議論と意思決定において専門家の見解に適切に高い重みを与えることができない。
会話分析はさらに背後にあるメカニズムを明らかにした。チームは「統合的妥協」に傾きがちで、専門性に応じて適切に重み付けするのではなく、専門家と非専門家の見解を平均してしまう。この合意形成行動はチームサイズの増大とともに強まり、チーム性能と負の相関を示す。つまり、チームが大きくなるほど「なれ合い」的な平均主義に陥りやすく、専門家の貢献が希釈されるのである。
興味深いことに、この合意形成行動は必ずしも悪い面ばかりではない。研究は、それが敵対的エージェントに対する頑健性を高めることを発見した。チーム内に悪意あるエージェントが誤導しようとする場合、平均化の傾向がその影響を緩和するのだ。これは、整合性（全メンバーとの一致）と専門知識の効果的活用の間にトレードオフが存在することを示唆している。
全体として、この研究は自組織化マルチエージェントチームがメンバーの集合的な専門知識を活用する能力に著しいギャップがあることを明らかにした。マルチエージェント協働に依存するAIシステムの設計にとって、これは単に「エージェントを自由に議論させる」だけでは高品質な意思決定を保証するのに不十分であることを意味する。専門家の意見が適切に重み付けられ、かつ敵対的行動に対する頑健性を維持するためには、より洗練された調整メカニズムが必要である。