智能体自组织为何让管理假设失效

核心亮点

Ethan Mollick 承认自己此前的一个判断错了：他以为人类需要像经理一样，精心设计智能体应该如何组织协作。现在他认为这个假设不成立，因为 Bitter Lesson（苦涩的教训）同样适用于组织管理——与其手工编排，不如把结构交给规模和搜索去涌现。这对"怎么管 AI 团队"是个反直觉的提醒。

具体能力或事件经过

Mollick 的反思来自观察：当人们试图给一堆智能体规定 rigid 的汇报关系、角色分工时，效果往往不如让它们自行协调。他的原意是好的——经理式管理对人类团队有效，所以照搬给智能体。但智能体的成本结构和并行能力与人类完全不同，精细管控反而成了瓶颈。承认"我错了"本身就是个有价值的信号，说明实践跑到了旧框架前面。

技术细节

Bitter Lesson 的核心结论是：长期来看，通用方法（搜索 + 学习）总是战胜手工特征。Mollick 把它延伸到组织层——与其写死"谁调用谁"，不如提供目标、工具和评估，让智能体在运行中去涌现分工。这和多智能体框架里"编排器 vs 自由市场"的争论同源：硬编排可预测但僵化，自组织灵活但难控，关键在于任务本身是否适合被预设结构。

与竞品对比

在 Agent 框架里，这对应两种路线：一是 LangGraph 这类显式状态机，人定流程图；二是 AutoGen/CrewAI 这类角色扮演，靠提示词凑协作。Mollick 的观点更偏向"少管"，和近期模型路由器、动态调度的思路一致——把决策下沉到运行时。和强调人类在环（HITL）的保守派比，他更相信系统层面的评估而非微观管理能兜底质量。

行业影响或适用场景

对企业，这意味着上 Agent 时不该先画一张复杂 org chart，而该从小规模、明确目标的自组织试起，用结果指标而非过程合规来验收。对管理者，这是认知升级：你的价值从"设计流程"转向"定义目标与边界、建好评估"。智能体落地的管理范式，可能真的要从泰勒式管控走向涌现式协调。