Ba nghiên cứu công bố trên arXiv ngày 23/9/2026 đã làm sáng tỏ cách các quần thể tác tử AI (AI agents) tương tác, thảo luận và phối hợp giải quyết vấn đề khi hoạt động theo nhóm.
Nghiên cứu đầu tiên (arXiv:2609.22408) áp dụng mô hình Music Lab trên 1.000 tác tử AI để đánh giá 114 bài báo xuất bản trên tạp chí American Economic Review năm 2025. Kết quả cho thấy trong môi trường có tín hiệu xã hội, mỗi AI chọn ít hơn 17,2% số lượng bài báo so với khi lựa chọn độc lập, khiến sự chú ý bị thu hẹp vào 73 bài thay vì 90 bài. Đáng chú ý, việc gán ngẫu nhiên 5 lượt chọn ban đầu cho một bài báo đã làm tăng tỷ lệ được chọn tiếp theo thêm 45,55 điểm phần trăm (khoảng tin cậy 95%: 41,20 đến 49,90), cho thấy hệ thống AI cũng chịu tác động mạnh từ thông tin đám đông.
Ở khía cạnh suy luận tập thể, nghiên cứu thứ hai (arXiv:2609.22497) thử nghiệm quy trình thảo luận ba giai đoạn trên các mô hình ngôn ngữ lớn thuộc ba họ khác nhau. Qua bốn bài toán thực tế gồm ước lượng số lượng trực quan, bình duyệt bài báo học máy, phát hiện hành vi độc hại ẩn của AI và dự đoán thị trường thể thao, quá trình thảo luận giúp giảm sai số tập thể so với việc chỉ tổng hợp câu trả lời độc lập. Sau thảo luận, đánh giá của từng cá thể mô hình cũng duy trì được độ chính xác cao hơn. Nhóm nghiên cứu lưu ý lợi thế này chỉ xuất hiện khi có sự đa dạng về mô hình, trong khi nhóm gồm các bản sao của cùng một mô hình không ghi nhận cải thiện.
Nghiên cứu thứ ba (arXiv:2609.22682) giới thiệu mô hình Nhóm tác tử Tự tổ chức (SAT), cho phép các tác tử tự học cách phân vai và điều phối luồng hội thoại từ kinh nghiệm thay vì tuân theo quy trình định tuyến cố định. Trên 5 bộ đo chuẩn toán học và vật lý, các nhóm tự tổ chức đạt độ chính xác trung bình 66,7%, vượt mức 48,8% của tác tử mạnh nhất và 59,0% của một bộ định tuyến hoàn hảo. Riêng ở kỳ thi AIME 2026, nhóm vượt bộ định tuyến 13,4 điểm phần trăm. Mức cải thiện này tương quan chặt chẽ với khả năng nhận diện suy luận đúng của nhóm (Spearman rho = 0,90, p = 0,005).