多模型协作的几个管理学命题
来源
从《AI 对组织架构变革的思考》（slug：ai-decides-you-take-the-blame）里拆出来的一组命题。原文走的是论述路线，这 5 条命题更适合各自展开成独立文章，或合成一篇「多模型协作的管理学命题」。先存这儿，以后继续写。
五条命题
命题一：MoA 的组织价值来自异质认知的制度化，跟模型数量关系不大。
多模型系统只有在模型之间存在有效认知差异、聚合者具备判断力、组织允许异议进入最终决策时，才会创造集体智能。
否则，多模型只是昂贵的重复劳动。
命题二：AB-MCTS 把组织学习从周期性复盘变成连续性搜索。
传统组织靠项目复盘、季度总结、战略会学习；AB-MCTS 式机制让每个复杂任务内部都能发生探索—利用—反馈—再探索。
组织学习速度会显著加快，但评价指标也因此拥有更强的塑造力。
命题三：Aggregator 是新的组织角色，不只是技术组件。
在 Hermes MoA 中，aggregator 是 acting model；在企业中，与之对应的是 DRI、负责人、审批人或流程 owner。
企业必须把 aggregator 角色制度化，否则多智能体会导致责任扩散。
命题四：AI agent 会改变中层管理者的职能。
中层过去做信息收集、协调、汇报、初审、督办。
Agent 化后，这些任务会部分自动化，中层的价值会转向定义问题、配置 agent、判断异常、维护心理安全、解释价值冲突、承担跨部门协调。
命题五：Eval 是组织控制系统。
评分器、benchmark、自动验收规则不是中性的。
它们决定什么被奖励、什么被忽视、什么被视为好答案。
因此 Eval 应该纳入组织治理，别交给工程团队单独决定。
可以怎么展开
- 每条命题都能独立成文，配一个真实场景或反例。
- 命题三（aggregator 是新组织角色）和命题五（Eval 是控制系统）跟现有「模型治理」系列最贴，可优先写。
- 也可以合成一篇「多模型协作的五个管理学命题」，每条给一个企业落地判断。
如果你正在设计企业的人—AI—流程协同、Agent 编排、评估或治理体系，欢迎交流。