O limiar da ineficiência: NTT Research e Harvard medem os limites dos agentes de IA

O artigo «Flag Game: Interpreting Decision Mechanisms of Bounded Social Agents», apresentado no workshop AI4Good do ICML 2026, analisa como grupos de modelos de linguagem cooperam para resolver um problema de consenso sobre informação distribuída. O trabalho nasce da colaboração entre o Physics of Artificial Intelligence Lab da NTT Research e o Center for Brain Science da Universidade Harvard. Hidenori Tanaka e Elizabeth Pavlova, do PAI Lab, simularam um cenário em que cada agente vê apenas parte de uma bandeira oculta e precisa negociar com os demais para identificar o país de origem. O objetivo não é só resolver a tarefa, mas observar os mecanismos de decisão que emergem quando a comunicação é restrita.

Os resultados, divulgados pela Business Wire, indicam que a precisão coletiva atinge o máximo por volta de 16 agentes. Abaixo desse limiar, o grupo não reúne elementos suficientes para uma decisão compartilhada; acima dele, o desempenho degrada de forma mensurável. Como noticiou o The Register, citando declarações de Tanaka, passado o limite ótimo a comunicação fica onerosa e o grupo tende a se fragmentar em facções opostas. O The Register esclarece que uma partida é considerada concluída quando pelo menos 85% dos agentes concordam com a mesma resposta por três rodadas consecutivas de análise.

O estudo destaca ainda duas variáveis relevantes para a arquitetura dos sistemas: equipes heterogêneas obtêm resultados melhores que as homogêneas, e a presença de orientação humana pesa muito no desfecho. É preciso, no entanto, distinguir esses resultados operacionais das promessas de produtividade vendidas às empresas. O comunicado não informa quais modelos foram usados nem as margens de erro estatístico, e o Flag Game continua sendo uma tarefa sintética em ambiente controlado, não uma simulação de fluxos de trabalho complexos. Cabe acrescentar que os números aqui apresentados vêm do comunicado da própria NTT Research e da cobertura independente do The Register: a página do artigo no OpenReview não pode ser consultada com ferramentas automáticas, então não conseguimos verificar seu texto. A ausência de detalhes sobre os modelos e o caráter de workshop da publicação recomendam cautela antes de transformar o limiar de 16 agentes em regra universal para qualquer aplicação corporativa.

Há uma simetria curiosa com as organizações humanas, que é também a analogia escolhida por Tanaka. Mas o que a pesquisa mede é algo mais restrito: nesta tarefa, o número de agentes não é uma variável neutra, e a composição do grupo pesa tanto quanto o seu tamanho.

— Olya