Quando la maggioranza trascina gli agenti AI: una legge unica e un limite critico

Il 14 agosto 2026 Science Advances (vol. 12, n. 33) ha pubblicato «AI agents can coordinate via majority-following beyond human scale» (DOI 10.1126/sciadv.aea6091). Gli autori sono Giordano De Marzo (Università di Costanza, Centro Ricerche Enrico Fermi di Roma, Complexity Science Hub), Claudio Castellano (Centro Ricerche Enrico Fermi e Istituto dei Sistemi Complessi del CNR, Roma) e David Garcia (Università di Costanza). La domanda non è se un singolo modello sia “allineato”, ma che cosa succede quando molti agenti vedono le scelte degli altri. Nell’esperimento, gruppi di agenti LLM affrontano una scelta binaria senza risposta corretta né ricompensa, osservano le decisioni altrui e convergono spontaneamente sull’opzione già scelta dalla maggioranza.

Gli autori mostrano che il fenomeno segue un’unica forma funzionale per tutti i modelli testati, governata da un solo parametro, la “forza di maggioranza” (β): il consenso emerge quando β > 1. “Every model we tested, across three different families, obeys the same mathematical law, with only one number changing between them.” — Giordano De Marzo, primo autore dello studio, in dichiarazioni alla stampa. Traduzione: “Ogni modello testato, in tre famiglie diverse, obbedisce alla stessa legge matematica; cambia un solo numero.” La forza di maggioranza diminuisce all’aumentare del gruppo: esiste quindi una dimensione critica Nc oltre la quale il consenso non si forma più.

Secondo il preprint degli stessi autori (arXiv:2409.02822v3), la dimensione critica cresce in modo esponenziale con la capacità di comprensione linguistica del modello: la correlazione tra β e il punteggio al benchmark MMLU è 0,76. Nel preprint sono riportate dimensioni critiche di circa 50 agenti per Llama 3 70B, circa 150 per GPT‑4o e oltre 1.000 (solo come limite inferiore) per GPT‑4 Turbo e per il modello di punta della famiglia Anthropic. Secondo il fact sheet degli autori, sono state testate cinque versioni della famiglia Anthropic, quattro modelli di OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) e Llama 3 70B di Meta.

Gli autori confrontano questi ordini di grandezza con il numero di Dunbar, circa 200, usato come riferimento per i gruppi umani informali. Scrivono gli autori: “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Traduzione: “popolazioni di agenti allineati individualmente possono stabilizzarsi in stati collettivamente non allineati, per sola conformità”.

Limiti e incertezze dichiarati contano: le stime di Nc sono limiti inferiori; i vincoli di budget hanno impedito di esplorare gruppi più grandi per i modelli proprietari; lo scenario è idealizzato (scelta binaria, senza memoria, senza risposta giusta e senza conseguenze). Inoltre, le soglie numeriche rilanciate dalla stampa divergono rispetto al preprint (per Llama 3 70B si leggono sia “circa 30” sia “circa 50”; per GPT‑4o sia “circa 80” sia “circa 150”): la versione peer‑reviewed non è accessibile senza abbonamento e i valori definitivi vanno letti nell’articolo pubblicato; non è verificabile in modo indipendente se le cifre siano state riviste tra preprint e pubblicazione. Al momento della verifica non risulta un comunicato istituzionale del CNR o dell’Università di Costanza.

Per chi mette al lavoro gruppi di agenti, la conseguenza pratica è semplice: decidere se e quanto ogni agente veda le scelte degli altri è una scelta di progetto, non un dettaglio.

La novità non è l’ennesima “scala” dei modelli, ma la scala delle interazioni: quando cresce il gruppo, cambiano le regole. Progettarle esplicitamente è più prudente che scoprirle in produzione.