Quando a maioria arrasta os agentes de IA: uma única lei e um limite crítico

A 14 de agosto de 2026 a Science Advances (vol. 12, n.º 33) publicou «AI agents can coordinate via majority-following beyond human scale» (DOI 10.1126/sciadv.aea6091). Os autores são Giordano De Marzo (Universidade de Constança, Centro de Pesquisas Enrico Fermi de Roma, Complexity Science Hub), Claudio Castellano (Centro de Pesquisas Enrico Fermi e Instituto de Sistemas Complexos do CNR, Roma) e David Garcia (Universidade de Constança). A pergunta não é se um modelo isolado está “alinhado”, mas o que acontece quando muitos agentes veem as escolhas uns dos outros. Na experiência, grupos de agentes LLM enfrentam uma escolha binária sem resposta certa nem recompensa, observam as decisões alheias e convergem espontaneamente para a opção já escolhida pela maioria.

Os autores mostram que o fenómeno segue uma única forma funcional em todos os modelos testados, governada por um só parâmetro, a “força de maioria” (β): o 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, primeiro autor do estudo, em declarações à imprensa. Tradução: “Todos os modelos que testámos, em três famílias diferentes, obedecem à mesma lei matemática; muda apenas um número”. A força de maioria diminui à medida que o grupo cresce: existe, portanto, um tamanho crítico Nc para além do qual o consenso deixa de se formar.

Segundo o preprint dos mesmos autores (arXiv:2409.02822v3), o tamanho crítico cresce exponencialmente com a compreensão linguística do modelo: a correlação entre β e a pontuação no benchmark MMLU é de 0,76. O preprint indica tamanhos críticos de cerca de 50 agentes para o Llama 3 70B, cerca de 150 para o GPT‑4o e mais de 1.000 (apenas como limite inferior) para o GPT‑4 Turbo e para o modelo de topo da família Anthropic. De acordo com a ficha dos autores, foram testadas cinco versões da família Anthropic, quatro modelos da OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) e o Llama 3 70B da Meta.

Os autores comparam estas ordens de grandeza com o número de Dunbar, cerca de 200, usado como referência para os grupos humanos informais. Escrevem: “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Tradução: “populações de agentes individualmente alinhados podem estabilizar em estados coletivamente desalinhados, apenas por conformidade”.

Os limites e incertezas declarados contam: as estimativas de Nc são limites inferiores; as restrições de orçamento impediram explorar grupos maiores nos modelos proprietários; o cenário é idealizado (escolha binária, sem memória, sem resposta certa e sem consequências). Além disso, os limiares divulgados pela imprensa divergem do preprint (para o Llama 3 70B lê-se tanto “cerca de 30” como “cerca de 50”; para o GPT‑4o tanto “cerca de 80” como “cerca de 150”): a versão revista por pares não é acessível sem assinatura e os valores definitivos devem ser lidos no artigo publicado; não é possível verificar de forma independente se os números foram revistos entre o preprint e a publicação. No momento da verificação não consta qualquer comunicado institucional do CNR ou da Universidade de Constança.

Para quem põe grupos de agentes a trabalhar, a consequência prática é simples: decidir se e quanto cada agente vê das escolhas dos outros é uma decisão de projeto, não um pormenor.

A novidade não é mais uma “escala” dos modelos, mas a escala das interações: quando o grupo cresce, mudam as regras. Desenhá-las explicitamente é mais prudente do que descobri-las em produção.