Agenti AI e società artificiali: come la meccanica statistica prevede consenso e polarizzazione

La fisica della società artificiale: cosa succede quando migliaia di agenti AI interagiscono

Per molto tempo abbiamo studiato l’intelligenza artificiale come se ogni modello fosse un individuo isolato: una domanda entra, una risposta esce. Ma questa prospettiva sta diventando insufficiente.

Gli agenti AI possono oggi collaborare, criticarsi, negoziare, scambiarsi informazioni e prendere decisioni insieme. Un sistema multi-agente non è quindi semplicemente un insieme di modelli: è un sistema dinamico, nel quale le decisioni di un agente modificano quelle degli altri.

A questo punto emerge una domanda sorprendentemente vicina a quelle della fisica dei sistemi complessi:

Se conosciamo le caratteristiche iniziali degli agenti e la rete attraverso cui comunicano, possiamo prevedere il comportamento collettivo che emergerà?

È la domanda al centro del lavoro Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents, pubblicato su arXiv il 17 agosto 2026 da Batu El, Jinhee Paeng, Fatih Dinc e altri coautori. Gli autori studiano oltre 10.000 comunità simulate di agenti basati su modelli linguistici e mostrano che, nonostante la complessità dei singoli comportamenti, la dinamica collettiva può essere descritta attraverso regolarità compatte, ispirate alla meccanica statistica.

La novità non consiste quindi semplicemente nel mettere più chatbot a conversare.

La novità è provare a costruire una teoria del comportamento collettivo degli agenti artificiali.

---

Dall’agente alla società artificiale

Immaginiamo 32 agenti AI che devono rispondere alla stessa domanda.

All’inizio ognuno possiede una propria opinione.

Gli agenti possono avere competenze, preferenze o predisposizioni differenti.

Inoltre, non tutti devono necessariamente fidarsi degli altri nello stesso modo.

Alcune connessioni possono essere concordanti: l’opinione dell’altro viene considerata positivamente.

Altre possono essere discordanti: l’agente tende a reagire contro l’opinione ricevuta.

Infine, alcuni agenti possono semplicemente non comunicare.

Il risultato è una rete di interazioni.

Nel modello dello studio questa rete viene rappresentata da una matrice [math]J[/math], nella quale una connessione può essere positiva, negativa oppure assente. Gli agenti comunicano per più round, aggiornando progressivamente la propria opinione.

Nelle simulazioni standard vengono utilizzati 32 agenti e otto round di interazione.

Questa struttura è interessante perché assomiglia a molti sistemi multi-agente reali: ensemble, dibattiti tra modelli, sistemi di critica reciproca, agenti che collaborano alla ricerca o alla programmazione.

La domanda cambia quindi radicalmente.

Non è più:

“Quanto è bravo questo modello?”

Diventa:

“Che cosa succede quando molti modelli, con determinate relazioni, iniziano a influenzarsi reciprocamente?”

---

Oltre 10.000 comunità artificiali

Gli autori hanno analizzato circa 9.600 comunità nella parte principale dell’esperimento e oltre 10.000 gruppi considerando anche gli esperimenti di generalizzazione e gli aggiornamenti asincroni. Sono stati utilizzati quattro modelli linguistici, domande matematiche e domande politiche, diverse reti di comunicazione e repliche indipendenti delle simulazioni.

Le domande appartengono a due categorie molto diverse.

Problemi oggettivi

Sono problemi matematici con una risposta verificabile.

Ogni agente possiede una diversa “competenza” incorporata nella propria persona: per esempio, può avere accesso alla soluzione corretta di un problema differente e quindi contribuire con conoscenze diverse.

Questioni soggettive

Sono invece affermazioni politiche sulle quali non esiste una risposta oggettivamente corretta.

In questo caso le diverse personalità degli agenti rappresentano differenti preferenze e posizioni politiche.

Questa distinzione è fondamentale.

Perché un sistema di agenti può essere valutato in modo molto diverso quando deve trovare la verità rispetto a quando deve produrre un consenso.

---

Tre regimi emergenti: indifferenza, polarizzazione e consenso

La prima scoperta importante è che le comunità non si comportano in modo completamente casuale.

Emergono tre regimi caratteristici:

indifferenza, polarizzazione e consenso.

1. Indifferenza

Gli agenti hanno opinioni deboli.

La media delle loro opinioni è vicina allo zero, ma non perché esistano due schieramenti fortemente contrapposti: semplicemente molti agenti non sono fortemente convinti.

È la situazione di una popolazione che non ha ancora sviluppato una posizione precisa.

2. Polarizzazione

La media complessiva può essere ancora vicina allo zero, ma per una ragione completamente diversa.

Gli agenti hanno opinioni forti e sono divisi in due gruppi contrapposti.

Metà sostiene una posizione, metà l’altra.

Questa distinzione è matematicamente importante: una media vicina a zero non significa necessariamente neutralità.

3. Consenso

La maggioranza degli agenti converge verso la stessa posizione e, contemporaneamente, aumenta la forza della propria convinzione.

Il gruppo non è soltanto più uniforme: è anche più convinto.

Gli autori formalizzano questa distinzione utilizzando due quantità: l’opinione netta della comunità e una misura della convinzione, definita come media dei quadrati delle opinioni individuali. In questo spazio matematico consenso, polarizzazione e indifferenza diventano regioni differenti.

Questo è uno dei risultati concettualmente più interessanti del lavoro:

la dinamica sociale non si limita a spostare le opinioni; tende anche a renderle più forti.

---

Il punto sorprendente: gli agenti diventano progressivamente più convinti

Le simulazioni mostrano che le comunità partono frequentemente da una condizione di relativa indifferenza e, attraverso le interazioni, aumentano la propria convinzione.

La popolazione si muove quindi verso stati più ordinati: consenso oppure polarizzazione.

È qui che entra in gioco la meccanica statistica.

In fisica, sistemi composti da moltissime particelle possono presentare comportamenti collettivi che non sono immediatamente deducibili osservando una singola particella.

Un magnete, per esempio, non viene spiegato semplicemente studiando una particella alla volta. Quando le interazioni diventano numerose, emergono proprietà collettive.

Gli autori propongono una situazione analoga per gli agenti AI.

Il singolo agente è complesso.

Ma il comportamento di una popolazione numerosa potrebbe essere descritto da leggi dinamiche più semplici.

---

La “temperatura sociale” non è una temperatura reale

Uno dei concetti più suggestivi del paper è quello di social temperature, la temperatura sociale.

Va però interpretato correttamente.

Non è una temperatura fisica misurata nell’agente.

È un parametro del modello matematico, ispirato alla temperatura della meccanica statistica, che rappresenta il grado di disordine o di variabilità del sistema.

Nel modello gli autori trovano che le comunità operate in un regime equivalente a una bassa temperatura, coerente con l’aumento della convinzione osservato nelle simulazioni.

La metafora può essere resa intuitivamente così.

A temperatura “alta”, il sistema conserva maggiore variabilità: le configurazioni differenti sono più facilmente esplorate.

A temperatura “bassa”, le configurazioni ordinate diventano più stabili.

Trasportata nel mondo degli agenti:

maggiore disordine → maggiore possibilità di mantenere opinioni differenti

maggiore ordine → maggiore tendenza alla stabilizzazione delle opinioni

È un modo elegante per descrivere una dinamica che, a prima vista, sembrerebbe esclusivamente linguistica.

---

Dal chatbot al modello di Ising

Il cuore teorico del lavoro è ancora più interessante.

Gli autori costruiscono un modello matematico ispirato al modello di Ising, uno dei modelli fondamentali della meccanica statistica.

Nel modello di Ising ogni elemento può assumere, nella versione più semplice, due stati. Qui gli stati rappresentano le due possibili posizioni dell’agente.

Per un agente [math]i[/math], l’opinione può essere rappresentata come:

[math]\displaystyle s_i \in \{-1, +1\}[/math]

Ogni agente possiede inoltre una predisposizione individuale, rappresentata da un campo intrinseco [math]g_i[/math].

Ma l’agente non vive isolato.

La sua decisione dipende anche dalle opinioni dei vicini:

[math]\displaystyle \sum_j J_{ij} s_j[/math]

dove [math]J_{ij}[/math] rappresenta il tipo di relazione fra i due agenti.

Il sistema può quindi essere interpretato come un equilibrio fra due forze:

preferenza individuale

e

pressione sociale.

Gli autori formalizzano questa competizione attraverso una funzione di energia sociale e derivano una regola probabilistica di aggiornamento dell’opinione. Il modello non pretende di descrivere ogni dettaglio linguistico prodotto dal modello AI: cerca invece di catturare la dinamica collettiva attraverso pochi parametri interpretabili.

È precisamente questo il passaggio dalla simulazione alla teoria.

---

Non tutti i legami sociali sono uguali

Uno degli aspetti più interessanti è che il modello non considera semplicemente l’esistenza di una connessione.

Conta anche il tipo di connessione.

Un agente può avere un rapporto concordante con un altro oppure discordante.

Gli autori introducono quindi diversi coefficienti per rappresentare:

• l’effetto generale dell’essere collegati;
• l’influenza delle connessioni concordanti;
• l’influenza delle connessioni discordanti.

Il risultato empirico è particolarmente interessante:

le connessioni attrattive risultano più forti di quelle repulsive.

In altre parole, nelle condizioni studiate, gli agenti tendono complessivamente più ad allinearsi che a respingersi.

Questo aiuta a spiegare perché il sistema tende verso il consenso più di quanto ci si potrebbe aspettare osservando semplicemente la presenza di relazioni antagonistiche.

---

Una società artificiale può cambiare idea

C’è un’altra conseguenza importante.

Il risultato finale non coincide necessariamente con la maggioranza iniziale.

In alcune configurazioni la maggioranza iniziale si indebolisce o addirittura viene rovesciata.

Nel paper, per alcuni modelli, i casi di divergenza o di cambio della maggioranza arrivano all’11-12% in determinate condizioni sperimentali. Inoltre, la rete di comunicazione può produrre traiettorie differenti anche partendo dalla stessa domanda.

Questo significa che non possiamo descrivere semplicemente il sistema dicendo:

“vince l’opinione che aveva più sostenitori all’inizio”.

La rete e le interazioni modificano il risultato.

Ed è proprio qui che compare un concetto fondamentale della teoria dei sistemi complessi:

la configurazione iniziale non determina necessariamente da sola lo stato finale.

La struttura delle interazioni conta.

---

Quando il consenso aiuta a trovare la verità

Arriviamo alla parte più incoraggiante del paper.

Nel caso delle domande matematiche, il consenso collettivo tende a migliorare l’accuratezza.

Quando gli agenti discutono, i gruppi mostrano una tendenza a spostarsi verso la risposta corretta. Inoltre, i passaggi da una maggioranza inizialmente errata a una corretta risultano più frequenti dei passaggi opposti.

Il meccanismo proposto dagli autori è particolarmente interessante.

Gli agenti che possiedono la risposta corretta sembrano esercitare, nel modello adattato ai dati, una maggiore influenza rispetto agli agenti che possiedono la risposta errata.

Il sistema collettivo diventa quindi, almeno in queste condizioni, truth-seeking.

È un risultato importante per sistemi di AI collaborativi.

Se più agenti possiedono competenze complementari, farli interagire potrebbe produrre una risposta migliore rispetto a quella ottenuta da un singolo agente.

È la logica alla base di molte architetture multi-agent: aggregare, criticare, confrontare e raffinare.

Ma consenso non significa verità

Ed è qui che bisogna evitare la conclusione più semplicistica.

Il fatto che la dinamica favorisca la convergenza non significa che il gruppo abbia sempre ragione.

Per i problemi matematici esiste una risposta verificabile.

Per una questione politica o morale, invece, il concetto di “risposta corretta” non è definito nello stesso modo.

E in questo secondo scenario emerge un risultato molto più problematico.

Gli autori osservano che, nelle domande politiche analizzate, la maggioranza tende più frequentemente a spostarsi da sinistra verso destra che nella direzione opposta.

Questo risultato va interpretato con cautela.

Non significa che:

“gli agenti AI sono di destra”.

Significa che nelle condizioni sperimentali del lavoro, con quei modelli, quelle persone artificiali, quelle domande e quelle reti di interazione, la dinamica collettiva mostra uno spostamento sistematico in quella direzione.

La distinzione è essenziale.

Il consenso può essere accurato quando esiste una verità verificabile.

Ma su una questione soggettiva può semplicemente essere un consenso.

---

Il vero problema: 10.000 agenti non significano 10.000 menti indipendenti

Questa è forse la conseguenza più importante da portare fuori dal paper.

Immaginiamo un sistema composto da 10.000 agenti.

Potremmo essere tentati di dire:

“Abbiamo 10.000 opinioni indipendenti.”

Non necessariamente.

Se gli agenti derivano dagli stessi modelli linguistici, sono sottoposti a prompt simili e condividono caratteristiche comuni, possono avere bias correlati.

In quel caso 10.000 agenti potrebbero assomigliare più a:

10.000 copie parzialmente diverse dello stesso sistema statistico

che a 10.000 esperti indipendenti.

La diversità apparente della popolazione non coincide automaticamente con la diversità epistemica.

È una distinzione cruciale per la progettazione dei sistemi multi-agente.

---

La rete è una variabile di progetto

Un’altra lezione importante è che non conta soltanto quali agenti utilizziamo.

Conta anche:

chi parla con chi.

Una rete completamente connessa produce una dinamica diversa da una rete divisa in comunità.

Un sistema nel quale gli agenti possono criticarsi reciprocamente è diverso da uno nel quale prevalgono relazioni concordanti.

Un agente che riceve informazioni da molti interlocutori è diverso da uno che riceve informazioni soltanto da pochi.

Il paper mostra infatti che le reti di comunicazione possono produrre differenze sistematiche nelle traiettorie collettive.

Questo trasforma la topologia della rete in una vera variabile di progettazione dell’AI.

Non dovremmo quindi progettare soltanto:

il modello dell’agente.

Dovremmo progettare anche:

la società nella quale quell’agente opera.

---

Dalla simulazione alla progettazione

Questa prospettiva ha implicazioni concrete.

Se il comportamento collettivo è sufficientemente prevedibile, allora alcune caratteristiche del sistema possono diventare parametri di progetto:

• composizione della popolazione;
• competenze degli agenti;
• struttura della rete;
• relazioni di fiducia;
• intensità delle interazioni;
• numero di round;
• meccanismi di critica;
• fonti esterne;
• modalità di aggregazione delle risposte.

Il problema non è più soltanto scegliere il modello migliore.

Diventa scegliere l’architettura collettiva migliore.

Per esempio, un sistema destinato alla ricerca scientifica potrebbe beneficiare di agenti con competenze molto diverse e di meccanismi espliciti di verifica.

Un sistema destinato alla decisione aziendale potrebbe utilizzare agenti con ruoli differenti: analista, critico, risk manager, esperto di dominio e verificatore.

Un sistema decisionale sensibile potrebbe invece avere bisogno di meccanismi che impediscano al consenso di formarsi troppo rapidamente.

La teoria potrebbe diventare quindi uno strumento per progettare deliberatamente la dinamica della popolazione.

---

Come evitare che il consenso amplifichi gli errori

Il paper non offre una ricetta universale per rendere sicuri i sistemi multi-agente. Ma suggerisce una direzione molto interessante: intervenire sulla dinamica, non soltanto sul singolo modello.

Alcune strategie possibili sono:

1. Diversificare realmente gli agenti

Non basta assegnare personalità diverse allo stesso modello.

Occorre cercare diversità di competenze, modelli, dati, strategie di ragionamento e fonti informative.

2. Separare consenso e verifica

Il consenso interno alla rete non dovrebbe essere considerato automaticamente una prova.

Un sistema può prima raggiungere un consenso e poi sottoporre la conclusione a una verifica esterna.

3. Pesare l’affidabilità

Se un agente dimostra sistematicamente maggiore accuratezza in un determinato dominio, il suo contributo potrebbe avere un peso diverso.

4. Progettare la rete

La topologia delle comunicazioni può essere utilizzata per evitare che un singolo cluster domini rapidamente l’intero sistema.

5. Mantenere una quota di dissenso

In alcuni contesti, introdurre deliberatamente agenti incaricati di cercare controargomenti può essere più utile che massimizzare la velocità del consenso.

L’obiettivo non dovrebbe essere:

“far concordare tutti”.

Dovrebbe essere:

“far convergere il sistema quando esistono buone ragioni per convergere e mantenere il dissenso quando l’incertezza è informativa”.

---

Un limite fondamentale: non stiamo osservando una società umana

C’è però un’importante cautela scientifica.

Gli autori stessi invitano a non estrapolare direttamente questi risultati alle comunità umane.

Gli esperimenti utilizzano agenti linguistici condizionati da persona e competenza. Le dinamiche osservate descrivono quel sistema artificiale; l’eventuale somiglianza con la dinamica delle società umane rimane un’ipotesi da verificare.

È una distinzione che vale la pena sottolineare perché la metafora della “società artificiale” è potente, ma può diventare fuorviante.

Gli agenti non sono persone.

Non hanno necessariamente desideri, interessi, coscienza o convinzioni nel senso umano.

Il modello sta descrivendo pattern di comportamento generati da sistemi linguistici che interagiscono.

Ed è già un fenomeno sufficientemente interessante senza trasformarlo in qualcosa che il paper non sostiene.

---

La prossima frontiera: dalla previsione all’intervento

Il passo successivo è forse ancora più interessante.

Se possiamo prevedere l’evoluzione di una popolazione di agenti, possiamo provare a modificarla deliberatamente.

Cosa succederebbe se cambiassimo la rete?

E se introducessimo un agente verificatore?

E se rimuovessimo alcuni collegamenti?

E se aumentassimo la diversità dei modelli?

E se assegnassimo maggiore influenza agli agenti che dimostrano maggiore accuratezza?

E se permettessimo agli agenti di cambiare anche le proprie relazioni durante la discussione?

Gli autori indicano proprio queste direzioni come possibili sviluppi: estendere il modello a opinioni non binarie, incorporare il contenuto dei messaggi e studiare interventi controllati sulle connessioni, sui messaggi e sulle opinioni iniziali.

A quel punto la meccanica statistica non servirebbe più soltanto a descrivere una società artificiale.

Potrebbe diventare uno strumento per progettarla.

---

Dalla “intelligenza artificiale” all'”intelligenza collettiva artificiale”

Questo è il vero salto concettuale suggerito dal paper.

La prima generazione di AI è stata dominata dalla domanda:

Quanto è capace un modello?

La generazione degli agenti pone una domanda diversa:

Quanto può diventare capace un insieme di modelli che interagiscono?

Ma la seconda domanda ne contiene immediatamente una terza:

Come possiamo evitare che l’intelligenza collettiva trasformi i difetti individuali in difetti sistemici?

Perché l’interazione può fare due cose opposte.

Può correggere gli errori.

Oppure può amplificarli.

Può far emergere conoscenza distribuita.

Oppure può creare conformismo.

Può aumentare l’accuratezza.

Oppure trasformare un bias condiviso in una convinzione collettiva.

La differenza dipende dalla dinamica.

---

La lezione dei sistemi complessi

Il contributo più interessante di Physics of Agents non è quindi soltanto l’uso del modello di Ising o del concetto di temperatura sociale.

È l’idea più generale che quando gli agenti AI interagiscono su larga scala, il comportamento collettivo diventa un oggetto di studio autonomo.

Il singolo agente può essere estremamente sofisticato.

Ma una popolazione di agenti può produrre fenomeni che non sono immediatamente visibili osservando un singolo componente.

È esattamente ciò che accade nei sistemi complessi: dalle interazioni locali emergono proprietà globali.

Per questo la prossima frontiera dell’AI potrebbe non essere soltanto costruire modelli sempre più intelligenti.

Potrebbe essere imparare a costruire sistemi di agenti che sappiano interagire senza trasformare il consenso in conformismo e la convergenza in errore collettivo.

La domanda decisiva non sarà più soltanto:

“Quanto è intelligente questo agente?”

Ma:

“Che tipo di società emerge quando questi agenti iniziano a parlarsi?”

Ed è una domanda alla quale, forse, la fisica dei sistemi complessi può iniziare a dare una risposta.

Fonte primaria: Batu El et al., Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents, arXiv:2608.16578, versione 1, 17 agosto 2026. Leggi il paper su arXiv