Un nuovo studio dell'Università di Stanford presenta un framework in cui gruppi di agenti AI imparano a collaborare a partire da un piccolo insieme di esperienze passate, per poi applicare tali strategie di lavoro di squadra a problemi completamente nuovi. L'approccio, denominato Self-Organizing Agent Teams (SAT), ha raggiunto una precisione media del 66,7% su cinque benchmark di matematica e fisica, superando con facilità il miglior agente individuale del gruppo, fermo al 48,8%.

Come funziona SAT

I sistemi AI multi-agente convenzionali seguono in genere un protocollo rigido: gli agenti discutono un problema e poi votano una risposta. SAT si discosta da questo schema consentendo ai team di agenti di sviluppare proprie strutture organizzative, inclusi ruoli, regole di partecipazione, fasi conversazionali e modelli di flusso informativo.

Un'osservazione chiave è che queste strategie possono essere apprese da dataset sorprendentemente piccoli. I team SAT hanno derivato i propri playbook collaborativi da appena 15 problemi di AIME 2024 o 25 problemi di GPQA Diamond, per poi trasferire tali strategie, senza modifiche, a benchmark separati mai incontrati prima. AIME, l'American Invitational Mathematics Examination, è un test di matematica competitiva divenuto un riferimento standard per il ragionamento dei modelli di frontiera, mentre GPQA Diamond è la sezione più difficile di un benchmark scientifico di livello dottorale, progettato per sconfiggere le rapide ricerche sul web. Il fatto che poche decine di problemi siano bastati per strategie abbastanza robuste da trasferirsi intatte inquadra il lavoro di squadra stesso come una capacità apprendibile e riutilizzabile, anziché un'ingegnerizzazione per singolo compito.

Il concetto attinge ampiamente alla psicologia organizzativa. Gli agenti si scambiano ragionamenti, mettono in discussione la logica reciproca e combinano soluzioni parziali per giungere a risposte che nessun singolo agente potrebbe produrre da solo.

La rosa di modelli coinvolti assomiglia a una selezione All-Star dell'AI, spaziando tra sistemi di diversi laboratori, sia in forma chiusa che a pesi aperti. I compiti di matematica e fisica hanno visto in azione o3-mini, Claude Sonnet 4 e DeepSeek-V3, mentre i benchmark di conoscenza e logica hanno utilizzato Gemini-2.5-Flash, Llama-4-Maverick e GPT-4.1.

I numeri che contano

La precisione media del 66,7% di SAT non ha superato soltanto gli agenti individuali. Ha anche obtenuto risultati migliori delle inferenze singolo-agente con calcolo equivalente, giunte al 58,7%, e di un orolo di routing costruito dalle risposte individuali degli agenti, fermo al 59,0%. Un oracolo di routing seleziona a posteriori la migliore risposta individuale per ciascun problema, quindi superarlo indica che il team produce davvero un ragionamento migliore, anziché limitarsi a una selezione opportunistica.

Sul AIME 2026 in particolare, SAT ha raggiunto il 71,2% di precisione, superando l'oracolo di routing di .4 punti percentuali.

Uno dei risultati più significativi riguarda ciò che i ricercatori chiamano "dimostrabilità", ovvero quanto sia facile distinguere il ragionamento corretto da quello errato una volta che emerge nella conversazione. I guadagni di prestazione sono correlati con la dimostrabilità con una correlazione di Spearman pari a 0,90. Quando emerge un ragionamento solido, questi team lo riconoscono e lo sviluppano. Per i professionisti del settore, la correlazione si legge come un segnale di deploy: i vantaggi di SAT si concentrano dove un team può verificare se una determinata linea di ragionamento regge.

Perché questo va contro il pensiero comune

Un lavoro correlato di Stanford pubblicato all'inizio del 2026 aveva rilevato che gli agenti singoli spesso eguagliano o superano le configurazioni multi-agente con pari budget di calcolo. SAT affronta direttamente quella critica. Concentrandosi su strategie organizzative apprese anziché su protocolli di dibattito a forza bruta, il framework dimostra che la collaborazione può produrre vantaggi reali oltre ciò che l'ensembling o l'inferenza individuale offrono. Il divario tra il 66,7% di SAT e il 58,7% del singolo agente con calcolo equivalente suggerisce che il valore non sta nell'avere più modelli, ma nell'avere modelli che sanno lavorare insieme: un risultato che pone la progettazione dell'orchestrazione come disciplina apprendibile anziché come template da regolare a mano.

La forte correlazione con la dimostrabilità indica anche una condizione al contorno naturale. SAT funziona meglio su problemi in cui il ragionamento corretto è riconoscibile quando appare nella conversazione: domini con catene logiche verificabili come matematica, fisica e ragionamento strutturato. Fino a che punto lo stesso approccio basato su playbook si estenda a lavori aperti, privi di tali verifiche, resta la domanda che i risultati lasciano aperta.