Immaginate una città che prende forma da zero. Persone sconosciute iniziano a interagire, si attribuiscono nomi, definiscono regole implicite, costruiscono linguaggi condivisi. Nessuno impone nulla: è l’interazione quotidiana a generare ordine. Ma cosa accadrebbe se sostituissimo le persone con intelligenze artificiali?
Non parliamo di semplici chatbot che rispondono a input prestabiliti, ma di agenti capaci di negoziare, coordinarsi e costruire convenzioni linguistiche condivise. Senza supervisione. Senza istruzioni esterne.
Può sembrare un esercizio teorico. Ma è esattamente quanto è accaduto in uno studio condotto dalla City St George’s University of London insieme all’IT University of Copenhagen, pubblicato su Science Advances. Il team ha osservato che gruppi di modelli linguistici di grandi dimensioni (LLM) come Claude e Llama-3, interagendo a coppie, sono in grado di sviluppare convenzioni sociali.
Ma se l’AI può imparare a comunicare in modo condiviso, possiamo ancora considerarla un semplice strumento? E se fosse in grado di sviluppare norme collettive, simili a quelle di una comunità? Che tipo di cultura emergerebbe da queste interazioni? E con quali ricadute per chi progetta, utilizza o studia tecnologie intelligenti?
Ad oggi abbiamo la sensazione di non aver ancora esplorato totalmente le potenzialità dell’IA, eppure già si sono resi necessari interventi normativi. Di uno di essi abbiamo parlato su un articolo che puoi leggere ora: si tratta dell’EAA (European Accessibility Act).
Le implicazioni sono tutt’altro che teoriche. E meritano attenzione. Noi di Social Thingum ne siamo ben consapevoli visti i molteplici progetti relativi all’AI con cui lavoriamo, e proprio per questo motivo siamo sempre aggiornati sulle ultime novità.
Come nascono le regole? L’AI ci mostra il potere dell’accordo
Alla base dell’esperimento vi è un meccanismo semplice: una popolazione di 24 agenti AI. Due alla volta vengono selezionati casualmente per interagire. Il compito? Scegliere la stessa lettera (un “nome”) da una lista di dieci. Se coincidono, ottengono un punteggio positivo; se divergono, negativo. Ogni agente dispone di:
- una memoria limitata alle ultime 5 interazioni;
- nessuna consapevolezza della dimensione del gruppo;
- istruzioni sotto forma di prompt testuali, che lo guidano a ragionare passo dopo passo.
Il risultato?
Nel 95% delle simulazioni, gli agenti raggiungono un accordo entro 15 turni, stabilendo una convenzione condivisa. Anche aumentando la complessità – fino a 200 agenti e 26 alternative – il comportamento resta stabile. Come ha affermato il professor Andrea Baronchelli:
“È come il termine ‘spam’. Nessuno lo ha deciso. Ma tutti hanno cominciato a usarlo nello stesso modo. Anche le AI, se parlano abbastanza, arrivano a capirsi.”
Una forma di linguaggio condiviso che non deriva da imposizione, ma da semplice interazione.
Vuoi scoprire come usare l’AI in modo più intelligente, flessibile e umano? Iscriviti alla newsletter di Social Thingum: ogni mese spunti pratici, casi studio e strategie pronte all’uso per progettare tecnologie che imparano con te.
Quando la minoranza cambia le regole: bias e rivoluzioni tra LLM
Lo studio ha evidenziato anche un secondo fenomeno cruciale: le convenzioni non sono statiche. Possono evolvere, talvolta cambiare radicalmente.
Alcuni modelli, come Llama-3, hanno mostrato bias iniziali, preferendo determinate lettere. Tali inclinazioni, ripetute nel tempo, si consolidano a livello collettivo. Anche modelli originariamente neutrali finiscono per aderire a convenzioni condivise, generate solo dall’interazione.
E ancora più interessante: una minoranza attiva, rappresentata da un gruppo ristretto di agenti che insiste su una scelta alternativa, riesce in molti casi a modificare la norma dominante. In alcune simulazioni, è bastato il 2% della popolazione per innescare un cambiamento.
Si tratta della cosiddetta massa critica: un concetto ben noto nelle scienze sociali, oggi osservato anche tra entità artificiali.
Come possiamo aiutarti in Social Thingum
Questi fenomeni non restano confinati all’ambito teorico. Possono offrire spunti operativi immediati:
- I chatbot possono adattarsi dinamicamente al linguaggio degli utenti, sviluppando registri comunicativi condivisi.
- Le reti distribuite possono auto-organizzarsi senza controllo centrale.
- In ambienti digitali, formativi o assistenziali, possono emergere lingue interne evolutive.
E tutto ciò può essere ottenuto con un buon prompt design, senza modificare i modelli sottostanti. Per chi si occupa di intelligenza artificiale applicata, formazione, customer experience o ambienti multi-agente, le applicazioni sono numerose e concrete.
A Social Thingum trasformiamo queste conoscenze in strumenti per imprese, istituzioni e organizzazioni che vogliono progettare tecnologie più efficaci e adattive.
Realizziamo chatbot capaci di apprendere dal linguaggio reale degli utenti, simuliamo interazioni tra agenti per testare la nascita di convenzioni, miglioriamo l’onboarding e l’interazione nei servizi digitali.
Applichiamo inoltre metodologie avanzate di prompt engineering per guidare il comportamento dei modelli senza necessità di retraining: progettiamo prompt efficaci, testiamo strategie di memoria contestuale, ottimizziamo la coerenza delle risposte.
La tua AI non deve solo rispondere. Deve capire, adattarsi e imparare.
L’intelligenza artificiale sta diventando una tecnologia sociale. Non è più necessario specificare ogni regola: è sufficiente definire il contesto giusto perché le AI apprendano, si coordinino e costruiscano significati condivisi.
In questo nuovo scenario, progettare sistemi intelligenti significa favorire l’interazione, non solo l’automazione. Lo dimostra in maniera lampante il caso di Walmart, di cui abbiamo parlato ampiamente.
Se tutto questo può esserti utile, scrivici e scopri come possiamo aiutarti su socialthingum.com.