Nel pezzo pubblicato di recente su questa testata a proposito degli agenti AI nel marketing, abbiamo descritto un pattern architetturale in crescita nel 2026: invece di un singolo agente onnicomprensivo, un orchestratore che scompone un obiettivo in sotto-task assegnati a più agenti specializzati. È una tendenza reale, documentata da più fonti indipendenti. Resta però una domanda a cui l’entusiasmo del settore raramente risponde con altrettanto rigore: aggiungere più agenti specializzati produce davvero risultati migliori? Uno studio di Google e MIT, pubblicato nel dicembre 2025, offre una risposta più complicata — e più utile — di quanto la narrazione dominante lasci intendere.
Cosa hanno misurato
Il team, guidato da Yubin Kim, dottorando al MIT, ha testato sistemi multi-agente su compiti di natura diversa, distinguendo tra problemi statici — come votare collettivamente sulla soluzione di un quiz di programmazione, dove più opinioni indipendenti aggregate tendono a convergere verso la risposta corretta — e scenari più complessi, che richiedono pianificazione su più passaggi e coordinamento continuo tra agenti diversi. La distinzione si è rivelata cruciale: strategie collaborative che funzionano bene sui primi diventano spesso controproducenti quando applicate ai secondi.
Il primo risultato: una soglia oltre la quale aggiungere agenti peggiora le cose
Quando un singolo agente supera già una soglia di successo del 45% su un compito, aggiungere ulteriori agenti tende a degradare le prestazioni complessive invece di potenziarle — un risultato che contraddice l’intuizione più diffusa nel settore, secondo cui più capacità computazionale e più prospettive combinate dovrebbero sempre produrre un risultato migliore. Superata quella soglia, il coordinamento tra agenti aggiuntivi introduce più rumore e più opportunità di errore di quanto aggiunga capacità reale al sistema.
Il secondo risultato: il costo nascosto del coordinamento
Il coordinamento tra agenti non è gratuito, ed è quantificabile: lo studio riporta perdite di efficienza fino a sei volte superiori nei sistemi multi-agente rispetto a un singolo agente, in ambienti complessi, con costi computazionali che crescono in modo esponenziale oltre i quattro agenti coinvolti. È un dato da tenere presente ogni volta che una guida promozionale descrive l’orchestrazione multi-agente come un moltiplicatore quasi gratuito di capacità: il coordinamento ha un costo reale, che cresce più rapidamente del numero di agenti aggiunti al sistema, non in proporzione lineare.
Il terzo risultato: l’architettura conta più del numero di agenti
Il dato più rilevante per chi deve decidere se e come adottare questi sistemi non riguarda quanti agenti usare, ma come sono organizzati tra loro. I sistemi con un’architettura centralizzata — un coordinatore che verifica e corregge gli errori prima che raggiungano l’output finale — hanno ridotto gli errori dovuti a omissioni contestuali del 66,8% e le contraddizioni logiche del 36,4%, rispetto a sistemi in cui gli agenti operano in modo indipendente e i risultati vengono uniti solo a valle. In quest’ultimo caso, gli errori non si annullano a vicenda come si potrebbe sperare: si amplificano, fino a un fattore di 17,2 volte rispetto al sistema centralizzato. Come sintetizza l’autore principale dello studio, l’elemento distintivo è avere un punto di controllo dedicato che intercetta gli errori prima che si propaghino all’output finale — la topologia della rete di agenti, cioè come sono strutturalmente organizzati e supervisionati tra loro, non è un dettaglio implementativo secondario, ma il fattore che determina in modo più diretto l’affidabilità del sistema nel suo complesso.
Un secondo studio che rafforza la stessa cautela
Un paper più recente, presentato alla conferenza ICML 2026 e intitolato “Towards a Science of AI Agent Reliability”, ha valutato l’affidabilità di quindici modelli di tre fornitori diversi — inclusi i modelli più recenti disponibili a metà 2026 — su compiti strutturati di riferimento nel settore. La conclusione centrale del paper è diretta: i recenti miglioramenti nelle capacità dei modelli hanno prodotto solo piccoli miglioramenti nella loro affidabilità operativa. In altre parole, un modello sottostante più potente non si traduce automaticamente in un agente più affidabile su compiti autonomi a più passaggi — un’ulteriore conferma che il fattore determinante non è la potenza bruta del modello linguistico usato, ma il modo in cui il sistema che lo circonda è strutturato, supervisionato, e messo in condizione di intercettare i propri errori prima che diventino visibili all’esterno.
Il pezzo di questa testata sugli agenti AI nel marketing descriveva l’orchestrazione multi-agente come il pattern architetturale emergente del 2026, citando la tendenza a preferire agenti specializzati e circoscritti rispetto a un unico sistema tuttofare. Questa ricerca non contraddice quella descrizione, ma la complica in un punto preciso: avere più agenti specializzati non è di per sé una garanzia di risultati migliori, a meno che il sistema non sia costruito con un’architettura che preveda un punto di controllo centralizzato capace di intercettare gli errori prima che si propaghino. Un’azienda che valuta uno strumento di marketing basato su più agenti coordinati dovrebbe quindi chiedere, con la stessa priorità con cui chiede quali compiti il sistema svolge, come è strutturata la supervisione tra gli agenti — non solo quanti sono.
I limiti di questa evidenza
Lo studio di Google e MIT è stato condotto su compiti strutturati e tecnici, non su scenari di marketing specifici come la generazione di contenuti coordinata con l’ottimizzazione di un’offerta pubblicitaria. Estendere queste conclusioni a un sistema multi-agente applicato al marketing è un’estrapolazione ragionevole — i principi di coordinamento e propagazione degli errori non hanno motivo di essere specifici a un dominio — ma resta un’estrapolazione, non un risultato verificato direttamente su quel contesto. Chi valuta uno strumento multi-agente specifico per il marketing dovrebbe idealmente chiedere al fornitore evidenza di affidabilità testata sul proprio caso d’uso, non limitarsi a inferirla da una ricerca condotta su compiti di natura diversa.
Di fronte a uno strumento di marketing che promuove la propria architettura multi-agente come un vantaggio in sé, la domanda utile non è “quanti agenti include”, ma se esiste un meccanismo esplicito di controllo centralizzato che verifica gli output prima che diventino azioni visibili — una campagna pubblicata, un budget riallocato, un contenuto inviato a un cliente. In assenza di questo meccanismo, più agenti coordinati tra loro rischiano di essere, secondo l’evidenza raccolta finora, un moltiplicatore di errori più che di risultati.
Fonte principale: Yubin Kim et al., studio su architetture multi-agente, Google Cloud AI Research e MIT, dicembre 2025; “Towards a Science of AI Agent Reliability”, arXiv 2602.16666, presentato a ICML 2026.