Come una credenza contagia gli agenti AI: il paper arXiv

Il disegno dell'esperimento

Il 2 ottobre 2026 Tathagata Banerjee e Nima Moghaddas hanno depositato un lavoro di 18 pagine e 6 figure^[1], accolto al workshop NeurIPS 2026 sulle basi teoriche dei sistemi agentici (FAST).

La letteratura sul contagio sociale parte di solito da un'ipotesi: fissa una regola su come un individuo adotta una credenza, poi ricava da quella regola il comportamento della popolazione. Gli autori rovesciano l'ordine. Misurano prima l'adozione dentro agenti linguistici, poi guardano la dinamica collettiva che ne esce.

L'oggetto della misura è una probabilità precisa: quella con cui un agente accetta un enunciato, dato il numero di pari che lo sostengono.

Questo paper arXiv sui large language models chiama quella curva kernel di adozione. La trova sigmoide. La forma sigmoide è la firma del contagio complesso, la classe di diffusione che chiede rinforzo da più sorgenti insieme.

La curva sigmoide e i due regimi

Una curva lineare direbbe una cosa rassicurante: ogni pari in più aggiunge la stessa spinta, e l'effetto totale cresce in proporzione.

La sigmoide dice altro. Sotto una certa quota di sostenitori la spinta resta quasi piatta, intorno alla soglia cresce di colpo, oltre la soglia satura.

La differenza pesa sul disegno dei sistemi multi-agente. Con contagio semplice una voce isolata resta isolata, e l'errore si diluisce nel gruppo. Con contagio complesso il sistema ha due regimi, e il salto fra i due dipende da quanti pari parlano insieme nello stesso momento.

La soglia varia, e varia in modo leggibile. Risponde a tre fattori dichiarati dagli autori: la plausibilità dell'enunciato, l'affidabilità della fonte, la disposizione dell'agente.

Il primo fattore riguarda il contenuto, il secondo il canale, il terzo lo stato interno del modello che riceve.

Tre fattori, una dimensione: la coerenza

Il passaggio più fine del lavoro riguarda la riduzione. Le tre sorgenti della soglia risultano ben approssimate da una sola dimensione effettiva, che gli autori propongono di leggere come coerenza fra la credenza in arrivo e le credenze già presenti nell'agente.

Tre manopole diventano una. Il prior dell'agente spiega quasi tutta la soglia.

La portata pratica è concreta: un enunciato coerente col prior passa con pochi sostenitori, un enunciato dissonante chiede una maggioranza larga.

L'evidenza mostra quindi che la resistenza alla diffusione di un enunciato falso dipende dall'allineamento fra quell'enunciato e ciò che l'agente tiene già per vero. L'accuratezza del modello sul compito singolo entra nel conto in seconda battuta. Un sistema popolato da agenti con prior simili diventa un terreno omogeneo, dove una credenza coerente con quel prior condiviso viaggia a soglia bassa.

La rete cambia la diffusione

Dalla misura sul singolo agente gli autori passano alla popolazione. In un sistema di agenti AI la diffusione avanza di più su reti raggruppate che su reti casuali.

Il risultato conferma la classe. Un contagio semplice, di tipo epidemico, corre meglio sulle scorciatoie lunghe di una rete casuale, dove un contatto singolo basta a trasmettere. Un contagio complesso chiede rinforzo da più vicini insieme, e i gruppi stretti lo danno con naturalezza.

Il punto tocca un'architettura diffusa. Specializzare i team di agenti per funzione crea sottogruppi fitti, con molti collegamenti interni e pochi verso l'esterno.

Quella forma, scelta per ragioni di competenza e di costo, alza la probabilità che una credenza nata in un sottogruppo diventi consenso dell'intero sistema. La topologia entra così fra le grandezze di progetto, accanto al modello scelto e al prompt.

Finestra di cascata e consenso che si auto-sostiene

Le dinamiche collettive mostrano due proprietà ulteriori, entrambe misurate nel lavoro.

La prima è una finestra di cascata che biforca: dentro un intervallo di parametri il sistema ha due esiti stabili, e piccole variazioni iniziali scelgono quale dei due si realizza.

La seconda è un consenso isteretico che si auto-sostiene. Gli autori la riassumono in una frase netta: il consenso risulta assai più difficile da togliere che da creare.

L'isteresi ha un significato preciso. Una volta superata la soglia, la popolazione resta sul nuovo stato anche quando le condizioni iniziali tornano al punto di partenza. Il percorso di ritorno segue una curva diversa da quella di andata.

Il costo del ripristino dopo una cascata supera quindi il costo del contenimento prima della soglia. La misura descrive un sistema con memoria, dove lo stato raggiunto pesa sugli stati successivi.

Il rischio esce dal singolo modello

La valutazione dei sistemi AI gira oggi attorno all'accuratezza del singolo modello. Un benchmark misura un agente alla volta, in condizioni fisse e ripetibili.

L'evidenza di questo lavoro descrive un oggetto diverso: una dinamica di popolazione con soglia, biforcazione e memoria dello stato. Due grandezze che un punteggio per modello lascia fuori sono la topologia della rete e la coerenza dei prior.

Il conto composto rende la distanza concreta. Un agente affidabile al 90% su cinque passi indipendenti chiude il compito composto al 59%: l'errore si accumula lungo la catena.

Il lavoro aggiunge un secondo canale di accumulo, laterale: l'errore che passa fra pari.

Il filone è in crescita. Una rassegna recente, «LLMs for Social Network Modeling: From Network Generation to Dynamic Processes», copre il doppio uso dei modelli linguistici per generare reti e per simulare processi dinamici (Pith^[2]). Il testo integrale del lavoro sul contagio resta aperto, con PDF, HTML sperimentale e sorgente TeX, anche su alphaXiv^[3].

Che cosa resta fuori, e che cosa cambia per chi decide

Il perimetro dichiarato resta stretto. La misura riguarda agenti linguistici in un ambiente costruito dagli autori, con enunciati, fonti e disposizioni sotto controllo dello sperimentatore.

Il documento passa una revisione di workshop, più leggera di quella di una rivista. L'estensione a una flotta di agenti in produzione resta fuori dai limiti fissati dagli autori.

Dove i dati tacciono, questo desk tace: la forma della curva e la riduzione a una dimensione sono misurate, l'ampiezza numerica della soglia in un sistema reale resta materia aperta.

Per un comitato investimenti la diagnosi è leggibile. La spesa concentrata sull'accuratezza del modello copre una parte del rischio; l'altra parte vive nella struttura della popolazione di agenti.

Per un capo dell'analisi dei dati il lavoro indica quali tracce servono: chi ha sostenuto quale enunciato, davanti a quanti pari, in quale punto della rete, con quale prior. Un registro degli output per agente lascia quella catena invisibile.

Per un consiglio la tesi sostenuta dai dati riguarda il rischio interno al collettivo: la fiducia nel singolo modello e la fiducia nel gruppo di modelli restano due misure distinte.