Nel mondo dell'intelligenza artificiale, una credenza comune ha a lungo sostenuto che se si forniscono a un gruppo di programmi informatici abbastanza potenza e si permette loro di comunicare tra loro, questi riusciranno naturalmente a capire come collaborare. Questa idea presuppone che l'intelligenza sia una proprietà dei singoli membri: se ogni robot o agente software è abbastanza intelligente, il gruppo sarà abbastanza intelligente. Tuttavia, la storia umana e la sociologia suggeriscono una verità diversa. Sappiamo che il successo di un gruppo dipende tanto dalla disposizione dei suoi membri quanto dai loro talenti individuali. Un team di medici brillanti fallirà un intervento chirurgico se non ha una chiara divisione del lavoro, una catena di comando o un modo per decidere chi fa cosa e quando. Questo principio, noto come design organizzativo, è l'architettura invisibile che trasforma una folla di individui in un collettivo coordinato. Per decenni, gli scienziati che costruivano team artificiali si sono concentrati quasi interamente sul rendere più intelligenti gli agenti individuali, lasciando spesso la questione di come organizzarli come una preoccupazione secondaria, o assumendo che una struttura singola e fissa avrebbe funzionato per ogni situazione.

Un nuovo studio sfida questa assunzione dimostrando che il modo in cui gli agenti artificiali sono organizzati è critico quanto l'intelligenza che possiedono. I ricercatori della Duke University hanno sviluppato un sistema chiamato ORCH, che sta per Organizing Roles and Coordination Hierarchies (Organizzazione dei Ruoli e Gerarchie di Coordinamento). Invece di costringere ogni gruppo di robot a seguire le stesse regole rigide, ORCH agisce come un architetto che progetta una struttura gestionale unica per ogni specifica missione. Il sistema attinge a idee della teoria del management umano, osservando specificamente come diversi tipi di lavoro richiedano diversi tipi di coordinamento. Alcuni compiti possono essere eseguiti da molte persone che lavorano fianco a fianco senza la necessità di aspettare le altre, come un gruppo di vigili del fuoco che abbattono alberi diversi ciascuno. Altri compiti richiedono un ordine rigoroso, dove un passaggio deve essere completato prima che il successivo possa iniziare, come un drone che deve ricognire un incendio e identificare percorsi sicuri prima che un elicottero possa trasportare i vigili del fuoco nella posizione, dopo di che i vigili del fuoco estinguono l'incendio. ORCH riconosce queste differenze e costruisce una gerarchia che si adatti al lavoro: crea manager "orizzontali" per supervisionare il lavoro indipendente e parallelo e manager "verticali" per supervisionare processi sequenziali, passo dopo passo.

Per testare se questo approccio funzioni davvero, i ricercatori hanno messo alla prova il loro sistema in un mondo simulato complesso di risposta agli incendi boschivi. Hanno creato venticinque missioni diverse, che spaziavano da compiti semplici come la ricognizione di una piccola area a scenari massicci e caotici che coinvolgevano fino a cinquanta diversi tipi di agenti, inclusi droni, elicotteri, bulldozer e umani simili a vigili del fuoco. Queste missioni sono state progettate per essere difficili, con condizioni mutevoli come improvvisi cambi di vento, nuovi incendi che scoppiano o agenti che falliscono a metà compito. I ricercatori hanno contrapposto il loro sistema ORCH ad altri quattro metodi all'avanguardia per coordinare i team artificiali. Hanno eseguito queste simulazioni utilizzando otto diversi modelli linguistici di grandi dimensioni (LLM), che fungevano da "cervelli" per gli agenti, per garantire che i risultati non fossero solo un colpo di fortuna di un particolare programma informatico. I risultati sono stati sorprendenti. I team organizzati da ORCH hanno superato costantemente gli altri metodi. Hanno concluso le missioni con punteggi più alti, hanno completato i compiti molto più velocemente ed hanno esplorato una parte maggiore dell'ambiente. In media, le strutture ORCH progettate dall'uomo hanno migliorato il punteggio finale della missione di quasi il sessantaquattro per cento e la velocità di esecuzione di oltre il settantaquattro per cento rispetto ai precedenti approcci migliori. Anche quando la gerarchia del team era generata automaticamente da un'intelligenza artificiale anziché da un essere umano, il sistema ha comunque migliorato le prestazioni di oltre il quaranta per cento.

Uno dei risultati più sorprendenti è stato che avere un cervello informatico più grande e potente non garantiva un team migliore. I ricercatori hanno testato modelli di dimensioni vastamente diverse, dai modelli più piccoli ed efficienti ai sistemi massicci e all'avanguardia. Hanno scoperto che un modello di dimensioni moderate, quando inserito in una struttura di team ben organizzata, spesso performava meglio di un modello molto più grande ma mal organizzato. Ciò suggerisce che rendere più intelligenti gli agenti individuali non è l'unica via per il successo; la struttura che li tiene insieme conta altrettanto. Infatti, lo studio ha dimostrato che la performance collettiva non aumenta semplicemente man mano che il modello diventa più grande. Un modello grande e potente può comunque fallire se riceve un organigramma confuso o inefficiente. I ricercatori hanno inoltre scoperto che il sistema ORCH è robusto attraverso diversi tipi di missioni e diversi cervelli informatici sottostanti, provando che i principi dell'organizzazione sono uno strumento fondamentale per costruire gruppi artificiali capaci, non solo un metodo per uno scenario specifico.

Lo studio ha anche esaminato da vicino perché altri sistemi fallissero. Quando i ricercatori hanno analizzato i log di comunicazione dei team che avevano avuto difficoltà, hanno scoperto che la maggior parte dei fallimenti avveniva perché agli agenti individuali venivano assegnati compiti che non potevano svolgere o venivano istruiti a fare cose che non avevano senso nel momento specifico. Al contrario, i team organizzati da ORCH hanno registrato molti meno errori di esecuzione. La struttura gerarchica ha aiutato a filtrare le informazioni e ad assicurare che i compiti fossero abbinati alle giuste capacità. Tuttavia, i ricercatori hanno notato che, sebbene il sistema funzionasse bene, non era perfetto. Quando la gerarchia del team era generata automaticamente da un'intelligenza artificiale senza la supervisione umana, le strutture risultanti erano spesso più complicate e meno equilibrate rispetto a quelle progettate da un esperto umano. Questi team generati automaticamente creavano talvolta livelli di gestione non necessari o assegnavano troppi agenti a un singolo manager, il che ne rallentava il ritmo. Ciò suggerisce che, sebbene le macchine possano imparare a organizzarsi da sole, l'intuizione umana su come strutturare un team rimane un vantaggio prezioso.

In definitiva, questo lavoro stabilisce che il design organizzativo è una parte centrale dell'intelligenza artificiale, non solo un dettaglio amministrativo. Dimostra che i principi sviluppati per comprendere le società umane — come dividere il lavoro in base al fatto che possa essere svolto in parallelo o debba essere svolto in sequenza — possono essere tradotti in codice per costruire team artificiali migliori. I ricercatori hanno scoperto che trattando l'organizzazione del team come una variabile che può essere calibrata e ottimizzata, potevano sbloccare capacità che erano nascoste anche in potenti agenti individuali. Man mano che i sistemi artificiali diventano più grandi e complessi, passando da piccoli gruppi di robot identici a collettivi massicci e diversificati, la capacità di progettare la giusta struttura per il compito diventerà essenziale quanto l'intelligenza degli agenti stessi. Lo studio suggerisce che il futuro dell'intelligenza collettiva artificiale non risiede solo nel rendere i robot più intelligenti, ma nell'imparare come organizzarli.