Aggiungi agenti a un compito e l'accuratezza collettiva sale — fino a circa sedici. Oltre quel punto scende, e il gruppo smette di convergere su una risposta e comincia a dividersi in fazioni che si confermano a vicenda (NTT Research, 2026). Non è un limite di capacità. Non è un limite di costo. È un limite di coordinamento — lo stesso che governa i team umani, arrivato su una roadmap che dava per scontato che più agenti significassero più output.
Il numero in sé è specifico del compito e non si trasferisce ai tuoi flussi di lavoro. Ciò che si trasferisce è la forma della curva, e quella forma trasforma la dimensione della flotta di agenti da variabile di procurement a variabile di design: in ogni deployment agentico esiste un punto oltre il quale l'agente marginale sottrae valore.
Che cosa ha misurato davvero il Flag Game
L'esperimento arriva da Elizabeth Pavlova, senior data scientist presso il Center for Brain Science di Harvard, e Hidenori Tanaka, che guida il Physics of Artificial Intelligence Lab di NTT Research e il Physics of Intelligence Program allo Harvard CBS. Il paper — Flag Game: Interpreting Decision Mechanisms of Bounded Social Agents — è stato presentato al workshop AI4Good di ICML 2026 (Pavlova & Tanaka, 2026).
L'impianto è volutamente essenziale. Ogni agente vede un solo piccolo frammento, assegnato casualmente, di una bandiera nazionale nascosta. Nessun agente può identificarla da solo. Per rispondere, la popolazione deve comunicare — gli agenti passano le proprie ipotesi a un ascoltatore, le trasmettono al gruppo, oppure interrogano un sistema manager che restituisce un'opinione. Il gioco finisce quando l'85% o più degli agenti concorda sulla stessa bandiera per tre round consecutivi, oppure quando si esaurisce il budget di passi (The Register, 2026).
È questa struttura a rendere il risultato rilevante per chi guida le operations. Isola esattamente la tensione contenuta in ogni workflow agentico: l'evidenza privata di un agente contro l'input sociale che arriva da tutto il resto della pipeline. Riconciliare le due cose non è un problema di capacità del modello. È un problema di struttura della comunicazione.
Sotto i sedici agenti circa, la popolazione non riesce ad assemblare frammenti sufficienti per giustificare una risposta collettiva sicura. Sopra, la modalità di fallimento si inverte: si formano sottogruppi, e ciascuno valida la propria posizione internamente anziché contro l'evidenza. L'accuratezza collettiva cala anche se l'informazione totale nel sistema continua a crescere.
Perché la curva si inverte
L'intuizione che porta con sé la maggior parte delle roadmap è che un sistema multi-agente degradi con grazia — più agenti, più rumore, rendimenti decrescenti, alla fine un plateau. Il risultato del Flag Game è peggiore di un plateau. È un declino, e il meccanismo dietro di esso è sociale, non tecnico.
"Aggiungere semplicemente più agenti AI non migliora necessariamente le prestazioni — proprio come assumere più persone non rende automaticamente più efficace un'azienda", ha dichiarato Tanaka alla pubblicazione. "La comunicazione diventa più difficile, e i gruppi possono spaccarsi in fazioni contrapposte" (NTT Research, 2026).
Letto come affermazione operativa è scomodo, perché le popolazioni di agenti polarizzate non sembrano rotte visto da fuori. Producono output sicuri e internamente coerenti. Il consenso si forma ancora — dentro ciascuna fazione. Ciò che sparisce è la proprietà che stavi comprando: evidenza indipendente, aggregata. Una flotta di venti agenti che restituisce una risposta nitida e sbagliata è molto più costosa di una flotta di sei che ne restituisce una incerta, e solo uno di quei due stati compare nel tuo monitoraggio.
L'incentivo dei fornitori punta nella direzione opposta
Entrambi i principali laboratori hanno promosso le architetture multi-agente come la via per scalare il valore dell'AI — OpenAI con il framing dello "swarm" e ora l'Agents SDK, Anthropic con l'orchestrazione multi-agente (The Register, 2026). L'implicazione di quel posizionamento è che la produttività cresca con il numero di agenti. Nota chi paga quando succede.
Non è un'accusa di malafede; l'orchestrazione è genuinamente utile. È un'osservazione su dove punta il consiglio di default quando la ricerca dice che l'intervallo utile è limitato e nessuno nella filiera ha interesse a trovare quel confine per te.
Le due scoperte che contano più del 16
Il numero da titolo verrà citato per un anno. Le due conclusioni secondarie sono quelle che cambiano ciò che un team ops di fascia media fa lunedì mattina.
La struttura batte la scala. L'inquadramento dei ricercatori è che le prestazioni dell'AI aziendale dipendono non solo da quanti agenti si schierano, ma da come quegli agenti comunicano, da come sono organizzati e da come gli esseri umani guidano la loro collaborazione (NTT Research, 2026). La sfida, nelle loro parole, non è costruire organizzazioni AI più grandi — è progettarne di più efficaci.
La diversità dei modelli è indicata come variabile di design. La ricerca posiziona il successo organizzativo come equilibrio tra scala, comunicazione, struttura e diversità dei modelli, con agenti che si complementano invece di duplicarsi. La documentazione pubblica non pubblica un confronto quantificato tra team multi-modello e mono-modello, quindi va trattata come indicazione progettuale degli autori, non come effetto misurato — ma punta chiaramente contro l'istinto di standardizzare su un unico fornitore, che è il default della maggior parte delle funzioni acquisti.
Perché il punto sulla diversità ha supporto indipendente
Esiste una base di evidenze separata che punta nella stessa direzione. Una revisione sistematica con meta-analisi su 19 studi e 61 effect size ha trovato che la co-creazione con AI generativa produce un'omogeneizzazione dell'output piccola ma robusta, d = 0,334, non spiegata da bias di pubblicazione (de Rooij & Biskjaer, 2026). Il meccanismo è l'ancoraggio: il modello fornisce il punto di partenza, l'essere umano elabora, e l'elaborazione preserva la qualità distruggendo l'indipendenza.
Quegli studi confrontavano lavoro assistito da AI contro lavoro non assistito, non organizzazioni mono-fornitore contro multi-fornitore. L'estensione alla concentrazione dei fornitori è un'inferenza, non un risultato — lo segnalo esplicitamente. Ma due filoni di ricerca indipendenti convergono ora sulla stessa cautela operativa: una popolazione di agenti che attinge a priori identici concorderà più in fretta e conterà di meno. Nel Flag Game, l'accordo è la condizione di vittoria. Nella tua azienda, l'accordo è proprio ciò che stavi cercando di mettere alla prova.
Che cosa il 16 non è
Tre limiti, da mettere per iscritto prima che qualcuno lo trasformi in policy.
Non è una costante trasferibile. Sedici è il picco per un singolo compito sintetico di consenso, con una specifica topologia di comunicazione e una specifica regola di arresto. Una pipeline di estrazione documentale, una flotta di code review e un sistema di triage clienti hanno strutture di evidenza diverse e avranno il picco altrove — magari a quattro, magari a quaranta.
Non è un'affermazione sulla qualità degli agenti. Il declino è una proprietà della comunicazione della popolazione, non del ragionamento del singolo agente. Modelli migliori non lo risolvono in modo ovvio; fonti di evidenza più indipendenti forse sì.
È un workshop paper, non uno studio longitudinale d'impresa. AI4Good è un track workshop di ICML con revisione tra pari, cioè scienza credibile in fase iniziale — non un risultato di campo replicato su deployment in produzione. Trattalo come un avvertimento ben progettato su un meccanismo, non come una tabella di calibrazione.
Ciò che sopravvive a tutti e tre è l'asimmetria. Se la performance collettiva rispetto al numero di agenti è una U rovesciata e non una retta crescente, allora ogni roadmap agentica ha bisogno di un numero al quale si ferma — e quasi nessuna ne ha uno.
Il confronto umano che stai già gestendo
L'analogia di Tanaka con le assunzioni non è decorativa. Chi guida le operations gestisce già un tetto di coordinamento e ne conosce già il numero, perché sta sull'organigramma.
I dati Gallup 2026 sullo span of control collocano il manager medio statunitense a 12,1 riporti diretti, in crescita dai 10,9 dell'anno precedente — ma la mediana è rimasta ferma a cinque-sei dal 2013, con la media trainata verso l'alto da una coda sottile di team sopra i 25 (Gallup, 2026). Nessuno sostiene che un manager con 40 riporti sia 3 volte più efficace di uno con 13. Diamo per scontato, correttamente, che il costo di coordinamento si mangi il guadagno.
Le flotte di agenti sono state esentate da questo ragionamento per una sola ragione: al margine gli agenti sembrano gratuiti. Non lo sono al margine in termini di accuratezza, e il Flag Game è la prima dimostrazione pulita che il costo in accuratezza arriva prima della voce di spesa.
Nel frattempo la curva di adozione non aspetta. Il Work Trend Index 2026 di Microsoft riporta agenti attivi nell'ecosistema Microsoft 365 in crescita di 15 volte anno su anno, e di 18 volte nelle grandi imprese (Microsoft, 2026). Le dimensioni delle flotte si stanno fissando ora, da chiunque configuri il workflow, senza alcun tetto dichiarato.
Progetta la flotta, non limitarti a dimensionarla
Quattro mosse, in ordine di quanto costano poco.
Fissa un tetto per la dimensione della flotta per ogni compito e mettilo per iscritto. Non una policy globale — un numero per singolo workflow, scelto deliberatamente, registrato accanto al workflow. Conta meno il valore che l'esistenza di un valore di cui qualcuno risponde.
Spendi il prossimo dollaro marginale in istruzioni, non in organico. L'affermazione centrale della ricerca è che il modo in cui gli esseri umani strutturano e guidano il sistema sposta la performance collettiva. Chiarire la specifica del compito per una flotta esistente costa un pomeriggio; il diciassettesimo agente costa una licenza e può costare accuratezza.
Mescola i modelli deliberatamente dove il compito è giudizio, non throughput. Per lavoro parallelo meccanico l'omogeneità va bene ed è più semplice da gestire. Dove la flotta esiste per pesare evidenze contrastanti, priori identici sono la modalità di fallimento — e standardizzare su un solo fornitore è la via più rapida per arrivarci.
Strumenta per la polarizzazione, non solo per l'accuratezza. Registra le dinamiche di accordo: quanto in fretta si forma il consenso, quanti cluster di risposta distinti compaiono prima che accada, se il dissenso sparisce prima man mano che scali. Una flotta che converge più velocemente mentre cresce ti sta mostrando il segnale d'allarme, non il miglioramento.
Una decisione per questo trimestre
Prendi il tuo workflow agentico a maggiore impatto — quello il cui output arriva a un cliente, a un regolatore o al conto economico. Eseguilo alla dimensione di flotta attuale, poi a metà. Se l'accuratezza tiene, hai trovato margine gratuito e un tetto funzionante. Se cala, hai evidenza a favore della dimensione che avevi già scelto, che è più di quanto la maggior parte delle roadmap sappia produrre.
La domanda che finanzia l'espansione degli agenti è quanti possiamo farne girare. La domanda che determina se funziona è quanti dovrebbero parlarsi tra loro. Solo una delle due ha una risposta nella ricerca, ed è più piccola di quanto la slide del tuo fornitore lasci intendere.
