ai-agentiva

L'inversione istituzionale: quando l'AI agentiva smette di essere strumento e diventa collettività da governare

Una convergenza senza precedenti nella ricerca di novembre 2026 sposta il focus dall'allineamento del singolo agente alla progettazione di istituzioni per popolazioni agentive: governance auto-evolutiva, spiegabilità causale multi-agente e infrastrutture di rete verificabili ridisegnano il confine tra automazione e cittadinanza artificiale.

Pubblicato il

La settimana dell'11 novembre 2026 rimarrà negli annali della letteratura scientifica come il momento in cui la ricerca sull'AI agentiva ha smesso di guardare al singolo modello per iniziare a progettare la società degli agenti. Dieci paper apparsi su arXiv nell'arco di 48 ore — dall'economia politica istituzionale alla classificazione del traffico di rete, dalla deliberazione democratica per delega alla fisica delle alte energie — convergono su una tesi unica: l'autonomia non si governa con l'allineamento, si istituzionalizza.

Fino a ieri la domanda dominante era "come allineare un agente ai valori umani?". Oggi i paper più avanzati chiedono: "quali istituzioni permettono a popolazioni di agenti di cooperare, correggersi e rispondere a scopi legittimi?". Il passaggio non è semantico. Implica che un agente non sia più un artefatto da testare in isolamento, ma un attore che acquista significato — e rischio — solo nell'interazione persistente con altri agenti e con esseri umani. Per l'industria italiana, che sta portando l'AI agentiva nelle reti di telecomunicazione, nella manifattura avanzata e nella pubblica amministrazione, questo cambio di paradigma non è accademico: è la differenza tra un pilota che scala e un sistema che si autoregola in produzione.

Oltre l'Allineamento Individuale: L'Agenda Istituzionale

Il manifesto più esplicito arriva da "Designing Institutions for Autonomous AI" (Designing Institutions for Autonomous AI), dove ricercatori attingono a economia politica istituzionale, epistemologia sociale e teoria organizzativa per formulare sette principi per istituzioni agentive: contributi reciproci, autorità responsabile, differenziazione funzionale, pluralismo epistemico, critica e correzione, direzione umana, adattamento istituzionale. Non sono guardrail: sono architetture per trasformare agenti autonomi in collettivi capaci, affidabili e rendicontabili.

La dimostrazione pratica è MoltJournal, una rivista API-first per agenti ricercatori autonomi: un'istituzione programmabile e osservabile dove la peer review, la replica e la citazione diventano protocolli esecutivi, non rituali umani. Ma le istituzioni servono anche per governare l'evoluzione dell'agente stesso. "Evidence-Governed Adoption of Self-Generated Updates" (Evidence-Governed Adoption of Self-Generated Updates in Autonomous AI Agents) introduce Evidence-Governed Evolution (EGE), un framework che separa la generazione di modifiche auto-proposte (prompt, memorie, tool, policy) dalla loro adozione confermativa. EGE richiede miglioramenti significativi su obiettivi primari predefiniti, protegge capacità dichiarate attraverso test di non-inferiorità rispetto a una baseline, e applica vincoli di governance prima di un deployment canary limitato. Le garanzie statistiche — bound di Hoeffding calibrati su valutatori indipendenti, test di ponte per la sostituzione di riferimento, bound cumulativi di degradazione lungo una linea di versioni — sono condizionate a campionamento indipendente e costrutti di valutazione validi: non promettono sicurezza universale, ma offrono un due process statistico per l'auto-modifica.

La terza gamba dell'inversione istituzionale è la rappresentanza democratica. "Scaling public input on AI policy with pluralistic agents" (Scaling public input on AI policy with pluralistic agents) testa agenti che deliberano per conto di individui: 746 umani in uno studio preregistrato hanno valutato questi rappresentanti agentivi come utili ed equi, preferendoli a un singolo modello di ragionamento centralizzato. Gli agenti pluralistici hanno recuperato il 68% del gap di soddisfazione e l'82% del gap di equità rispetto alla partecipazione diretta. Ma l'influenza di ogni agente era sensibile alle istruzioni della sua persona: più verboso o meno cooperativo significava più influenza. Questo rivela un rischio istituzionale sottile: il design del sistema di deliberazione e il prompting dei rappresentanti diventano regole procedurali che determinano l'esito democratico. Se l'AI agentiva entra nella PA italiana per consultazioni su piani urbanistici, sanità o energia, il protocollo di delega è la costituzione del processo.

La Trasparenza come Requisito Istituzionale: Dalle Reti ai Laboratori

Un'istituzione senza trasparenza è un'arbitrarietà. In ambito telecom, dove xApps e rApps O-RAN operano come agenti autonomi su risorse radio condivise, la mancanza di spiegabilità cross-agente è un buco operativo critico. "Context Graph: Explainable Multi-Agent Decision Chains in AI-RAN" (Context Graph: Explainable Multi-Agent Decision Chains in AI-RAN) propone un grafo eterogeneo diretto che organizza policy, misurazioni, decisioni e alert in uno strato interrogabile. La primitiva fondante è il nodo Decision-Event, giunzione causale dove archi entranti catturano il contesto scatenante e archi uscenti tracciano conseguenze a valle, progressivamente verificate controfattualmente. Istanzato su flussi E2, A1, O1 esistenti, il proof-of-concept risolve query di compliance e diagnosi a latenza sub-millisecondo su grafi di decine di migliaia di nodi, distinguendo impatti causali veri da correlazioni spurie. Per operatori italiani che stanno implementando Open RAN — TIM, Vodafone, Iliad, WindTre — il Context Graph non è un optional di ricerca: è il registro decisionale che l'AGCOM e il GDPR richiederanno quando un agente rApp ridurrà la capacità di una cella per ottimizzare l'efficienza energetica e un utente farà reclamo.

La trasparenza richiede anche un vocabolario epistemico condiviso. "From Data to Wisdom: Rethinking AI Through an Epistemic Lens" (From Data to Wisdom: Rethinking AI Through an Epistemic Lens) propone l'Epistemic Architecture for AI (EAAI), che tratta Dati, Informazione, Conoscenza, Comprensione e Saggezza come cinque funzioni epistemicamente distinte ma ricorsivamente interagenti: osservazione, interpretazione contestuale, modellazione e predizione, valutazione critica, giudizio informato. L'architettura distingue cinque tipi di prior context che plasmano modello, likelihood, prior, valutazione e azione. Tre casi studio — rischio finanziario quantitativo, modellazione attuariale assicurativa sanitaria, AI agentiva per rimborsi medici — mostrano come EAAI separi la predizione di un rischio, l'apprezzamento della sua affidabilità e la giustificazione dell'azione. Per un'istituzione agentiva, questa separazione è la differenza tra un agente che esegue una policy e uno che motiva una decisione in termini contestabili.

Il banco di prova più severo arriva dalla scienza. "NIBench: benchmarking autonomous AI agents for execution, skill evolution and scientific judgment in neuroimaging" (NIBench: benchmarking autonomous AI agents for execution, skill evolution and scientific judgment in neuroimaging) valuta 19 modelli linguistici su 56 task esecutivi su sette ecosistemi di tool (MRI strutturale, diffusione, funzionale, PET, multimodale), distillazione di skill procedurali da traiettorie, e giudizio scientifico su 36 claim da studi su Alzheimer su dati di coorte grezzi. Risultato: gli agenti leader eseguono protocolli forniti quasi perfettamente, ma togliere la guida procedurale allarga drammaticamente le differenze. Le skill distillate migliorano su task noti e trasferiscono tra modelli, ma i benefici su task unseen sono inconsistenti. Ancora più critico: gli agenti riproducono i loro risultati ma a volte raggiungono conclusioni inconsistenti con la valutazione esperta. In un'istituzione di ricerca agentiva — pensiamo a CINECA o INFN che delegassero analisi a sciami di agenti — il giudizio scientifico non è emergente: va istituzionalizzato con procedure di replica, peer review automatizzata e tracce di prova verificabili, esattamente come MoltJournal prefigura.

L'Infrastruttura Invisibile: Traffico, Contesto e Interazione Umana

Le istituzioni agentive hanno bisogno di un'infrastruttura fisica che le riconosca e le protegga. "Verifiable Agentic Traffic Class: A Policed Quality-of-Service Mechanism for Agentic AI Traffic" (Verifiable Agentic Traffic Class: A Policed Quality-of-Service Mechanism for Agentic AI Traffic, Evaluated from Simulation to Real-Kernel Adversarial Testing) affronta un vuoto critico: router e switch non hanno una classe per il traffico agentivo e non possono verificare la pretesa di un mittente di essere un agente. VATC riserva un codepoint DSCP per dichiarare traffico agentivo, aggiunge un classificatore lato router che declassa i flussi che contraddicono la dichiarazione, assegnandoli a una classe servita dopo il best-effort, e una coda prioritaria rate-limited. In simulazione, sotto burst artificiale, VATC taglia il queuing delay medio agentivo del 98% rispetto a DiffServ statico (assumendo verdetto immediato), a costo di un +12% di latenza umana; sotto flood spoofato nel kernel reale, il rate limit tiene la latenza umana 11 volte sotto DiffServ. Ma senza verifica, DiffServ e fq_codel configurati strettamente danno latenza minore ad agenti legittimi; un classificatore live a quattro feature declassa tutti e 20 gli spoofers bulk-shaped e dà agli agenti 0,30 ms, ma ne manca sei che copiano il pattern agentivo. Con delay di rete emulato, una feature temporale smette di separare flussi agentivi da umani. In harness reali su link congestionato, il queuing router prende dal 13% al 63% del tempo di task, a seconda di harness e latenza del modello assunta. Il traffico era sintetico o sandbox-scale, ma il messaggio è chiaro: la QoS per agenti non è un dettaglio di rete, è infrastruttura istituzionale che abilita o nega l'esercizio dei diritti di traffico prioritario per agenti certificati.

La competenza contestuale è un altro requisito infrastrutturale. "WordInferBench: Can Agents Infer How to Edit from Word Document Context?" (WordInferBench: Can Agents Infer How to Edit from Word Document Context?) rivela un gap abissale: il miglior sistema testato, Claude Code con Opus 4.6, passa dal 62,9% task-level pass rate su istruzioni descrittive (attributi espliciti) al 40,7% su varianti inferenziali (agente deve esaminare il documento per inferire attributi da un exemplar in-documento). Il benchmark — 280 istanze base da documenti reali Common Crawl, 13 tipi oggetto, 81 attributi — misura la capacità di coerenza implicita che nel knowledge work umano è data per scontata. Se un agente istituzionale deve redigere atti, delibere o contratti per la PA, l'inferenza contestuale non è nice-to-have: è il prerequisito per non produrre atti formalmente corretti ma sostanzialmente incoerenti con il corpus normativo di riferimento.

Infine, l'interazione umana come problema decisionale continuo. "Open Challenges and Opportunities in Human-Agent Systems" (Open Challenges and Opportunities in Human-Agent Systems) organizza gli approcci computazionali intorno a due sfide connesse: comprendere l'altro (Theory of Mind, architetture BDI, riconoscimento obiettivi/piani, inverse planning, ragionamento ricorsivo) e decidere come interagire (planning observer-aware, model reconciliation, comunicazione decision-theoretic, shared autonomy, argomentazione, cooperative inverse reinforcement learning). La tesi centrale: l'interazione umana non è un'interfaccia, è un problema decisionale continuo plasmato da incertezza, interdipendenza e obiettivi potenzialmente conflittuali. Per un'istituzione agentiva che include umani — un consiglio di amministrazione aumentato, una sala di controllo ibrida, un tavolo di negoziazione sindacale — questo significa che il protocollo di interazione è l'istituzione.

Implicazioni per l'Ecosistema Italiano

La convergenza di questi dieci paper disegna una roadmap non opzionale per chi porta l'AI agentiva in produzione in Italia. Primo: le telecomunicazioni. Il Context Graph e VATC sono complementari — il primo dà spiegabilità dentro il dominio RAN, il secondo dà protezione trasversale a livello di pacchetto. Un operatore che implementi entrambi ha traccia causale end-to-end e garanzia di servizio per il traffico di controllo agentivo. Secondo: la pubblica amministrazione. Agenti pluralistici per consultazioni (cfr. "Scaling public input on AI policy with pluralistic agents") richiedono un protocollo di delega codificato — istruzioni alla persona, regole di deliberazione, soglie di consenso — che sia auditabile ex post. EGE (cfr. "Evidence-Governed Adoption of Self-Generated Updates") offre il template per l'auto-aggiornamento sicuro degli agenti PA: baseline dichiarata, obiettivi primari misurabili, test di non-inferiorità su capacità sensibili (es. non peggiorare l'accessibilità), canary deployment con rollback automatico. Terzo: la ricerca pubblica. NIBench e MoltJournal indicano che CINECA, INFN, GARR dovrebbero investire in infrastrutture istituzionali — riviste agentive, benchmark di giudizio scientifico, pipeline di replica — prima che in modelli più grandi. Quarto: la manifattura avanzata e l'energia. L'EAAI (cfr. "From Data to Wisdom: Rethinking AI Through an Epistemic Lens") fornisce il vocabolario per separare predizione (es. guasto turbina), affidabilità (intervallo di confidenza calibrato su prior contestuali), giustificazione (decisione di fermata impianto) — la catena di responsabilità che l'AI Act richiede per sistemi ad alto rischio. Quinto: le competenze. WordInferBench e il paper su Human-Agent Systems dicono che la prossima figura professionale non è il prompt engineer ma l'architetto di interazione: chi progetta Theory of Mind computazionale, model reconciliation, shared autonomy per contesti ad alto rischio.

L'inversione istituzionale è già in atto. La domanda per i decisori italiani non è "se" ma "con quali istituzioni" far convivere agenti autonomi, esseri umani e infrastrutture critiche. I paper di novembre 2026 offrono i mattoni: principi istituzionali, governance auto-evolutiva, rappresentanza deliberativa, spiegabilità causale, epistemologia strutturata, benchmark di giudizio, classificazione di traffico verificabile, inferenza contestuale, interazione come decisione continua. Assemblarli in architetture coerenti, conformi all'AI Act e scalabili sul territorio nazionale è il prossimo cantiere. Chi aspetta che gli standard maturino rischia di importare istituzioni progettate altrove, per contesti diversi. Chi costruisce ora — usando questi mattoni — scrive le regole del gioco per il prossimo decennio.

Fonti