Le squadre di agenti AI sono sulla bocca di tutti: l'idea di far collaborare più modelli per risolvere compiti complessi sembra la nuova frontiera dell'automazione. Tuttavia, uno studio di Vals AI getta acqua sul fuoco, rivelando che i benefici in termini di qualità sono spesso marginali rispetto ai costi sostenuti.
L'esperimento: 50 app web per due modelli
La società di valutazione ha messo alla prova GPT-6 Sol e Claude Opus 5.5 nella costruzione di 50 applicazioni web. Ogni modello è stato impiegato sia come agente singolo sia come squadra, con un agente capofila incaricato di delegare fino a cinque subagenti. L'obiettivo era capire se l'approccio multi-agente portasse a risultati tangibilmente migliori.
I numeri parlano chiaro: le squadre di agenti hanno consumato molte più risorse computazionali e tempo, ma il guadagno in termini di qualità del codice prodotto è stato contenuto. In pratica, il detto "molti cuochi guastano la minestra" sembra valere anche per l'AI, dove l'orchestrazione di più agenti introduce overhead di coordinamento e latenza senza garanzie di successo.
Implicazioni per il settore
Questi risultati suggeriscono che, almeno per ora, le architetture multi-agente non sono una bacchetta magica. Le aziende che investono in sistemi complessi dovrebbero valutare con attenzione il rapporto costo-beneficio, privilegiando soluzioni più snelle quando possibile. La ricerca di Vals AI indica che il futuro potrebbe riservare sorprese, ma per il momento la strada verso l'efficienza passa ancora da un uso oculato delle risorse.
