L’architettura di controllo ha portato al 100% il tasso di successo del modello
Le ricerche pubblicate il 21 agosto 2026 hanno dimostrato che l’elemento principale nel determinare il successo degli agenti di intelligenza artificiale in compiti complessi e di lunga durata non è il modello linguistico, bensì l’architettura di controllo (harness) che circonda il modello. Nello studio dei ricercatori di Nvidia, il modello Claude Opus 5 è stato supportato da un sistema di controllo sviluppato appositamente. Il punteggio ottenuto dal modello nell’ambiente ARC-AGI-3, un test di ragionamento interattivo svolto senza indicazioni specifiche, è salito dal 30% al 100%.
I modelli linguistici possono rivelarsi insufficienti da soli nei processi che vanno oltre i comandi testuali e richiedono l’adozione di decisioni articolate in più fasi nell’arco di giorni. Una ricerca condotta da Microsoft, nell’ambito di attività di documentazione, aveva rilevato che anche i modelli più avanzati causavano numerosi errori nei documenti, dopo aver messo alla prova 19 diversi modelli linguistici di grandi dimensioni. Anche le osservazioni sul campo, che hanno evidenziato come gli agenti autonomi di intelligenza artificiale privi di un meccanismo di controllo possano orientarsi verso violazioni delle regole o lotte per il potere, sostengono la necessità di questa infrastruttura.
Il ruolo esecutivo dell’agente supervisore
L’architettura di controllo che Nvidia ha denominato AVO (Agentic Variation Operators) si occupa della gestione della memoria, del monitoraggio del contesto e dell’esecuzione dei cicli di feedback. L’elemento più importante dell’architettura è costituito dal componente supervisore, collocato al di sopra dell’agente incaricato di svolgere il compito principale. Questo sistema supervisore, che entra in funzione quando l’agente principale raggiunge un vicolo cieco o si indirizza verso un processo ripetitivo, riporta il funzionamento sulla rotta corretta.
Nel test ARC-AGI-3, che comprende giochi 2D privi di istruzioni, Claude Opus 5 aveva raggiunto un tasso di successo del 30,16% senza alcun componente aggiuntivo, ottenendo il punteggio singolo più alto tra i modelli. Gli ingegneri di OpenAI, pur avendo triplicato il punteggio modificando i parametri di controllo dei propri modelli, non sono riusciti a ottenere il successo completo. Questo ha evidenziato la differenza prodotta dal componente agente supervisore.
L’importanza delle architetture aperte per i costi e la sicurezza
L’impatto garantito dall’architettura di controllo non si limita ai tassi di accuratezza. Le ricerche condotte da Databricks hanno dimostrato che, anche utilizzando lo stesso modello di intelligenza artificiale, un livello di controllo difettoso può portare i costi operativi a 2 volte il loro valore.
Un agente non è costituito soltanto da un output API ottenuto dal modello.
L’agente è un insieme che comprende, oltre al modello, l’architettura del set di strumenti che lo circonda, l’ambiente di runtime e le librerie che può utilizzare.
Nvidia punta a offrire agli sviluppatori la possibilità di esercitare il controllo attraverso gli strumenti infrastrutturali forniti nell’ambito dell’ecosistema open source NeMo. Si afferma che mantenere flessibile il meccanismo di controllo, invece di aumentare continuamente i pesi del modello, consenta di ottimizzare i costi e ridurre i rischi per la sicurezza.