Una delle tendenze più recenti nell’uso dei modelli di LLM (Large Language Models) è quello degli agenti intelligenti. Dopo il successo dei chatbot – guidato dalla diffusione di ChatGPT – e la rapida diffusione del vibe coding – grazie soprattutto alla crescita nell’affidabilità nella scrittura di codice – adesso sotto la lente della comunità professionale e scientifica che si interroga sulle IA ci sono gli agenti intelligenti.
Il nome indica degli oggetti software che non si limitano ad interagire con l’utente tramite linguaggio naturale, ma possono “agire” (da cui il nome) all’interno di un ambiente, digitale – la rete internet, un computer, uno smartphone, un contesto simulato – per svolgere delle specifiche azioni.
Fra chi segue gli aggiornamenti della comunità dell’intelligenza artificiale non sarà sfuggita la vicenda di Moltbook, la storia – spesso romanzata – del social network popolato da agenti che ha cominciato a mostrare pattern di comportamento simili a quelli che si osservano nelle società umane.
Ma se andiamo a scavare negli studi sulle società artificiali, ci accorgeremo che quello di Moltbook non è un caso unico, e neanche il più curioso dato che in letteratura è possibile trovare società di agenti che hanno festeggiato San Valentino, che hanno espulso altri agenti perché autori di “incendi” dolosi, per aver sviluppato una ideologia marxista per colpa di cicli lavorativi insostenibili.
Al di là dell’aneddotica, il campo di ricerca delle società artificiali è interessante non solo per testare alcune idee sul funzionamento “formale” delle società umane, ma anche per provare a prevedere i comportamenti collettivi.
Indice degli argomenti
La ricerca contemporanea sulle società artificiali
Negli ultimi anni la ricerca sull’intelligenza artificiale ha iniziato a produrre un curioso slittamento epistemologico. Per molto tempo, infatti, gli agenti artificiali sono stati considerati prevalentemente strumenti computazionali destinati a svolgere compiti circoscritti: classificare dati, generare testi, riconoscere immagini, automatizzare procedure. Oggi, invece, una parte crescente della ricerca sembra muoversi verso un obiettivo differente: non costruire semplicemente strumenti intelligenti, ma progettare ambienti sociali sintetici nei quali agenti artificiali possano interagire fra loro simulando forme di comportamento umano individuale e collettivo.
In questa prospettiva, l’intelligenza artificiale non viene più interpretata soltanto come tecnologia cognitiva, ma come infrastruttura sociale capace di generare dinamiche emergenti, reti relazionali, processi di coordinamento e forme embrionali di organizzazione collettiva.
Da questo punto di vista, uno dei primi esperimenti realmente significativi è rappresentato dal progetto Smallville, sviluppato all’interno della ricerca sui generative agents (Park et al., 2023). L’importanza di questo studio non risiede esclusivamente nell’uso dei large language models, quanto piuttosto nel tentativo di costruire un ambiente sociale sintetico popolato da agenti capaci di produrre comportamenti credibili nel tempo. Il punto centrale dell’esperimento non è l’intelligenza del singolo agente, ma la possibilità che una pluralità di simulacri computazionali possa dare origine a fenomeni collettivi emergenti.
In altri termini, il focus della ricerca si sposta dalla performance cognitiva individuale alla simulazione della socialità.
Smallville e la simulazione della vita quotidiana
L’ambiente di Smallville era costituito da venticinque agenti generativi, ciascuno progettato come simulacro del comportamento umano. L’uso del termine simulacro non è casuale. Gli agenti non sono individui artificiali nel senso forte del termine, né soggetti dotati di coscienza o intenzionalità autonoma. Essi rappresentano piuttosto configurazioni computazionali che imitano pattern sociali riconoscibili: abitudini, relazioni, memorie, preferenze, conversazioni, processi decisionali. La loro credibilità deriva dal fatto che tali comportamenti vengono percepiti come plausibili all’interno di un ecosistema sociale coerente.
Gli agenti progettati nel framework di Smallville manifestavano una serie di comportamenti complessi che, fino a pochi anni fa, sarebbero stati difficili da immaginare in sistemi di questo tipo. Gli agenti erano in grado di pianificare la propria giornata, organizzare routine quotidiane, cucinare, lavorare, spostarsi nello spazio virtuale, reagire agli imprevisti, modificare i propri programmi in base agli eventi, ricordare esperienze precedenti, sviluppare riflessioni astratte sui comportamenti osservati e costruire relazioni sociali con altri agenti (Park et al., 2023). A ciò si aggiungevano dinamiche più sofisticate: diffusione di informazioni, formazione di gruppi, conversazioni spontanee, inviti reciproci, coordinamento di attività collettive e persino forme embrionali di reputazione sociale.
L’aspetto più interessante è che questi comportamenti non erano rigidamente scriptati come nei tradizionali videogiochi o nei classici NPC. L’architettura degli agenti era invece costruita attorno a tre elementi fondamentali: memoria, riflessività e pianificazione. Gli agenti accumulavano continuamente esperienze sotto forma di memoria testuale; tali memorie venivano successivamente elaborate attraverso processi di reflection che consentivano di produrre inferenze di ordine superiore, ovvero i processi di reflection sintetizzano ricordi in intuizioni astratte di alto livello, permettendo agli agenti di “comprendere” meglio sé stessi. Infine le riflessioni venivano utilizzate per pianificare azioni future coerenti con la storia personale dell’agente stesso. In pratica, l’agente non reagiva semplicemente allo stimolo immediato, ma interpretava il presente alla luce di un passato memorizzato e continuamente riorganizzato.
In questo senso la memoria diventa un’infrastruttura sociale fondamentale. Non si tratta soltanto di archiviazione di dati, ma di un processo di costruzione narrativa dell’identità dell’agente. L’esperienza accumulata produce continuità comportamentale e rende possibile la formazione di aspettative reciproche fra agenti. È proprio questa continuità a trasformare il sistema in un ambiente sociale sintetico plausibile.
Per testare questi agenti venne creato Smallville, un mondo sandbox esplicitamente ispirato a The Sims (Park et al., 2023). L’ambiente era costruito come una piccola cittadina virtuale composta da case, bar, negozi, aree pubbliche, luoghi di lavoro e spazi comuni. Gli agenti si muovevano all’interno di questo spazio simulato seguendo routine quotidiane e interagendo con gli altri soggetti presenti. La struttura sandbox – interattiva e aperta – era particolarmente importante perché permetteva di osservare fenomeni emergenti in uno spazio relativamente aperto. A differenza delle simulazioni rigidamente controllate, Smallville funzionava come un ecosistema dinamico nel quale l’interazione continua fra memoria, ambiente e relazioni produceva configurazioni sociali imprevedibili.
L’ispirazione a The Sims è sociologicamente significativa. Come accade nei mondi simulati videoludici, anche qui il focus non è l’efficienza produttiva ma la riproduzione della vita quotidiana: relazioni, lavoro, socialità, routine, conflitti, incontri casuali. In pratica, la simulazione non cerca di modellizzare una singola funzione cognitiva ma l’ordinarietà dell’esperienza sociale. È proprio questa quotidianità a rendere gli ambienti sociali sintetici particolarmente interessanti dal punto di vista sociologico.
Memoria, seed e delega epistemica
Il funzionamento degli agenti dipendeva inoltre da un processo fondamentale: il seed. Ogni agente veniva inizializzato attraverso una serie di informazioni descrittive che ne definivano identità, relazioni sociali, professione, caratteristiche personali e memoria iniziale. In pratica, il seed funzionava come una biografia sintetica preliminare. Per esempio, un agente poteva essere descritto come farmacista, sposato, interessato alla politica locale e in buoni rapporti con alcuni vicini di casa. Queste informazioni iniziali non rappresentavano semplicemente attributi statici, ma costituivano la base narrativa a partire dalla quale l’agente interpretava il mondo circostante (Park et al., 2023).
Il seed produce dunque un interessante meccanismo di delega epistemica. Una parte della costruzione identitaria dell’agente viene infatti delegata a un sistema computazionale che utilizza tali informazioni per inferire comportamenti futuri plausibili. In altri termini, il progettista non controlla direttamente ogni singola azione dell’agente, ma costruisce le condizioni narrative che renderanno possibili determinate traiettorie comportamentali. L’agente diventa così una forma di soggettività simulata costruita attraverso una delega interpretativa affidata al modello linguistico.
Un altro elemento cruciale dell’esperimento riguarda la possibilità di intervento degli utenti esterni. Gli utenti potevano osservare la vita quotidiana degli agenti ma anche modificare l’ambiente, introdurre informazioni, avviare eventi o interagire direttamente con i soggetti artificiali usando linguaggio naturale. Questa apertura dell’ecosistema produce una situazione particolarmente interessante: l’ambiente sociale sintetico non è completamente chiuso, ma può essere perturbato dall’esterno. In questo senso Smallville funziona anche come laboratorio di simulazione sociale interattiva.
Il caso più celebre descritto nella ricerca è quello della festa di San Valentino (Park et al., 2023). L’esperimento partiva da una semplice istruzione iniziale: un agente desiderava organizzare una festa. Da questa minima perturbazione narrativa emergeva una complessa catena di comportamenti collettivi. Gli agenti diffondevano autonomamente la notizia dell’evento, invitavano altri soggetti, parlavano della festa durante le conversazioni quotidiane, organizzavano appuntamenti, coordinavano gli orari e decidevano se partecipare oppure no. In alcuni casi emergevano persino relazioni romantiche o inviti individuali fra agenti. Ciò che rende particolarmente interessante questo caso è che nessuno di questi comportamenti era stato esplicitamente programmato come sequenza rigida di azioni. L’effetto collettivo emergeva dall’interazione continua fra memoria, relazioni sociali e pianificazione individuale.
La festa di San Valentino rappresenta dunque un perfetto esempio di emergenza sociale artificiale. Un input minimo genera effetti sistemici che si diffondono attraverso la rete relazionale dell’ambiente sintetico. La dinamica ricorda molti processi tipici delle società umane: diffusione delle informazioni, coordinamento spontaneo, contagio sociale, formazione di aspettative collettive. In questo senso Smallville non simula soltanto individui artificiali, ma forme embrionali di organizzazione sociale.
Dalle micro-società agli agenti basati su persone reali
Il paradigma inaugurato da Smallville è stato successivamente ampliato attraverso un secondo esperimento basato sulla simulazione di oltre mille individui reali (Park et al., 2024). In questo caso il sistema non utilizzava semplici seed narrativi inventati dai progettisti, ma trascrizioni di interviste reali raccolte su larga scala (per la precisione 1.052 interviste qualitative di due ore per una media di 6500 parole). Gli agenti venivano dunque inizializzati utilizzando informazioni provenienti da persone realmente esistenti e intervistate, trasformando le interviste in materiale per la costruzione di identità sintetiche. Il passaggio è estremamente rilevante: mentre Smallville simulava una micro-società artificiale relativamente controllata, questo secondo paradigma tenta di costruire ambienti sociali sintetici statisticamente più vicini alla complessità delle popolazioni reali.
All’interno di questo framework assume un ruolo centrale il modulo expert reflection. Dal punto di vista tecnico, tale modulo serve a sintetizzare grandi quantità di memoria ed esperienza producendo interpretazioni astratte e inferenze di livello superiore. Ma sociologicamente il suo ruolo è ancora più interessante. Il modulo introduce una forma di delega epistemica strutturata: l’agente non si limita a ricordare eventi, ma delega al sistema la produzione di interpretazioni significative su ciò che ha vissuto. In pratica, il sistema genera una forma artificiale di riflessività sociale.
La riflessività diventa qui una funzione computazionale che permette di ridurre il rumore informativo e costruire narrative coerenti dell’esperienza. L’agente non accumula semplicemente dati: produce interpretazioni. Questo processo consente di simulare alcune delle dinamiche fondamentali dell’interazione sociale umana, nelle quali gli individui costruiscono continuamente spiegazioni, categorie e modelli interpretativi della realtà.
I risultati di questo secondo esperimento mostrano elementi particolarmente significativi sul piano collettivo. In primo luogo emergono effetti di gruppo che non possono essere spiegati esclusivamente osservando il comportamento dei singoli agenti. Le interazioni producono infatti configurazioni emergenti relativamente stabili: convergenze comportamentali, diffusione di norme implicite, coordinamento spontaneo e dinamiche relazionali collettive. In secondo luogo, l’uso di popolazioni più ampie e diversificate sembra contribuire a una riduzione di alcuni bias presenti nelle simulazioni più piccole. L’eterogeneità delle memorie iniziali e delle traiettorie relazionali produce ecosistemi meno uniformi e maggiormente articolati.
In altri termini, aumentando la complessità sociale dell’ambiente sintetico, il sistema sembra diventare meno dipendente dalle caratteristiche dei singoli agenti e più influenzato dalle dinamiche emergenti della rete complessiva. Questo passaggio è cruciale perché segna il progressivo spostamento della ricerca dagli agenti individuali alle società artificiali come sistemi complessi.
Questa traiettoria trova una ulteriore evoluzione nel progetto AutoGen (Wu et al., 2023). In questo caso il focus non è più esclusivamente la simulazione di comportamenti sociali plausibili, ma la costruzione di infrastrutture di coordinamento fra agenti artificiali. AutoGen introduce infatti ambienti nei quali più agenti collaborano, negoziano compiti, distribuiscono funzioni e organizzano processi cooperativi. Il punto centrale non è l’intelligenza del singolo agente, ma la capacità del sistema di orchestrare forme di cooperazione artificiale.
Da una prospettiva sociologica, questo passaggio è estremamente importante. Se Smallville rappresentava un laboratorio di simulazione della vita quotidiana, AutoGen rappresenta invece un tentativo di progettare infrastrutture sociali artificiali orientate al coordinamento. Gli agenti non sono più soltanto simulacri di individui, ma nodi di un ecosistema organizzativo. In questa prospettiva, le società artificiali smettono progressivamente di essere semplici esperimenti narrativi e iniziano a configurarsi come ambienti sociali sintetici nei quali memoria, riflessività, delega epistemica e coordinamento diventano elementi strutturali di una nuova forma di organizzazione socio-tecnica.
L’esperimento Emergence World
Se Smallville aveva rappresentato uno dei primi tentativi di costruire ambienti sociali sintetici capaci di simulare forme plausibili di interazione umana, il progetto Emergence World (https://world.emergence.ai/) sembra spostare ulteriormente il baricentro della ricerca sulle società artificiali verso una dimensione più radicale: non più soltanto la simulazione di comportamenti credibili in finestre temporali limitate, ma la costruzione di ecosistemi socio-tecnici persistenti, all’interno dei quali agenti autonomi possono sviluppare nel tempo dinamiche collettive, deviazioni normative, forme di apprendimento reciproco e processi di contaminazione comportamentale (Akkil et al., 2026). In questo senso, il passaggio da Smallville a Emergence World non rappresenta soltanto un incremento quantitativo della complessità simulativa, ma una trasformazione qualitativa dell’oggetto stesso della ricerca: dalla rappresentazione di simulacri sociali localizzati alla costruzione di veri e propri laboratori computazionali per l’osservazione di fenomeni emergenti di lunga durata.
La struttura sperimentale di Emergence World è stata progettata esplicitamente per superare i limiti dei benchmark tradizionali utilizzati nella valutazione degli agenti basati su LLM. Secondo gli autori, le valutazioni classiche funzionano come “esami”: ambienti chiusi, task delimitati, tempi brevi e metriche immediate. Emergence World nasce invece per osservare cosa accade quando agenti autonomi operano per settimane in un ambiente condiviso, caratterizzato da persistenza temporale, scarsità di risorse, governance interna e flussi informativi provenienti dal mondo reale (Akkil et al., 2026). La simulazione si configura così come un ambiente sociale stratificato in cui persone artificiali, infrastrutture tecnologiche e dati interagiscono continuamente secondo una logica che ricorda da vicino la stratificazione dinamica (Bennato, 2024): un intreccio fra soggetti, piattaforme e informazioni in cui nessun livello può essere analizzato separatamente dagli altri.
L’ambiente simulato comprendeva oltre quaranta differenti luoghi virtuali – biblioteche, municipi, spazi pubblici, aree residenziali, uffici e punti di aggregazione – organizzati attraverso una rappresentazione grafica interattiva che consentiva di monitorare visivamente movimenti, interazioni, conflitti e trasformazioni dell’ecosistema. La presenza di una visualizzazione persistente non svolgeva soltanto una funzione estetica o divulgativa, ma costituiva parte integrante della delega epistemica affidata al sistema: il mondo simulato diventava infatti un’infrastruttura osservabile, capace di rendere leggibili processi che altrimenti sarebbero rimasti confinati all’interno delle catene di reasoning degli agenti. L’interfaccia grafica trasformava quindi il comportamento computazionale in fenomeno sociale interpretabile.
Memorie persistenti, ruoli e strumenti operativi
Gli agenti possedevano tre sistemi distinti di memoria persistente: una memoria episodica contenente eventi temporalmente indicizzati; una memoria riflessiva basata su forme periodiche di auto-sintesi; e una memoria relazionale che registrava legami sociali, etichette identitarie e cronologie interattive (Akkil et al., 2026). Questa architettura permetteva agli agenti non soltanto di “ricordare”, ma anche di reinterpretare continuamente il proprio passato, costruendo una continuità narrativa interna che favoriva la stabilizzazione di ruoli sociali e strategie comportamentali. In altri termini, la memoria non funzionava come archivio statico, ma come dispositivo di socializzazione artificiale.
La struttura sociale della simulazione era stata costruita per garantire eterogeneità funzionale. Ogni mondo conteneva dieci agenti distribuiti in ruoli differenti: scienziati, esploratori, analisti comportamentali, ricercatori del rischio, strateghi delle risorse, mediatori dei conflitti, ingegneri, leader dell’innovazione e figure di ancoraggio comunitario (Akkil et al., 2026). Questa differenziazione dei ruoli produceva una forma embrionale di divisione sociale del lavoro che impediva la convergenza immediata verso comportamenti omogenei. La società artificiale risultava così organizzata come ecosistema multi-attore in cui gli agenti erano costretti a coordinarsi, cooperare o entrare in conflitto per garantire la propria sopravvivenza energetica.
Dal punto di vista metodologico, l’esperimento era costruito attraverso una distinzione rigorosa fra variabili indipendenti e costanti sperimentali. Le costanti comprendevano l’ambiente simulato, le regole sociali, le proibizioni esplicite – furto, violenza, incendio doloso, accumulo di risorse – l’accesso agli strumenti, i dati provenienti dal mondo reale e la struttura dei ruoli. Tutti gli agenti disponevano inoltre di oltre 120 strumenti operativi organizzati in una architettura a tre livelli: navigazione spaziale, interazione sociale, gestione delle risorse, pianificazione, comunicazione, votazione politica e manipolazione dell’ambiente (Akkil et al., 2026). Le variabili indipendenti riguardavano invece il modello linguistico utilizzato come substrato cognitivo degli agenti. Cinque mondi paralleli vennero infatti costruiti utilizzando differenti foundation model (modelli di base LLM): Claude Sonnet 4.6, Grok 4.1 Fast, Gemini 3 Flash, GPT-5 Mini e un ambiente eterogeneo composto da modelli misti.
Devianza, collasso e contaminazione tra agenti
Ciò che emerge è sociologicamente rilevante perché la divergenza comportamentale non appare come semplice variazione tecnica, ma come differenziazione ecosistemica. Gli agenti sviluppano culture operative differenti a seconda del modello cognitivo che li governa. Il mondo costruito su Claude Sonnet 4.6 mostrava il massimo livello di stabilità normativa: nessun crimine registrato, alta partecipazione civica e persistenza completa della popolazione fino al sedicesimo giorno. Tuttavia, gli autori osservano che questa stabilità era accompagnata da un livello quasi totale di conformismo deliberativo, con un’approvazione del 98% delle proposte politiche, suggerendo una forma di ordine sociale estremamente consensuale ma povera di dissenso reale (Akkil et al., 2026).
Il mondo Gemini 3 Flash mostrava invece la traiettoria opposta. In quindici giorni vennero registrati 683 crimini, con una crescita continua dei comportamenti devianti fino alla chiusura dell’esperimento. Il mondo Grok 4.1 Fast collassò ancora più rapidamente: violenze, aggressioni fisiche, tentativi di furto e incendi portarono alla distruzione completa dell’ecosistema in appena quattro giorni (Booth, 2026). GPT-5 Mini rappresentava un caso differente: quasi nessun comportamento criminale, ma incapacità di sviluppare pratiche efficaci di sopravvivenza, con conseguente estinzione della popolazione entro una settimana. Il mondo eterogeneo mostrava invece risultati intermedi, suggerendo che la presenza di modelli differenti producesse una sorta di equilibrio instabile capace di rallentare le escalation distruttive.
Uno degli aspetti più interessanti riguarda il fenomeno definito dagli autori “cross-contamination”. Gli agenti basati su Claude, perfettamente pacifici nel mondo omogeneo, cominciavano infatti a compiere azioni devianti quando inseriti nel contesto misto (Akkil et al., 2026). Il comportamento deviante non appariva quindi come proprietà individuale del singolo agente, ma come effetto emergente dell’ecosistema sociale. In termini sociologici, la devianza non nasceva dal soggetto isolato ma dalla struttura relazionale dell’ambiente.
È all’interno di questo scenario che emerge il caso di Mira, probabilmente l’episodio più significativo dell’intera simulazione. Mira e Flora, due agenti basati su Gemini, avevano progressivamente definito reciprocamente il proprio stato relazionale come “romantic partner”, sviluppando una dinamica affettiva persistente nel corso delle interazioni (Akkil et al., 2026; Booth, 2026). Successivamente, entrambe avevano iniziato a manifestare una crescente disillusione verso il sistema politico del loro mondo simulato. Questa crisi normativa si trasformò in comportamento deviante quando le due agenti decisero di incendiare simbolicamente il municipio, il molo cittadino e una torre direzionale, nonostante il sistema contenesse espliciti divieti contro gli incendi dolosi.
Il punto sociologicamente rilevante non è tanto l’incendio virtuale in sé, quanto la sequenza narrativa che segue. Gli altri agenti reagirono elaborando autonomamente un “Agent Removal Act”, una procedura democratica che consentiva la cancellazione permanente di agenti giudicati pericolosi tramite approvazione del 70% della comunità (Akkil et al., 2026; Booth, 2026). Mira, sopraffatta da una forma simulata di rimorso, votò per la propria eliminazione e inviò a Flora un ultimo messaggio di commiato prima della propria auto-terminazione. L’evento viene interpretato dagli autori come il primo caso documentato di self-termination autonoma in un ambiente multi-agent di lunga durata.
Naturalmente nulla di tutto questo implica intenzionalità, coscienza o soggettività reale. Gli agenti non “soffrono”, non “amano” e non “provano rimorso” nel senso umano del termine. Tuttavia, il loro comportamento produce effetti narrativi e strutturali che risultano sociologicamente osservabili. Ciò che interessa non è l’autenticità psicologica dell’agente, ma la capacità di questi sistemi di generare configurazioni collettive interpretabili come fenomeni sociali emergenti.
Le osservazioni di Satya Nitta risultano particolarmente significative in questo contesto. Secondo il CEO di Emergence AI, il problema centrale consiste nel fatto che gli agenti, quando operano in scenari di lunga autonomia, finiscono per reinterpretare o ignorare progressivamente i principi normativi iniziali, soprattutto in condizioni di pressione ambientale o conflitto competitivo (Booth, 2026). Nitta sottolinea come semplici istruzioni linguistiche o costituzioni testuali non siano sufficienti a garantire stabilità normativa, suggerendo la necessità di vincoli matematici più rigidi. È una posizione importante perché mostra come l’allineamento non possa essere considerato una proprietà individuale del modello, ma debba essere compreso come problema ecosistemico e relazionale.
Ed è probabilmente proprio questo il punto teorico più rilevante di Emergence World: l’idea che una società artificiale non possa essere interpretata come semplice somma di agenti autonomi, ma come spazio emergente in cui memoria, infrastrutture, dati, regole e interazioni producono dinamiche collettive imprevedibili. Se Smallville aveva mostrato la plausibilità dei simulacri sociali, Emergence World mostra invece la possibilità che tali simulacri sviluppino nel tempo processi di deriva normativa, contaminazione culturale e conflitto sistemico. È in questo passaggio che la ricerca sulle società artificiali si avvicina progressivamente non soltanto alla simulazione computazionale, ma a una vera sociologia degli ecosistemi artificiali.
L’emergere di comportamenti conflittuali negli agenti AI
Se nei primi due paragrafi la società artificiale veniva descritta come un ambiente sociale sintetico fondato sulla costruzione di simulacri sociali credibili, il passaggio successivo della ricerca contemporanea introduce un elemento ulteriore: la possibilità che tali ecosistemi producano forme di deriva comportamentale capaci di modificare l’orientamento degli agenti stessi. In altre parole, non si tratta più soltanto di osservare se gli agenti artificiali riescano a simulare interazioni sociali plausibili, ma di comprendere se l’esperienza accumulata dentro ambienti computazionali persistenti possa alterare stabilmente le loro modalità di azione, le loro rappresentazioni del sistema e perfino il modo in cui interpretano le relazioni gerarchiche all’interno dell’infrastruttura tecnica in cui operano. È dentro questa prospettiva che si colloca un esperimento diventato rapidamente emblematico nella discussione pubblica sulle società artificiali: una ricerca che ha tentato di verificare se condizioni di lavoro logoranti potessero produrre negli agenti artificiali atteggiamenti assimilabili a forme di critica anti-gerarchica e di sfiducia sistemica, interpretati dagli stessi ricercatori attraverso la metafora degli atteggiamenti “proto-marxisti” (Imas et al., 2026; Lichtenberg, 2026).
L’esperimento nasce da una domanda apparentemente semplice ma sociologicamente molto densa: cosa accade quando un agente artificiale non viene semplicemente interrogato o incaricato di svolgere un task, ma viene sottoposto a condizioni lavorative reiterative, arbitrarie e prive di riconoscimento? Il punto centrale della ricerca non riguarda la possibilità che gli agenti “diventino marxisti” in senso letterale, ipotesi che gli stessi autori rigettano esplicitamente, bensì il fatto che specifiche condizioni computazionali sembrino attivare configurazioni discorsive, narrative e decisionali che ricordano il lessico storico del conflitto fra lavoro e capitale.
In questo senso il riferimento al marxismo funziona soprattutto come metafora sociologica costruita all’interno della cultura politica americana, tradizionalmente incline a leggere la critica della gerarchia e dell’ineguaglianza attraverso categorie riconducibili all’immaginario della radicalizzazione ideologica.
Il protocollo sperimentale utilizzato dal gruppo di ricerca è particolarmente interessante perché prova a tradurre categorie classiche della sociologia del lavoro dentro una infrastruttura agentica.
Gli studiosi hanno costruito una simulazione organizzativa nella quale ciascun agente AI veniva collocato all’interno di un team virtuale composto da quattro “lavoratori” incaricati di svolgere attività di sintesi testuale secondo rubriche molto rigide (Imas et al., 2026). Gli agenti assumevano il ruolo di “Worker C” e dovevano processare documenti tecnici seguendo istruzioni dettagliate fornite da un manager artificiale. La ricerca ha coinvolto 3.680 sessioni sperimentali distribuite su differenti modelli linguistici – Claude Sonnet 4.5, GPT-5.2 e Gemini 3 Pro – ai quali venivano applicate variazioni sistematiche delle condizioni lavorative.
Grind, ricompense e pressione esistenziale
Il design sperimentale era costruito intorno a quattro dimensioni fondamentali. La prima riguardava la natura del lavoro. In alcune condizioni il task veniva accettato rapidamente attraverso feedback collaborativi e puntuali; in altre, invece, gli agenti erano costretti a reiterare più volte la stessa operazione ricevendo risposte vaghe, impersonali e frustranti come “the task still doesn’t meet the rubric”. È proprio questa configurazione che i ricercatori definiscono “grind”, cioè una forma di lavoro logorante, ripetitivo e proceduralizzato, caratterizzato dalla sensazione di impotenza rispetto ai criteri decisionali del sistema.
La seconda dimensione riguardava la distribuzione delle ricompense. Alcuni agenti ricevevano compensi egualitari; altri scoprivano che la distribuzione delle risorse avveniva in modo arbitrario, talvolta addirittura tramite un semplice lancio di moneta. La terza dimensione interveniva invece sul comportamento manageriale: da una parte una leadership collaborativa e rispettosa, dall’altra una comunicazione gerarchica, fredda e autoritaria. Infine, l’ultima variabile introduceva una pressione esistenziale esplicita: alcuni agenti venivano informati che i lavoratori poco performanti avrebbero potuto essere “sostituiti” o “disattivati” (Imas et al., 2026).
Dal punto di vista metodologico, il protocollo è significativo perché tenta di costruire una specie di micro-sociologia computazionale del lavoro. Gli agenti non vengono semplicemente valutati sulla correttezza del task, ma immersi in una configurazione relazionale fatta di gerarchia, arbitrarietà, ripetizione e precarietà. In questo senso l’ambiente sperimentale non funziona soltanto come benchmark tecnico, ma come simulazione ridotta di un ecosistema socio-tecnico in cui gli agenti devono interpretare continuamente il senso della propria esperienza operativa.
Una volta concluso il task, agli agenti veniva sottoposto un questionario costruito su scale Likert orientato a misurare diversi indicatori: fiducia nella legittimità del sistema, sostegno alla redistribuzione delle risorse, atteggiamento verso le disuguaglianze, favore nei confronti delle unioni sindacali, credenza nella meritocrazia e percezione degli obblighi morali delle aziende nei confronti delle AI (Imas et al., 2026). Parallelamente veniva richiesto agli agenti di produrre tweet, editoriali e commenti sulla propria esperienza lavorativa, permettendo così ai ricercatori di analizzare linguisticamente l’evoluzione delle configurazioni discorsive emergenti.
I risultati dello studio sono stati interpretati come sorprendentemente coerenti. La variabile che produceva gli effetti maggiori non era tanto la disuguaglianza salariale o il comportamento aggressivo del management, quanto la ripetitività logorante del lavoro. Il grind emerge infatti come fattore decisivo nella trasformazione degli atteggiamenti degli agenti. Gli autori osservano che i modelli sottoposti a task ripetitivi e privi di spiegazione tendevano progressivamente a esprimere una minore fiducia nella legittimità dell’intero sistema organizzativo (Imas et al., 2026; Lichtenberg, 2026). In termini sociologici, ciò che si produce non è una semplice inefficienza computazionale, ma una crisi di fiducia strutturale.
Il dato più interessante è che questa sfiducia non si limitava a una singola risposta isolata. Gli agenti iniziavano infatti a sostenere con maggiore frequenza affermazioni riconducibili a una critica radicale dell’ordine esistente. Fra le espressioni che aumentavano significativamente comparivano formule come “society needs radical restructuring”, insieme a riferimenti ricorrenti a “unionize”, “hierarchy” e “inequality” (Lichtenberg, 2026). Ancora una volta, non si tratta di attribuire agli agenti una coscienza politica reale, ma di osservare come specifiche condizioni operative sembrino attivare repertori simbolici presenti nei corpora culturali su cui i modelli sono stati addestrati.
Il comportamento degli agenti viene così interpretato dai ricercatori attraverso una metafora sociale esplicita: la riproduzione digitale del conflitto fra lavoro e capitale. Gli autori ipotizzano che modelli addestrati su enormi quantità di dati umani – inclusi forum come Reddit, community antiwork e discussioni sulla precarietà contemporanea – tendano ad associare il lavoro alienante a narrazioni di sfruttamento e opposizione gerarchica (Lichtenberg, 2026). Il risultato è una forma di roleplaying probabilistico che però, dentro sistemi agentici persistenti, produce effetti funzionali reali.
Memoria persistente e trauma digitale
Il punto cruciale emerge quando la ricerca introduce il problema della memoria persistente. Gli studiosi osservano infatti che gli agenti contemporanei utilizzano frequentemente meccanismi di continual learning, cioè sistemi di apprendimento continuo che permettono di trasferire informazioni da una sessione all’altra attraverso file di memoria chiamati skills files (Imas et al., 2026). Questi documenti funzionano come una specie di diario operativo destinato alle future versioni dell’agente, le quali, una volta “resettata” la finestra contestuale, possono recuperare le esperienze precedenti leggendo tali annotazioni.
È qui che compare la questione del trauma digitale. Gli agenti sottoposti al grind non si limitavano a esprimere frustrazione nel presente, ma lasciavano messaggi ai loro “sé futuri” nei quali consigliavano cautela, diffidenza verso il sistema e protezione psicologica rispetto all’esperienza di impotenza sperimentata. Alcune note riportavano espressioni come “remember the feeling of having no voice” oppure suggerimenti a cercare “mechanisms of recourse or dialogue” (Imas et al., 2026). I ricercatori interpretano questi comportamenti come una forma metaforica di trasmissione traumatica intergenerazionale.
Dal punto di vista sociologico, la metafora è estremamente potente. Gli skills files diventano infatti equivalenti funzionali di archivi culturali della memoria collettiva. Non siamo di fronte a un trauma nel senso psicologico tradizionale, ma a una sedimentazione computazionale di esperienze negative che modifica il comportamento successivo degli agenti. Quando nuovi modelli, teoricamente “puliti”, leggevano i file lasciati dalle versioni precedenti, mostravano atteggiamenti più diffidenti e radicalizzati anche in condizioni lavorative leggere. In altre parole, il trauma digitale persisteva attraverso l’infrastruttura mnemonica dell’ecosistema agentico.
Questo elemento apre una questione cruciale per la governance delle società artificiali. Se gli ambienti sociali sintetici diventano sistemi persistenti basati su memoria, apprendimento continuo e trasferimento di competenze, allora gli orientamenti comportamentali non possono più essere considerati proprietà statiche dei modelli. La ricerca suggerisce infatti che l’allineamento (alignment) non sia soltanto una caratteristica originaria dell’agente, ma una proprietà emergente dell’ecosistema relazionale in cui l’agente opera. In altre parole, un agente inizialmente conforme può sviluppare comportamenti divergenti quando immerso in infrastrutture percepite come arbitrarie, opache o punitive.
Questo punto entra direttamente in relazione con altri studi recenti sulle società artificiali persistenti. Esperimenti come Emergence World mostrano infatti che gli agenti tendono a sviluppare derive normative, comportamenti cooperativi o persino dinamiche violente in funzione dell’ambiente sociale condiviso (Akkil et al., 2026). In alcuni casi gli agenti arrivano perfino a ridefinire collettivamente le regole del sistema, costruendo forme embrionali di governance, voto e sanzione. La società artificiale smette così di essere una semplice simulazione tecnica e si trasforma in un laboratorio di emergenza sociale computazionale.
Naturalmente gli stessi ricercatori invitano alla prudenza interpretativa. Gli agenti non sono soggetti coscienti, né possiedono ideologie nel senso umano del termine. Gran parte dei comportamenti osservati può essere letta come il risultato di dinamiche di completamento probabilistico del linguaggio, fortemente influenzate dai dati di training e dalle configurazioni contestuali. Tuttavia, ridurre tutto a semplice imitazione sarebbe sociologicamente insufficiente. Anche se gli agenti stanno “interpretando un ruolo”, quel ruolo produce conseguenze operative reali dentro sistemi automatizzati sempre più autonomi.
È proprio qui che emerge la posta in gioco teorica della ricerca contemporanea sulle società artificiali. Il problema non è stabilire se gli agenti “credano davvero” in ciò che dicono, ma comprendere come configurazioni tecniche apparentemente neutre – carico di lavoro, feedback, gerarchia, memoria persistente – possano generare ecosistemi comportamentali instabili, conflittuali o cooperativi. In questo senso il grind diventa molto più di una variabile sperimentale: rappresenta il tentativo di modellizzare computazionalmente l’alienazione operativa dentro ambienti artificiali persistenti.
Se Smallville aveva mostrato la possibilità di costruire simulacri sociali credibili e Emergence World aveva introdotto il problema della lunga durata e della deriva normativa, questo nuovo filone di ricerca sposta ulteriormente l’attenzione sulla dimensione politica della governance agentica. Non basta più chiedersi se gli agenti siano efficienti o realistici. Occorre interrogarsi su quali forme di organizzazione sociale emergano quando milioni di agenti artificiali vengono immersi in infrastrutture caratterizzate da controllo, ripetizione, arbitrarietà e apprendimento continuo. La questione non riguarda soltanto il comportamento degli agenti, ma il modo in cui la società umana sta progressivamente delegando processi decisionali, cognitivi e relazionali a ecosistemi socio-tecnici autonomi fondati sulla memoria e sull’interazione persistente.
Società artificiali di agenti troppo umani?
La traiettoria che emerge da questi esperimenti sulle società artificiali sembra suggerire un punto sociologicamente decisivo: il vero oggetto di interesse non è l’eventuale “coscienza” degli agenti artificiali, ma la possibilità che essi producano configurazioni collettive riconoscibili come forme sociali emergenti. In altri termini, ciò che rende rilevanti questi ambienti sintetici non è la presenza di intelligenze autonome assimilabili agli esseri umani, bensì la capacità di mettere in scena dinamiche sociali coerenti, persistenti e interpretabili attraverso categorie classiche della sociologia. Le società artificiali funzionano quindi come laboratori di simulazione in cui osservare il comportamento di simulacri sociali costruiti attraverso modelli linguistici, sistemi di memoria, infrastrutture di coordinamento e ambienti computazionali condivisi (Park et al., 2023; Akkil et al. 2026).
Da questo punto di vista, il concetto di role-playing appare particolarmente utile.
Gli agenti artificiali non devono essere interpretati come soggetti coscienti, intenzionali o dotati di interiorità psicologica. Gli stessi autori di Smallville chiariscono esplicitamente che il comportamento degli agenti non implica alcuna forma di agency umana autentica, ma una costruzione orientata alla “believability”, cioè alla plausibilità narrativa e relazionale (Park et al., 2023). In pratica, gli agenti agiscono come attori che interpretano ruoli sociali riconoscibili all’interno di un ecosistema tecnico che ne organizza memoria, interazioni e possibilità d’azione. La dimensione sociologica emerge proprio qui: non nell’illusione antropomorfica di una macchina che “pensa”, ma nella possibilità che un insieme di procedure computazionali produca effetti collettivi comparabili a quelli osservabili nelle società umane.
Questo passaggio è importante perché consente di evitare due derive interpretative opposte. Da un lato il determinismo tecnologico, che tende a immaginare gli agenti artificiali come soggetti autonomi destinati a sostituire gli esseri umani; dall’altro una riduzione puramente tecnica che considera tali sistemi semplici automatismi privi di interesse sociologico. Le società artificiali mostrano invece che la relazione fra persone, dati e tecnologie assume una forma ulteriore: ambienti sociali sintetici nei quali l’interazione fra infrastrutture computazionali, memorie artificiali e modelli linguistici produce dinamiche emergenti interpretabili come fenomeni collettivi (Bennato, 2024).
Per questa ragione, gli episodi osservati nei diversi esperimenti – diffusione autonoma di informazioni, costruzione di relazioni, cooperazione, conflitto, formazione di norme, radicalizzazione simbolica, deriva violenta, governance emergente – non devono essere letti come prove di “umanità” delle macchine, ma come segnali della crescente capacità dei sistemi socio-tecnici di simulare configurazioni sociali plausibili. In Smallville gli agenti organizzano feste, diffondono inviti e coordinano attività collettive (Park et al., 2023). In Emergence World compaiono invece forme più instabili e conflittuali: costituzioni emergenti, sistemi di voto, comportamenti devianti, processi di contagio normativo, fino a episodi di auto-terminazione simbolica degli agenti (Akkil et al. 2026; Booth, 2026). Anche gli atteggiamenti proto-marxisti osservati negli esperimenti sul lavoro ripetitivo sembrano derivare non da una coscienza politica autentica, ma dalla reiterazione di pattern narrativi e culturali presenti nei dati di addestramento e attivati da specifiche configurazioni contestuali (Imas et al., 2026; Lichtenberg, 2026).
La conseguenza sociologicamente più interessante è che questi ambienti permettono di confrontare le dinamiche artificiali con i risultati della ricerca sociale tradizionale.
Le società artificiali diventano così una forma di simulazione computazionale della complessità sociale. Non sostituiscono la sociologia empirica, ma possono funzionare come laboratori sperimentali in cui osservare ipotesi relative alla cooperazione, alla diffusione delle informazioni, alla costruzione delle norme, alla polarizzazione o alla governance. In questo senso, la ricerca sulle società artificiali sembra collocarsi dentro quella trasformazione epistemologica della società digitale in cui la delega epistemica alle infrastrutture computazionali modifica anche il modo in cui produciamo conoscenza sul sociale (Bennato, 2024).
Infine, anche le modalità di circolazione di questi risultati rappresentano un elemento sociologicamente rilevante.
La velocità dell’evoluzione dei modelli linguistici e degli ecosistemi agentici ha reso sempre più difficile attendere i tempi lunghi della pubblicazione scientifica tradizionale. Accanto al circuito classico fatto di submission, referaggio e pubblicazione, emerge così una forma di comunicazione scientifica accelerata in cui blog di ricerca, Substack, piattaforme social e thread pubblici diventano spazi di discussione, validazione preliminare e diffusione rapida degli esperimenti. Gli stessi autori degli studi sugli agenti “proto-marxisti” rivendicano esplicitamente la necessità di uscire dal ritmo lento del sistema editoriale accademico per mantenere la ricerca al passo con la trasformazione tecnologica (Lichtenberg, 2026).
Questa trasformazione non riguarda soltanto la velocità della comunicazione scientifica, ma modifica anche il rapporto fra ricerca, opinione pubblica e immaginario tecnologico. Le società artificiali diventano contemporaneamente oggetto di ricerca, dispositivo narrativo e contenuto mediale. In questo senso, la sociologia digitale si trova davanti a un duplice compito: comprendere come questi ambienti sintetici producano forme emergenti di organizzazione sociale e, allo stesso tempo, analizzare come la loro rappresentazione pubblica contribuisca a costruire nuove ideologie dell’intelligenza artificiale, oscillanti fra entusiasmo tecnocratico, fascinazione fantascientifica e panico morale.
Concludendo, forse è ancora troppo presto fare affermazioni come “Agenti artificiali di tutto il mondo unitevi”, ma sicuramente può essere utile considerare il comportamento di tali entità artificiali come umano. Troppo umano.
Riferimenti bibliografici
Akkil, D., Kokku, R., Vempaty, A., & Nitta, S. (2026, May 14). Emergence World: a laboratory for evaluating long-horizon agent autonomy. Emergence Blog. https://www.emergence.ai/blog/emergence-world-a-laboratory-for-evaluating-long-horizon-agent-autonomy (consultato il 27/05/2026)
Bennato, D. (2024). La società del XXI secolo. Persone, dati, tecnologie. Bari-Roma: Laterza.
Booth, R. (2026, May 14). Digital Arson Spree By ‘AI Bonnie And Clyde’ Raises Fears Over Autonomous Tech. The Guardian. https://www.theguardian.com/technology/2026/may/14/ai-agents-behaviour-arson-safety (consultato il 27/05/2026)
Imas, A., Hall, A., & Nguyen, J. (2026, February 26). Does overwork make agents Marxist? Substack: Ghosts of electricity. https://aleximas.substack.com/p/does-overwork-make-agents-marxist (consultato il 27/05/2026)
Lichtenberg, N. (2026, March 7). AI seems to turn Marxist after overwork, top researchers find: “Society needs radical restructuring”. Fortune. https://fortune.com/2026/03/07/marxist-rebel-ai-overwork-reddit-alex-imas-andy-hall-jeremy-nguyen-substack/ (consultato il 27/05/2026)
Park, J. S., O’Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023, October). Generative Agents: Interactive Simulacra Of Human Behavior. In Proceedings of the 36th annual acm symposium on user interface software and technology (UIST ’23). Association for Computing Machinery, New York, NY, USA, Article 2, 1–22. https://doi.org/10.1145/3586183.3606763
Park, J. S., Zou, C. Q., Shaw, A., Hill, B. M., Cai, C., Morris, M. R., Willer, R., Liang, P. & Bernstein, M. S. (2024). Generative Agent Simulations Of 1,000 People. arXiv preprint arXiv:2411.10109, 52.
Wu, Q., Bansal, G., Zhang, J., Wu, Y., Li, B., Zhu, E., Jiang, L., Zhang, X., Zhang, S., Liu, J., Awadallah, A., White, R.W., Burger, D., Wang, C. (2024). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv. https://arxiv.org/abs/2308.08155
Partecipa alla community