1. Che cos’è l’intelligenza collettiva

Si parla di intelligenza collettiva quando un insieme di soggetti, persone, animali, software o agenti artificiali, riesce a produrre decisioni, stime o soluzioni migliori di quelle che produrrebbe un singolo membro preso isolatamente. L’idea può sembrare intuitiva: più teste ragionano meglio di una. Ma la ricerca mostra che la questione è più sottile. Un gruppo non diventa automaticamente più intelligente solo perché è numeroso. In alcuni casi il gruppo corregge gli errori individuali; in altri li amplifica.

Una formulazione classica distingue tra somma di capacità individuali e qualità dell’interazione. Non basta avere membri molto capaci; conta anche il modo in cui le informazioni vengono distribuite, discusse, selezionate e combinate. In questo senso, l’intelligenza collettiva non è una proprietà dei singoli, ma una proprietà del sistema di interazioni.

Una spiegazione semplice è questa: un gruppo è intelligente quando riesce a trasformare la pluralità in migliore comprensione. Se invece la pluralità si perde, perché tutti copiano tutti, o perché domina una sola voce, o perché nessuno sa integrare i contributi altrui, allora il gruppo non pensa meglio: pensa solo più rumorosamente.

2. Quando funziona

Gli studi più influenti convergono su alcune condizioni fondamentali. La prima è la diversità cognitiva. Un gruppo migliora quando i membri non ragionano tutti nello stesso modo, non vedono tutti gli stessi dettagli e non usano tutti la stessa strategia. La diversità non è preziosa in astratto, ma perché riduce la correlazione degli errori. Se due persone sbagliano in modi diversi, il confronto può correggere entrambi; se sbagliano nello stesso modo, il gruppo non impara nulla.

La seconda condizione è una certa indipendenza iniziale dei giudizi. Se tutti si influenzano troppo presto, i contributi tendono ad allinearsi e si perde proprio quella variazione che rende utile il gruppo. È il motivo per cui, nella stima di una quantità o nella soluzione di un problema, è spesso meglio chiedere prima valutazioni separate e solo dopo avviare il confronto.

La terza condizione è la qualità del meccanismo di aggregazione. Non basta raccogliere molte opinioni: bisogna combinarle bene. A volte basta una media o un voto; altre volte serve una procedura più raffinata, che pesi maggiormente i contributi più informativi oppure tenga conto del fatto che alcuni membri hanno accesso a dati che altri non hanno.

La quarta condizione è la qualità della comunicazione. I gruppi funzionano meglio quando le interazioni non sono monopolizzate da pochi, quando i turni di parola sono abbastanza equilibrati e quando i membri sanno leggere i segnali degli altri. In termini molto intuitivi: un gruppo intelligente non è solo un gruppo con persone intelligenti, ma un gruppo che sa ascoltare.

3. Quando non funziona

L’intelligenza collettiva fallisce quando le condizioni appena viste vengono meno. Il primo caso tipico è il conformismo. Se tutti si adeguano troppo presto alla prima opinione dominante, il gruppo smette di esplorare alternative. Invece di essere una macchina di correzione degli errori, diventa una macchina di ripetizione.

Un secondo caso è quello degli errori correlati. Un gruppo può essere numeroso e tuttavia sbagliare in blocco se tutti condividono la stessa cattiva rappresentazione del problema. In tal caso la maggioranza non aiuta, perché si limita a moltiplicare un medesimo errore.

Un terzo caso è il cosiddetto problema del profilo nascosto: ciascun membro possiede un pezzo di informazione utile, ma il gruppo non riesce a metterli insieme. Questo accade spesso quando si discute soprattutto ciò che tutti già sanno, mentre si trascurano i contributi più rari ma decisivi.

Infine, il gruppo fallisce quando il costo del coordinamento supera il vantaggio della cooperazione. Se integrare molti contributi richiede troppo tempo, troppe risorse o troppe regole, allora un singolo esperto ben attrezzato può risultare più efficace.

4. Il passaggio agli agenti AI

Queste idee si applicano in modo sorprendentemente naturale anche all’intelligenza artificiale. Un insieme di agenti AI può essere pensato come un gruppo che osserva, propone, verifica, critica e sintetizza. In teoria, più agenti dovrebbero permettere più prospettive, più controllo reciproco e più robustezza. In pratica, però, il vantaggio emerge solo se gli agenti sono organizzati bene.

Se tutti gli agenti sono copie dello stesso modello, con gli stessi prompt e la stessa memoria, si rischia di ottenere non una vera collettività, ma una semplice ridondanza. In tal caso, l’apparente pluralità nasconde una forte omogeneità. È come convocare un consiglio di persone che ripetono tutte lo stesso ragionamento.

Per questo i sistemi multi-agent funzionano meglio quando introducono ruoli distinti, protocolli di coordinamento e una forma di specializzazione. Un agente può generare ipotesi, uno può cercare errori, uno può verificare fonti, uno può sintetizzare. La qualità del sistema dipende allora non solo dal modello sottostante, ma dall’architettura della collaborazione.

5. Un punto decisivo: non sempre servono molti modelli

C’è però un caso ancora più interessante. A volte non si usano molti modelli né molti agenti esterni. Si usa un solo modello, ma gli si chiede di produrre molte traiettorie di ragionamento. Invece di fidarsi del primo percorso che il modello segue, si raccolgono più percorsi e poi si decide come combinarli.

Questa idea è importante perché mostra che una forma di “pluralità” può emergere anche all’interno di un singolo modello. Non è una pluralità piena come quella di una vera società di agenti, perché tutte le traiettorie condividono gli stessi pesi e gli stessi limiti di base. Tuttavia è una pluralità sufficiente, in molti casi, a ridurre l’effetto del primo errore casuale.

In modo intuitivo, è come chiedere alla stessa persona di affrontare un problema più volte da angolazioni diverse, invece di accettare la prima idea che le viene in mente.

6. Self-consistency: la forma più semplice di pluralità interna

La tecnica più nota è la self-consistency. Il principio è semplice: si campionano più catene di ragionamento e si sceglie la risposta finale che emerge con maggiore coerenza. L’idea è che un problema difficile possa ammettere molte vie corrette verso la stessa soluzione, mentre una singola traiettoria può deviare per puro rumore stocastico.

La self-consistency funziona bene soprattutto nei problemi con risposta unica, come molti compiti aritmetici, di logica o di question answering chiuso. In questi casi, se il modello conosce il problema ma non sempre imbocca subito la strada giusta, avere più tentativi aiuta molto.

Tuttavia la self-consistency ha un limite chiaro: tutte le traiettorie provengono dallo stesso modello. Se il modello ha una debolezza strutturale, per esempio una cattiva gestione del contesto molto lungo, allora produrre più traiettorie può non aiutare affatto e talvolta peggiorare il risultato.

7. Perché la self-consistency funziona, e perché non basta sempre

La ragione per cui funziona è intuitiva: riduce la dipendenza da una sola sequenza inferenziale. Se il primo passaggio è sbagliato, una singola traiettoria fallisce; se invece il modello prova più strade, aumenta la probabilità che almeno alcune convergano alla risposta giusta.

Ma non basta dire “più tentativi è meglio”. I tentativi devono essere abbastanza diversi e gli errori non devono essere tutti uguali. Se il modello fraintende il problema alla radice, la self-consistency diventa una maggioranza di errori simili. In breve: la pluralità interna aiuta soprattutto contro l’errore casuale, molto meno contro l’errore strutturale.

Questo punto è cruciale perché mette in luce il rapporto tra intelligenza collettiva e architettura. Anche dentro un singolo modello, la collettività non nasce dal semplice numero di risposte, ma dalla qualità della diversità e della selezione.

8. Varianti della self-consistency: pesare, non solo contare

Un limite della self-consistency classica è che tratta tutte le traiettorie come equivalenti. Ma nella pratica alcune sembrano chiaramente più solide di altre. Da qui nasce l’idea di una self-consistency pesata, in cui i percorsi non vengono solo contati, ma valutati anche in base alla loro affidabilità o confidenza.

L’intuizione è simile a quella dei gruppi umani ben organizzati: non tutte le voci devono avere lo stesso peso in ogni situazione. La difficoltà, naturalmente, è capire quando il modello sia davvero capace di valutare correttamente la qualità delle proprie stesse risposte.

9. Quando il voto non basta: compiti aperti e soft selection

Nei problemi aperti, o in quelli in cui esistono molte formulazioni valide della risposta, il voto di maggioranza perde efficacia. Non è detto infatti che le traiettorie corrette producano la stessa stringa finale. Possono essere tutte buone, ma espresse in modi diversi.

Da qui derivano varianti più morbide della self-consistency, in cui le traiettorie vengono confrontate con criteri continui, non con un semplice conteggio. In termini intuitivi: invece di chiedere “quale risposta compare più spesso?”, si chiede “quale risposta appare complessivamente più promettente?”.

10. Tree of Thoughts: quando le traiettorie diventano ricerca

Un passo ulteriore consiste nel non aspettare la fine per scegliere tra le traiettorie. Con il Tree of Thoughts, il modello genera pensieri intermedi, li valuta, decide quali rami approfondire, può tornare indietro e cambiare strategia. La pluralità non è più soltanto un insieme di risposte finali, ma una vera e propria esplorazione dello spazio delle soluzioni.

Questa modalità è particolarmente utile nei problemi che richiedono pianificazione, ricerca combinatoria, composizione multi-step o backtracking.

11. Repeated sampling con verificatore esterno

Esiste poi un caso pratico potentissimo: il modello genera molti candidati e un verificatore esterno decide quali sono validi. Qui il vantaggio delle molte traiettorie cresce enormemente, perché non bisogna più chiedere al modello di giudicare da solo il risultato migliore.

Questo principio è molto forte nella programmazione, nelle prove formali e in tutti i contesti in cui esiste un controllo esterno affidabile. In tali casi aumentare il numero di tentativi può migliorare molto la probabilità che almeno uno sia corretto.

Una spiegazione intuitiva è questa: se il modello è capace di arrivare alla soluzione giusta almeno qualche volta, allora la vera questione diventa come riconoscerla. Se il verificatore è buono, il repeated sampling diventa una potente forma di intelligenza collettiva interna guidata dal mondo esterno.

12. Quando molte traiettorie nello stesso modello sono una buona idea

Conviene usare molte traiettorie quando il problema ha una struttura tale per cui esistono più vie corrette, il modello ha una probabilità non trascurabile di trovare la strada giusta almeno in alcuni tentativi, e il costo addizionale di generare più risposte è sostenibile.

In generale:

• per problemi chiusi e con risposta unica, la self-consistency è spesso una scelta naturale;
• se il budget è limitato, può essere preferibile una versione pesata;
• se il compito è aperto o interattivo, servono criteri di selezione più raffinati;
• se il problema richiede esplorazione e pianificazione, convengono strutture ad albero;
• se esiste un verificatore esterno, repeated sampling e verifica possono essere estremamente efficaci.

La regola generale è semplice: più il compito somiglia a una ricerca nello spazio delle soluzioni, più conviene una struttura che non si limiti a votare, ma sappia esplorare, valutare e correggere.

13. Quando invece è meglio non usarle

Non sempre molte traiettorie sono la scelta migliore. Se il problema è banale, il costo di generare molte risposte è inutile. Se il modello ha un limite strutturale rispetto al compito, come una scarsa gestione di contesti lunghi o una rappresentazione difettosa del dominio, la pluralità interna rischia di riprodurre più volte lo stesso difetto.

In questi casi, serve cambiare metodo: segmentare il problema, introdurre retrieval, usare un altro modello o modificare l’architettura del sistema.

14. Il legame profondo tra gruppi umani e sistemi AI

Il punto più interessante, alla fine, è che i principi classici dell’intelligenza collettiva ritornano quasi identici nei sistemi AI:

• serve diversità, non mera ripetizione;
• serve un po’ di indipendenza, altrimenti arriva il conformismo;
• serve una buona aggregazione, altrimenti la pluralità non si trasforma in conoscenza;
• serve spesso una forma di specializzazione, perché non tutti i contributi devono essere dello stesso tipo;
• serve talvolta una verifica esterna, perché né gli umani né i modelli sono giudici perfetti di se stessi.

Questa continuità tra gruppi umani e collettivi artificiali è forse la lezione teorica più forte: l’intelligenza collettiva non dipende dal materiale di cui sono fatti i membri, ma dal modo in cui un sistema riesce a trasformare differenze locali in un risultato globale migliore.

15. Conclusione

L’intelligenza collettiva funziona quando un insieme di contributi diversi, parzialmente indipendenti e ben coordinati produce una soluzione migliore di quella ottenibile con un solo contributo. Fallisce quando domina il conformismo, quando gli errori sono troppo correlati, quando le informazioni non vengono integrate o quando il coordinamento costa più del beneficio.

Negli agenti AI questi stessi principi restano validi. Più agenti possono essere utili, ma non automaticamente. Il vantaggio emerge se c’è specializzazione, un protocollo di interazione, un buon metodo di selezione e, quando possibile, una verifica esterna.

Nel caso specifico di un singolo modello con molte traiettorie, la self-consistency rappresenta una prima forma di collettività interna: invece di fidarsi di un solo percorso, il sistema ne ascolta molti. Le varianti pesate migliorano la qualità della selezione; i metodi come Tree of Thoughts trasformano la pluralità in vera esplorazione; il repeated sampling con verificatore esterno sfrutta al massimo il fatto che almeno uno dei tentativi possa essere corretto.

La conclusione più semplice è anche la più importante: non è il numero delle risposte a creare intelligenza collettiva, ma il modo in cui le risposte vengono rese diverse, confrontate, filtrate e integrate.

Riferimenti essenziali

1. Hong, L., & Page, S. E. (2004). Groups of diverse problem solvers can outperform groups of high-ability problem solvers.
2. Woolley, A. W., et al. (2010). Evidence for a collective intelligence factor in the performance of human groups.
3. Wang, X., et al. (2022/2023). Self-Consistency Improves Chain of Thought Reasoning in Language Models.
4. Yao, S., et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models.
5. Tran, K.-T., et al. (2025). Multi-Agent Collaboration Mechanisms: A Survey of LLMs.
6. Brown, B., et al. (2024). Large Language Monkeys: Scaling Inference Compute with Repeated Sampling.
7. Taubenfeld, A., et al. (2025). Confidence Improves Self-Consistency in LLMs.
8. Byerly, A., & Khashabi, D. (2024). How Effective Is Self-Consistency for Long-Context Problems?