Un nuovo sistema di controllo riduce i passaggi inutili degli agenti IA autonomi

Un gruppo guidato da Dongsheng Xiao ha pubblicato il 28 settembre 2026 uno studio su un problema che definisce «Parkinsonismo degli LLM». Il termine indica gli agenti IA che continuano a lavorare anche dopo aver completato un’attività, aggiungendo modifiche di scarso valore e ricontrollando il proprio lavoro. Secondo gli autori, il problema nasce dal fatto che lo stesso ciclo che genera le azioni decide anche quando fermarsi. La soluzione proposta è una nuova architettura, chiamata Global Executive Control (GEC) v0.2, che separa la generazione delle azioni dalla supervisione a livello di progetto.

Come siamo arrivati fin qui

I modelli linguistici di grandi dimensioni (LLM) sanno pianificare, scrivere codice e usare strumenti, ma spesso non hanno un chiaro segnale che indichi loro quando fermarsi. Nei test, un agente di base che seguiva un unico piano ritenuto più plausibile ha raggiunto il 67% degli obiettivi difficili. Quando lo stesso test consentiva al modello di scegliere tra una serie di azioni candidate, il tasso di successo saliva al 96,5%. I ricercatori sostengono che gran parte del miglioramento dipenda dalla possibilità di offrire al modello più opzioni, ma questo comporta anche un maggiore consumo di token, le unità di base del testo elaborate dal modello.

Come funziona la nuova architettura

GEC aggiunge un livello di governance consapevole dell’incertezza, che monitora i progressi dell’agente e decide quando è il momento di fermarsi. In un benchmark composto da 24.000 episodi, con un limite di 40.000 token, GEC ha eguagliato il tasso di successo del 96,5% ottenuto dall’approccio basato su un insieme di azioni candidate, riducendo però il consumo medio di token da 19.782 a 12.574, con un calo del 36%. Ha inoltre ridotto da 16.136 a 13.114 il numero medio di token necessari per completare un’attività entro il limite, con un risparmio del 18,7%. I passaggi aggiuntivi di governance costano circa 500 token sintetici per ciclo, un onere che, secondo gli autori, resta comunque contenuto.

E adesso?

Lo studio osserva che le simulazioni confermano i vantaggi di una governance esplicita di ambito, evidenze, uso delle risorse e criteri di arresto, ma che è ancora necessario verificare il sistema in condizioni reali. I lavori futuri probabilmente testeranno GEC con agenti operativi che interagiscono con strumenti esterni o con gli utenti. Se l’approccio si dimostrerà efficace, gli sviluppatori potrebbero integrare un livello di controllo simile in chatbot, assistenti di programmazione e altri servizi di IA autonoma, per evitare elaborazioni inutili e impedire ai sistemi di insistere su attività già completate.