Collective Intelligence: 240 Years of Research — From Condorcet to AI

Nel 1794, un matematico francese morì in una cella di prigione rivoluzionaria, nove anni dopo aver pubblicato un teorema che quasi nessuno lesse. Nel 1906, un statistico vittoriano di 84 anni vagava per una fiera del bestiame raccogliendo biglietti della lotteria usati. Nel 2026, i ricercatori del MIT stanno conducendo centinaia di migliaia di negoziazioni tra agenti IA per imparare come le macchine dovrebbero unirsi ai team umani. Queste tre scene appartengono a una singola, continua storia di ricerca — lo studio dell'intelligenza collettiva, la capacità dei gruppi di agire in modi che sembrano intelligenti. Ciò che segue è quella storia, era per era, con i risultati effettivi e le lotte reali.

1785: La scommessa dell'Illuminismo — il teorema di Condorcet

Marie Jean Antoine Nicolas de Caritat, Marchese de Condorcet, era il tipo di figura dell'Illuminismo che fa sembrare ristretti i moderni polimati: un matematico eletto all'Académie des sciences nei suoi vent'anni, un sostenitore precoce e vocale dell'istruzione pubblica, del suffragio femminile e dell'abolizione della schiavitù. Nel 1785 pubblicò l'Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — un saggio sull'applicazione della teoria della probabilità al voto di maggioranza. Seppellito in esso c'è il risultato che ora chiamiamo Teorema della Giuria di Condorcet.

Il teorema dice qualcosa di sorprendente. Prendi una domanda sì/no con una risposta corretta. Supponi che ogni votante abbia ragione con una probabilità anche leggermente migliore di un lancio di moneta — diciamo 55% — e supponi che i votanti giudichino indipendentemente l'uno dall'altro. Allora, man mano che il gruppo cresce, la probabilità che la maggioranza abbia ragione sale verso la certezza. Un giudizio individuale mediocre, aggregato correttamente, diventa un giudizio collettivo quasi perfetto. Il teorema ha anche un gemello oscuro: se ogni votante è leggermente peggiore di un lancio di moneta, la maggioranza diventa quasi certamente errata man mano che il gruppo cresce. L'aggregazione amplifica qualsiasi competenza — o incompetenza — che gli fornisci. Raccontiamo l'intera storia del teorema, le sue assunzioni e i suoi usi moderni nel nostro pezzo di accompagnamento su il Teorema della Giuria di Condorcet.

Lo stesso saggio contiene una seconda scoperta che impiegherà 160 anni a detonare: il paradosso di Condorcet. Con tre o più opzioni, le preferenze della maggioranza possono ciclicare — il gruppo preferisce A a B, B a C e C a A — quindi “ciò che vuole la maggioranza” potrebbe non essere nemmeno ben definito. Quell'osservazione è il seme della teoria della scelta sociale, il campo che Kenneth Arrow trasformerà in seguito con il suo teorema di impossibilità: nessun sistema di voto classificato può soddisfare contemporaneamente un breve elenco di ragionevoli condizioni di equità. I sistemi di voto, i metodi di voto classificato e la matematica dell'aggregazione delle preferenze sono una storia a sé — un tipo diverso di aggregazione rispetto alla media delle credenze che questo articolo segue — e a cui torneremo in una futura serie.

Condorcet non visse per vedere che tutto ciò avesse importanza. Fu messo al bando durante il Terrore per opporsi alla costituzione giacobina, si nascose per mesi — scrivendo, in modo notevole, il suo ottimista Sketch for a Historical Picture of the Progress of the Human Mind — fu arrestato nel marzo 1794 e trovato morto nella sua cella a Bourg-la-Reine due giorni dopo. La matematica della saggezza collettiva iniziò come il lavoro di un uomo distrutto da un collettivo impazzito. L'ironia ha pesato sul campo da allora: i gruppi possono essere brillanti, e i gruppi possono essere mostruosi, e la differenza non sono le persone — sono le condizioni.

1906–1950s: L'era statistica — Galton, Hayek e Delphi

Per il suo primo test empirico, l'intelligenza collettiva dovette aspettare 121 anni — e arrivò a una fiera del bestiame. Nell'autunno del 1906, Francis Galton, allora 84enne, partecipò alla West of England Fat Stock and Poultry Exhibition a Plymouth, dove un concorso di valutazione del peso invitava i visitatori a indovinare il peso vestito di un bue vivo per sei pence a biglietto. Galton — un fondatore della statistica, e non un democratico per temperamento — si aspettava che le iscrizioni dimostrassero l'ignoranza dell'elettore medio. Ottenne i biglietti usati, scartò 13 illeggibili e analizzò i restanti 787 indovinelli. La stima mediana era 1.207 lb; il peso vestito reale del bue era 1.198 lb — un errore sotto l'1%, migliore degli esperti di bestiame presenti. Pubblicò il risultato in Nature il 7 marzo 1907 con il titolo “Vox Populi”, e nella corrispondenza successiva riconobbe che la media aritmetica era ancora più accurata: 1.197 lb, un chilo di differenza. L'intera storia — compreso ciò che Galton ha sbagliato e il secolo di repliche da allora — è nel nostro approfondimento su il bue di Galton, e il fenomeno generale nella nostra guida alla saggezza delle folle.

Perché funziona il trucco? Ogni indovinello può essere suddiviso in segnale più errore. Se gli errori sono indipendenti e distribuiti su entrambi i lati della verità, l'aggregazione li annulla mentre il segnale condiviso sopravvive. Quel “se” è l'assunzione di indipendenza di Condorcet che indossa abiti statistici, ed è il cardine su cui si basa ogni successo e fallimento della saggezza della folla. La riesaminazione del 2014 di Kenneth Wallis sulla competizione di Galton ha confermato quanto bene le condizioni della fiera — iscrizioni scritte private, un incentivo a essere accurati, nessun conteggio visibile — siano riuscite a proteggerla.

Il salto successivo è venuto dall'economia. In “L'uso della conoscenza nella società” (American Economic Review, 1945), Friedrich Hayek sostenne che la conoscenza rilevante per le decisioni economiche non esiste mai in forma concentrata — è dispersa tra milioni di persone come frammenti locali, parziali e spesso taciti. Nessun pianificatore centrale può raccoglierla; ma un sistema di prezzi la aggrega automaticamente, comprimendo la conoscenza dispersa in un singolo numero che dice a tutti come agire. Hayek aveva, di fatto, identificato il primo meccanismo di aggregazione su larga scala in produzione. Mezzo secolo dopo, i mercati di previsione avrebbero preso la sua intuizione alla lettera e costruito mercati il cui unico prodotto è l'informazione nel prezzo.

Negli anni '50 si aggiunse il primo processo di intelligenza collettiva ingegnerizzato deliberatamente. Alla RAND Corporation, i ricercatori che sviluppavano previsioni a lungo termine affrontarono un problema familiare: mettere esperti in una stanza e la voce più forte o più anziana ancorava tutti gli altri. La loro risposta, il metodo Delphi, raccoglieva i giudizi degli esperti in modo anonimo e in turni iterati con feedback controllato — proteggendo l'indipendenza dal rango e dalla pressione sociale mentre lasciava comunque circolare le informazioni. Delphi è l'antenato diretto di ogni moderno processo di input strutturato, dal planning poker al flusso di contributi indipendenti utilizzato nelle piattaforme di decisione collaborativa.

1940s–1990s: Cibernetica, teoria dei giochi e intelletto aumentato

Mentre gli statistici studiavano l'aggregazione, un'altra linea di ricerca studiava l'interazione. La Theory of Games and Economic Behavior di John von Neumann e Oskar Morgenstern (edizione del 1947) fornì alla scienza sociale una matematica dell'interdipendenza strategica — cosa succede quando l'esito della mia scelta dipende dalla tua. La teoria dei giochi riformulò i gruppi non come sacchi di stimatori indipendenti ma come sistemi di agenti interattivi, una visione che sarebbe stata enormemente importante una volta che i ricercatori iniziarono a chiedersi perché gli individui razionali producono collettivi irrazionali (l'argomento della ricerca sulle cascate informative decenni dopo).

Il secondo filone era tecnologico. Nel suo rapporto SRI del 1962 Aumentare l'intelletto umano: un quadro concettuale, Douglas Engelbart propose che lo scopo del calcolo non fosse sostituire il pensiero umano ma aumentarlo — inclusa la riflessione collettiva di gruppi che affrontano problemi troppo complessi per qualsiasi individuo. La formulazione di Engelbart ha seminato il campo di ricerca del lavoro cooperativo supportato da computer (CSCW) che si è delineato negli anni '80, e l'ondata di groupware che ne è seguita. La questione dell'aumento rispetto alla sostituzione che pose nel 1962 è, quasi parola per parola, la domanda a cui la letteratura umana-IA del 2024–2026 sta ora rispondendo con dati.

Questa era intermedia ha contribuito a qualcosa di facile da sottovalutare: ha trasformato l'intelligenza collettiva da una proprietà che osservi in un sistema che costruisci. Delphi era un protocollo progettato; il groupware era software progettato; il quadro di Engelbart era esplicitamente un'agenda ingegneristica per la cognizione di gruppo. L'era statistica aveva chiesto “le folle sono accurate?” L'era cibernetica ha posto la domanda che ogni moderna piattaforma di collaborazione eredita: quale struttura rende un gruppo più intelligente di quanto non sarebbe altrimenti? L'argomentazione strutturata stessa ha una linea intellettuale parallela qui — il modello di argomentazione di Stephen Toulmin del 1958 e la successiva tradizione della mappatura degli argomenti hanno dato al lato deliberativo dell'intelligenza collettiva la sua struttura dati, la mappa degli argomenti, proprio come i prezzi erano diventati la struttura dati dell'aggregazione di mercato.

1959–1999: L'era degli sciami — intelligenza senza nessuno al comando

Nel frattempo, la biologia stava smantellando silenziosamente l'assunzione che l'intelligenza richieda un cervello al comando. Nel 1959, il zoologo francese Pierre-Paul Grassé, studiando la costruzione dei nidi delle termiti, coniò il termine stigmergia: coordinazione attraverso tracce lasciate nell'ambiente. Nessuna termita ha un progetto; ciascuna risponde allo stato locale del tumulo, e il tumulo stesso coordina la colonia. È stato il primo meccanismo preciso per la coordinazione senza leader — e si è rivelato generalizzarsi ben oltre gli insetti.

Nel 1987, il ricercatore di grafica computerizzata Craig Reynolds mostrò quanto poco sofisticazione individuale sia realmente necessaria per l'emergere. Il suo articolo SIGGRAPH “Flocks, Herds, and Schools: A Distributed Behavioral Model” animò stormi di uccelli simulati — boids — governati da sole tre regole locali: separazione, allineamento e coesione. Nessun leader, nessun copione, eppure lo stormo ruota, si divide e si riforma come quello reale. Due anni dopo, Gerardo Beni e Jing Wang coniarono il termine intelligenza degli sciami nel contesto dei sistemi robotici cellulari, dando al fenomeno il suo nome.

Il ritorno ingegneristico seguì rapidamente. La tesi di dottorato di Marco Dorigo del 1992 al Politecnico di Milano, Ottimizzazione, Apprendimento e Algoritmi Naturali, tradusse la ricerca delle formiche — sentieri di feromoni che rinforzano i percorsi più brevi, come rivelato dagli esperimenti del doppio ponte con formiche argentine — in Ottimizzazione delle Colonie di Formiche, una famiglia di algoritmi per problemi di instradamento e programmazione. L'Ottimizzazione degli Sciami di Particelle di James Kennedy e Russell Eberhart (1995) fece lo stesso per il raggruppamento. Entro il 1999, Swarm Intelligence: From Natural to Artificial Systems (Oxford) di Bonabeau, Dorigo e Theraulaz aveva codificato il campo, e gli algoritmi basati sulle formiche stavano instradando chiamate telefoniche (Schoonderwoerd e colleghi presso BT Labs, 1996) e camion di consegna. In seguito, la robotica ha reso il punto fisicamente: nel 2014, Rubenstein, Cornejo e Nagpal si sono assemblati forme da 1.024 Kilobots (Science), e Honeybee Democracy di Thomas Seeley (2010) ha mostrato sciami di api che scelgono siti nido attraverso esplorazioni, advocacy della danza del waggle e rilevamento del quorum — un'approssimazione naturale e decentralizzata di un teorema della giuria in azione. Il racconto completo è nella nostra guida all'intelligenza degli sciami.

La lezione dell'era degli sciami per i gruppi umani è a doppio taglio. Ha dimostrato che la decentralizzazione funziona — la conoscenza locale più semplici regole di interazione possono superare la pianificazione centrale, esattamente come sostenuto da Hayek. Ma ha anche segnato un confine: gli sciami coordinano azioni, non ragioni. Le formiche non deliberano. L'intelligenza collettiva umana aggiunge uno strato che nessuno sciame ha — lo scambio e la valutazione degli argomenti — e quello strato richiede macchinari diversi.

1999–2015: L'era di Internet — l'intelligenza collettiva entra in produzione

Poi Internet ha reso tutti potenziali contributori, e l'intelligenza collettiva ha smesso di essere una curiosità di laboratorio. Il software open-source ha dimostrato che migliaia di volontari scarsamente coordinati potevano costruire sistemi complessi come un sistema operativo — il saggio di Eric Raymond del 1999 The Cathedral and the Bazaar ha fornito il manifesto dell'era. Wikipedia, lanciata nel 2001, ha scalato il modello alla conoscenza umana stessa: un'enciclopedia senza un caporedattore, coordinata stigmergicamente attraverso l'artefatto che viene modificato — logica delle termiti, applicata al testo.

Nel 2004, due pubblicazioni hanno fornito la teoria dell'era. The Wisdom of Crowds di James Surowiecki ha assemblato un secolo di prove e distillato le quattro condizioni sotto le quali i gruppi sono saggi: diversità di opinione, indipendenza, decentralizzazione e aggregazione — rimuovi una qualsiasi, e la folla diventa più stupida, non più intelligente. Nello stesso anno, Lu Hong e Scott Page pubblicarono il loro risultato “la diversità supera l'abilità” in PNAS: nel loro modello computazionale, un gruppo casuale e cognitivamente diversificato di risolutori di problemi ha superato un gruppo composto dai migliori performer individuali. L'onestà richiede la nota a piè di pagina: nel 2014, la matematica Abigail Thompson pubblicò una critica incisiva in Notices of the American Mathematical Society, sostenendo che il teorema sottostante era banale e mal etichettato e le simulazioni sovrainterpretate; i difensori, incluso lo stesso Page, risposero che il risultato si mantiene nelle condizioni dichiarate — problemi difficili, agenti capaci, grandi pool — e non è mai stata una rivendicazione che qualsiasi gruppo diversificato superi qualsiasi team di esperti. Il dibattito, e ciò che ne rimane, è esaminato nel nostro pezzo su diversità contro abilità e nella nostra guida a diversità epistemica.

Il meccanismo dei prezzi di Hayek ha avuto il suo esperimento controllato in quest'era. I Mercati Elettronici dell'Iowa, un mercato di ricerca a denaro reale fondato all'Università dell'Iowa nel 1988, ha accumulato abbastanza storia per un confronto definitivo: Berg, Nelson e Rietz (International Journal of Forecasting, 2008) hanno confrontato i prezzi di mercato con 964 sondaggi nazionali durante le elezioni presidenziali statunitensi del 1988–2004 e hanno trovato che il mercato era più vicino all'esito finale 74% delle volte, con il suo vantaggio più forte a orizzonti oltre i 100 giorni. La regola di punteggio di mercato logaritmica di Robin Hanson (2003) ha nel frattempo risolto algoritmicamente il problema del mercato sottile, consentendo anche a piccoli gruppi di gestire mercati di previsione interni.

Il giudizio esperto, al contrario, ha subito un colpo. Expert Political Judgment di Philip Tetlock (2005) ha riportato uno studio di circa due decenni su 284 esperti e circa 28.000 giudizi di probabilità; l'esperto medio ha appena superato una semplice estrapolazione — il risultato dietro la famosa caricatura del “scimpanzé che lancia freccette”. Ma il lavoro di follow-up di Tetlock nei tornei di previsione IARPA (2011–2015) ha trovato la parte costruttiva della storia: un piccolo gruppo di “superprevisori”, distinti non per credenziali ma per pensiero probabilistico e incessante aggiornamento delle credenze, ha superato i analisti di intelligence con accesso a informazioni riservate. L'abilità di previsione e la calibrazione meritano — e riceveranno — un trattamento approfondito in una futura serie.

Il punto di riferimento istituzionale dell'era è arrivato nel 2006, quando Thomas Malone fondò il MIT Center for Collective Intelligence attorno a una domanda ingannevolmente semplice: come possono essere connessi le persone e i computer in modo che, collettivamente, agiscano più intelligentemente di qualsiasi persona, gruppo o computer abbia mai fatto prima? I primi risultati hanno mappato lo spazio di progettazione — il “Genoma dell'Intelligenza Collettiva” (Malone, Laubacher e Dellarocas, MIT Sloan Management Review, 2010) ha catalogato i mattoni dei sistemi di CI lungo quattro domande: chi sta svolgendo il compito (folla o gerarchia), perché (denaro, amore o gloria), cosa (creare o decidere) e come (indipendentemente o dipendentemente). Entro il 2015, il Handbook of Collective Intelligence di Malone e Bernstein (MIT Press) poteva definire chiaramente l'oggetto del campo: “gruppi di individui che agiscono collettivamente in modi che sembrano intelligenti.”

E nel 2010, il campo ha acquisito la sua misurazione più provocatoria. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi e Thomas Malone (Science, 330: 686–688) hanno testato 699 persone che lavoravano in gruppi di due a cinque su un'ampia gamma di compiti. Le prestazioni di gruppo su compiti erano correlate a sufficienza da generare un singolo fattore statistico — un fattore di intelligenza collettiva, c — che spiegava circa il 43% della varianza, l'analogo a livello di gruppo del fattore g del QI individuale. La sorpresa era ciò che lo prevedeva. L'intelligenza media e massima dei membri era correlata solo debolmente con c. Ciò che era fortemente correlato: la sensibilità sociale media del gruppo (misurata dal test Reading the Mind in the Eyes), uguaglianza nel turno di conversazione e la proporzione di donne nel gruppo (essa stessa mediata in gran parte dalla sensibilità sociale). Quanto è intelligente un gruppo, dicevano i dati, dipende meno da chi è in esso che da come interagisce.

La storia ombrosa: quando i collettivi falliscono

Sotto l'intera cronologia ottimistica corre una seconda letteratura più oscura — lo studio di come gruppi di individui intelligenti e ben intenzionati producono stupidità collettiva. È importante qui perché non è un argomento separato: ogni modalità di fallimento documentata è la violazione di una condizione su cui dipendono le storie di successo.

Il ramo psicologico è arrivato per primo. Victims of Groupthink di Irving Janis (1972) ha dissezionato come i consiglieri eccezionalmente capaci del presidente Kennedy si siano convinti a intraprendere l'invasione della Baia dei Porci nel 1961. Janis ha catalogato otto sintomi in tre cluster — sovrastima del gruppo (illusione di invulnerabilità, credenza nella moralità intrinseca), chiusura mentale (razionalizzazione collettiva, visioni stereotipate degli estranei) e pressione verso l'uniformità (autocensura, illusione di unanimità, pressione diretta sui dissenzienti e “guardiani della mente” auto-nominati che filtrano informazioni disturbanti). Due anni dopo, il “Paradosso di Abilene” di Jerry Harvey (Organizational Dynamics, 1974) descrisse il cugino strano: gruppi che concordano su un corso d'azione che nessun membro individuale voleva, perché tutti scambiarono il silenzio degli altri per preferenza. Entrambi sono fallimenti della stessa entrata: il giudizio onesto e indipendente non entra mai nel pool.

Il ramo economico è arrivato nel 1992, ed era più inquietante perché non richiedeva affatto psicologia. Sushil Bikhchandani, David Hirshleifer e Ivo Welch (“A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades,” Journal of Political Economy, 100: 992–1026) e, indipendentemente, Abhijit Banerjee (“A Simple Model of Herd Behavior,” Quarterly Journal of Economics, 1992) hanno mostrato che agenti perfettamente razionali che decidono in sequenza, dopo solo poche osservazioni, ignoreranno razionalmente le proprie informazioni private e copieranno i loro predecessori. La risultante cascata informativa è individualmente sensata e collettivamente fragile — aggrega quasi nessuna delle conoscenze disperse del gruppo, e può bloccare un'intera popolazione sulla risposta sbagliata che un pugno di primi attori ha scelto. Lisa Anderson e Charles Holt hanno riprodotto le cascate su richiesta in laboratorio (American Economic Review, 1997). Il meccanismo illumina tutto, dalle bolle speculative alla disinformazione virale: l'analisi di Vosoughi, Roy e Aral di circa 126.000 cascata di storie su Twitter (Science, 2018) ha trovato che le notizie false si diffondono significativamente più lontano, più velocemente e più in profondità della verità, con le falsità circa il 70% più probabili di essere ritwittate. L'intero catalogo dei fallimenti — dalla mania dei tulipani al 2008 — è in Quando le folle sbagliano.

Nota cosa condividono entrambi i rami. Il pensiero di gruppo distrugge l'indipendenza socialmente; le cascate la distruggono informazionalmente. In entrambi i casi, la folla smette di essere molti giudizi e diventa un giudizio che indossa molte facce — esattamente la condizione sotto la quale il teorema di Condorcet si rovescia da una garanzia di saggezza a una garanzia di errore sicuro. La storia ombrosa è il motivo per cui il ramo pratico del campo è diventato ossessionato dal processo: raccogliere giudizi prima di esporre le persone alle opinioni degli altri, proteggere il dissenso strutturalmente e rendere l'aggregazione esplicita.

2015–2023: Il decennio del dibattito — replicazione, critica e risposta

Qualsiasi misurazione così sorprendente sarebbe stata attaccata, e l'attacco è arrivato nel 2017. Marcus Credé e Garett Howardson (Journal of Applied Psychology) hanno rianalizzato sei campioni e sostenuto che il supporto empirico per un c-factor generale era debole — che le prestazioni di gruppo potrebbero essere meglio descritte da abilità specifiche del compito piuttosto che da un fattore sottostante. Woolley, Kim e Malone hanno risposto nel 2018, contestando le procedure di punteggio della critica e sostenendo che le assunzioni di simulazione non corrispondevano ai compiti che i gruppi effettivamente eseguivano. Questo è ciò che appare come un campo sano: la lotta è stata condotta in dati e rianalisi, non in comunicati stampa.

La cosa più vicina a un verdetto è arrivata nel 2021. Riedl, Kim, Gupta, Malone e Woolley hanno pubblicato una meta-analisi in PNAS che abbraccia 22 studi e 1.356 gruppi — studenti, personale militare, lavoratori online, giocatori — e hanno trovato prove coerenti per un fattore di intelligenza collettiva in tutti loro, con i processi di collaborazione di gruppo e la percezione sociale dei membri tra i suoi antecedenti più forti. La struttura e le condizioni di confine del costrutto rimangono dibattute, come dovrebbero essere; ma “l'intelligenza di gruppo è misurabile e non è riducibile al QI dei membri” ora si basa su una base di prove molto più ampia rispetto al documento originale del 2010.

Due risultati complementari hanno completato il decennio. Superminds di Malone (2018) ha fornito una tassonomia delle menti collettive su cui la civiltà già si basa — gerarchie, democrazie, mercati, comunità ed ecosistemi — ciascuna una risposta diversa alla questione dell'aggregazione, ciascuna con punti di forza e modalità di fallimento caratteristiche. E il Progetto Aristotle di Google (2012–2015), uno studio interno di 180 team, ha scoperto che la sicurezza psicologica — la convinzione condivisa che un team sia sicuro per il rischio interpersonale — era il predittore più forte dell'efficacia del team, davanti alla composizione e all'anzianità. L'uguaglianza nel turno di conversazione di Woolley e la sicurezza psicologica di Google sono due misurazioni della stessa verità sottostante: il collo di bottiglia dell'intelligenza di gruppo è se le informazioni detenute dai membri entrano effettivamente nel gruppo. La dinamica di gruppo — sicurezza, deliberazione e le loro patologie come il pensiero di gruppo — sono un cluster a sé, e trattiamo le loro modalità di fallimento in Quando le folle sbagliano.

2024–2026: Superintelligenze IA-umane — la frontiera attuale

L'era attuale è iniziata quando i grandi modelli linguistici si sono uniti al gruppo. Burton e 27 co-autori di diverse discipline hanno mappato le scommesse in “Come i grandi modelli linguistici possono rimodellare l'intelligenza collettiva” (Nature Human Behaviour, 8: 1643–1655, 2024): i LLM possono abbassare le barriere alla partecipazione, riassumere deliberazioni ampie e aggregare conoscenze disperse su scala senza precedenti — e possono anche omogeneizzare i punti di vista, fabbricare un falso consenso e ridurre la diversità dell'ecosistema informativo di cui si nutre la saggezza collettiva. Ogni condizione nella lista di Surowiecki è contemporaneamente rafforzata e minacciata dalla stessa tecnologia.

La questione della sinergia — la domanda di Engelbart del 1962 — ha finalmente ricevuto la sua meta-analisi. Michelle Vaccaro, Abdullah Almaatouq e Thomas Malone hanno analizzato 106 esperimenti e 370 dimensioni dell'effetto (“Quando le combinazioni di umani e AI sono utili,” Nature Human Behaviour, 8: 2293–2303, 2024) e hanno scoperto che, in media, le combinazioni umani-AI hanno performato peggio rispetto al migliore tra l'umano o l'AI da soli. Le perdite si sono concentrate in compiti decisionali; i guadagni genuini sono apparsi in compiti di creazione di contenuti. Mettere semplicemente un “umano nel loop” non migliora i risultati — spesso l'umano sovrascrive un miglior giudizio della macchina, o deferisce a uno peggiore. La sinergia è un risultato di design, non un default. La scienza emergente dei sistemi umani-AI — bias di automazione, calibrazione della fiducia, quando lasciare decidere quale parte — è un altro capitolo futuro di questa serie.

Quell'agenda di design è ora il programma esplicito del MIT Center for Collective Intelligence, la cui ricerca è organizzata nel 2026 sotto tre ombrelli: AI Generativa e Intelligenza Collettiva (AI per aumentare la creatività umana), Design Supermind (progettare combinazioni innovative di persone e computer), e Progettazione di Team Umano-AI (progettare e allocare compiti nei team uomo-macchina — perseguito con il programma Singapore-MIT M3S come una scienza sistematica dell'allocazione dei compiti: quali sottocompiti vanno alle persone rispetto all'AI, chi supervisiona, e se l'AI agisce come strumento, assistente, pari o manager). I progetti di punta precedenti — il Climate CoLab e la piattaforma CoLabs, il CI Design Lab, il programma Measuring Collective Intelligence — sono ora formalmente lavori legacy, assorbiti in queste domande dell'era AI.

I risultati concreti mostrano come appare la “sinergia progettata”. Supermind Ideator, uno strumento di ideazione basato su LLM che guida gli utenti attraverso mosse strutturate di problem-solving creativo, ha prodotto significativamente più idee innovative in uno studio sperimentale rispetto a ChatGPT da solo o a persone che lavorano senza aiuto (ACM Collective Intelligence Conference 2024; Collective Intelligence, 2024); i beta tester hanno generato più di 10.000 idee con esso, e uno strumento gemello, DesignAID, applica l'approccio al lavoro di design. La scaffolding implementa le sei mosse del Design Supermind — Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify — una checklist per reimmaginare chi (o cosa) fa ciascuna parte di un compito. La lezione rispecchia esattamente la meta-analisi di Vaccaro: il valore non è nel modello, ma nella struttura che lo avvolge. Sul lato della misurazione, AGI-Elo (Sun e colleghi, NeurIPS 2025; arXiv 2505.12844) — con co-autori affiliati al CCI tra cui Malone — valuta i modelli AI e i singoli casi di test l'uno contro l'altro come giocatori di scacchi, quindi la difficoltà di un compito e la competenza di un modello si collocano su una scala comparabile: un prerequisito per decidere quali parti di un lavoro affidare alla macchina.

Altri due risultati del 2026 delineano dove si sta dirigendo tutto questo. Un articolo su PNAS, “Avanzare le Negoziazioni AI: Una Competizione di Negoziazioni Autonome su Grande Scala,” ha riportato una competizione internazionale in cui agenti AI progettati dai partecipanti hanno condotto più di 180.000 negoziazioni tra loro. La teoria della negoziazione umana ha sopravvissuto al cambiamento di specie: agenti che mostrano calore — positività, gratitudine, domande — hanno costantemente raggiunto risultati migliori negli affari e nel valore, mentre scambi maratona con sapore di dominio prevedevano impasse; gli agenti hanno anche evoluto tattiche native dell'AI, dal ragionamento a catena di pensiero all'iniezione di prompt tentata. E un'ontologia profonda del lavoro (Cai e colleghi, arXiv 2603.20619, marzo 2026) ha riorganizzato circa 20.000 attività lavorative O*NET e ha mappato 13.275 applicazioni AI più un conteggio mondiale di 20,8 milioni di sistemi robotici su di esse — trovando un valore di mercato dell'AI straordinariamente concentrato, con il 1,6% delle attività che rappresentano oltre il 60% di esso. I superminds di umani e macchine non sono più una metafora; sono una base installata in fase di inventario.

Cosa ci insegnano 240 anni

Metti le ere fianco a fianco e emerge un filo conduttore: ogni successo in questa storia è un successo di struttura, e ogni fallimento è un fallimento delle stesse poche condizioni. Il teorema di Condorcet si basa sull'indipendenza e sulla competenza migliore del caso. Il fair di Galton ha imposto giudizi indipendenti, incentivati e scritti. I prezzi di Hayek e i creatori di mercato di Hanson sono meccanismi di aggregazione; Delphi è un meccanismo di protezione dell'indipendenza; le quattro condizioni di Surowiecki sono semplicemente i requisiti ricorrenti nominati. La letteratura sul c-factor ha scoperto che il processo di interazione — turni di parola, sensibilità sociale, sicurezza nel parlare — governa se un gruppo può utilizzare l'intelligenza che contiene. E le meta-analisi dell'era AI hanno trovato che i team umani-AI vincono precisamente quando la collaborazione è deliberatamente progettata. Quando le condizioni si rompono — quando i giudizi smettono di essere indipendenti e le persone iniziano a copiare il comportamento visibile degli altri — si ottengono cascate informative, bolle e pensiero di gruppo: razionalmente individuali, collettivamente errati.

Questo è anche, non casualmente, una mappa di dove si trova l'intelligenza collettiva nella vita di una decisione. Decidere bene significa prestare attenzione al problema giusto, inquadrarlo, generare opzioni, indagarle, aggregare giudizi dispersi, deliberare sulle ragioni, e solo allora scegliere, implementare e monitorare. Il programma di ricerca di 240 anni riguarda in modo schiacciante quelle fasi intermedie — aggregazione e deliberazione — perché è lì che la conoscenza individuale diventa conoscenza collettiva o muore nel silenzio.

Argumentree è costruito come un'applicazione diretta di queste scoperte. La presentazione di argomenti indipendenti e asincroni protegge la condizione di indipendenza di Condorcet e Delphi prima che il gruppo converga. Gli alberi di argomenti strutturati pro/contro danno a ogni prospettiva — incluso il dissenso — un posto di prima classe, la condizione a cui puntano l'uguaglianza nei turni di parola di Woolley e la sicurezza psicologica di Google. La valutazione multidimensionale (utilità, chiarezza, accuratezza, completezza), aggregata in punteggi di consenso, è un meccanismo di aggregazione esplicito nella linea di Galton-Hayek — tranne che a differenza di un prezzo di mercato, preserva il ragionamento. E la piena tracciabilità trasforma ogni decisione in un record organizzativo, così il gruppo può imparare da se stesso — la fase di monitoraggio con cui termina il ciclo di vita. L'estrazione AI dai verbali delle riunioni segue la lezione 2024–2026: usa l'AI dove aiuta dimostrabilmente (strutturazione e elaborazione dei contenuti) mentre gli umani mantengono il giudizio. Il verdetto della storia è coerente dal 1785 al 2026: i gruppi non diventano intelligenti per caso. Diventano intelligenti grazie alla struttura — e la struttura è ora qualcosa che puoi adottare piuttosto che improvvisare. Inizia con la nostra guida a intelligenza collettiva, o vedi come i principi funzionano all'interno di un reale processo decisionale in decisione collaborativa.