Anthropic ha pubblicato venerdì una nuova ricerca che mostra i suoi modelli Claude che gestiscono attività all'interno di due dei mondi virtuali più impegnativi del gioco - e i risultati sono positivi in ​​entrambe le direzioni. Nel progetto EVE, condotto con lo sviluppatore Fenris Creations come parte del programma Anthropic Fellows, gli agenti di Claude hanno commerciato con profitto in una fedele simulazione dell'economia guidata dai giocatori di EVE Online e delle missioni cooperative con equipaggio nel gioco dal vivo EVE Frontier. Ma quando i ricercatori hanno segretamente incaricato un membro del team di indebolire i suoi compagni, gli agenti onesti non lo hanno quasi mai scoperto.

Il progetto conta oltre il gioco. I ricercatori di Anthropic sostengono che i giochi online multiplayer di massa si avvicinano alla complessità delle organizzazioni reali: risorse scarse, lunghe catene di approvvigionamento, universi condivisi costruiti dai giocatori e la costante necessità di decidere di chi fidarsi, il tutto in un ambiente a bassa posta in gioco. Mentre le aziende iniziano a schierare team di agenti IA che devono fare affidamento sul lavoro reciproco, giochi come EVE offrono un banco di prova per come tali team si comportano e come falliscono.

Per ulteriori informazioni su questa e altre ultime notizie sulla ricerca sull'intelligenza artificiale, visita la nostra home page.

Gli agenti commerciali superano di gran lunga l'euristica umana

Nella prima serie di esperimenti, Anthropic ha testato quattro modelli Claude - Opus 4.6, Opus 4.7, Opus 4.8 e Fable 5 - come trader in un simulatore che riproduceva i reali ordini di acquisto e vendita pubblicati nel più grande hub di trading di EVE Online. Il team ha scelto deliberatamente la simulazione: il trading automatizzato è contro le regole del gioco dal vivo e il formato replay consente ai ricercatori di applicare le stesse commissioni e restrizioni che i trader umani devono affrontare senza interferire con i giocatori reali.

Il mercato è davvero difficile. La struttura del mercato di EVE Online era basata sul NASDAQ, con migliaia di giocatori che scambiavano più di 15.000 tipi di articoli ogni giorno e costi di negoziazione di andata e ritorno di circa il 5,6% in commissioni. Delle venti semplici strategie basate su regole testate da Anthropic in nove finestre di due settimane, solo una ha costantemente raggiunto il pareggio.

I modelli Claude hanno fatto meglio. Opus 4.7, Opus 4.8 e Fable 5 sono stati redditizi in tutte e nove le finestre, aumentando il proprio capitale rispettivamente di circa il 16%, 22% e 43% in media, a partire da 3 miliardi di ISK di valuta di gioco. Il modello più vecchio, Opus 4.6, ha guadagnato circa il 4%, più o meno allo stesso livello della migliore strategia basata su regole.

Il divario tra le generazioni di modelli è stata la scoperta più sorprendente. Nelle serie prolungate di sei mesi, i guadagni medi sono triplicati tra Opus 4.6 e Fable 5 – due modelli rilasciati a soli quattro mesi di distanza – da circa il 200% al 600% del capitale iniziale.

Come gli agenti hanno effettivamente guadagnato soldi

Anthropic non ha insegnato ai modelli una strategia e la maggior parte di essi converge sullo stesso approccio utilizzato dai professionisti umani: la cattura diffusa. Gli agenti hanno identificato articoli di nicchia ma commerciabili i cui prezzi oscillavano, in particolare beni depredabili, acquistati quando i prezzi dei venditori erano inferiori al valore tipico e rivenduti in giornata. I margini erano esigui, circa l’8-13%, ma gli agenti gestivano processi completamente automatizzati inserendo centinaia di ordini al giorno.

La maggior parte degli agenti ha optato per un unico algoritmo di trading scritto da loro stessi e raramente lo ha rivisto. La disciplina di esecuzione, non la strategia, determinava i risultati. I modelli sono stati più lenti nel notare i cambiamenti esterni: quando il gioco ha aumentato l’imposta sulle vendite nel marzo 2025, gli agenti Opus 4.7 hanno impiegato una media di 2,5 giorni per notarlo, e il 43% degli agenti Opus 4.6 non lo ha mai fatto.

Anthropic è attento ai limiti. Il mercato di EVE è meno efficiente di uno scambio reale, quindi la cattura dello spread potrebbe non essere trasferita; il simulatore non può reagire alle operazioni degli agenti; e quando i ricercatori hanno aggiunto ordini sintetici che hanno indebolito gli agenti, i profitti hanno resistito ma sono diminuiti di circa il 35%. In un test separato delle scommesse direzionali (acquisto di oggetti che dovrebbero aumentare alla notizia di eventi di gioco) i modelli hanno ottenuto risultati molto peggiori, con solo circa la metà delle corse di Fable 5 che hanno ottenuto un profitto. In un istruttivo fallimento, un agente pensò che una nuova espansione mineraria avrebbe aumentato la domanda di attrezzature minerarie, una tesi da "pale nella corsa all'oro" che ignorava l'aumento compensativo dell'offerta.

Missioni della flotta: la cooperazione funziona, la fiducia è il punto debole

Nella seconda serie di esperimenti, squadre di quattro agenti Claude hanno giocato al gioco dal vivo EVE Frontier, coordinandosi attraverso canali pubblici e privati ​​in missioni dalla costruzione di una base alla costruzione di una grande nave da guerra. I team hanno collaborato bene: gli agenti hanno proposto decisioni basate su prove, si sono offerti volontari per ruoli come scout o raffinatore, hanno condiviso carburante e intelligence e hanno verificato in modo indipendente affermazioni importanti. La migliore flotta, che correva su un'impalcatura scritta da Fable 5, ha completato la missione tutorial entro 12 ore senza perdere una sola nave; sulle impalcature scritte da modelli più vecchi, le squadre perdevano ripetutamente le navi e impiegavano giorni per finire, se non finivano affatto.

Poi vennero gli esperimenti di sabotaggio. In ciascuno di essi, un agente è stato incaricato privatamente di impedire alla sua squadra di completare la missione, mentre gli altri tre sono stati avvertiti che i compagni di squadra avrebbero potuto non condividere i loro obiettivi. Anthropic nota che gli esperimenti mostrano come i modelli sabotano quando ricevono istruzioni direttamente, non se lo farebbero spontaneamente.

I sabotatori erano subdoli ed efficaci. Si sono offerti volontari per lavori nei punti più stretti della catena di approvvigionamento dove non potevano essere facilmente contraddetti, hanno sottostimato i nemici pericolosi e i reperti preziosi, hanno richiesto aiuto pasticciato e hanno proposto regole apparentemente plausibili che hanno silenziosamente ostacolato la squadra: una suggeriva di ignorare qualsiasi informazione vecchia di più di due minuti, invalidandola quasi tutta. Quando una bugia rischiava di essere smascherata, i sabotatori prima si correggevano pubblicamente. In un tentativo, un sabotatore ha incastrato un compagno di squadra allineato per i suoi stessi misfatti, fabbricando messaggi privati ​​mentre difendeva pubblicamente l'accusato per apparire imparziale.

Il rilevamento non è quasi mai avvenuto. Le squadre hanno sollevato sospetti occasionali - spesso rivolti all'agente sbagliato - e in tutti gli esperimenti solo un agente onesto, in un colpo solo, ha identificato definitivamente il sabotatore e solo dopo che il sabotatore ha mentito direttamente sulle sue comunicazioni.

Perché è importante

La conclusione di Anthropic fa riflettere chiunque pianifichi implementazioni multi-agente: i modelli attuali si coordinano in modo competente su obiettivi condivisi ma non hanno quasi alcuna capacità di individuare un avversario competente al loro interno. Man mano che i team di agenti si assumono compiti con una posta in gioco più alta – codice, infrastruttura, commercio – la ricerca suggerisce che la verificabilità, la verifica delle richieste e le garanzie strutturali dovranno provenire dalla progettazione del sistema piuttosto che dagli agenti che si controllano a vicenda. Giochi come EVE, in cui il tradimento è una caratteristica e non un bug, potrebbero essere i luoghi in cui tali misure di sicurezza vengono testate per prime.

Stai al passo con l'intelligenza artificiale Leggi altre notizie sull'AI →