I sistemi multi-agente basati su intelligenza artificiale hanno sempre funzionato secondo un paradigma centralizzato: un agente principale, una sorta di capo orchestratore, suddivide i compiti, assegna i lavori e raccoglie i risultati. Questo approccio, però, sta mostrando i suoi limiti in termini di costi e latenza. Un nuovo framework sviluppato dall'Università di Stanford, chiamato DeLM (Decentralized Language Model), propone una soluzione radicalmente diversa: eliminare del tutto il controllore centrale, lasciando che gli agenti collaborino direttamente attraverso una conoscenza condivisa.
DeLM si basa su tre pilastri fondamentali: agenti paralleli, un contesto condiviso e una coda di task. Il contesto condiviso contiene riassunti compatti, chiamati gist, di quanto scoperto dagli agenti, compresi successi, fallimenti e vincoli. Ogni agente può leggere questo contesto e contribuire con nuovi gist verificati. La coda dei task contiene i sottocompiti ancora da eseguire, che gli agenti possono prelevare autonomamente. In pratica, invece di passare ogni aggiornamento attraverso un nodo centrale, gli agenti scrivono e leggono da un'area comune, riducendo drasticamente la congestione delle comunicazioni.
Sponsored Protocol
I ricercatori Yuzhen Mao e Azalia Mirhoseini spiegano che nei sistemi tradizionali l'orchestratore centrale diventa un collo di bottiglia. Ogni scoperta, parziale o fallita, deve essere riportata al capo, che poi decide cosa unire e cosa ritrasmettere. Con DeLM, invece, gli agenti possono evitare esplorazioni ridondanti, riutilizzare le scoperte altrui e concentrarsi solo sui problemi irrisolti. Il risultato è un sistema che scala in modo molto più efficiente all'aumentare dei sottocompiti.
Performance reali: costi dimezzati e maggiore accuratezza
I test su benchmark standard confermano la bontà dell'approccio. Su SWE-bench Verified, che valuta la capacità di risolvere problemi reali di ingegneria del software, DeLM ha superato del 10,5% il miglior modello esistente, riducendo al contempo il costo per task di circa il 50%. Ma il framework non si limita al coding: su LongBench-v2 Multi-Doc QA, un test di comprensione di contesti lunghi e domande su documenti multipli, DeLM ha ottenuto la massima accuratezza su quattro diverse famiglie di modelli, tra cui GPT-5.4, Claude Sonnet, Gemini Flash e DeepSeek-V4-Pro.
Sponsored Protocol
Il segreto di queste performance risiede nella condivisione intelligente delle informazioni. DeLM non si limita a condividere solo i successi: anche i fallimenti vengono annotati nel contesto condiviso, impedendo ad altri agenti di ripetere gli stessi errori. Inoltre, i vincoli verificati diventano parte dello stato condiviso, vincolando le scelte successive. Un'altra innovazione è la funzionalità di unfold: gli agenti vedono per default solo i gist brevi, ma possono espanderli per accedere a dettagli e prove grezze quando necessario. Questo evita di sovraccaricare la finestra di contesto, mantenendo i costi bassi senza sacrificare l'affidabilità.
Implicazioni per il settore enterprise
Per chi costruisce sistemi AI aziendali, DeLM mette in discussione un presupposto fondamentale: che ogni flusso di lavoro multi-agente richieda un controllore centrale. I risultati dimostrano che un modello decentralizzato non solo è teoricamente più pulito, ma è anche più veloce, più accurato e costa circa la metà. Questo potrebbe avere un impatto profondo su applicazioni come il debugging concorrente, l'analisi di grandi volumi di documenti e la risposta a domande su basi di conoscenza estese.
Sponsored Protocol
Paradossalmente, mentre alcune aziende cercano di sfruttare le controversie per aumentare le vendite di AI, la ricerca di Stanford mostra che la vera innovazione sta nel ripensare l'architettura stessa. DeLM rappresenta un cambio di paradigma che potrebbe ridefinire il modo in cui concepiamo i sistemi multi-agente, spostando l'attenzione dalla centralizzazione alla cooperazione distribuita. Per approfondimenti, si può consultare la voce su Wikipedia sui sistemi multi-agente.
