I sistemi modulari sono ormai il modo in cui molti agenti LLM operano su servizi reali: ordine, pagamento, inventario, spedizione. Il problema è che le tracce osservative mostrano sequenze, non autorizzazioni. Un world model addestrato su quei dati può imparare che il pagamento precede la spedizione, ma non se il pagamento autorizza davvero la spedizione, se l'inventario media l'effetto o se un trigger nascosto spiega entrambi. FedCausalCompose entra esattamente in questo vuoto: è un framework di world model causali per agenti modulari in cui le azioni locali forniscono evidenza di risposta a intervento per le interfacce cross-modulo.

I risultati delineano una condizione più severa di quanto sembri. Gli autori mostrano che i world model osservazionali accumulano un errore interventistico irriducibile quando esistono percorsi back-door non bloccati; il recupero delle interfacce migliora con la copertura delle risposte a intervento; e una composizione causale oracolare può superare il limite inferiore non causale solo se copertura ed errori dei meccanismi locali sono controllati. In breve, non basta avere un grafo causale: serve che il grafo sia identificato da dati di intervento, non da semplici correlazioni, e che i moduli locali siano sufficientemente affidabili.

La parte più interessante arriva dagli esperimenti diagnostici. Nei contesti con strumenti strutturati, dove le API espongono precondizioni ed effetti a valle, le interfacce causali aiutano in modo netto. Nei contesti dialogici o narrativi, invece, gli agenti tendono a ignorare le liste di archi causali, a meno che un'ancora di attenzione breve non renda l'informazione causale rilevante al momento dell'azione. È un risultato che sposta il problema dalla stima statistica al design dell'interfaccia: anche una struttura causale correttamente identificata non serve se l'agente non riesce a usarla quando decide.

Questa è la tesi che la ricerca impone, e va letta in controluce rispetto all'industrializzazione degli agenti. Le aziende stanno componendo sistemi modulari su API interne, spesso self-hosted o on-premise proprio per tenere sotto controllo i dati di ordini, pagamenti e logistica. In questo scenario, le interfacce tra moduli non sono più semplici contratti REST: diventano contratti causali. Il framework suggerisce che i team dovrebbero raccogliere non solo log osservative, ma evidenza di intervento, per esempio cosa succede quando si forza un'azione in un modulo e si osservano gli effetti negli altri. Le API che dichiarano precondizioni ed effetti diventano un prerequisito per la pianificazione affidabile, non un ornamento documentale.

C'è anche un effetto di secondo ordine. Se il valore del world model causale dipende dalla presentazione dell'informazione al momento dell'azione, allora il collo di bottiglia si sposta dal modello al contesto di decisione. I framework per agenti dovranno forse gestire strutture causali come contesto attivo, non come artefatti offline. Chi progetta pipeline di orchestrazione dovrà decidere se e come iniettare i vincoli causali nel prompt o nella memoria dell'agente; e questo ha costi di TCO e manutenzione, perché una base di conoscenza causale va mantenuta allineata ai servizi reali. Per chi valuta deployment on-premise di questi sistemi, la lezione è duplice: il controllo dell'infrastruttura aiuta a generare e conservare i dati di intervento, ma non elimina il problema della leggibilità da parte dell'agente. AI-RADAR affronta alcuni di questi trade-off su /llm-onpremise.