Il problema dei sistemi multi-agente basati su LLM non si esaurisce nella scelta dei modelli. C'è un secondo livello, meno visibile: la topologia di collaborazione, cioè quali agenti partecipano e come comunicano. Una topologia sbagliata può trasformare una pipeline di agenti in un costo inutile, moltiplicando token e chiamate senza migliorare l'esito. PRISM, un metodo proposto da un gruppo di ricerca, cerca di risolvere un limite preciso dei generatori di topologie addestrati su corpora di grafi verificati: quei corpora elencano i grafi che hanno risolto una query, ma non li ordinano per preferenza. Senza un ranking per query, il fine-tuning supervisionato tende a spostare il generatore verso le topologie più frequenti nel corpus, non verso quelle più adatte a ciascuna richiesta. Così un guadagno su un task può tradursi in una perdita su un altro.

Il cuore di PRISM è l'uso di informazioni privilegiate. Durante l'addestramento, un teacher legge un grafo 'sibling' che ha risolto la stessa query ma non sarà disponibile al momento del deployment. Questo avviene attraverso un ramo low-rank inizializzato a zero. Lo studente, invece, non vede il sibling: deve allineare i propri target decisionali su traiettorie che campiona da solo. In pratica, il segnale per-query che mancava nel corpus viene recuperato senza richiedere annotazioni aggiuntive o un ranking esplicito. Su sei benchmark diversi, PRISM migliora rispetto a ogni baseline di progettazione topologica valutata, e i controlli con teacher abbinato supportano il contributo delle informazioni privilegiate. Chi perde, implicitamente, sono i generatori che si accontentano delle topologie più frequenti: la frequenza nel corpus smette di essere una proxy accettabile quando il segnale per-query è recuperabile.

C'è un dettaglio che merita attenzione anche fuori dal laboratorio. La topologia non è solo una questione di accuratezza: è una leva sui costi di inference. Nei sistemi multi-agente, ogni arco di comunicazione tra agenti è un moltiplicatore di token e una fonte di latenza. Se il generatore impara a scegliere grafi più adatti alla singola query, riduce le interazioni superflue. Per chi gestisce deployment self-hosted o cluster on-premise, dove la VRAM e la capacità di calcolo sono limitate per scelta o per vincolo, questa riduzione ha un impatto diretto sul TCO. Il paper non entra nel merito dell'hardware, ma il risparmio emerge come effetto di secondo ordine: è il tipo di effetto che interessa a chi non può assorbire sprechi con elasticità cloud.

Il meccanismo di PRISM segnala anche un cambiamento strutturale nel modo di pensare il fine-tuning dei sistemi multi-agente. Finora il problema era la mancanza di preferenze per query; ora si può sfruttare un segnale già presente nel corpus, purché si accetti di introdurre un ramo low-rank che sparisce al deployment. Questo approccio riduce la dipendenza da dati di preferenza costosi e potrebbe rendere più accessibile l'addestramento di generatori di topologie in contesti dove i dati annotati sono scarsi o vincolati da requisiti di sovranità. Chi opera in ambienti con dati che non possono lasciare il perimetro locale può addestrare su corpora verificati senza dover costruire pipeline di annotazione esterne. Non è una soluzione automatica, ma sposta l'asticella: il collo di bottiglia non è più la raccolta di preferenze, bensì la qualità del corpus di grafi verificati.

Naturalmente restano interrogativi aperti. Il paper valuta sei benchmark, ma la generalizzazione a topologie dinamiche e a sistemi con centinaia di agenti non è scontata. Inoltre, il ramo low-rank zero-initialized è un dettaglio architetturale che potrebbe interagire in modi non banali con tecniche di quantization o con vincoli di memoria. Per chi valuta deployment on-premise, AI-RADAR offre framework analitici per soppesare questi trade-off, ma la decisione dipende sempre dai vincoli specifici dell'infrastruttura. Il punto, oggi, è che la progettazione topologica sta diventando un problema di ottimizzazione separato, e metodi come PRISM mostrano che il segnale utile può nascondersi dentro corpora apparentemente piatti.