Nuova teoria stabilisce quando i team uomo-AI possono superare gli individui

Un nuovo articolo su arXiv (2605.08710) fornisce il primo quadro teorico che specifica quando i team uomo-AI possono superare il loro miglior membro individuale. Analizzando le regole di aggregazione basate sulla confidenza con la teoria del rilevamento del segnale e la teoria dell'informazione, gli autori derivano quattro risultati chiave: un teorema di complementarità che mostra che i team superano gli individui solo quando la correlazione degli errori ρ_HM è al di sotto di una soglia ρ*; limiti minimax che dimostrano che i guadagni di prestazione scalano con la differenza di sensibilità metacognitiva; un risultato di impossibilità che nessuna regola basata sulla confidenza raggiunge la complementarità quando ρ_HM ≥ ρ*; e una generalizzazione multi-classe dove la soglia scala come ρ*_K ≈ ρ*/√(K-1). Il modello predice accuratamente l'accuratezza osservata del team su ImageNet-16H (R=0.94) e CIFAR-10H (R=0.91), con la scala della soglia multi-classe validata su dati umani (R=0.93). Ciò affronta il divario per cui il 70% dei team uomo-AI non riesce a superare il proprio miglior membro, offrendo limiti stretti e garanzie di impossibilità per la complementarità.