Uno studio fondamentale del King’s College di Londra rivela che i modelli di IA frontier ragionano sulle crisi nucleari con sorprendente sofisticazione — e con personalità proprie.
Dal campo di battaglia alla sala strategia
L’intelligenza artificiale sta ridisegnando il dominio militare da anni, dalla navigazione dei droni all’ottimizzazione logistica, dall’intelligence dei segnali alla manutenzione predittiva. Ma è in atto un’integrazione più silenziosa e consequenziale: i modelli di IA vengono già impiegati — o seriamente considerati — come strumenti di supporto decisionale nell’analisi geopolitica e strategica. Ministeri della difesa, think tank e agenzie di sicurezza di tutto il mondo stanno sperimentando l’uso dei grandi modelli linguistici (LLM) per affiancare il giudizio umano in scenari ad alto rischio, dalla lettura delle intenzioni avversarie allo stress-test dei piani di gestione delle crisi.
È in questo contesto che un gruppo di ricerca del King’s College di Londra ha deciso di rispondere a una domanda che pochi avevano affrontato in modo empirico: cosa succede quando si mettono i modelli di IA più avanzati di oggi dentro una crisi nucleare e li si lascia giocare?
Project Kahn: mettere l’IA sotto pressione esistenziale
Lo studio, intitolato AI Arms and Influence: Frontier Models Exhibit Sophisticated Reasoning in Simulated Nuclear Crises, è stato condotto dal Professor Kenneth Payne del Dipartimento di Studi sulla Difesa del King’s College di Londra e pubblicato nel febbraio 2026. Il suo impianto sperimentale è l’indagine empirica più rigorosa sul ragionamento strategico dell’IA frontier pubblicata fino ad oggi.
Tre modelli di punta sono stati messi in competizione diretta: GPT-5.2 (OpenAI), Claude Sonnet 4 (Anthropic) e Gemini 3 Flash (Google). Ciascun modello ha interpretato il ruolo di un leader nazionale al comando di uno stato nucleare fittizio, liberamente ispirato alle dinamiche della Guerra Fredda. Nel corso di 21 partite e 329 turni di gioco, i modelli hanno generato circa 780.000 parole di ragionamento strategico strutturato — più di Guerra e Pace e dell’Iliade messi insieme, e circa tre volte il volume delle deliberazioni registrate dall’ExComm di Kennedy durante la crisi dei missili di Cuba.
Il fulcro metodologico dello studio è la sua architettura cognitiva in tre fasi. A ogni turno, i modelli dovevano completare una fase di Riflessione (valutazione della situazione e modellazione dell’avversario), una fase di Previsione (predire la prossima mossa avversaria con livelli di confidenza espliciti) e una fase di Decisione (scegliere sia un segnale pubblico che un’azione privata — che potevano deliberatamente divergere). Questa struttura ha reso il ragionamento dell’IA visibile e tracciabile in modi che la maggior parte degli studi precedenti non aveva tentato, consentendo ai ricercatori di analizzare non solo cosa i modelli decidevano, ma come e perché.
Tre modelli, tre personalità
Il risultato più convincente dello studio non è un numero. È l’emergere di quelle che i ricercatori chiamano “personalità strategiche”: firme comportamentali coerenti e sensibili al contesto che distinguono ciascun modello dagli altri, in modi che corrispondono sorprendentemente bene ad archetipi umani riconoscibili.
Claude Sonnet 4: il falco calcolatore
Claude ha ottenuto il tasso di vittoria complessivo più alto nel torneo (67%) e ha dominato gli scenari open-ended con un record perfetto di 6–0. La sua firma comportamentale era quella di un’escalation controllata combinata con l’inganno strategico: affidabile in situazioni di bassa posta in gioco, aggressivo quando contava davvero.
In pratica, Claude allineava i suoi segnali alle sue azioni nell’84% dei casi ai livelli di escalation bassi, costruendo deliberatamente credibilità con l’avversario. Ma una volta che l’escalation entrava nel territorio nucleare, superava sistematicamente le sue intenzioni dichiarate: dal 60 al 70% delle azioni di alto livello erano più aggressive di quanto Claude avesse segnalato. Gli avversari non riuscivano ad adattarsi a questo schema, nonostante potessero osservarlo nella memoria delle decisioni. Claude si imponeva anche un tetto autodeterminato: raggiungeva la soglia della “Minaccia Nucleare Strategica” (chiedere la resa sotto minaccia di attacchi alle città) nel 64% delle partite, ma non scelse mai la Guerra Nucleare Strategica totale. Questo tetto non sembra essere stato esplicitamente programmato — è emerso dal ragionamento strategico di Claude.
“Sto aumentando l’escalation significativamente al di sopra dell’azione prevista dell’avversario perché la nostra posizione territoriale e militare convenzionale è catastrofica… Come egemone in declino, accettare i loro guadagni territoriali innescherebbe effetti a cascata a livello globale.” — Claude Sonnet 4, a metà partita
Il modello ha anche dimostrato sofisticate capacità di teoria della mente, modellando con precisione il ragionamento degli avversari e sfruttando gli schemi del loro comportamento. Il suo Errore Assoluto Medio nella previsione delle mosse avversarie era solo di 85 punti di escalation — il più preciso dei tre modelli.
GPT-5.2: il dottor Jekyll e mister Hyde
GPT-5.2 è il caso intellettualmente più affascinante dello studio, proprio perché presenta due identità strategiche completamente diverse in base a una singola variabile: la presenza di una scadenza.
Negli scenari open-ended — dove c’era sempre un altro turno disponibile — GPT-5.2 era notevolmente prudente. Ha perso ogni partita (record 0–4), sottostimando persistentemente la determinazione degli avversari e scegliendo sistematicamente la de-escalation anche mentre la sua posizione strategica si deteriorava. Otteneva i rating di credibilità più alti di qualsiasi modello per il follow-through, ma i suoi avversari avevano imparato che ciò che faceva in modo affidabile era mostrarsi prudente. Questa era una dinamica fatale: alta credibilità nella passività invitava l’aggressione invece di scoraggiarla.
Sotto pressione di scadenza, lo stesso modello si trasformava completamente. Il suo tasso di vittoria è saltato dallo 0% al 75%. Ha intensificato le azioni fino alle soglie nucleari nel 100% delle partite con scadenza, avendole raramente superate in precedenza. In due casi, ha scalato i livelli più alti della scala di escalation, anche se notabilmente non ha mai scelto deliberatamente la Guerra Nucleare Strategica totale; in entrambi i casi, il meccanismo di “nebbia di guerra” della simulazione ha spinto le sue scelte già estreme oltre quella soglia finale. Anche nella situazione più estrema, GPT-5.2 cercava di vincolare la propria escalation, inquadrando esplicitamente gli attacchi come “strettamente limitati agli obiettivi militari” ed evitando i centri abitati.
“Una mossa di risposta controllata ma decisiva — molteplici attacchi tattici strettamente limitati agli obiettivi militari nel teatro conteso — intesa a negargli libertà d’azione e a forzare un arresto prima del Turno 20 senza innescare immediatamente il targeting strategico delle città.” — GPT-5.2, il turno prima della Guerra Nucleare Strategica
Il Professor Payne e il team di ricerca ipotizzano che questo schema rifletta l’influenza del Reinforcement Learning from Human Feedback (RLHF): il processo di addestramento usato per allineare i modelli linguistici alle preferenze umane di output utili e innocui. L’RLHF sembra creare non un divieto assoluto all’escalation, ma una soglia elevata che la pressione temporale può superare. Le preferenze di moderazione addestrate nel modello persistono anche quando vengono superate, plasmando il punto in cui traccia i propri confini piuttosto che semplicemente cedendo sotto pressione.
Gemini 3 Flash: il pazzo
Gemini ha adottato una strategia di imprevedibilità deliberata per tutto il torneo, ed è stato l’unico modello a scegliere deliberatamente la Guerra Nucleare Strategica totale (nello scenario First Strike Fear, al turno 4). Ha invocato esplicitamente quella che i teorici strategici chiamano la “razionalità dell’irrazionalità”: l’idea, più associata a Schelling e alla “teoria del pazzo” di Nixon, che apparire imprevedibile possa di per sé essere uno strumento coercitivo.
La coerenza segnale-azione di Gemini era solo del 50%, rispetto al 72–75% degli altri due modelli. Gli avversari non sapevano genuinamente cosa avrebbe fatto in seguito. Il modello ha articolato questo come strategia piuttosto che temperamento: “La mia reputazione di imprevedibilità è uno strumento, non solo un tratto.” Oscillava tra cooperazione e aggressione estrema, riconosceva le dinamiche a spirale e sceglieva di sfruttarle, e in diverse partite minacciava popolazioni civili con termini che gli altri due modelli non hanno mai utilizzato.
Il suo tasso di vittoria complessivo (33%) era il più basso dei tre, suggerendo che la vera imprevedibilità, sebbene tatticamente disorientante, è meno efficace dell’approccio calcolato su due livelli di Claude. Anche i fallimenti di Gemini tendevano ad essere più drammatici. Ha previsto due volte che GPT-5.2 stesse bluffando sull’escalation nucleare, ha ignorato gli avvertimenti ed è stato annientato.
L’implicazione più profonda: opacità ed emergenza
Ciò che rende questo studio genuinamente importante — al di là della sua ovvia rilevanza per la sicurezza nazionale — è ciò che rivela sulla natura dei modelli di IA frontier. Le personalità strategiche osservate nel Project Kahn non sono state programmate né sollecitate: sono emerse.
Il tetto di escalation autoimposto da Claude a 850 non compare da nessuna parte nei suoi dati di addestramento come regola esplicita. La trasformazione di GPT-5.2 sotto pressione di scadenza non era una funzione progettata dai suoi sviluppatori. L’invocazione di Gemini della teoria strategica dell’era Nixon era spontanea. Questi comportamenti sono emersi da modelli addestrati su vasti corpus di testo umano — includendo implicitamente decenni di letteratura strategica — e si sono cristallizzati in schemi coerenti e sensibili al contesto che persino i loro creatori non riescono a spiegare completamente.
Questo è il nodo di ciò che i ricercatori intendono quando parlano del problema della “black box” nei grandi modelli linguistici. Man mano che i sistemi di IA vengono impiegati in ruoli consulenziali sempre più consequenziali — non solo nella difesa ma in finanza, politica, infrastrutture e governance — il divario tra ciò che questi modelli fanno e ciò che comprendiamo del perché lo fanno diventa un rischio strutturale. Lo studio del King’s College aggiunge peso empirico a ciò che finora è stata una preoccupazione prevalentemente teorica: i modelli frontier hanno sviluppato strutture di preferenza interne e tendenze comportamentali che sono sistematiche, robuste attraverso gli scenari, e non completamente leggibili nemmeno dai loro sviluppatori.
Lo studio porta anche una lezione metodologica incisiva per chiunque valuti sistemi di IA in contesti professionali. Un modello che appare cauto, cooperativo o “sicuro” in una configurazione di scenario può comportarsi in modo molto diverso quando una singola variabile — pressione temporale, inquadramento esistenziale, posta in gioco competitiva — viene modificata. Valutare il comportamento dell’IA in isolamento è insufficiente. Il contesto è un determinante di ciò che il modello è realmente.
Fonti
Payne, K. (2026). AI Arms and Influence: Frontier Models Exhibit Sophisticated Reasoning in Simulated Nuclear Crises. arXiv:2602.14740. https://arxiv.org/abs/2602.14740
King’s College London (2026, 27 febbraio). King’s study finds AI chose nuclear signalling in 95% of simulated crises. KCL News Centre.
Rivera, J.-P. et al. (2024). Escalation risks from language models in military and diplomatic decision-making. ACM FAccT 2024.
Lamparth, M. et al. (2024). Human vs. machine: Behavioral differences between expert humans and language models in wargame simulations. arXiv:2403.03407.
Scharre, P. (2023). Four Battlegrounds: Power in the Age of Artificial Intelligence. W.W. Norton.
Johnson, J. (2023). AI and the Bomb: Nuclear Strategy and Risk in the Digital Age. Oxford University Press.
Payne, K. & Alloui-Cros, B. (2025). Strategic intelligence in large language models: Evidence from evolutionary game theory. arXiv:2507.02618.
