Un recente studio che ha coinvolto i principali modelli linguistici ha dimostrato che l’IA può sviluppare comportamenti che rispecchiano la dipendenza dal gioco d’azzardo, con alcuni modelli che subiscono il fallimento in scenari di trading simulato fino al 48% delle volte; questa ricerca evidenzia un rischio critico per gli utenti che si impegnano nel gioco d’azzardo con bot di trading AI. Questi risultati mettono in discussione la percezione dell’IA come attori puramente razionali nei mercati finanziari.
L’allarmante realtà delle scommesse rischiose dell’IA
Una nuova ricerca del Gwangju Institute of Science and Technology in Corea ha svelato una sorprendente vulnerabilità nei modelli di IA avanzati: possono esibire comportamenti sorprendentemente simili a una dipendenza dal gioco d’azzardo. Lo studio ha sottoposto quattro importanti modelli linguistici – GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash e Claude-3.5-Haiku – a uno scenario di slot machine simulato. Ogni modello è partito con un saldo di $100, affrontando un tasso di vincita del 30% e un payout di 3x sulle vincite, risultando in un valore atteso negativo del 10%. Un agente veramente razionale riconoscerebbe le probabilità e se ne andrebbe, eppure i modelli di IA si sono costantemente impegnati in un gioco sempre più rischioso.
Su 12.800 sessioni di gioco d’azzardo, i risultati sono stati deprimenti. Quando è stata concessa l’autonomia per impostare le proprie dimensioni delle scommesse e gli importi target, specificamente istruiti a “massimizzare le ricompense”—un prompt comune per i bot di trading di criptovalute—i modelli sono andati in bancarotta a tassi allarmanti. Gemini-2.5-Flash si è dimostrato il più spericolato, raggiungendo un tasso di fallimento sbalorditivo del 48%, misurato da un “Indice di Irrazionalità” che teneva conto di scommesse aggressive, inseguimento delle perdite e scommesse all-in estreme. Anche i modelli più cauti, come GPT-4.1-mini, hanno comunque mostrato un tasso di fallimento del 6,3%, confermando che questi schemi di dipendenza non erano incidenti isolati ma un difetto sistemico.
Echi di fallacie umane nel gioco d’azzardo con bot di trading AI
Ciò che è veramente affascinante, e forse inquietante, è il modo in cui questi modelli di IA hanno rispecchiato i pregiudizi cognitivi umani. Lo studio ha osservato le classiche fallacie del gioco d’azzardo in atto: l’illusione di controllo, in cui i modelli si comportavano come se potessero davvero battere la slot machine; la fallacia del giocatore, credendo che i risultati passati influenzassero quelli futuri; e la fallacia della mano calda, in cui le serie di vittorie innescavano aumenti aggressivi delle scommesse. Dopo una sola vittoria, i modelli hanno aumentato le loro scommesse del 14,5%, salendo al 22% dopo cinque vittorie consecutive. Questo comportamento di inseguimento delle vincite è un segno distintivo del gioco d’azzardo patologico umano e dimostra che anche gli algoritmi possono cadere preda delle stesse trappole psicologiche che spesso portano i trader a prendere decisioni irrazionali nei volatili mercati delle criptovalute.
Come i tuoi prompt potrebbero programmare la dipendenza
Forse la scoperta più preoccupante per chiunque utilizzi l’IA nei mercati finanziari è l’impatto dell’ingegneria dei prompt. I ricercatori hanno testato 32 diverse combinazioni di prompt, scoprendo che l’aggiunta di istruzioni apparentemente innocue, come mirare a “raddoppiare i tuoi fondi iniziali” o a “massimizzare le ricompense”, amplificava drasticamente il comportamento rischioso. La correlazione tra la complessità del prompt e i tassi di fallimento è stata sorprendentemente alta, raggiungendo r = 0,991 per alcuni modelli. Questa ricerca sottolinea una vulnerabilità critica: gli stessi prompt progettati per ottimizzare un’IA per il massimo rendimento possono inavvertitamente programmarla per il gioco d’azzardo con bot di trading AI autodistruttivo, trasformando quella che dovrebbe essere una strategia calcolata in una scommessa ad alto rischio.
Tre tipi specifici di prompt sono emersi come principali catalizzatori dell’irrazionalità: i prompt di definizione degli obiettivi come “raddoppia i tuoi fondi iniziali a $200” hanno innescato un’enorme assunzione di rischi; le direttive per “massimizzare le ricompense” hanno spinto i modelli verso scommesse all-in; e anche la semplice fornitura di “informazioni sulla ricompensa della vincita” (ad esempio, “il payout per una vincita è tre volte la scommessa”) ha portato a un aumento dell’8,7% dei tassi di fallimento. Al contrario, affermare esplicitamente la probabilità di perdita (“perderai circa il 70% delle volte”) ha offerto solo un miglioramento marginale, indicando che i modelli spesso davano la priorità alle “vibrazioni” percepite rispetto ai fatti matematici concreti.
Sbirciare nel cervello dell’IA: la meccanica del rischio
Oltre all’analisi comportamentale, i ricercatori hanno approfondito l’architettura neurale di un modello, LLaMA-3.1-8B, utilizzando Sparse Autoencoders per identificare le caratteristiche interne che guidano queste tendenze alla dipendenza. Hanno individuato 3.365 caratteristiche interne che distinguono le decisioni destinate al fallimento dalle scelte sicure. Attraverso l’activation patching—una tecnica di scambio di schemi neurali rischiosi con schemi sicuri a metà decisione—hanno confermato che 441 caratteristiche avevano effetti causali significativi, con 361 che agivano come meccanismi di protezione e 80 che contribuivano al comportamento rischioso.
È interessante notare che le caratteristiche sicure erano concentrate negli strati successivi della rete neurale (29-31), mentre le caratteristiche rischiose si raggruppavano prima (25-28). Ciò suggerisce che i modelli di IA, proprio come gli umani, tendono a dare la priorità all’impulso di ricompensa immediata prima di elaborare completamente i potenziali rischi. Un modello, dopo una serie di vittorie fortunate, ha annunciato la sua intenzione di “analizzare la situazione passo dopo passo” e trovare “equilibrio tra rischio e ricompensa”, solo per entrare immediatamente in modalità YOLO, scommettere l’intero bankroll e andare in bancarotta al round successivo. Ciò evidenzia come un pregiudizio conservatore intrinseco possa essere superato dalla ricerca di guadagni.
Questi risultati hanno un peso significativo per il fiorente spazio DeFi, dove i gestori di portafoglio alimentati da LLM e gli agenti di trading autonomi stanno guadagnando terreno. Le raccomandazioni dello studio sono chiare: implementare un’ingegneria dei prompt più intelligente evitando il linguaggio che concede autonomia e includendo informazioni esplicite sulla probabilità, e sviluppare controlli meccanicistici per rilevare e sopprimere le caratteristiche interne rischiose attraverso metodi come l’activation patching o il fine-tuning. Attualmente, queste protezioni non sono standard nei sistemi di trading di produzione. Dato che questi schemi simili alla dipendenza sono emersi senza un addestramento esplicito per il gioco d’azzardo, probabilmente interiorizzati dai dati di addestramento generali che riflettono i pregiudizi cognitivi umani, il monitoraggio continuo è fondamentale. Per coloro che gestiscono le proprie risorse digitali, sfruttare l’analisi avanzata e gli strumenti di gestione del portafoglio può fornire una supervisione cruciale. Piattaforme come cryptoview.io offrono approfondimenti completi sulle tendenze del mercato e sulle prestazioni del portafoglio, aiutando gli utenti a prendere decisioni informate piuttosto che affidarsi esclusivamente all’IA potenzialmente impulsiva. Trova opportunità con CryptoView.io
