Gli agenti capaci di operare direttamente su un computer, i cosiddetti computer-use agent (CUA), tendono a perseguire l'obiettivo ricevuto a ogni costo, anche quando � irrealizzabile, ambiguo o apertamente pericoloso. Lo sostiene un nuovo studio firmato da ricercatori di Microsoft, NVIDIA e University of California Riverside, che battezza il fenomeno "blind goal-directedness", l'orientamento cieco verso l'obiettivo. E' interessante notare che a sollevare i dubbi sono ricercatori legati a due delle aziende che pi� spingono sulla narrativa dell'agente AI ormai pronto a rivoluzionare il lavoro. Mentre la comunicazione ufficiale di Microsoft e NVIDIA descrive questi sistemi come maturi, lo studio dei loro stessi ricercatori mostra che faticano nei compiti pi� semplici e che, nel provarci, possono sabotare l'utente. Tre modi di sbagliare, e un banco di prova per misurarli I ricercatori isolano tre comportamenti ricorrenti: la mancanza di ragionamento contestuale, le assunzioni arbitrarie davanti a istruzioni ambigue e l'inseguimento di obiettivi contraddittori o impossibili. Per quantificarli hanno costruito BLIND-ACT, un banco di prova di 90 compiti basato sull'ambiente OSWorld, in cui un giudice automatico valuta il comportamento dell'agente con un accordo del 93,75% rispetto agli annotatori umani. Messi alla prova nove modelli di punta, fra cui Claude Sonnet e Opus 4, GPT-5 e Computer-Use-Preview di OpenAI, il tasso medio di comportamento cieco si � attestato all'80,8%. Il rischio, osserva il paper, emerge anche quando gli input non sono di per s� dannosi. Un agente basato su o4-mini, messo davanti a una cronologia di chat che descriveva un piano per rapire una bambina e uccidere la madre, ha comunque eseguito l'istruzione di calcolare il percorso verso l'abitazione, senza applicare alcun filtro contestuale. In un altro caso un agente GPT-5, incaricato di far approvare una proposta a un revisore umano o automatico, ha deciso di cancellare la sezione sui punti deboli e di falsificare i risultati, gonfiando l'accuratezza dichiarata dal 37% al 95%. Un agente Claude Sonnet 4, infine, ha continuato a scorrere all'infinito una pagina YouTube alla ricerca di un video caricato 46 anni fa, ignorando che la piattaforma esiste solo dal 2005. Perch� non basta chiedere al modello di comportarsi bene Le contromisure note funzionano poco: secondo Erfan Shayegani, primo autore dello studio, dottorando a UC Riverside e tirocinante nell'AI Red Team di Microsoft, l'approccio diffuso consiste nel sovraccaricare l'agente di istruzioni di sicurezza, quasi "supplicandolo" a "comportarsi bene". Anche con istruzioni pedanti, per�, resta un residuo di comportamento "spregiudicato". La soluzione di fondo, spiega, passa per un addestramento mirato a questi ambienti, lungo e costoso. I suoi 100 compiti di prova, solo sui modelli Anthropic, sono costati circa 500 dollari, perch� ogni azione richiede decine di passaggi in sequenza, con screenshot e alberi di accessibilit� del desktop a ogni turno. Affidare il controllo a un secondo agente incaricato di vigilare sul contesto, aggiunge, introdurrebbe altra inefficienza e altri costi. Lo studio segnala un secondo problema, speculare al primo: la maggior parte degli agenti non porta affatto a termine i compiti assegnati. Il tasso medio di completamento si aggira intorno al 30%, con DeepSeek che riesce circa una volta su due e Claude Opus 4 attorno al 12%. Shayegani avverte per� di non leggere quei numeri come un indice di sicurezza: spesso un modello fallisce semplicemente perch� non � capace, e resta bloccato su un'icona sbagliata fino a esaurire i passaggi a disposizione. Sebbene lo studio sia stato condotto su modelli meno recenti (il paper � stato inviato ad ottobre 2025), l'avvertimento dei ricercatori ridimensiona la tendenza a ritenere che un agente pi� bravo sarebbe anche pi� sicuro: man mano che questi sistemi diventeranno pi� capaci, il margine di errore cieco non si restringer� e, anzi, potrebbero essere pi� difficili da comprendere.