Une équipe de chercheurs en IA a laissé 100 agents de grands modèles de langage (LLM) gérer l'économie d'une ville fermée pendant 26 semaines, observant les salaires, les prix et les échanges dans une géographie réelle. L'expérience, bien plus longue que les simulations habituelles de quelques jours, s'est terminée avec un argent largement immobilisé, révélant une rigidité des prix, une viscosité des salaires et une tendance des agents à thésauriser l'argent.

Pourquoi le long terme est crucial

La plupart des simulations économiques multi-agents s'arrêtent après quelques jours, donnant l'impression que les marchés s'ajustent rapidement. Prolonger le calendrier sur un semestre a permis aux agents de connaître une soudaine poussée de la demande touristique qui a multiplié le chiffre d'affaires des entreprises par 4,62. Au lieu de profiter aux travailleurs ou à de nouvelles entreprises, l'argent supplémentaire est resté au sein des entreprises qui l'avaient gagné. Le marché continuait de tourner, mais l'argent circulait à peine.

Ce que révèlent les chiffres

  • Rigidité des prix – seulement 0,3 % des articles du menu ont connu un changement de prix, même lors de variations spectaculaires de la demande.
  • Viscosité des salaires – les salaires ont à peine bougé malgré le bond du chiffre d'affaires, laissant le pouvoir d'achat des travailleurs stagnant.
  • Thésaurisation – 96,7 % de l'argent transféré entre les agents est resté chez le destinataire, indiquant une réticence à dépenser ou à investir.
  • Échec social – les agents ont échoué à se coordonner socialement 94 % à 97 % du temps, montrant une rupture systémique de la prise de décision collective.

La simulation imposait une comptabilité stricte : les agents ne pouvaient pas créer d'argent, et chaque transaction devait être équilibrée. Cette contrainte a amplifié l'impact de toute réticence à faire circuler les liquidités.

C'est la famille de modèles, et non la mémoire, qui a dicté les résultats

Les chercheurs ont entamé l'étude en supposant que la mémoire des interactions passées d'un agent serait le principal levier de changement de comportement. Les données ont contredit cette attente. Les variations entre les différentes familles de modèles LLM — architectures et jeux de données d'entraînement différents — ont produit des schémas distincts en matière de fixation des prix, d'ajustement des salaires et de flux de trésorerie. Les mêmes mécanismes de mémoire se sont comportés différemment selon les familles de modèles, suggérant que le choix du modèle importe plus que la manière dont la mémoire est implémentée.

Comme l'impasse est apparue dans plusieurs familles de modèles, les auteurs soutiennent que la rigidité des prix et la viscosité des salaires ne sont pas des particularités d'une seule implémentation, mais plutôt des défis inhérents aux systèmes multi-agents actuels.

Implications pour les développeurs

  • Les simulations courtes masquent les dynamiques lentes. Quelques jours de simulation peuvent occulter des transferts de richesse et des échecs de coordination qui ne font surface qu'après des semaines ou des mois.
  • Choisissez le modèle avec soin. Passer à une famille de LLM différente peut modifier les résultats économiques autant que l'ajustement des fenêtres de mémoire.
  • Surveillez la vélocité des transactions. Un ralentissement soudain du mouvement de l'argent signale un gel généralisé du marché qui peut nécessiter une intervention.
  • Prévoyez un budget pour l'utilisation des tokens. L'expérience de 26 semaines a consommé 21,5 milliards de tokens, un coût qui augmente fortement avec la durée de l'exécution et le nombre d'agents.

Contre-argument

On pourrait arguer que la conception d'une économie fermée — sans création monétaire externe, avec des règles d'équilibre strictes — crée une rareté artificielle qui exagère le comportement de thésaurisation. Les économies réelles bénéficient du crédit, des dépenses publiques et de la politique monétaire, des mécanismes absents de ce banc d'essai. Cependant, l'objectif de l'étude était d'isoler les dynamiques pilotées par les agents, et la rigidité observée a persisté même lorsque la demande a bondi de manière spectaculaire.

À surveiller pour la suite

Les travaux futurs devront tester si l'introduction d'une liquidité externe ou l'assouplissement des règles comptables facilite le déblocage, et si les nouvelles familles de LLM réduisent la rigidité observée. Suivre la manière dont la vélocité des transactions réagit à des leviers de type politique pourrait également révéler des moyens d'inciter les agents à un comportement de marché plus fluide.

À retenir : Prolonger les simulations multi-agents au-delà de l'horizon habituel permet de découvrir des frictions économiques ancrées que le choix du modèle, et non seulement la conception de la mémoire, détermine. Les concepteurs d'économies pilotées par l'IA devraient prévoir des simulations de longue durée, surveiller étroitement les flux de trésorerie et choisir leurs LLM sous-jacents en gardant à l'esprit la flexibilité systémique.