Tim peneliti AI membiarkan 100 agen model bahasa besar (LLM) menjalankan ekonomi kota tertutup selama 26 minggu, mengamati upah, harga, dan perdagangan dalam geografi dunia nyata. Eksperimen tersebut, yang berlangsung jauh lebih lama daripada simulasi beberapa hari pada umumnya, berakhir dengan uang yang sebagian besar membeku di tempat, mengungkap kekakuan harga, kekakuan upah, dan kecenderungan agen untuk menimbun uang tunai.

Mengapa jangka panjang itu penting

Sebagian besar simulasi ekonomi multi-agen berhenti setelah beberapa hari, memberikan kesan bahwa pasar menyesuaikan diri dengan cepat. Memperpanjang lini masa hingga setengah tahun memungkinkan para agen mengalami lonjakan mendadak dalam permintaan wisatawan yang meningkatkan pendapatan bisnis sebesar 4,62 kali lipat. Alih-alih mengalir ke pekerja atau usaha baru, uang tambahan tersebut tetap berada di dalam perusahaan yang memperolehnya. Pasar terus berputar, tetapi uang hampir tidak bergerak.

Apa yang diungkapkan oleh angka-angka tersebut

  • Kekakuan harga – hanya 0,3% item menu yang pernah mengalami perubahan harga, bahkan saat permintaan berfluktuasi secara drastis.
  • Kekakuan upah – upah nyaris tidak berubah meskipun ada lonjakan pendapatan, sehingga daya beli pekerja tetap datar.
  • Penimbunan uang tunai – 96,7% uang tunai yang ditransfer antar agen tetap berada di tangan penerima, menunjukkan keengganan untuk belanja atau berinvestasi.
  • Kegagalan sosial – agen gagal berkoordinasi secara sosial sebanyak 94% hingga 97% dari waktu yang ada, menunjukkan kerusakan sistemik dalam pengambilan keputusan kolektif.

Simulasi tersebut menerapkan akuntansi yang ketat: agen tidak dapat menciptakan uang, dan setiap transaksi harus seimbang. Batasan ini memperkuat dampak dari keengganan apa pun untuk mengedarkan uang tunai.

Keluarga model, bukan memori, yang mendorong hasil

Para peneliti memulai studi dengan asumsi bahwa memori agen tentang interaksi masa lalu akan menjadi penggerak utama perubahan perilaku. Data tersebut menyanggah ekspektasi itu. Variasi dalam keluarga model LLM yang mendasarinya—arsitektur dan set pelatihan yang berbeda—menghasilkan pola yang berbeda dalam penetapan harga, penyesuaian upah, dan arus kas. Mekanisme memori yang sama berperilaku berbeda di berbagai keluarga model, menunjukkan bahwa pilihan model lebih penting daripada cara memori diimplementasikan.

Karena kebuntuan tersebut muncul di beberapa keluarga model, penulis berpendapat bahwa kekakuan harga dan kekakuan upah bukanlah keanehan dari satu implementasi saja, melainkan tantangan inheren bagi sistem multi-agen saat ini.

Implikasi bagi pengembang

  • Jangka pendek menyembunyikan dinamika yang lambat. Simulasi selama beberapa hari dapat melewatkan pergeseran kekayaan dan kegagalan koordinasi yang hanya muncul setelah berminggu-minggu atau berbulan-bulan.
  • Pilih model dengan cermat. Beralih ke keluarga LLM yang berbeda dapat mengubah hasil ekonomi sebanyak mengubah jendela memori.
  • Pantau kecepatan transaksi. Perlambatan mendadak dalam pergerakan uang tunai menandakan pembekuan pasar secara luas yang mungkin memerlukan intervensi.
  • Anggarkan penggunaan token. Eksperimen 26 minggu tersebut menghabiskan 21,5 miliar token, biaya yang meningkat tajam seiring dengan panjangnya durasi simulasi dan jumlah agen.

Argumen Penyeimbang

Seseorang dapat berargumen bahwa desain ekonomi tertutup—tanpa penciptaan uang eksternal, aturan keseimbangan yang ketat—menciptakan kelangkaan buatan yang memperbesar perilaku penimbunan. Ekonomi nyata mendapat manfaat dari kredit, pengeluaran pemerintah, dan kebijakan moneter, mekanisme yang tidak ada dalam lingkungan pengujian ini. Namun, tujuan studi ini adalah untuk mengisolasi dinamika yang didorong oleh agen, dan kekakuan yang diamati tetap bertahan bahkan ketika permintaan melonjak drastis.

Apa yang perlu diperhatikan selanjutnya

Pekerjaan di masa depan perlu menguji apakah pengenalan likuiditas eksternal atau pelonggaran aturan akuntansi dapat meredakan kebuntuan, dan apakah keluarga LLM yang lebih baru dapat mengurangi kekakuan yang diamati. Melacak bagaimana kecepatan transaksi merespons tuas seperti kebijakan juga dapat mengungkapkan cara untuk membujuk agen ke dalam perilaku pasar yang lebih cair.

Kesimpulan: Memperpanjang simulasi multi-agen melampaui cakrawala pendek yang biasa dilakukan akan mengungkap gesekan ekonomi yang tertanam kuat, di mana pilihan model, bukan sekadar desain memori, yang menentukannya. Pembangun ekonomi berbasis AI harus merencanakan simulasi jangka panjang, memantau arus kas dengan cermat, dan memilih LLM dasar mereka dengan memperhatikan fleksibilitas sistemik.