あるAI研究チームが、100体の大規模言語モデル（LLM）エージェントに26週間にわたって閉鎖的な町の経済を運営させ、現実の地理条件下での賃金、価格、取引を観察しました。一般的な数日間の実行期間よりもはるかに長いこの実験は、資金の大部分が停滞した状態で終了し、価格の硬直性、賃金の粘着性、そしてエージェントがキャッシュを抱え込む傾向を浮き彫りにしました。
なぜ長期的な視点が重要なのか
ほとんどのマルチエージェント経済シミュレーションは数日間で終了するため、市場が迅速に自己調整を行うという印象を与えがちです。期間を半年間に延長したことで、エージェントは観光需要の急増を経験し、企業の収益は4.62倍に跳ね上がりました。しかし、その余剰資金は労働者や新規事業に流れるのではなく、収益を上げた企業内に留まりました。市場は動き続けていたものの、お金はほとんど動かなかったのです。
数値が示すもの
- 価格の硬直性 – 需要が劇的に変動したにもかかわらず、メニュー項目のうち価格が変更されたのはわずか0.3%でした。
- 賃金の粘着性 – 収益が急増したにもかかわらず、賃金はほとんど変化せず、労働者の購買力は横ばいのままでした。
- 現金の蓄蔵 – エージェント間で移動した現金の96.7%が受取人の手元に留まり、支出や投資に対する消極的な姿勢が示されました。
- 社会的な失敗 – エージェントが社会的な調整に失敗した割合は94%から97%に達し、集団的な意思決定におけるシステム的な崩壊が見られました。
シミュレーションでは厳格な会計ルールが適用されました。エージェントは通貨を創出できず、すべての取引は均衡していなければなりませんでした。この制約が、現金の循環に対する消極的な姿勢の影響を増幅させました。
決定要因はメモリではなく、モデルファミリーであった
研究者たちは、過去の相互作用のメモリ（記憶）が行動変化の主要なレバーになると仮定して調査を開始しました。しかし、データはその予想を裏切りました。基盤となるLLMのモデルファミリーの違い（アーキテクチャや学習セットの違い）が、価格設定、賃金調整、キャッシュフローにおいて明確なパターンの違いを生み出したのです。同じメモリメカニズムであっても、モデルファミリーによって挙動が異なったことは、メモリの実装方法よりもモデルの選択の方が重要であることを示唆しています。
この行き詰まりは複数のモデルファミリーにわたって見られたため、著者らは、価格の硬直性や賃金の粘着性は単一の実装における特異な現象ではなく、現在のマルチエージェントシステムに固有の課題であると主張しています。
開発者への示唆
- 短期的な実行では緩やかなダイナミクスを見逃す。 数日間のシミュレーションでは、数週間または数ヶ月経って初めて表面化する富の移動や調整の失敗を見逃す可能性があります。
- モデルを慎重に選択する。 異なるLLMファミリーに切り替えることは、メモリウィンドウを微調整することと同じくらい、経済的な結果を変化させる可能性があります。
- 取引速度を監視する。 現金の動きの急激な鈍化は、介入が必要となる市場全体の凍結の兆候です。
- トークン使用量の予算を確保する。 26週間の実験では215億トークンが消費されました。このコストは、実行期間とエージェント数に応じて急激に増大します。
反論
閉鎖経済のデザイン（外部からの通貨創出なし、厳格な均衡ルール）が、蓄蔵行動を誇張する人工的な希少性を生み出しているという議論もあり得ます。現実の経済は、このテストベッドには存在しないメカニズムである信用、政府支出、金融政策の恩恵を受けています。しかし、本研究の目的はエージェント主導のダイナミクスを分離して検証することであり、需要が劇的に急増した場合でも、観察された硬直性は持続しました。
今後の注目点
今後の研究では、外部流動性の導入や会計ルールの緩和がデッドロックを解消するかどうか、また新しいLLMファミリーが観察された硬直性を軽減するかどうかを検証する必要があります。また、政策のようなレバーに対して取引速度がどのように反応するかを追跡することで、エージェントをより流動的な市場行動へと促す方法が見つかるかもしれません。
まとめ: マルチエージェント・シミュレーションを通常の短い期間を超えて延長することで、メモリ設計だけでなくモデルの選択によって決まる、根深い経済的な摩擦が明らかになります。AI主導の経済を構築する者は、長期的な実行を計画し、キャッシュフローを注意深く監視し、システム的な柔軟性を考慮して基盤となるLLMを選択すべきです。