AI 연구진이 100개의 대규모 언어 모델(LLM) 에이전트가 26주 동안 폐쇄형 마을 경제를 운영하도록 하여, 실제 지리적 환경에서의 임금, 가격 및 거래를 관찰했습니다. 일반적인 며칠 정도의 실행 기간보다 훨씬 긴 이 실험은 돈이 대부분 제자리에 묶여 있는 상태로 끝났으며, 이는 가격 경직성, 임금 경직성 및 에이전트의 현금 사재기 성향을 드러냈습니다.
장기 관찰이 중요한 이유
대부분의 멀티 에이전트 경제 시뮬레이션은 며칠 만에 종료되어 시장이 빠르게 자가 조절된다는 인상을 줍니다. 기간을 반년으로 연장하자 에이전트들은 관광 수요의 급증을 경험했고, 이로 인해 기업 매출이 4.62배 증가했습니다. 하지만 추가 수익은 노동자나 새로운 사업으로 흘러 들어가는 대신, 수익을 창출한 기업 내부에 머물렀습니다. 시장은 계속 돌아갔지만, 돈은 거의 움직이지 않았습니다.
수치가 보여주는 것
- 가격 경직성 – 수요가 급격히 변했음에도 불구하고 메뉴 항목 중 가격이 변한 것은 0.3%에 불과했습니다.
- 임금 경직성 – 매출 급증에도 불구하고 임금은 거의 변하지 않아 노동자의 구매력이 정체되었습니다.
- 현금 사재기 – 에이전트 간에 이전된 현금의 96.7%가 수취인에게 그대로 남아 있었으며, 이는 소비나 투자에 대한 소극적인 태도를 나타냅니다.
- 사회적 실패 – 에이전트들은 94%에서 97%의 확률로 사회적 조율에 실패했으며, 이는 집단적 의사결정의 체계적 붕괴를 보여줍니다.
시뮬레이션은 엄격한 회계를 적용했습니다. 에이전트는 돈을 생성할 수 없었으며, 모든 거래는 균형을 맞춰야 했습니다. 이러한 제약은 현금 순환에 대한 소극적인 태도의 영향을 증폭시켰습니다.
결과의 동인은 메모리가 아닌 모델 제품군이었다
연구진은 에이전트의 과거 상호작용에 대한 기억이 행동 변화의 주요 동력이 될 것이라고 가정하고 연구를 시작했습니다. 하지만 데이터는 그 예상을 뒤엎었습니다. 기반이 되는 LLM 모델 제품군의 차이(서로 다른 아키텍처 및 학습 데이터 세트)가 가격 설정, 임금 조정 및 현금 흐름에서 뚜렷한 패턴을 만들어냈습니다. 동일한 메모리 메커니즘이라도 모델 제품군에 따라 다르게 작동했으며, 이는 메모리 구현 방식보다 모델의 선택이 더 중요하다는 것을 시사합니다.
이 교착 상태가 여러 모델 제품군에서 공통적으로 나타났기 때문에, 저자들은 가격 경직성과 임금 경직성이 단일 구현의 특이점이 아니라 현재의 멀티 에이전트 시스템이 직면한 본질적인 과제라고 주장합니다.
개발자를 위한 시사점
- 단기 실행은 느린 역학을 숨깁니다. 며칠간의 시뮬레이션으로는 몇 주 또는 몇 달이 지나야 나타나는 부의 이동이나 조율 실패를 놓칠 수 있습니다.
- 모델을 신중하게 선택하십시오. 다른 LLM 제품군으로 전환하는 것은 메모리 윈도우를 조정하는 것만큼이나 경제적 결과에 큰 영향을 미칠 수 있습니다.
- 거래 속도를 주시하십시오. 현금 이동의 갑작스러운 둔화는 개입이 필요할 수 있는 시장 전체의 동결 신호입니다.
- 토큰 사용량을 예산에 반영하십시오. 26주간의 실험은 215억 개의 토큰을 소비했으며, 이 비용은 실행 기간과 에이전트 수에 따라 급격히 증가합니다.
반론
폐쇄형 경제 설계(외부 화폐 생성 없음, 엄격한 균형 규칙)가 인위적인 희소성을 만들어 사재기 행동을 과장한다고 주장할 수도 있습니다. 실제 경제는 테스트베드에는 없는 신용, 정부 지출 및 통화 정책의 혜택을 받습니다. 그러나 이 연구의 목적은 에이전트 주도의 역학을 격리하여 관찰하는 것이었으며, 수요가 급격히 증가했을 때도 관찰된 경직성은 지속되었습니다.
향후 주목할 점
향후 연구에서는 외부 유동성을 도입하거나 완화된 회계 규칙을 적용했을 때 교착 상태가 완화되는지, 그리고 새로운 LLM 제품군이 관찰된 경직성을 줄이는지 테스트해야 할 것입니다. 정책과 유사한 레버에 거래 속도가 어떻게 반응하는지 추적하면 에이전트가 더 유동적인 시장 행동을 하도록 유도하는 방법을 찾아낼 수도 있습니다.
핵심 요약: 멀티 에이전트 시뮬레이션을 통상적인 단기 범위를 넘어 확장하면, 메모리 설계뿐만 아니라 모델 선택에 의해 결정되는 뿌리 깊은 경제적 마찰을 발견할 수 있습니다. AI 기반 경제를 구축하는 개발자는 장기 실행을 계획하고, 현금 흐름을 면밀히 모니터링하며, 시스템적 유연성을 고려하여 기반 LLM을 선택해야 합니다.