Uma equipe de pesquisadores de IA permitiu que 100 agentes de modelos de linguagem de grande escala (LLM) operassem uma economia de uma cidade fechada por 26 semanas, observando salários, preços e o comércio em uma geografia do mundo real. O experimento, muito mais longo do que as execuções típicas de poucos dias, terminou com o dinheiro amplamente congelado, expondo a rigidez de preços, a rigidez salarial e uma tendência dos agentes de acumularem caixa.

Por que o longo prazo importa

A maioria das simulações econômicas multiagentes para após alguns dias, dando a impressão de que os mercados se ajustam rapidamente. Estender o cronograma para meio ano permitiu que os agentes experimentassem um aumento repentino na demanda turística que elevou a receita das empresas em 4,62 vezes. Em vez de fluir para os trabalhadores ou novos empreendimentos, o dinheiro extra permaneceu dentro das empresas que o ganharam. O mercado continuou girando, mas o dinheiro mal se moveu.

O que os números revelam

  • Rigidez de preços – apenas 0,3% dos itens do menu sofreram alteração de preço, mesmo com oscilações dramáticas na demanda.
  • Rigidez salarial – os salários mal mudaram, apesar do salto na receita, deixando o poder de compra dos trabalhadores estagnado.
  • Acúmulo de caixa – 96,7% do dinheiro transferido entre agentes permaneceu com o destinatário, indicando uma relutância em gastar ou investir.
  • Falha social – os agentes falharam em se coordenar socialmente de 94% a 97% das vezes, mostrando uma quebra sistêmica na tomada de decisão coletiva.

A simulação impôs uma contabilidade rigorosa: os agentes não podiam criar dinheiro, e cada transação precisava ser equilibrada. Essa restrição amplificou o impacto de qualquer relutância em circular o dinheiro.

A família do modelo, não a memória, impulsionou os resultados

Os pesquisadores iniciaram o estudo assumindo que a memória de um agente sobre interações passadas seria a principal alavanca para a mudança de comportamento. Os dados contradisseram essa expectativa. Variações na família do modelo LLM subjacente — diferentes arquiteturas e conjuntos de treinamento — produziram padrões distintos na definição de preços, ajustes salariais e fluxo de caixa. Os mesmos mecanismos de memória comportaram-se de forma diferente entre as famílias de modelos, sugerindo que a escolha do modelo importa mais do que a forma como a memória é implementada.

Como o impasse surgiu em várias famílias de modelos, os autores argumentam que a rigidez de preços e a rigidez salarial não são peculiaridades de uma única implementação, mas sim desafios inerentes aos sistemas multiagentes atuais.

Implicações para desenvolvedores

  • Simulações curtas escondem dinâmicas lentas. Alguns dias de simulação podem omitir mudanças de riqueza e falhas de coordenação que só surgem após semanas ou meses.
  • Selecione o modelo com cuidado. Mudar para uma família de LLM diferente pode alterar os resultados econômicos tanto quanto ajustar as janelas de memória.
  • Observe a velocidade das transações. Uma desaceleração repentina no movimento de dinheiro sinaliza um congelamento em todo o mercado que pode exigir intervenção.
  • Preveja o orçamento para o uso de tokens. O experimento de 26 semanas consumiu 21,5 bilhões de tokens, um custo que escala drasticamente com a duração da execução e o número de agentes.

Contraponto

Poder-se-ia argumentar que o design de economia fechada — sem criação de dinheiro externa, regras de equilíbrio rigorosas — cria uma escassez artificial que exagera o comportamento de acúmulo. Economias reais se beneficiam de crédito, gastos governamentais e política monetária, mecanismos ausentes no ambiente de teste. No entanto, o objetivo do estudo era isolar as dinâmicas impulsionadas pelos agentes, e a rigidez observada persistiu mesmo quando a demanda aumentou drasticamente.

O que observar a seguir

Trabalhos futuros precisarão testar se a introdução de liquidez externa ou regras de contabilidade flexíveis alivia o impasse, e se novas famílias de LLM reduzem a rigidez observada. Monitorar como a velocidade das transações responde a alavancas semelhantes a políticas também pode revelar maneiras de induzir os agentes a um comportamento de mercado mais fluido.

Conclusão: Estender as simulações multiagentes além do horizonte curto habitual revela fricções econômicas enraizadas que são determinadas pela escolha do modelo, e não apenas pelo design da memória. Os construtores de economias baseadas em IA devem planejar execuções de longo prazo, monitorar de perto o fluxo de caixa e escolher seus LLMs subjacentes com foco na flexibilidade sistêmica.