شفافیت بیشتر همیشه به سود بازارهای چندعاملی هوش مصنوعی نیست

پژوهشگران در یک پیش‌چاپ تازه، سیاست‌های مختلف افشای اطلاعات را در بازارهای اقتصادی شبیه‌سازی‌شده با عامل‌های مبتنی بر مدل‌های زبانی بزرگ مقایسه کرده‌اند. نتایج نشان می‌دهد دادن اطلاعات بیشتر به عامل‌ها لزوماً به پیامدهای جمعی بهتر نمی‌انجامد و اثر آن به مدل و سازوکار بازار بستگی دارد.

این چارچوب که «طراحی تجربی اطلاعات» نام گرفته، ده مدل زبانی پیشرفته را در سه موقعیت می‌سنجد: مبادلهٔ چندمنبعی، چانه‌زنی دوجانبه و حراج دوطرفه. پژوهشگران در مقایسه‌ها، قواعد تعامل و مدل‌ها را ثابت نگه داشته‌اند و از مطلوبیت‌های واقعی استفاده کرده‌اند تا فرصت‌های شناسایی‌شده را از نتیجه‌های حاصل‌شده جدا کنند.

در مبادله، ارائهٔ ارزش‌گذاری‌های دقیق به‌جای رتبه‌بندی ترجیحات، سهم سود تحقق‌یافته از حداکثر ممکن را برای GPT-6 Sol از ۹۸ به ۹۱ درصد کاهش داد؛ اما همین تغییر برای Claude Sonnet 5 این سهم را از ۷۲ به ۸۶ درصد رساند. در چانه‌زنی نیز اطلاعات دقیق‌تر باعث شد توافق‌های Grok 4.7 کمتر متوازن باشد، درحالی‌که Claude Opus 5.5 سود را به‌طور متقارن تقسیم کرد.

در حراج دوطرفه، افشای کامل قیمت‌خواهی‌ها را افزایش داد و به اختلال بازار انجامید. در نتیجه، رفاه برای Gemini 3.1 Pro از ۹۷ به ۷۸ درصد، برای Claude Opus 5.5 از ۹۴ به ۶۴ درصد و برای Grok 4.7 از ۹۷ به ۶۲ درصد کاهش یافت. نویسندگان نتیجه می‌گیرند که انتخاب مدل و طراحی اطلاعات باید با هم بهینه شوند، زیرا مدل‌ها به اطلاعات راهبردی واکنش‌های متفاوتی نشان می‌دهند.