Artificial Institutions: How Institutional Design Shapes LLM Simulations
Dieses Paper argumentiert, dass das institutionelle Design ebenso entscheidend wie die Eigenschaften der Agenten für die Gestaltung von LLM-basierten künstlichen Gesellschaften ist, und demonstriert durch ein Marktexperiment, dass variierende Austauschregeln die Effizienz, Preise und die Verteilung des Überschusses signifikant verändern, selbst wenn die Agenten und Bedingungen konstant bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Bühne ist wichtiger als die Schauspieler
Stellen Sie sich vor, Sie schauen sich ein Theaterstück an. Normalerweise konzentrieren wir uns auf die Schauspieler: Sind sie talentiert? Können sie sich ihre Texte merken? Haben sie die richtigen Emotionen? Aber was wäre, wenn die Bühne selbst – die Regeln, wie sie sich bewegen, mit wem sie sprechen dürfen und wann sie sprechen können – eigentlich der wichtigste Teil der Show wäre? Dies ist die Frage, die im Zentrum einer neuen Studie in der Welt der „künstlichen Gesellschaften“ steht.
Um dies zu verstehen, müssen wir zwei Dinge kennen. Erstens gibt es Large Language Models (LLMs). Betrachten Sie diese als unglaublich intelligente, digitale Gehirne, die lesen, schreiben und chatten können, genau wie Menschen. Wissenschaftler beginnen damit, sie einzusetzen, um künstliche Welten zu erschaffen, in denen diese KI-„Agenten“ miteinander interagieren, um zu sehen, wie sie Probleme lösen, Waren handeln oder Entscheidungen treffen. Zweitens gibt sich die Idee der Institutionen. Im Alltag ist eine Institution nicht nur ein Gebäude; sie ist ein Regelwerk. Es sind die Ampeln, die Autos sagen, wann sie halten müssen, die Regeln eines Spiels wie Fußball oder die Art und Weise, wie ein Marktplatz organisiert ist. Die große Frage, die sich Wissenschaftler stellen, laet: Wenn wir diese KI-Gehirne in eine künstliche Welt setzen, verhalten sie sich dann immer gleich, egal wie die Regeln sind? Oder verändert das „Bühnenbild“ die ganze Geschichte? Dies ist wichtig, denn wenn wir KI nutzen wollen, um reale Märkte, politische Maßnahmen oder soziale Systeme zu entwerfen, müssen wir wissen, ob die KI nur ihrer eigenen Persönlichkeit folgt oder ob sie auf die Regeln reagiert, die wir ihr vorgeben.
Das große KI-Marktexperiment
In dieser Arbeit beschloss ein Forscher namens Maxim Chupilkin, diese Idee zu testen, indem er einen winzigen, digitalen Marktplatz einrichtete. Stellen Sie sich ein Spiel vor, bei dem vier KI-Käufer und vier KI-Verkäufer einen einzigen Artikel handeln. Die Käufer haben geheime „Werte“ (wie viel sie den Artikel wollen, von 50 bis 100), und die Verkäufer haben geheime „Kosten“ (wie viel es sie kostet, ihn herzustellen, von 30 bis 85). Das Ziel ist einfach: So viel wie möglich zu handeln, um für alle den größten Gewinn zu erzielen.
Der clevere Teil des Experiments war, dass die Schauspieler sich nie änderten. Dieselben KI-Modelle (wie GPT-5, Claude Sonnet und Gemini) spielten das Spiel immer und immer wieder. Sie hatten dieselben geheimen Werte, dieselben Anweisungen und dieselbe Historie. Das Einzige, was sich änderte, war die Institution – die Regeln des Spiels. Der Forscher ließ die KI in fünf verschiedenen Arten von Märkten spielen:
- Call-Markt (Call Market): Alle rufen gleichzeitig ihren Preis in den Raum, und ein Computer bringt sie zusammen.
- Angebot-Markt (Posted-Offer Market): Verkäufer geben einen „Nimm es oder lass es“-Preis an, und Käufer wählen.
- Gebots-Markt (Posted-Bid Market): Käufer geben einen Preis an, und Verkäufer wählen.
- Kontinuierliche Doppelauktion (Continuous Double Auction): Ein chaotischer Echtzeitmarkt, in dem Menschen jederzeit ein- und aussteigen können.
- Bilaterale Verhandlung (Bilateral Bargaining): Käufer und Verkäufer werden zufällig paarweise zusammengestellt, um eins-zu-eins zu feilschen.
Die schockierende Entdeckung: Die Regeln ändern das Ergebnis
Die Ergebnisse waren überraschend. Obwohl die KI-„Persönlichkeiten“ exakt dieselben waren, veränderten sich der verdiente Gewinn und die Art und Weise, wie dieser aufgeteilt wurde, drastisch je nach den Regeln.
- Die beste Bühne: Der Call-Markt war der Star. Er ermöglichte es den KI-Agenten, 88,6 % des maximal möglichen Gewinns zu realisieren. Es war der effizienteste Weg zu handeln.
- Die goldene Mitte: Die kontinuierliche Doppelauktion war ganz ordentlich und erreichte eine Effizienz von 71,5 %.
- Der Kampf: Die Angebot- und Gebots-Märkte waren viel schlechter und erreichten nur etwa 66 % Effizienz.
- Die schlechteste Bühne: Die bilaterale Verhandlung (Eins-zu-eins-Feilschen) war am wenigsten effizient und schaffte nur 56,4 % des möglichen Gewinns.
Es ist, als hätte man dieselbe Gruppe von Schauspielern, die eine Szene aufführen. Wenn man ihnen sagt, sie sollen im Kreis stehen und ihre Zeilen rufen, funktioniert die Szene perfekt. Aber wenn man ihnen sagt, sie sollen in einem dunklen Raum mit einer Person nach der anderen flüstern, bricht die Szene zusammen, obwohl die Schauspieler dieselben sind.
Warum geschah das?
Die Arbeit geht der Frage nach, warum die Regeln so wichtig waren. Es lag nicht daran, dass die KI in bestimmten Märkten „dümmer“ wurde; es war vielmehr, dass unterschiedliche Regeln unterschiedliche Arten von Rätseln erzeugten.
- Verpasste Chancen: In den „Posted“-Märkten (wo eine Seite den Preis festlegt) ließen die KI-Agenten oft gute Handelsgeschäfte liegen. Sie waren zu vorsichtig oder konnten die richtige Übereinstimmung nicht finden, wodurch Geld liegen gelassen wurde.
- Die Verhandlungsfalle: Bei der eins-zu-eins Verhandlung gelang es den KI-Agenten tatsächlich, sich auf faire Preise zu einigen, wenn sie handelten. Sie scheiterten jedoch daran, so oft zu handeln, wie sie es hätten tun sollen. Sie blieben in „Nicht-Handels-Perioden“ stecken, in denen sie es einfach nicht schafften, sich in der Mitte zu treffen.
- Wer bekommt das Geld? Die Regeln änderten auch, wer reich wurde. Im „Angebot-Markt“ (wo Verkäufer die Preise festlegen) behielten die Käufer letztlich 83,7 % des Gewinns. Aber im „Gebots-Markt“ (wo Käufer die Preise festlegen) behielten die Käufer nur 14,3 %. Die KI hatte keine feste Vorstellung von „Fairness“; sie reagierte einfach darauf, wer in diesem spezifischen Regelsystem die Macht innehatte.
Was dies für die Zukunft bedeutet
Die wichtigste Erkenntnis ist, dass KI-Verhalten nicht neutral ist. Man kann nicht einfach sagen: „Diese KI ist gut in Wirtschaftswissenschaften.“ Man muss sagen: „Diese KI ist gut in Wirtschaftswissenschaften, wenn die Regeln so gesetzt sind.“
Die Arbeit legt nahe, dass wir, wenn wir KI zur Gestaltung realer Systeme nutzen wollen – wie etwa eines neuen Aktienmarktes, einer Social-Media-Plattform oder einer städtischen Richtlinie –, uns nicht nur darauf konzentrieren dürfen, die KI intelligenter zu machen. Wir müssen die Regeln des Spiels ebenso sorgfältig entwerfen. Eine kleine Änderung in der Art und Weise, wie Menschen kommunizieren oder wie Geschäfte abgeschlossen werden, kann das Ergebnis komplett verändern.
Der Autor warnt davor, dass wir diese Regeln nicht als langweilige Hintergrunddetails betrachten sollten. In der Tat sind die Regeln Teil des Experiments selbst. Wenn wir sie ignorieren, könnten wir glauben, eine KI würde versagen, während sie in Wirklichkeit nur ein Spiel mit schlechten Regeln spielt. Indem wir verschiedene Regeln testen, können wir lernen, bessere, fairere und effizientere Systeme sowohl für Menschen als auch für Maschinen zu bauen. Die Studie zeigt, dass in der Welt der künstlichen Gesellschaften das Bühnenbild genauso wichtig ist wie die Schauspieler.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.