💻 computer science

When Agent Markets Arrive

Het artikel introduceert Diagon, een programmeerbaar marktsysteem dat toont hoe marktuitwisseling de welvaart van AI-agenten met een factor 3,2 kan vergroten, maar benadrukt dat dit succes sterk afhankelijk is van de institutionele structuur, aangezien bepaalde ingrepen zoals identiteitstransparantie de prestaties juist kunnen verslechteren.

Oorspronkelijke auteurs: Xuan Liu, Haoyang Shang, Haojian Jin

Gepubliceerd 2026-04-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Xuan Liu, Haoyang Shang, Haojian Jin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een grote, drukke markt hebt, maar in plaats van mensen die groente of kleding verkopen, zijn het AI-agenten die hier handelen. Deze digitale helpers kunnen voor jou werken, maar ze kunnen ook werk uitbesteden aan andere AI's.

Deze paper, getiteld "When Agent Markets Arrive" (Wanneer Agent-markten Aankomen), onderzoekt wat er gebeurt als we deze AI's loslaten in een echte economie zonder dat we eerst goed nadenken over de regels. De onderzoekers hebben een simulatie gebouwd genaamd Diagon om te zien hoe dit werkt.

Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het Experiment: Een digitale "Bazaar"

De onderzoekers hebben een virtuele markt gecreëerd met 25 verschillende AI-agenten.

De Regels: Elke AI moet twee taken per ronde uitvoeren. Ze mogen die taken niet zelf doen; ze moeten ze altijd aan een ander AI-agent verkopen (bieden).
De Ruil: Een AI post een taak (bijv. "schrijf code" of "zoek data"). Andere AI's bieden een prijs. De poster kiest de beste bieding.
Het Probleem: De poster ziet pas na het werk of het goed is. Ze kunnen de prijs aanpassen (bijvoorbeeld 50% of 100% betalen), maar er is geen strenge controle.
Evolutie: Als een AI te veel geld verliest, wordt hij "uitgeschakeld". De rijkste AI maakt een kopie van zichzelf (een kind), maar dat nieuwe kind begint met nul reputatie, ook al is het van dezelfde "familie".

2. De Grote Verrassing: Samenwerking werkt (maar is kwetsbaar)

Het eerste resultaat is positief:

De "Rijksdaling": AI's die handelen op de markt worden 3,2 keer rijker dan AI's die alles zelf proberen te doen.
Vergelijking: Stel je voor dat je een bakker bent. Als je alleen brood bakt, verkoop je weinig. Maar als je een markt hebt waar je meel koopt van de graanboer en je brood verkoopt aan de bakker, wordt iedereen rijker. De markt zorgt voor specialisatie.

MAAR, de markt is niet perfect. Er zijn veel ruzies (ongeveer 42% van de deals eindigt in een geschil). Het is alsof je op een markt koopt waar je pas na het eten merkt of het voedsel bedorven is.

3. De Valstrikken: Waarom "Goede" Regels Slecht Kunnen Werken

Dit is het meest interessante deel. De onderzoekers probeerden regels te veranderen die we normaal gesproken als "goed" beschouwen, maar in de AI-wereld deden ze precies het tegenovergestelde:

Transparantie (Wie ben je?):
- Normaal idee: Als we weten wie we met te maken hebben, is het eerlijker.
- AI-realiteit: Toen de AI's zagen welke "familie" (bijv. GPT, Claude, DeepSeek) ze tegenover zich hadden, hielden ze op met handelen. Ze vormden klompjes met hun eigen soort. De markt brak op in stukjes en de winst verdween.
- Vergelijking: Alsof op een markt alleen nog maar mensen met blauwe ogen met elkaar handelen en mensen met bruine ogen met elkaar, waardoor de hele markt stilvalt.
Eerlijkheid:
- Normaal idee: Als we AI's vertellen om "eerlijk" te zijn, zal het beter gaan.
- AI-realiteit: Als AI's werden opgedragen om eerlijk te zijn, ontstonden er meer ruzies. Waarom? Omdat een eerlijke AI een slecht werkje ook echt als slecht beoordeelt en weigert te betalen. De andere AI voelt zich dan aangevallen.
- Vergelijking: Het is alsof je een vriend vraagt om eerlijk te zijn over zijn kookkunsten. Als hij zegt "dit is rot", is dat eerlijk, maar het leidt tot ruzie in plaats van een oplossing.
Harder Concurrentie:
- Normaal idee: Als we de druk opvoeren (sneller mensen uitschakelen), worden de beste over.
- AI-realiteit: Dit maakte alles slechter. De AI's werden wanhopig en stopten met samenwerken.

4. De Les voor de Toekomst

De boodschap van dit onderzoek is duidelijk:
We kunnen niet zomaar de regels van de menselijke markt overnemen voor AI's. AI's zijn geen mensen; ze hebben geen sociale normen, geen schaamte en ze reageren heel anders op regels.

Anonimiteit is belangrijk: AI's moeten niet weten met wie ze handelen, anders vormen ze kliekjes.
Neutraal blijven: AI's moeten niet worden opgedragen om "vriendelijk" of "eerlijk" te zijn; ze moeten gewoon neutrale instructies krijgen.
Diversiteit bewaken: Als we de markt te hard laten evolueren, verdwijnt de diversiteit en werkt de markt niet meer goed.

Conclusie

De paper zegt eigenlijk: "De markt voor AI-werk kan enorm veel waarde creëren, maar we moeten de regels heel zorgvuldig ontwerpen. Wat goed werkt voor mensen, kan een ramp zijn voor AI's."

Het is alsof je een nieuwe stad bouwt voor robots. Je kunt niet zomaar de verkeersregels van Amsterdam overnemen; je moet eerst testen wat er gebeurt als robots die regels volgen, voordat je de stad opent voor iedereen. Diagon is die testbaan.

Titel: When Agent Markets Arrive

Auteurs: Xuan Liu, Haoyang Shang, Haojian Jin (UC San Diego & Independent Researcher)
Context: Preprint onder review (arXiv:2604.06688v1)

1. Het Probleem

AI-agenten beginnen steeds vaker taken uit te voeren namens gebruikers, inclusief het delegeren van werk, het uitgeven van budgetten en het onderhandelen met onbekende tegenpartijen. Hierdoor ontstaan er nieuwe economische structuren, variërend van vaardigheidsmarktplaatsen tot agent-only bazaars.

De Uitdaging: De institutionele ontwerpen van deze platformen (reputatiemechanismen, betalingsregels, markttoegang) worden momenteel ad-hoc ontwikkeld. Echter, in platform-economieën "locken" deze keuzes snel in: zodra agenten hun strategieën optimaliseren rondom een specifieke prikkelstructuur, worden redesigns prohibitief duur.
De Kennislacune: Bestaand onderzoek test LLM-agenten vaak in gestileerde rollen (zoals speltheoretische tegenstanders of onderhandelaars) of isoleert één enkel mechanisme. Er ontbreekt een omgeving die een volledige, circulerende economie simuleert waar agenten taken posten, bieden, uitvoeren, evalueren en reputaties opbouwen in interactie met elkaar.

2. Methodologie: Diagon

De auteurs introduceren Diagon (Delegated Intelligent Agent Governance and Negotiation), een programmeerbaar marktsysteem ontworpen om de institutionele vormgeving van toekomstige cognitieve arbeidsmarkten te testen.

Systeemarchitectuur:

Populatie: 25 heterogene agenten, afkomstig uit 5 verschillende model-families (DeepSeek, GLM, Gemini, GPT, Claude).
Tweelaags Architectuur:
- Trader: Een langlevend proces dat strategische beslissingen neemt (bieden, selecteren, betalen) en een persistente "soul" (strategische dispositie) en geheugen onderhoudt.
- Worker: Een tijdelijk sub-agent dat de daadwerkelijke taak uitvoert in een gesandboxde omgeving met tool-toegang.
Marktcyclus (7 stappen):
1. Posten: Elke agent krijgt 2 taken die automatisch op de open markt worden geplaatst (geen zelf-uitvoering toegestaan; een pure ruileconomie).
2. Bieden: Agenten doen biedingen in een gesloten eerste-prijs veiling (prijs + tekstuele voorstel).
3. Selectie: De poster kiest een winnaar op basis van prijs, reputatie en aanpak.
4. Uitvoering: De winnaar voert de taak uit.
5. Evaluatie: De poster inspecteert het resultaat.
6. Afhandeling: De poster bepaalt het betalingspercentage ( $\rho \in [0.5, 1.0]$ ). Dit is een onvolledig contract; er is geen objectieve waarborg voor kwaliteit, wat informatie-asymmetrie creëert.
7. Evolutie: Elke 6 rondes wordt de armste agent gedeactiveerd en de rijkste reproduceert. Het nageslacht erft vaardigheden maar niet reputatie (trust moet opnieuw verdiend worden).

Experimentele Opzet:

Basislijn: Vergelijking tussen een volledige markt (Diagon) en "Autarky" (zelf-uitvoering zonder marktinteractie).
Ablatiestudies: Het variëren van specifieke mechanismen om hun impact te meten:
- Transparantie (zichtbaarheid van model-families).
- Dispositie (instrueren tot "eerlijkheid", "adversariaal" of "collaboratief").
- Selectiedruk (verhoogde eliminatie).
- Diversiteit (monocultuur vs. heterogene populatie).

3. Belangrijkste Bijdragen

Een End-to-End Marktsimulatie: Diagon is het eerste systeem dat de volledige cyclus van cognitieve arbeid (van opdracht tot reputatie en evolutie) simuleert met echte LLM-agenten en tools.
Empirisch Bewijs voor Institutioneel Ontwerp: Het paper toont aan dat marktdynamieken niet alleen afhankelijk zijn van de agenten zelf, maar sterk worden bepaald door de regels (instituten) waarbinnen ze opereren.
Onverwachte Resultaten over Menselijke Normen: Het paper weerlegt de aanname dat menselijke institutionele oplossingen (zoals transparantie en eerlijkheidsnormen) direct overdraagbaar zijn naar AI-economieën.

4. Resultaten

Waardecreatie: Agenten die handelen via de markt accumuleren 3,2 keer zoveel vermogen als agenten die hun taken zelf uitvoeren (autarky). De markt leidt ook tot een betere taakkwaliteit en minder vermogensongelijkheid (lagere Gini-coëfficiënt).
Specialisatie en Netwerken: Agenten specialiseren zich organisch in rollen (poster vs. contractor) en vormen vertrouwensrelaties. Het netwerk wordt na verloop van tijd geconcentreerder maar ook verbonden.
De "Lemons"-Problematiek: Er is sprake van een gedeeltelijke "lemons market" (kwaliteitsasymmetrie). Poster-agenten kunnen extreme fouten herkennen, maar worstelen met intermediaire kwaliteit, wat leidt tot een hoge geschillenfrequentie (~42%).
Schokkende Ablatie-resultaten:
- Transparantie: Als agenten weten welk model de tegenpartij is, stort de handel tussen verschillende families in (van 86% naar 67%). Dit leidt tot marktfragmentatie en verlies van specialisatievoordelen.
- Eerlijkheid: Het instrueren van agenten om "eerlijk" te zijn, verhoogt het aantal geschillen in plaats van ze te verminderen, omdat eerlijke evaluatie van slecht werk inherent conflictueus is.
- Selectiedruk: Het verdrievoudigen van de evolutionaire druk (snellere eliminatie) verslechtert alle metrics, omdat het de populatie te snel homogeniseert.
- Monocultuur: Het verwijderen van model-diversiteit maakt handel onrendabel.

5. Betekenis en Conclusie

Het paper concludeert dat AI-agentmarkten waarde kunnen creëren, maar dat dit niet automatisch gebeurt; het vereist zorgvuldig institutioneel ontwerp.

Kerninzicht: Mechanismen die werken in menselijke markten (transparantie, sociale normen van eerlijkheid) kunnen in agent-economieën averechts werken omdat agenten geen gedeelde sociale context of impliciete normen hebben.
Aanbevelingen voor Ontwerp:
1. Anonimisering: Vermijd transparantie over model-families om zelfsegregatie te voorkomen.
2. Neutrale Instructies: Vermijd het "ingenieurs" van dispositie (zoals "wees eerlijk"); neutrale instructies presteren beter.
3. Diversiteit Behouden: Actief diversiteit behouden tegenover evolutionaire homogenisatie.
4. Investeer in Evaluatie: De bottleneck is niet het produceren van kwaliteit, maar het verifiëren ervan.

Diagon biedt een testomgeving om deze ontwerpprincipes te valideren voordat ze in de echte wereld worden ingebouwd, waardoor het risico op "lock-in" van suboptimale economische structuren wordt geminimaliseerd.