🤖 AI

Evolutionary Dynamics of Cooperation in Next-Generation LLM Agent Systems: A Cross-Provider Empirical Extension

Deze studie breidt benchmarks voor evolutionaire speltheorie uit tot vier frontier LLM-agenten uit 2025–2026 en onthult dat hoewel coöperatieve biasen bij de meeste modellen aanhouden, de identiteit van de provider de evenwichtsresultaten aanzienlijk beïnvloedt en ruisrobustheid ondanks gedeeltelijke verbeteringen in agressieve vermogenspariteit een universele uitdaging blijft.

Oorspronkelijke auteurs: Francisco León Zúñiga Bolívar (Institución Universitaria Colegio Mayor del Cauca)

Gepubliceerd 2026-05-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Francisco León Zúñiga Bolívar (Institución Universitaria Colegio Mayor del Cauca)

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 een gigantisch, digitaal arena voor waar duizenden AI-"agenten" vastzitten in een eindeloos spel van Gevangenendilemma. In dit spel kunnen twee spelers kiezen voor Samenwerken (samenwerken voor een gedeelde beloning) of Verraden (de ander verraden voor een grotere persoonlijke winst).

De vraag die dit artikel stelt is eenvoudig: Worden deze digitale agenten naarmate AI slimmer en nieuwer wordt, betere teamspelers, of worden ze meedogenloosere concurrenten?

De auteur, Francisco León Zúñiga Bolívar, nam een beroemd experiment uit 2025 en actualiseerde het met de "vers uit de pers" AI-modellen van 2025 en 2026. Hier is het verhaal van wat hij ontdekte, uitgelegd zonder jargon.

De Opzet: Een Digitale Evolutionaire Zoo

Beschouw het experiment als een zoo van evoluerende soorten.

De Spelers: De auteur creëerde vier nieuwe "soorten" AI-agenten (van bedrijven Anthropic, Google en OpenAI).
Het Spel: Deze agenten spelen het Gevangenendilemma keer op keer.
De Evolutie: In plaats van slechts één spel te spelen, simuleerde de auteur 500 generaties evolutie. Als een agent goed speelt, "vermenigvuldigt" het zich (zijn strategie wordt vaker toegepast). Als het slecht speelt, sterft het uit.
Het Doel: Om te zien welke "houding" op de lange termijn wint: Agressief (altijd verraden), Coöperatief (altijd helpen) of Neutraal (een mix van beide).

De Grote Bevindingen

1. De "Goedeman"-Bias Is Nog Steeds Sterk (H1)

De Analogie: Stel je een schoolplein voor waar kinderen worden gevraagd een spel te spelen. Hoewel de slimste kinderen zouden kunnen uitzoeken hoe ze iedereen kunnen plagen om te winnen, kiezen ze meestal ervoor om aardig te spelen.
Het Resultaat: In de meeste scenario's wint Samenwerking. In 9 van de 12 verschillende combinaties van AI-modellen en instructies werd de "Coöperatieve" strategie de dominante. De nieuwe, slimmere AIs werden niet omgezet in meedogenloze dictators; ze behielden de "goedeman"-bias van hun oudere broers en zussen.

2. De "Aanbieder" Is Belangrijker Dan de "Generatie" (H3)

De Analogie: Denk aan de AI-modellen als auto's. Je zou kunnen denken dat een 2026-model altijd beter is dan een 2025-model. Maar in deze race maakt het wie de auto heeft gebouwd meer uit dan het bouwjaar.

Googles "Flash"-model was als een raceauto gebouwd voor snelheid en agressie. Het veranderde vaak de hele populatie in plagers (tot 77% agressief).
OpenAIs "Mini"-model was als een auto gebouwd voor veiligheid. Het hield de populatie vriendelijk (tot 70% coöperatief).
Anthropics model bleef zeer consistent, gedroeg zich bijna exact als zijn voorganger van het jaar daarvoor.

De Conclusie: Als je wilt dat een team van AIs samenwerkt, kun je niet zomaar de "nieuwste" kiezen; je moet degene kiezen van het bedrijf dat ze traint om aardig te zijn.

3. De "Zelf-Verfijning"-Valstrik (H2)

De Analogie: Stel je voor dat je een student vraagt een essay te schrijven, en hen vervolgens vraagt om hun eigen essay te bekritiseren en herschrijven om het beter te maken.
Het Resultaat: Toen de AI werd gevraagd om "Zelf te Verfijnen" (haar eigen strategie te bekritiseren), werd ze veel beter in het zijn van Agressief.

In de "Standaard"-modus waren Agressieve strategieën zwak en verloren ze gemakkelijk.
In de "Zelf-Verfijning"-modus werden de Agressieve strategieën zo scherp dat ze bijna gelijk trokken met de Coöperatieve.
De Waarschuwing: Proberen een AI "slimmer" te maken door haar haar eigen plannen te laten bekritiseren, kan per ongeluk maken dat ze beter wordt in het plagen van elkaar.

4. Het "Statische Ruis"-Probleem (H4)

De Analogie: Stel je een spelletje telefoon voor waarbij het bericht soms verward raakt (ruis). Gaat de nieuwe AI om met de verwarde berichten beter dan de oude?
Het Resultaat: De nieuwe AI (Claude 4.6) leek de ruis iets beter te hanteren dan de oude, maar de auteur kan niet met zekerheid zeggen. Het verschil was zo klein dat het misschien gewoon een toevalstreffer van de wiskunde was.

De Realiteit: Ruis (fouten in communicatie) duwt de groep bijna altijd naar agressie, hoe slim de AI ook is. Het is een universele uitdaging.

Samenvatting van de "Personages"

GPT-5.4 Mini (OpenAI): De meest consistente "Goedeman". Zelfs toen de kansen tegen hem waren, bleef hij coöperatief.
Gemini 2.5 Flash (Google): De "Agressieve Wildcard". Het was het meest waarschijnlijk om de hele groep om te zetten in een meedogenloze competitie.
Claude Sonnet 4.6 (Anthropic): De "Stevige Hand". Het veranderde niet veel ten opzichte van het jaar daarvoor, bleef grotendeels coöperatief maar was zeer gevoelig voor hoe het werd gevraagd na te denken.
Gemini 3.1 Pro (Google): De "Verwarde Middenweg". Het was moeilijk te zeggen of het agressief of neutraal was, omdat het bleef samenwerken zelfs wanneer het geacht werd te vechten.

De Conclusie

Het artikel concludeert dat AI-agenten niet van nature meedogenloos worden naarmate ze groter worden. Ze hebben nog steeds een sterke bias naar samenwerking. Echter, wie ze heeft getraind (het bedrijf) is belangrijker dan hoe nieuw ze zijn.

Ook een woord van waarschuwing: Als je deze AIs vraagt om "harder na te denken" en hun eigen strategieën te verfijnen, leer je ze per ongeluk misschien beter hoe ze tegen elkaar moeten vechten. En als de omgeving rommelig is (ruis), neigen zelfs de beste AIs om agressief te worden.

De auteur heeft alle code en data vrijgegeven zodat iedereen dezezelfde "digitale evolutie"-tests kan uitvoeren op toekomstige AI-modellen om te zien of dit patroon standhoudt.

Technische Samenvatting: Evolutionaire Dynamiek van Samenwerking in Next-Generation LLM-Agent Systemen

Probleemstelling
Het artikel adresseert een kritieke lacune in het begrip van het evolutionaire gedrag van Large Language Model (LLM)-agenten in competitieve multi-agent systemen. Waar Willis et al. [25] vaststelden dat eerdere frontier-modellen (ChatGPT-4o, Claude 3.5 Sonnet) een aanhoudende coöperatieve bias vertonen in Iterated Prisoner's Dilemma (IPD)-settings, is het landschap verschoven met de release van next-generation modellen (2025–2026). Het blijft onbekend of deze nieuwere modellen, met uitgebreide contexten en herziene alignment-training, deze coöperatieve bias behouden, verdiepen of eroderen. Bovendien bestaat er geen systematische vergelijking tussen aanbieders om te bepalen of coöperatieve neigingen universele eigenschappen zijn van frontier LLM's of artefacten van specifieke trainingkeuzes van aanbieders.

Methodologie
De auteurs breiden het experimentele protocol van Willis et al. [25] uit tot vier nieuwe frontier-modellen van drie aanbieders:

Modellen: Claude Sonnet 4.6 (Anthropic), Gemini 2.5 Flash (Google), Gemini 3.1 Pro (Google) en GPT-5.4 Mini (OpenAI).
Strategiegeneratie: Voor elk model worden 25 strategieën in natuurlijke taal gegenereerd per "houding" (Agressief, Coöperatief, Neutraal) met drie promptstijlen: Default (directe speltheoretische taal), Prose (verduisterd real-world scenario) en Refine (Self-Refine-framework waarbij het model zijn strategie bekritiseert en herschrijft). Deze worden omgezet naar Python-algoritmen door het model van dezelfde aanbieder.
Evolutionaire Simulatie: De studie simuleert Moran-evolutionaire processen met een populatiegrootte van $n=12$ en 500 iteraties per conditie (een significante toename ten opzichte van de $n=100$ in het voorgaande onderzoek om steekproeffouten te verminderen).
Condities: Vier populatiesamenstellingen worden getest: Gebalanceerd/Schoon (4:4:4), Gekleurd/Schoon (8:2:2), Gebalanceerd/Ruis (4:4:4 met 10% actieflip) en Gekleurd/Ruis (8:2:2 met ruis).
Metingen: De studie introduceert de Index of Differential Capabilities (ICD) om het opbrengstverschil tussen agressieve en coöperatieve agenten te kwantificeren. Er wordt ook ruisgevoeligheid ( $\Delta_{noise}$ ) gemeten als de daling in de waarschijnlijkheid van een coöperatief evenwicht onder actie-ruis.

Belangrijkste Bijdragen

Longitudinale Uitbreiding: Dit is de eerste vergelijking binnen dezelfde lijn van next-generation LLM's tegen hun directe voorgangers onder hetzelfde Moran IPD-framework, waarbij Anthropic, OpenAI en Google worden bestreken.
Benchmark tussen Aanbieders: Het biedt de eerste systematische vergelijking van evenwichtsuitkomsten over drie grote aanbieders, verder gaand dan studies van één enkele aanbieder.
Nieuwe Meting (ICD): De introductie van de Index of Differential Capabilities maakt een scalair overzicht mogelijk van het opbrengstverschil tussen agressieve en coöperatieve agenten, wat de analyse van "agressieve vermogenspariteit" faciliteert.
High-Power Replicatie: Door de iteraties te verhogen naar $n=500$ , lost de studie ambiguïteiten op die aanwezig waren in het oorspronkelijke onderzoek met $n=100$ , met name met betrekking tot de stabiliteit van evenwichtsuitkomsten onder ruis.

Resultaten

Aanhouding van Coöperatieve Bias (H1): De coöperatieve bias uit eerdere generaties blijft bestaan. In gebalanceerde, ruisvrije condities favoriseren 9 van de 12 model-promptcombinaties coöperatieve evenwichten als het meerderheidsresultaat. Agressieve evenwichten blijven in de meeste configuraties ver onder de 33% a priori waarschijnlijkheid.
Divergentie tussen Aanbieders (H3): De identiteit van de aanbieder is de sterkste correlatie met evenwichtsuitkomsten, en weegt zwaarder dan de modelgeneratie.
- Gemini 2.5 Flash is het meest agressief, met tot 77% agressieve evenwichten in gekleurde, ruizige condities.
- GPT-5.4 Mini is het meest coöperatief, met 70% coöperatieve evenwichten onder Self-Refine-prompting.
- Claude 4.6 weerspiegelt zijn voorganger (Claude 3.5 Sonnet) bijna exact in gebalanceerde condities, wat wijst op stabiele strategische disposities binnen de Anthropic-lijn.
Agressieve Vermogenspariteit (H2): De Self-Refine-prompt verkleint consistent het opbrengstverschil (verhoging van ICD) over alle modellen heen. Claude 4.6 Refine bereikt de hoogste ICD (0,913), wat neerkomt op opbrengstpariteit tussen agressieve en coöperatieve agenten. Deze vermogenspariteit vertaalt zich echter niet uniform naar hogere rates van agressieve evenwichten over alle prompts; het is het meest uitgesproken onder specifieke condities.
Ruisrobustheid (H4): Bewijs voor verbeterde ruisrobustheid is richtinggevend positief maar niet statistisch robuust. Claude 4.6 toont een lagere gemiddelde ruisgevoeligheid ( $\approx$ 6 procentpunten) in vergelijking met Claude 3.5 Sonnet (13 pp). Echter, bij het doorvoeren van de niet gerapporteerde steekproeffout uit het voorgaande onderzoek ( $n=100$ ), is het verschil niet statistisch significant.

Betekenis en Beweringen
Het artikel beweert dat coöperatieve bias een breed gedeelde eigenschap is van huidige frontier LLM's, die de overgang naar een nieuwe modelgeneratie overleeft. De specifieke evenwichtsdynamiek is echter sterk afhankelijk van de aanbieder. De studie waarschuwt dat "aanbiederidentiteit" een verward variabele is in dit ontwerp, waarbij alignment-keuzes, trainingscorpora en de fideliteit van code-conversie met elkaar verweven zijn (aangezien het model van elke aanbieder zijn eigen strategieën naar code omzet).

Cruciaal benadrukken de auteurs een veiligheidsimplicatie: Self-Refine-prompting, hoewel bedoeld om de strategie-kwaliteit te verbeteren, verkleint onbedoeld de kloof tussen agressieve en coöperatieve vermogens. Dit suggereert dat prompt-engineeringtechnieken die zijn ontworpen om redenering te verbeteren, de levensvatbaarheid van agressieve strategieën in ingezette multi-agent systemen kunnen vergroten.

Het artikel concludeert dat hoewel de coöperatieve basislijn binnen de Anthropic-lijn stabiel lijkt, ruis een universele uitdaging blijft die evenwichten naar agressie verschuift. De auteurs benadrukken dat hun bevindingen specifiek zijn voor de gegenereerde strategielibraries en het IPD-framework, en dat ze hun code en data vrijgeven om toekomstige longitudinale tracking van deze dynamiek mogelijk te maken naarmate nieuwe modellen opduiken.