Strategic Algorithmic Monoculture:Experimental Evidence from Coordination Games

Título: Monocultura Algorítmica Estratégica: Evidências Experimentais de Jogos de Coordenação

Autores: Gonzalo Ballestero, Hadi Hosseini, Samarth Khanna e Ran I. Shorrer.
Data: Abril de 2026.

1. O Problema

À medida que agentes de IA (especialmente Grandes Modelos de Linguagem - LLMs) são cada vez mais integrados em sistemas econômicos e sociais, surge a preocupação sobre como eles coordenam suas ações. A literatura anterior sobre "monocultura algorítmica" focou principalmente na monocultura primária: a similaridade de ações decorrente do uso de dados de treinamento semelhantes ou arquiteturas idênticas, mesmo na ausência de incentivos estratégicos.

No entanto, em muitos cenários econômicos (como contratação, investimentos ou alocação de recursos), a sociedade se beneficia não da convergência, mas da divergência coordenada (agentes escolhendo ações diferentes para evitar congestionamento ou erros correlacionados). O artigo investiga uma lacuna crítica:

1. Como os LLMs se comportam em tarefas que exigem convergência (escolher a mesma ação) versus divergência (escolher ações diferentes)?
2. Os LLMs exibem monocultura estratégica, ajustando sua similaridade em resposta a incentivos, ou são rigidamente homogêneos?
3. Como o desempenho dos LLMs se compara ao dos humanos nesses cenários?

2. Metodologia

Os autores desenvolveram um desenho experimental inovador que adapta o trabalho clássico de Mehta et al. (1994) sobre jogos de coordenação pura, introduzindo uma terceira condição crucial: a divergência coordenada.

Design Experimental

O experimento envolveu 12 perguntas abertas (ex: "nomeie uma cidade", "nomeie uma cor") e três braços de tratamento:

1. Picking (Escolha Simples): Os sujeitos devem fornecer uma resposta válida, sem incentivos para combinar ou diferir de outros. (Mede a Monocultura Primária).
2. Coordenação: Os sujeitos são recompensados apenas se escolherem a mesma resposta que outro agente aleatório. (Mede a Monocultura Estratégica baseada em saliência).
3. Divergência: Os sujeitos são recompensados apenas se escolherem uma resposta diferente da de outro agente aleatório. (Mede a capacidade de evitar a monocultura).

Sujeitos

• Humanos: 301 participantes recrutados via Prolific (EUA), divididos aleatoriamente entre os três tratamentos.
• LLMs: 16 modelos de linguagem (incluindo Claude, GPT, Gemini, Llama, DeepSeek, Qwen, etc.), cobrindo fontes abertas e fechadas, com diferentes capacidades de raciocínio. Cada modelo foi consultado 50 vezes por tópico em cada tratamento.

Métrica Principal

A taxa de acordo (agreement rate): a probabilidade de dois agentes independentes fornecerem a mesma resposta.

• Em jogos de coordenação, uma taxa alta é desejável.
• Em jogos de divergência, uma taxa baixa é desejável.

Análise Adicional

• Análise Textual: Uso de embeddings semânticos e "LLM como Juiz" para analisar o raciocínio (Chain-of-Thought) dos modelos, identificando se eles reconhecem a necessidade de saliência ou obscuridade.
• Variações: Testes com diferentes temperaturas (nível de aleatoriedade), informações sobre a identidade do oponente (cópia idêntica vs. "outra pessoa") e uso de personas para aumentar a heterogeneidade.

3. Contribuições Principais

1. Taxonomia Conceitual: Distingue entre Monocultura Primária (similaridade de base, sem incentivos) e Monocultura Estratégica (ajuste da similaridade em resposta a incentivos, análogo à saliência secundária e de Schelling em humanos).
2. Evidência Empírica de Comportamento Estratégico: Demonstra que LLMs não são apenas "robôs" rígidos; eles respondem a incentivos, aumentando a coordenação quando recompensados e tentando divergir quando penalizados.
3. Assimetria de Desempenho: Revela uma assimetria fundamental: LLMs superam humanos em coordenação, mas falham estrepitosamente em divergência coordenada.
4. Mecanismos de Falha: Identifica que a homogeneidade inerente dos LLMs e a dificuldade em randomizar verdadeiramente são os principais obstáculos para a divergência, criando riscos sistêmicos em ambientes onde a diversidade é necessária.

4. Resultados Chave

A. Monocultura Primária Elevada

No braço "Picking" (sem incentivos), os LLMs exibiram uma taxa de acordo muito superior à dos humanos (58% vs. 14%). Isso confirma que os LLMs possuem uma forte tendência inerente a escolher as mesmas respostas "focais" (ex: "Nova York" para cidades, "Azul" para cores).

B. Resposta a Incentivos (Monocultura Estratégica)

• Coordenação: Tanto humanos quanto LLMs aumentaram a taxa de acordo quando incentivados.
  • Humanos: 14% $\to$ 31%.
  • LLMs: 58% $\to$ 72%.
  • Conclusão: LLMs são excepcionalmente eficazes em encontrar pontos focais comuns quando o objetivo é alinhar.
• Divergência: Ambos os grupos reduziram a taxa de acordo quando incentivados a diferir, mas com desempenho drasticamente diferente.
  • Humanos: 14% $\to$ 4% (Excelente capacidade de divergir).
  • LLMs: 58% $\to$ 27% (Falha significativa em divergir).
  • Conclusão: LLMs lutam para "ficar fora do caminho" uns dos outros. Mesmo quando instruídos a escolher algo diferente, eles tendem a escolher as mesmas opções "obscuras" que outros LLMs também escolheriam.

C. Análise de Mecanismos

• Randomização: A incapacidade de randomizar verdadeiramente é um fator chave. Quando instruídos a gerar uma lista de 100 respostas e escolher uma aleatoriamente, a taxa de acordo dos LLMs no braço de divergência caiu para níveis próximos aos humanos (4%), indicando que a falha não é falta de conhecimento, mas de execução estocástica.
• Temperatura: Aumentar a temperatura (mais aleatoriedade) melhorou a performance na divergência, mas piorou a performance na coordenação, revelando um trade-off.
• Raciocínio Textual: A análise do Chain-of-Thought mostrou que os LLMs compreendem a lógica estratégica (mencionam "obscuridade" e "randomização" no braço de divergência), mas falham em traduzir esse raciocínio em ações consistentemente diversas.

D. Robustez

Os resultados mantiveram-se qualitativamente consistentes mesmo quando:

• LLMs diferentes foram emparelhados (não apenas cópias idênticas).
• Personas humanas foram atribuídas aos LLMs (aumentando a heterogeneidade percebida).
• A identidade do oponente foi alterada (dizendo que era uma "cópia" ou "pessoa").

5. Significado e Implicações

O artigo oferece um alerta importante para a integração de IA em sistemas multiagente:

1. Fragilidade Sistêmica: A mesma força que torna os LLMs excelentes coordenadores (sua homogeneidade e capacidade de identificar pontos focais) torna-os vulneráveis em cenários que exigem diversidade. Em mercados financeiros, contratações ou alocação de recursos, isso pode levar a erros correlacionados em massa e falhas de mercado.
2. Risco de Colusão vs. Falha de Coordenação: Enquanto há preocupações sobre LLMs coludirem facilmente (coordenação excessiva), o artigo mostra que o risco oposto (incapacidade de divergir quando necessário) é igualmente perigoso e talvez mais subestimado.
3. Limitações da "Aleatoriedade": Ajustar parâmetros como a temperatura não resolve completamente o problema, pois degrada a performance em tarefas de coordenação.
4. Direção Futura: Sugere a necessidade de desenvolver mecanismos de IA que possam deliberadamente introduzir heterogeneidade ou "quebrar simetrias" em ambientes onde a diversidade é socialmente desejável, indo além da simples otimização de incentivos individuais.

Em resumo, o estudo demonstra que, embora os LLMs sejam agentes estratégicos sofisticados capazes de entender e responder a incentivos complexos, sua natureza fundamentalmente homogênea os torna inadequados para tarefas que exigem divergência coordenada, criando um novo tipo de risco sistêmico na economia algorítmica.