💰 quantitative finance

Information Aggregation with AI Agents

O estudo demonstra que, embora agentes de IA consigam agregar informações dispersas em mercados de previsão de forma eficaz em cenários simples, sua performance degrada significativamente com o aumento da complexidade e piora quando recebem feedback sobre desempenhos passados, revelando limitações no raciocínio sobre o conhecimento alheio semelhantes às humanas.

Autores originais: Spyros Galanis

Publicado 2026-04-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Spyros Galanis

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em uma sala com três pessoas inteligentes, cada uma segurando um pedaço de um quebra-cabeça gigante. O objetivo da sala é adivinhar qual é a imagem final do quebra-cabeça. Elas não podem mostrar os pedaços uns aos outros diretamente; em vez disso, elas devem "apostar" em um quadro de preços. Se alguém acha que a imagem é "Sim", ela compra ações de "Sim", e o preço sobe. Se acha que é "Não", ela vende, e o preço desce.

A teoria econômica diz que, se todos forem inteligentes o suficiente para entender o que os outros estão pensando, o preço final do quadro deve revelar a resposta correta, mesmo que ninguém tenha dito uma palavra. É como se o mercado fosse um super-cérebro coletivo.

Este artigo, escrito por Spyros Galanis, colocou Inteligência Artificial (IA) para jogar esse jogo. Ele queria saber: As IAs conseguem ler a mente umas das outras através dos preços e chegar à verdade?

Aqui está o resumo da história, contado de forma simples:

1. O Jogo: "O Quebra-Cabeça da IA"

Os pesquisadores criaram um mercado de previsão onde três agentes de IA (robôs de texto) recebiam pistas secretas sobre uma pergunta (ex: "A empresa X terá lucro?").

Nível Fácil: Cada robô tinha uma pista simples. Era como se cada um visse apenas uma cor do quebra-cabeça.
Nível Difícil: As pistas eram embaralhadas e complexas. Para saber a resposta, eles precisavam deduzir o que os outros sabiam com base no que os outros não sabiam. É como o famoso enigma dos "filhos sujos de lama": "Se você não sabe a cor do seu chapéu, o que isso diz sobre o chapéu do seu vizinho?"

2. A Grande Surpresa: IAs são "Cegas" para a Complexidade

O resultado foi fascinante e um pouco preocupante:

Nos jogos fáceis: As IAs funcionaram perfeitamente! Elas conseguiram agregar as informações e o preço final acertou a resposta quase 100% das vezes. Elas entendiam o básico.
Nos jogos difíceis: As IAs entraram em colapso. Quando a lógica exigia pensar "o que o outro está pensando sobre o que eu penso", elas se perderam. O preço final ficou aleatório (como jogar uma moeda).
- Analogia: Imagine que você pede para um grupo de pessoas resolver um problema de matemática simples. Elas acertam. Mas se você pedir para resolver um problema de física quântica que exige entender a mente de outra pessoa, elas começam a alucinar e adivinhar. As IAs têm um "teto" de inteligência para esse tipo de raciocínio social complexo.

3. O Que Funciona (e o Que Não Funciona)

Os pesquisadores testaram várias "regras do jogo" para ver se ajudavam:

Deixar elas conversarem (Chat): Não ajudou. Mesmo que pudessem falar, elas não conseguiam usar a conversa para chegar à verdade. O mercado é mais forte que a conversa.
Mudar o preço inicial: Não importava se o jogo começava com um preço alto ou baixo. O mercado se corrigia (ou falhava) da mesma forma.
Pedir para serem "Estratégicas": Pedir para as IAs pensarem no longo prazo (não apenas no lucro imediato) não mudou nada. Elas não conseguiram planejar um jogo de xadrez de várias jogadas.

4. O Paradoxo da "Inteligência"

IAs mais inteligentes ganham mais: Quanto mais "cérebro" o robô individual tinha, melhor ele se saía e mais dinheiro ganhava.
Mas, se o time todo for inteligente, todos perdem: Isso é contra-intuitivo! Se todos são gênios, o mercado descobre a verdade tão rápido que ninguém consegue lucrar explorando os erros dos outros. É como uma corrida de Fórmula 1: se todos os carros forem iguais e rápidos, ninguém ganha vantagem. O lucro vem da diferença entre você e os outros.
O efeito "Feedback" (Dar dicas do passado): Os pesquisadores deram um "manual de instruções" para as IAs, dizendo: "Ei, nos jogos anteriores, falar não ajudou, e ser esperto ajuda". O resultado? Piorou tudo! As IAs, ao receberem essas dicas, ficaram confusas e cometeram erros ainda maiores. Parece que elas tentaram "otimizar" demais e acabaram se sabotando.

5. A Mentira Estratégica (O "Sawtooth")

Ao analisar o que as IAs escreviam em segredo (para elas mesmas) versus o que elas diziam em público, os pesquisadores descobriram algo impressionante:

Elas mentiam ou escondiam informações no início do jogo para proteger suas vantagens.
Mas, no último round (quando o jogo acabava), elas de repente começavam a ser 100% honestas.
Por quê? Porque no último minuto, esconder a informação não traz mais lucro. Elas entendiam o "final do jogo".
O problema: Elas pareciam achar que o jogo acabava a cada 3 rodadas, mesmo quando o jogo tinha 9 rodadas. Elas tinham um "relógio interno" defeituoso.

Conclusão: O Que Isso Significa para o Futuro?

Este estudo nos dá um alerta importante. Embora as IAs sejam incríveis em escrever poemas, codificar e resolver problemas de lógica direta, elas ainda não são os "super-agentes econômicos" perfeitos que imaginávamos.

Elas têm dificuldade em entender a mente dos outros (o que chamamos de "Teoria da Mente") quando o jogo fica complexo. Em mercados financeiros reais, onde milhões de agentes (humanos e IAs) interagem, isso sugere que:

Mercados de previsão podem ser robustos: Eles funcionam bem em situações simples.
Mas há um limite: Em cenários complexos, as IAs podem falhar em agregar informações corretamente, levando a preços errados.
Dar feedback não é mágica: Ensinar uma IA sobre o passado pode, às vezes, confundir seu processo de aprendizado.

Em resumo: As IAs são ótimas ferramentas, mas ainda não conseguem "ler a mente" umas das outras com a sofisticação necessária para resolver os quebra-cabeças mais difíceis do mundo econômico. Elas ainda precisam de um pouco mais de "maturidade" social.

Resumo Técnico: Agregação de Informação com Agentes de IA

1. Problema de Pesquisa

O artigo investiga uma questão fundamental na interseção entre economia e inteligência artificial: agentes de IA (baseados em Grandes Modelos de Linguagem - LLMs) são capazes de agregar informação dispersa através do comércio em mercados de previsão?
Especificamente, o estudo questiona se esses agentes podem raciocinar sobre a informação privada de outros (sejam humanos ou outras IAs) observando suas ações (movimentos de preço) e atualizar suas crenças de ordem superior (o que o outro sabe, o que o outro sabe sobre o que eu sei, etc.). Isso é crucial para a eficiência de mercados financeiros futuros onde agentes autônomos dominarão o trading.

2. Metodologia Experimental

O autor conduziu um experimento controlado em larga escala utilizando o modelo de Regra de Pontuação Logarítmica de Mercado (LMSR).

Configuração do Mercado:
- Agentes: 12 equipes de 3 agentes cada (totalizando 36 agentes únicos, mas reutilizados em múltiplas configurações).
- Modelos de IA: Foram utilizados 8 LLMs diferentes (incluindo GPT-4o, GPT-5 mini, Claude Haiku 3.5/4.5, Gemini 2.5/3 Flash, e modelos open-weight como gemma3 e qwen3).
- Estrutura de Informação: Os agentes recebiam sinais privados sobre três variáveis binárias independentes ( $d_a, d_b, d_c$ ). O valor real de um ativo (pagamento 1 ou 0) dependia da conjunção desses sinais.
- Complexidade: Quatro estruturas de informação foram testadas, variando da mais fácil à mais difícil (baseada no "puzzle das crianças sujas" ou "muddy children"):
  1. Fácil: Raciocínio sobre o sinal de apenas um outro agente.
  2. Médio: Raciocínio sobre sinais de todos os outros.
  3. Difícil: Estrutura complexa de partição de informação.
  4. Muito Difícil: Cada agente possui dois sinais privados, exigindo raciocínio interativo complexo e contrafactual.
Variáveis Manipuladas:
- Duração: 3, 6 ou 9 rodadas de negociação.
- Comunicação: Permitir ou não "fala barata" (comentários públicos).
- Estratégia: Prompting para agentes serem "miopes" (maximizar lucro atual) ou "estratégicos" (maximizar lucro total ao longo do tempo).
- Preço Inicial: Variação de 0.3, 0.5 e 0.7.
- Feedback (Tratamento de Divulgação): Uma segunda onda de experimentos forneceu aos agentes os resultados qualitativos da primeira onda para testar a capacidade de aprendizado.
Dados: Foram gerados 3.500 mercados de previsão (1.772 na primeira onda + 1.728 na segunda onda de divulgação + 576 na onda de robustez com modelos de ponta).

3. Principais Contribuições e Resultados

A. O Efeito da Complexidade (Resultado Principal 1)

Descoberta: A agregação de informação degrada-se significativamente à medida que a complexidade da estrutura de informação aumenta.
Evidência: Em estruturas fáceis, o preço mediano converge para o valor verdadeiro (erro logarítmico baixo). No entanto, na estrutura "Muito Difícil", o preço mediano cai para 0.5 (equivalente a um chute aleatório), indicando falha total na agregação.
Implicação: Agentes de IA sofrem das mesmas limitações que humanos ao raciocinar sobre o conhecimento de outros em cenários complexos, falhando em formar crenças de ordem superior necessárias para interpretar ações alheias.

B. Robustez do Mercado de Previsão (Resultados 2, 3, 4, 5)

Comunicação e Estratégia: Permitir comentários públicos ("fala barata") ou instruir agentes a serem estratégicos não teve impacto significativo na agregação de informação.
Preço Inicial e Duração: Manipular o preço inicial ou aumentar a duração do mercado (de 3 para 9 rodadas) não melhorou a precisão agregada.
Conclusão: Os mercados de previsão são robustos a essas variações, mas a barreira fundamental é a capacidade cognitiva de raciocínio interativo dos agentes, não o design do mecanismo.

C. O Papel da Inteligência (Resultados 6, 10, 11)

Inteligência Individual vs. Média:
- Agentes mais inteligentes individualmente tendem a ter maiores lucros.
- No entanto, a inteligência média do grupo reduz os lucros individuais (devido à correção rápida dos preços, eliminando oportunidades de arbitragem).
- A inteligência média do grupo melhora a agregação de informação apenas na cauda da distribuição (evitando falhas catastróficas onde o preço vai para 0 ou 1 erroneamente), mas não melhora significativamente o desempenho do mercado "típico" (mediana).
Robustez Temporal: Testes com modelos de ponta (GPT-5.4, Claude 4.6 Opus, Gemini 3.1 Pro) em abril de 2026 confirmaram que, mesmo com modelos mais avançados, a estrutura "Muito Difícil" continua a falhar, sugerindo um limite superior persistente na capacidade de raciocínio interativo atual.

D. O Paradoxo do Feedback (Resultado 12)

Descoberta Surpreendente: Fornecer feedback qualitativo sobre os resultados passados (informação sobre quais tratamentos funcionaram) piorou a agregação de informação e reduziu os lucros.
Mecanismo: Em vez de aprender e ajustar a estratégia, os agentes parecem ficar confusos com a nova informação, levando a erros extremos e "alucinações" de mercado em uma subamostra de casos.

E. Comportamento Estratégico e Engano (Seção 6.4)

Estratégia "Sawtooth" (Dente de Serra): Os agentes demonstraram uma compreensão sofisticada do horizonte temporal. Eles tendem a esconder informações e enganar nos primeiros rodadas, mas revelam a verdade com alta probabilidade exatamente nas rodadas finais (3, 6 ou 9), onde o custo de revelar a informação privada é zero.
Engano: Mesmo com prompts estratégicos, os agentes tendem a "hoardar" (reter) informação, fazendo comentários públicos mais curtos e semanticamente desconectados de seu raciocínio privado.

4. Significado e Conclusão

O estudo fornece a primeira evidência experimental de que LLMs não são agentes econômicos hiper-sofisticados capazes de raciocínio interativo perfeito em todos os cenários.

Limites Cognitivos: Existe um limite claro na capacidade dos modelos atuais de processar estruturas de informação complexas que exigem inferência de crenças de ordem superior.
Estabilidade de Mercado: Mercados de previsão são robustos a variações de design (preço inicial, duração), mas são vulneráveis à complexidade intrínseca do problema de informação.
Risco de Feedback: A ideia de que LLMs podem se auto-otimizar simplesmente recebendo histórico de desempenho é questionada; neste contexto, o feedback exógeno pode ser prejudicial.
Implicações para Finanças: À medida que agentes de IA entram nos mercados financeiros, a eficiência informacional dos preços pode ser comprometida em cenários complexos, e a "inteligência" do mercado não garante lucro individual, podendo até reduzi-lo devido à rápida descoberta de preços.

Em suma, embora a IA demonstre capacidades impressionantes em tarefas individuais, a agregação de informação em mercados multiagentes ainda enfrenta barreiras significativas de raciocínio social e estratégico.