Resumo Técnico: Instituições Artificiais: Como o Design Institucional Molda Simulações de LLM

Declaração do Problema

A rápida adoção de Grandes Modelos de Linguagem (LLMs) como agentes em sociedades artificiais deslocou o foco primordialmente para as propriedades dos agentes: prompts, personas, memória, capacidades de raciocínio e sua fidelidade aos sujeitos humanos. No entanto, este artigo argumenta que uma variável crítica é frequentemente negligenciada: a arquitetura institucional da simulação.

Em sociedades artificiais, os agentes estão inseridos em regras que ditam quem pode agir, quem pode observar, a sequência de ações, protocolos de comunicação e a agregação de ações individuais em resultados coletivos. Essas regras são frequentemente tratadas como detalhes de implementação de fundo, em vez de parte do objeto científico. O problema central abordado é se os agentes de LLM são "institucionalmente neutros" (produzindo resultados semelhantes independentemente das regras de troca) ou "institucionalmente sensíveis" (produzindo resultados sociais qualitativamente diferentes baseados apenas nas regras de interação). Se for o segundo caso, atribuir os resultados da simulação unicamente às famílias de modelos ou prompts é metodologicamente falho.

Metodologia

O estudo emprega um design experimental controlado baseado na teoria do valor induzido para isolar efeitos institucionais de efeitos de agentes.

• Ambiente Experimental: Um mercado pequeno e repetitivo com quatro compradores artificiais e quatro vendedores artificiais.
  • Compradores: Valores privados de 100, 90, 70 e 50.
  • Vendedores: Custos privados de 30, 45, 65 e 85.
  • Restrições: Cada agente pode negociar no máximo uma vez por período. Os agentes são instruídos a não dar lances acima do valor ou pedir abaixo do custo. Os prompts não revelam a alocação eficiente ou a faixa de preço de equilíbrio competitivo (65–70).
• Variáveis:
  • Fixas: Famílias de modelos de agentes, valores/custos privados, instruções de payoff, número de períodos (5) e estrutura de histórico público.
  • Tratamento (Variável): A instituição de troca. Cinco instituições de mercado padrão foram testadas:
    1. Mercado de Chamada (Call Market): Lances/pedidos selados, compensação centralizada, preço no ponto médio arredondado.
    2. Mercado de Oferta Postada (Posted-Offer Market): Vendedores postam pedidos de "pegar ou deixar", compradores escolhem simultaneamente um ou passam.
    3. Mercado de Lance Postado (Posted-Bid Market): Compradores postam lances de "pegar ou deixar", vendedores escolhem simultaneamente um ou passam.
    4. Leilão de Dupla Contínua (CDA): Chegada sequencial; agentes podem aceitar ofertas vigentes, postar novas ofertas ou passar.
    5. Barganha Bilateral: Emparelhamento aleatório; propostas de rodada única; a troca ocorre se o lance $\ge$ o pedido.
• Modelos: Quatro famílias de modelos foram testadas: GPT-5 mini, GPT-5, Claude Sonnet (especificamente claude-sonnet-4-5-20250929) e Gemini (especificamente gemini-2.5-flash).
• Escala: 10 mercados independentes por célula de modelo-instituição, resultando em 1.000 observações modelo-mercado-período.
• Métricas: Excedente realizado (como % do excedente eficiente), quantidade de trocas, distância da faixa de preço de equilíbrio competitivo (CE) e divisão de excedente entre compradores e vendedores.

Resultados Principais

1. Regras Institucionais Impulsionam Resultados Agregados

A arquitetura institucional sozinha, mantendo agentes e pagamentos constantes, gerou variações significativas nos resultados sociais:

• Eficiência: Mercados de chamada alcançaram a maior eficiência em 88,6% do excedente eficiente. Leilões de dupla contínua (CDA) atingiram 71,5%. Mercados de oferta postada e lance postado realizaram aproximadamente 66%. A barganha bilateral foi a menos eficiente, com 56,4%.
• Quantidade de Trocas: Mercados de chamada tiveram média de 2,55 trocas (mais próximo da quantidade eficiente de 3). Mercados de oferta postada e lance postado tiveram média de apenas ~1,5 trocas. A barganha bilateral teve média de 1,91 trocas.
• Desvio de Preço: A barganha bilateral e os mercados de chamada produziram preços mais próximos da faixa de CE (65–70). Mercados de oferta postada geraram preços significativamente abaixo da faixa, enquanto mercados de lance postado geraram preços significativamente acima dela.
• Divisão de Excedente: As regras institucionais ditaram a distribuição dos ganhos. Mercados de oferta postada alocaram 83,7% do excedente para os compradores, enquanto mercados de lance postado alocaram apenas 14,3% para os compradores. Mercados de chamada e CDAs favoreceram os vendedores, enquanto a barganha bilateral resultou em uma divisão aproximadamente equilibrada.

2. Interação Modelo-Instituição (Heterogeneidade)

O desempenho de famílias de modelos específicos foi altamente dependente da instituição:

• Robustez: Mercados de chamada foram relativamente robustos entre os modelos; GPT-5, GPT-5 mini e Gemini alcançaram >90% de eficiência.
• Sensibilidade: Instituições descentralizadas expuseram fraquezas específicas dos modelos. Por exemplo, o Gemini alcançou 100% de eficiência em mercados de chamada, mas apenas 35,2% em CDAs. Por outro lado, o Claude Sonnet teve bom desempenho em CDAs (81,4%), mas mal em barganha bilateral (33,2%).
• Implicação: Um modelo pode parecer competente em um cenário institucional e frágil em outro. A unidade de análise relevante é o par modelo-instituição, não o modelo isoladamente.

3. Mecanismos de Falha

Diferentes instituições falharam por diferentes razões:

• Mercados de Oferta/Lance Postado: As perdas de eficiência foram impulsionadas por trocas perdidas (falha em combinar compradores e vendedores compatíveis) em vez de um colapso em períodos de não-negociação.
• Barganha Bilateral: Embora os preços estivessem frequentemente próximos da faixa de CE, a instituição sofreu com uma alta frequência de períodos de não-negociação devido à dificuldade de encontrar propostas sobrepostas em um ambiente descentralizado de emparelhamento aleatório.
• Leilões de Dupla Contínua (CDA): Os agentes exibiram redução de lances (bid shading — compradores dando lances abaixo do valor) e sobrepreços de pedido (ask markups — vendedores pedindo acima do custo), consistentes com a complexidade estratégica de gerenciar tempo e ofertas vigentes.

Significância e Contribuições

O artigo traz três contribuições primárias para o campo da IA e das ciências sociais:

1. Implicação Prática: O deploy de agentes de LLM em sistemas do mundo real (mercados, plataformas, organizações) requer design institucional juntamente com o design de agentes. As regras que governam a comunicação, o sequenciamento e a agregação não são recipientes neutros; elas moldam ativamente os resultados coletivos.
2. Implicação Metodológica: Simulações devem relatar e testar o estresse da arquitetura institucional com o mesmo rigor que a arquitetura do agente (prompts, personas, memória). Tratar as regras de interação como detalhes de implementação corre o risco de atribuir erroneamente os resultados ao modelo quando eles são, na verdade, consequências do design institucional.
3. Implicação Científica e Pedagógica: Agentes artificiais permitem o estudo de contrafatuais institucionais em ambientes compactos e auditáveis. Pesquisadores podem manter preferências, informações e identidades fixas enquanto variam apenas as regras de interação, fornecendo um método de baixo custo para demonstrar por que as instituições importam.

Limitações e Escopo

O autor observa explicitamente que os resultados não são parâmetros estáveis do comportamento humano ou do comportamento geral de LLMs. O experimento utiliza um design estreito (um cronograma de demanda/oferta, sem incentivos monetários, sem aprendizado ao longo do tempo). Os modelos foram instruídos via prompt para decidir, não treinados para participação em mercado. A afirmação principal não é que os LLMs mimetizam perfeitamente os humanos, mas que eles são institucionalmente sensíveis dentro desta economia artificial. Se um ambiente tão simples produz grandes diferenças institucionais, é improvável que sociedades artificiais maiores sejam institucionalmente neutras.