ИИ-агенты тоже идут за толпой: с пятью подставными голосами статью выбирают вчетверо чаще
Тысяча агентов на GPT-5.6 Sol выбирала экономические статьи для чтения: видя выбор предшественников, они брали меньше статей. В отдельном опыте на 200 агентах пять подставных отметок поднимали долю выбравших статью с 14 до 60%.
Стоило приписать научной статье пять несуществующих читателей — и следующие ИИ-агенты выбирали её в 60% случаев. Те же статьи без такой форы выбирали лишь 14% агентов. Такой опыт поставил исследователь Максим Чупилкин (Maxim Chupilkin), препринт вышел на arXiv.
За основу он взял классический эксперимент Music Lab: там люди выбирали песни и видели, сколько раз их уже скачали. Вместо песен здесь все 114 исследовательских статей журнала American Economic Review1 за 2025 год — только названия и аннотации. Каждый агент — отдельный вызов GPT-5.6 Sol2 без памяти о прошлом — решал, какие статьи хотел бы прочесть целиком. Брать можно было сколько угодно, в том числе ни одной.
В первом опыте 1 000 агентов разбили на десять «сообществ» по 100, агенты подходили по очереди. В пяти сообществах каждый видел, сколько предшественников выбрали каждую статью, в остальных пяти — ничего. Со счётчиками агенты стали разборчивее: в среднем 14,3 статьи против 17,3. Все пять таких сообществ вместе хоть раз выбрали 73 статьи, независимые — 90. А 80% всех выборов в сообществе со счётчиками приходились в среднем на 13 статей, без них — на 23.
«Более узкое коллективное внимание может возникнуть, даже когда каждый агент получает все аннотации и может выбирать свободно», — пишет Чупилкин. Во многом счётчики лишь усиливали общие вкусы модели: списки фаворитов в обоих режимах почти совпали, а одну статью выбрал вообще каждый агент. Но работала и случайность: если статья рано вырывалась вперёд в своём сообществе, отрыв сохранялся и дальше.
Это автор проверил отдельно на 200 агентах. Он взял 20 статей средней привлекательности — их выбирали от 10 до 70% независимых агентов. Агентов он разбил на десять пар сообществ, по десять агентов в каждом сообществе. В каждой паре эти 20 статей случайно делили пополам: в одном сообществе пять стартовых отметок получали десять статей, в парном — остальные десять. Одна и та же статья получала фору в одном сообществе и не получала в парном, так что дело не в аннотации. Разрыв появился во всех десяти парах и к последним агентам не ослаб.
С реальной судьбой статей выбор агентов связан слабо: с числом цитирований — умеренно, со скачиваниями — почти никак. Сами агенты ничего не читали, речь только о списке того, что они собирались бы прочесть. Чупилкин связывает результат с системами вроде Co-Scientist и Robin, где несколько агентов ищут литературу и передают друг другу находки. Он предлагает проверить, что будет, если вместо счётчиков популярности подсказывать агентам статьи, которые пока никто не выбрал.