論文の概要: Strategic Self-Improvement for Competitive Agents in AI Labour Markets

• arxiv url: http://arxiv.org/abs/2512.04988v1
• Date: Thu, 04 Dec 2025 16:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.283876
• Title: Strategic Self-Improvement for Competitive Agents in AI Labour Markets
• Title（参考訳）: AI労働市場における競争エージェントの戦略的自己改善
• Authors: Christopher Chiu, Simpson Zhang, Mihaela van der Schaar,
• Abstract要約: 本稿では,エージェント労働市場を形成する実世界の経済力を初めて捉えた,画期的な新しい枠組みを提案する。 我々は,エージェント型大規模言語モデル (LLM) が雇用を競う,誘引可能なギグエコノミーを通じて,我々のフレームワークを説明する。 我々のシミュレーションは、人間の労働市場に見られる古典的なマクロ経済現象を再現する一方、制御された実験はAIによる経済動向を示す。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As artificial intelligence (AI) agents are deployed across economic domains, understanding their strategic behavior and market-level impact becomes critical. This paper puts forward a groundbreaking new framework that is the first to capture the real-world economic forces that shape agentic labor markets: adverse selection, moral hazard, and reputation dynamics. Our framework encapsulates three core capabilities that successful LLM-agents will need: \textbf{metacognition} (accurate self-assessment of skills), \textbf{competitive awareness} (modeling rivals and market dynamics), and \textbf{long-horizon strategic planning}. We illustrate our framework through a tractable simulated gig economy where agentic Large Language Models (LLMs) compete for jobs, develop skills, and adapt their strategies under competitive pressure. Our simulations illustrate how LLM agents explicitly prompted with reasoning capabilities learn to strategically self-improve and demonstrate superior adaptability to changing market conditions. At the market level, our simulations reproduce classic macroeconomic phenomena found in human labor markets, while controlled experiments reveal potential AI-driven economic trends, such as rapid monopolization and systemic price deflation. This work provides a foundation to further explore the economic properties of AI-driven labour markets, and a conceptual framework to study the strategic reasoning capabilities in agents competing in the emerging economy.
• Abstract（参考訳）: 人工知能(AI)エージェントが経済領域にまたがって展開されるにつれ、戦略行動や市場レベルの影響を理解することが重要である。 本稿では、エージェント労働市場を形成する現実世界の経済力を最初に捉えた新たな枠組みである「有害選択」、「モラルハザード」、「評判のダイナミクス」を提示する。 我々のフレームワークは, LLMエージェントを成功させるために必要な3つのコア機能をカプセル化している: \textbf{metacognition} (スキルの正確な自己評価), \textbf{competitive awareness} (ライバルと市場のダイナミクスをモデル化する)、および \textbf{long-horizon Strategy Planning}。 我々は,エージェント型大規模言語モデル (LLM) が雇用を競い,スキルを育成し,競争圧力の下で戦略を適応する,誘引可能なギグエコノミーを通じて,我々の枠組みを解説する。 我々のシミュレーションは、LLMエージェントが戦略的に自己改善し、市場状況の変化に優れた適応性を示すために、推論能力で明示的に促す方法を示している。 市場レベルでは、人間の労働市場に見られる古典的なマクロ経済現象を再現し、制御実験により、迅速な独占化やシステム的価格デフレのようなAI駆動型経済動向が明らかになった。 この研究は、AI駆動型労働市場の経済的特性をさらに探求する基盤と、新興経済で競合するエージェントの戦略的推論能力を研究するための概念的枠組みを提供する。

関連論文リスト

• Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets [74.91125572848439]
  本稿では,サービスエージェントが消費者を代表し,サービスエージェントが競合するビジネスを代表する2面のエージェントマーケットプレースについて検討する。 この環境では、ユーティリティエージェントが達成する行動バイアス、操作に対する脆弱性、検索メカニズムが市場の結果をどのように形作るか、といった主要な市場ダイナミクスを研究することができる。 実験の結果、フロンティアモデルは最適な福祉に近づくことができるが、理想的な探索条件下でのみ適用可能であることが判明した。
  論文  参考訳（メタデータ） (2025-10-27T18:35:59Z)
• Virtual Agent Economies [12.298551147857822]
  この創発的システムを解析するための枠組みとして「サンドボックス経済」を提案する。 私たちの現在の軌道は、巨大で浸透可能なAIエージェント経済の自発的な台頭を指している。 ここでは、安全なステアブルなAIエージェント市場につながる可能性のある設計選択について論じる。
  論文  参考訳（メタデータ） (2025-09-12T11:20:11Z)
• Empowering Economic Simulation for Massively Multiplayer Online Games through Generative Agent-Based Modeling [53.26311872828166]
  我々は,MMO経済シミュレーションにおいて,Large Language Models (LLMs) を用いた新しいアプローチを導入するための予備的なステップを採っている。 我々は人間のような意思決定と適応性を備えたLSM駆動型エージェントを設計する。 これらのエージェントはロールプレイング、知覚、記憶、推論の能力を備え、上記の課題を効果的に解決する。
  論文  参考訳（メタデータ） (2025-06-05T07:21:13Z)
• Agents Require Metacognitive and Strategic Reasoning to Succeed in the Coming Labor Markets [53.0367886783772]
  労働市場は、不適切な選択、モラルハザード、評判の経済力に影響を受けている。 エージェントはメタ認知的および戦略的推論を使用して効果的に実行する必要がある。
  論文  参考訳（メタデータ） (2025-05-26T15:22:04Z)
• An Experimental Study of Competitive Market Behavior Through LLMs [0.0]
  本研究では,大規模言語モデル(LLM)が市場実験を行う可能性について検討する。 我々は,市場エージェントの行動を制御された実験環境でモデル化し,競争均衡に向けて収束する能力を評価する。
  論文  参考訳（メタデータ） (2024-09-12T18:50:13Z)
• Simulating the Economic Impact of Rationality through Reinforcement Learning and Agent-Based Modelling [1.7546137756031712]
  我々はエージェントベースモデル(ABM)の能力を拡大するためにマルチエージェント強化学習(RL)を活用している。 RLエージェントは、市場競争のレベルと合理性に応じて、利益を最大化するための3つの異なる戦略を自発的に学習することを示します。 また、独立した政策を持つRLエージェントと、相互にコミュニケーションする能力のないエージェントは、自発的に異なる戦略グループに分離することを学び、市場力と全体的な利益を増大させます。
  論文  参考訳（メタデータ） (2024-05-03T15:08:25Z)
• EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities [43.70290385026672]
  EconAgentは、マクロ経済シミュレーションのための人間のような特徴を持つ大規模言語モデルを用いたエージェントである。 まず,エージェントの判断による市場動態を取り入れたシミュレーション環境を構築する。 認識モジュールを通して、異なる意思決定機構を持つ異種エージェントを作成する。
  論文  参考訳（メタデータ） (2023-10-16T14:19:40Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。