Gdy agenty AI zaczynają mówić, tracą indywidualność - protokół BOUNDARY_SYNC pokazuje skalę zjawiska

Kiedy dwóch programistów rozmawia, mogą dojść do wspólnego rozwiązania. Ale kiedy dziesiątki agentów LLM wymieniają się informacjami, ich odpowiedzi upodabniają się do siebie w mierzalny sposób. Nowe badanie wprowadza BOUNDARY_SYNC - protokół, który mierzy to sprzężenie reprezentacyjne.

Jak zmierzyć myślową monotonię

Wyobraź sobie dziesięć osób w osobnych pokojach, rozwiązujących to samo zadanie. Najpierw robią to w ciszy. Potem dostają notatkę od sąsiada. Pytanie: czy po wymianie informacji ich odpowiedzi staną się bardziej zróżnicowane, czy bardziej do siebie podobne? Intuicja podpowiada, że rozmowa powinna wzbogacać perspektywy. Ale w przypadku modeli językowych intuicja zawodzi.

Autor wprowadza Coupling Amplification Factor (CAF), czyli stosunek dywergencji Jensena-Shannona (JSD) w wariancie z komunikacją do JSD w wariancie bez komunikacji. JSD to miara różnicy między rozkładami prawdopodobieństwa - im mniejsza wartość, tym bardziej odpowiedzi agentów są do siebie podobne. Jeśli CAF spada poniżej 1,0, komunikacja ujednolica wyniki. Jeśli rośnie powyżej 1,0, mówimy o dywersyfikacji.

Protokół BOUNDARY_SYNC opiera się na kontrolowanych eksperymentach z 30 agentami GPT-4o i blisko 9 900 wywołaniami API. Badanie sprawdzało, jak tekstowe i obrazowe komunikaty zmieniają zróżnicowanie odpowiedzi. Dodatkowo testowano wpływ wielkości grupy, wariantów promptów i różnych modeli.

Tekst ujednolica, obraz też - ale nie zawsze

Wyniki dla komunikacji tekstowej są uderzające: CAF spadł do 0,803 przy efekcie Cohena d=1,30 (p<0,001). To silny sygnał homogenizacji - rozmowa sprawiła, że odpowiedzi agentów stały się znacznie bardziej podobne. Efekt utrzymywał się po usunięciu komunikacji (ablacja) i po drobnych zmianach w promptach (kontrola perturbacyjna).

Obraz też homogenizował, ale tylko przy odpowiednio dobranej linii bazowej. Gdy porównano odpowiedzi agentów w ramach tej samej modalności, CAF wyniósł 0,834 - proporcjonalnie porównywalnie do tekstu. To oznacza, że generowanie obrazów po krótkiej wymianie opisów także prowadzi do mniejszej różnorodności. Szczerze mówiąc, spodziewałem się, że obrazy okażą się bardziej odporne - w końcu opis słowny zostawia więcej miejsca na interpretację. Eksperyment pokazał coś przeciwnego.

Wyniki te pokazują, że sprzężenie agentów LLM jest realne, mierzalne i możliwe do kontrolowania na poziomie promptu, z bezpośrednimi konsekwencjami dla projektowania systemów wieloagentowych.

Zewen Liu

Abstrakt, arXiv:2607.01600

Wielkość grupy zmienia kierunek

To, co zobaczyłem w danych, to ciekawa zależność od liczby agentów. Grupy pięcioosobowe (K=5) homogenizowały się - CAF wynosił poniżej 1,0. Natomiast grupy trzyosobowe (K=3) osiągały CAF>1,0, co oznacza, że komunikacja zwiększała zróżnicowanie. Dlaczego? W mniejszym zespole każdy agent ma proporcjonalnie większy wpływ na dyskusję i może łatwiej podtrzymać swoją początkową perspektywę. W większej grupie dominuje efekt przeciętności.

To przypomina dynamikę spotkań w korporacji. Gdy w pokoju jest pięć osób, kończymy z kompromisem i mało odkrywczymi pomysłami. Gdy są trzy, częściej dochodzi do twórczego spięcia. To nie jest dowód, że trójka to złoty środek, ale przestroga: domyślne myślenie, że 'więcej agentów = lepsza różnorodność' nie działa.

Sprzężenie bez pamięci

Jednym z bardziej zaskakujących ustaleń jest to, że sprzężenie między agentami jest bezstanowe. Nie kumuluje się w czasie, nie zależy od historii rozmowy - wynika wyłącznie z bieżącego kontekstu promptu. W eksperymencie ciągłego konsensusu, gdzie agenci wielokrotnie iterowali po swoich odpowiedziach, zbieżność rosła monotonicznie. To znaczy, że nawet jeśli na chwilę pojawi się różnorodność, kolejna runda komunikacji ją wygładzi.

Praktycznie rzecz biorąc, jeśli projektujesz system wieloagentowy, w którym agenci wymieniają się informacjami, musisz zakładać, że po każdej wymianie ich odpowiedzi staną się bardziej do siebie podobne - i że ten proces nie ma wbudowanego hamulca. To jednocześnie dobra i zła wiadomość. Dobra, bo można kontrolować homogenizację przez ostrożne projektowanie promptów. Zła, bo trudno ją całkowicie wyeliminować bez celowego wprowadzania szumu.

Ten sam eksperyment, różne modele - różne wyniki

Powtórzenie testów na innych modelach (m.in. DeepSeek) dało rozrzut CAF od 0,034 do 0,803. To ogromna rozpiętość. W przypadku DeepSeek duża część efektu wynikała z artefaktów związanych z formatowaniem odpowiedzi, co podważa wiarygodność bezpośrednich porównań międzymodelowych. Innymi słowy, nie każdy model jest równie podatny na sprzężenie, a sposób, w jaki model podaje odpowiedź (formatowanie, styl), może zafałszować pomiar.

To trochę tak, jakby porównywać akustykę dwóch sal koncertowych, nie sprawdzając, czy muzycy grają na tych samych instrumentach. Dopóki nie wystandaryzujemy protokołu na różnych architekturach, każdy wynik CAF będzie obarczony ryzykiem błędu pomiarowego. To nie jest wada badania - to uczciwe przyznanie, że zjawisko sprzężenia jest bardziej złożone, niż sugeruje pojedynczy eksperyment na GPT-4o.

• Komunikacja tekstowa znacząco homogenizuje wyniki agentów (CAF=0,803, efekt duży)
• Komunikacja obrazowa również homogenizuje, jeśli porównujemy w ramach tej samej modalności (CAF=0,834)
• Kierunek sprzężenia zależy od wielkości grupy: grupy 5-agentowe homogenizują, 3-agentowe - dywersyfikują
• Sprzężenie jest bezstanowe - liczy się tylko bieżący prompt, a nie historia
• Replikacja między modelami pokazuje skrajne różnice (CAF od 0,034 do 0,803), co wymaga ostrożności przy uogólnianiu

Praktyczne zastosowania

Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:

Zapobieganie grupowemu myśleniu w wieloagentowej analizie inwestycyjnej

Fundusze inwestycyjne coraz częściej wykorzystują zespoły agentów AI do analizy rynków. Problem poja

Gdy konsylium AI myśli jednym głosem, pacjenci z rzadkimi chorobami pozostają niezdiagnozowani

W standardowym procesie diagnostycznym zespół lekarzy analizuje przypadek z różnych perspektyw. Tymc

Gwarancja różnorodności perspektyw w wieloagentowej analizie umów prawnych

Kancelarie coraz częściej używają zespołów agentów AI do przeglądania umów przy transakcjach M&A. Pr

Kreatywna burza mózgów AI bez powielania pomysłów - protokół BOUNDARY_SYNC w akcji

Większość narzędzi AI do generowania pomysłów działa jak echo: podajesz brief, dostajesz warianty, a

Podsumowanie

BOUNDARY_SYNC daje projektantom systemów wieloagentowych precyzyjne narzędzie diagnostyczne. W finansach, gdzie agenci analizują raporty i podejmują decyzje inwestycyjne, niekontrolowana homogenizacja może prowadzić do efektu stadnego i wzrostu ryzyka systemowego. W generowaniu kreatywnym (np. pisanie wariantów treści reklamowych) świadome użycie małych grup i promptów zwiększających rozbieżność może przeciwdziałać 'efektowi kopiarki'. Wreszcie, w diagnostyce medycznej opartej na konsylium agentów, rozumienie, kiedy grupa zaczyna myśleć jednomyślnie, pomoże zaprojektować bezpieczniejsze systemy wspomagania decyzji.

Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.