Исследование МЛЭНА представили на первой Московской конференции по количественному маркетингу

18–19 июня 2026 года в Москве прошла первая Московская конференция по количественному маркетингу (Moscow Quant Marketing Conference, MQMC). В рамках конференции заведующий МЛЭНА Петр Паршаков представил исследование, посвященное сравнительному анализу стратегического поведения людей и больших языковых моделей в условиях игрового взаимодействия. Исследование выполнено в рамках гранта РНФ 25-18-00539 «Сравнительный анализ поведения агентов на основе искусственного интеллекта и реальных индивидов в процессе принятия экономических решений».

Конференция MQMC объединила ведущих исследователей в области количественного маркетинга, цифровых платформ, поведения потребителей и рынков, управляемых ИИ, а также представителей технологических компаний. В центре внимания участников были цифровые маркетплейсы, генеративный поиск, эффективность рекламы, потребительский выбор, дизайн платформ, ценообразование и современные эмпирические методы в маркетинге. Отдельный блок программы был посвящен взаимодействию человека и ИИ в экономических и маркетинговых средах.

Петр Паршаков выступил с докладом "Not Yet: Humans Outperform LLMs in a Colonel Blotto Tournament" («Пока нет: люди превосходят большие языковые модели в турнире по игре „Полковник Блотто“»). Исследование выполнено в соавторстве с Дмитрием Дагаевым (НИУ ВШЭ, РЭШ), Егором Ивановым (НИУ ВШЭ, МЛЭНА), Алексеем Савватеевым (ЦЭМИ РАН, Адыгейский государственный университет, МФТИ, Университет Иннополис) и Глебом Васильевым (НИУ ВШЭ). Авторы организовали серию круговых турниров по игре «Полковник Блотто» — классической стратегической задаче с высокоразмерным пространством действий и отсутствием равновесия Нэша в чистых стратегиях. В первом турнире соревновались более 200 участников-людей, во втором стратегии предлагали популярные большие языковые модели, а в третьем количество стратегий ИИ было уравнено с человеческими для корректного сравнения.

Результаты показали, что люди чаще применяют лучше калиброванные эвристики промежуточного уровня и превосходят более простые и стереотипные стратегии, генерируемые LLM. Стратегическая сложность становится преимуществом только при достижении определенного уровня глубины рассуждений, тогда как более низкие или высокие уровни не дают явного выигрыша по сравнению с базовыми стратегиями. Среди людей успех слабо предсказывается областью обучения: участники с STEM-бэкграундом показали несколько лучшие результаты в первом турнире. Примечательно, что люди практически не корректировали свои стратегии в турнирах с разным составом оппонентов. Этот результат указывает на то, что участники опираются преимущественно на правила игры, а не на идентичность противника, воспринимая ИИ так же, как и других людей.

Полученные выводы демонстрируют, что, несмотря на стремительное развитие генеративного ИИ, человеческое стратегическое мышление в задачах сложного распределения ресурсов пока сохраняет преимущество. Результаты исследования вносят вклад в понимание границ применимости LLM в экономических и маркетинговых контекстах, где требуется многоуровневое стратегическое взаимодействие и адаптация к поведению оппонентов.