Сравнительный анализ поведения агентов на основе искусственного интеллекта и реальных индивидов впроцессе принятия экономических решений

В последние годы активно исследуется возможность моделирования человеческого поведения с помощью искусственного интеллекта (ИИ), особенно с использованием больших языковых моделей (LLM) (Park et al., 2023). Некоторые работы анализировали различия в принятии решений LLM и участников экономических экспериментов. Например, в статье Horton (2023) автор воспроизводит несколько классических экспериментов с участием LLM и предлагает рассматривать их в качестве моделей для типичных экономических агентов. Однако, несмотря на эти исследования, остается неясным, насколько поведение ИИ действительно сопоставимо с поведением реальных людей.

В данном проекте исследуется способность различных языковых моделей воспроизводить поведение реальных экономических агентов в контексте классических поведенческих экспериментов из теории игр. Примеры таких экспериментов включают исследование предвзятости на потерю, доверия (Trust Game), а также социального сотрудничества (Public Goods Game). Эти эксперименты показывают, как люди отклоняются от классической рациональности, находясь под влиянием потерь, группового давления или ограниченного доверия. Эксперименты, связанные с предвзятостью подтверждения (confirmation bias) и конформизмом, демонстрируют, как убеждения и социальное влияние могут искажать суждения и решения. 

Этот проект также имеет прикладное значение, так как позволит глубже понять, в какой мере современные модели ИИ могут имитировать когнитивные и поведенческие особенности людей в сложных экономических ситуациях. Понимание различий и сходств между поведением реальных людей и ИИ-агентов может иметь далеко идущие последствия для разработки экономических моделей и прогнозирования решений в условиях неопределенности. Кроме того, если поведение ИИ окажется достаточно близким к поведению людей, это откроет новые возможности для использования ИИ в экономических экспериментах, сокращая затраты на проведение эмпирических исследований и ускоряя процесс анализа. В долгосрочной перспективе результаты данного проекта могут повлиять на применение ИИ в формировании экономической политики, оптимизации управления и моделировании взаимодействия людей и ИИ в различных сферах экономики.

Основная цель исследования — выявить, насколько агенты на базе ИИ могут имитировать и предсказывать поведение людей в условиях неопределенности, риска и ограниченной информации.

В качестве задач исследования можно выделить следующие:
В рамках данного проекта планируется сфокусироваться на сравнении результатов использования БЯМ с результатами классических игр в области социального взаимодействия и результатами экспериментов, выявляющих специфику поведения экономических агентов и имеющих под собой широкую эмпирическую базу в различных контекстах. Это позволит сформировать подробное описание контекста и характеристик агентов в запросе БЯМ и сопоставить результаты с результатами реальных экспериментов. Сопоставление
результатов БЯМ с результатами экспериментов, выявляющих специфику поведения экономических агентов, продемонстрирует потенциал применения БЯМ для изучения влияния психологических и социальных факторов на принятие решений. Таким образом, первой ключевой задачей проекта является моделирование взаимодействия между экономическими агентами и стратегии принятия решений с помощью БЯМ.

Вторая задача фокусируется на тестировании способности современных БЯМ предлагать более эффективные решения по сравнению с индивидами и группами индивидов. Для этого будет проведен ряд сравнительных анализов, где результаты БЯМ будут сопоставлены с решениями, принятыми реальными экономическими агентами в аналогичных ситуациях. Это позволит объективно оценить качество предложенных БЯМ решений.

Третья задача заключается в анализе восприятия БЯМ и предлагаемых ими решениями экономическими индивидами. Важным аспектом этого анализа станет исследование того, насколько пользователи доверяют результатам, получаемым от БЯМ, и как характеристики получаемого ответа влияют на его восприятие. Данное направление предполагает проведение опросов, чтобы понять отношение к текстам, генерируемым БЯМ, и выявить возможные предвзятости. Масштабность предлагаемых задач обуславливается быстрым развитием новых, более совершенных и специализированных БЯМ, а также широтой их потенциального применения. Проект охватывает широкий спектр задач, от теоретического моделирования до практического анализа восприятия технологий ИИ, что подчеркивает его комплексность и актуальность в условиях стремительного развития искусственного
интеллекта и его внедрения в прикладные решения.

В данном проекте предполагается получение результатов, соответствующих мировому уровню, за счет интеграции современных и активно развивающихся технологий искусственного интеллекта (ИИ) в решение классических экономических задач.

Результаты, определяющие теоретический вклад исследования:

• Обоснование возможности применения базовых языковых моделей (БЯМ) для моделирования поведения экономических агентов.
• Систематизация ключевых характеристик индивидов, необходимых для создания ИИ-агентов.

Результаты, вносящие вклад в развитие методологии:

• Разработка фреймворка для генерации синтетических выборок, использующих возможности БЯМ для моделирования поведения, сопоставимого с поведением реальных экономических агентов
• Разработка экспериментального дизайна с участием реальных участников и выбор моделей взаимодействия.

Эмпирические результаты:

• Сравнение поведения агентов на основе БЯМ и реальных экономических агентов
• Сравнение степени соответствия ИИ агентов на основе различных БЯМ поведению реальных экономических агентов
• Оценка эффективности решений, предлагаемых БЯМ, по сравнению с решениями реальных агентов и типичными бенчмарками
• Оценка восприятия решений, предлагаемых БЯМ, экономическими агентами.

На основе полученных результатов предполагается разработка рекомендаций по использованию БЯМ для задач экономического прогнозирования, управления рисками и принятия решений, что позволит повысить эффективность деятельности компаний, организаций и государственных органов. Обоснованное использование БЯМ для выявления предпочтений и предсказания поведения индивидов позволит ускорить процесс аналитики и снизить связанные с ним издержки. Кроме того, исследование также позволит выявить перспективы развития БЯМ для совершенствования их применения для создания агентов на основе ИИ.

• 27 сентября 2025 на V Международной Тихоокеанской школе-конференции по экспериментальной экономике Шенкман Е.А. представила исследование по теме «Анализ поведения агентов на основе LLM в игре диктатора» (соавторы Паршаков П.А., Маткин Н.А.), а Иванов Е.А. выступил с докладом «Влияние характеристик генерального директора на имитационное поведение в отношении структуры капитала» (соавторы Кирпищиков Д.А., Завертяева М.А.). Подробнее тут
• 12 августа 2025 состоялся очередной семинар рабочий семинар исследовательской группы, на котором Семенова Д.В. представила доклад, посвящённый работе The Art of Knowing When to Stop: Analysis of Optimal Stopping in People and Machines (Zhang & Zhao, 2024), подробнее тут
• 11 июля 2025 состоялся семинар лаборатории, в рамках которого был представлен доклад по теме "Behavior Analysis of LLM-Based AI Agents in a Trust Game", подробнее тут
• 8 июля 2025 состоялся семинар исследовательской группы, в рамках которого были обсуждены следующие исследования по теме гранта, подробнее тут:
  • Маткин Н.А. обсудил статью «Do Large Language Models Show Decision Heuristics Similar to Humans?» (Suri et al., 2024)
  • Усанин М.А.  выступил с разбором статьи, недавно опубликованной в журнале Nature Human Behaviour – «Playing Repeated Games with Large Language Models» (Akata et al., 2025)
• 24 июня 2025 состоялся первый рабочий семинар исследовательской группы, в рамках которого команда группы проанализировала текущие мировые исследования по теме гранта, подробнее тут:
  • Дагаев Д.А. обсудил препринт "Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?" (Horton, 2023)
  • Шенкман Е.А. выступила с разбором статьи "Can Machines Think Like Humans? A Behavioral Evaluation of LLM-Agents in Dictator Games" (Ma, 2024)
  • Паршаков П.А. представил обзор текста "Can Large Language Model Agents Simulate Human Trust Behavior?" (Xie et al., 2025)