LLM 에이전트에서 개별적 충실도 없는 집단적 협력

대규모 언어 모델 (LLMs)은 사회 시스템 시뮬레이션에서 에이전트로 점점 더 많이 사용되고 있지만, 이들의 행동을 인간의 의사결정을 충실히 대변하는 대리인 (proxy)로 해석할 수 있는 시점이 언제인지에 대해서는 여전히 불분명합니다. 본 연구에서는 LLM 에이전트를 직접적인 경험적 벤치마크, 즉 인간 참가자가 참여한 대규모 네트워크 죄수의 딜레마 (Prisoner's Dilemma) 실험과 비교 테스트합니다. 동일한 상호작용 프로토콜, 보상 구조 (payoff structure), 네트워크 토폴로지 (network topologies)를 사용하여 9개의 오픈 웨이트 (open-weight) LLM을 인간 데이터와 비교합니다. 선택된 모델은 협력의 초기 감소 및 후기 안정화를 포함하여 협력 역학 (cooperation dynamics)의 여러 거시적 수준 (macro-level) 특징을 재현합니다. 그러나 이러한 집계된 일치 (aggregate agreement)가 더 미세한 수준의 행동까지 균일하게 확장되지는 않습니다. LLM 집단은 개별 수준의 이질성 (individual-level heterogeneity)을 과소평가하며, 인간에게서 관찰되는 것과 다른 조건부 협력 (conditional cooperation) 패턴을 생성합니다. 일부 무작위 에이전트를 추가하면 미시적 수준 (micro-level) 일치의 일부 측면은 개선되지만, 의사결정 규칙 (decision rules)의 불일치는 제거되지 않습니다. 이러한 발견은 LLM 기반 사회적 에이전트에서 거시-미시적 해리 (macro--micro dissociation)가 존재함을 드러냅니다. 즉, 기저의 행동 분포와 메커니즘이 인간과 다르더라도 집단적 결과는 인간과 유사해 보일 수 있습니다. 이는 LLM 에이전트를 인간의 대리인으로 검증하기 위해서는 결과 수준의 일치뿐만 아니라, 집계된 역학, 개별적 이질성, 그리고 문맥 의존적 의사결정 규칙 전반에 걸친 비교가 필요함을 시사합니다.