複数のAIエージェントを連携させるとき、「誰と誰をつなぐか」という体制図をいじって得られた差は最大約3ポイントでした。一方、プロンプトに「1回目は各自バラバラに選べ」と1文足しただけで集団の成果は9.44ポイント改善しています。凝った構成を組む前に、指示文を直すほうが安い。それがこの研究の実務的な結論です。
（出典：arXiv:2607.14574、2026年7月16日、https://arxiv.org/abs/2607.14574v1）
何を測った研究なのか
Hao He、Chris J. Kuhlman、Xinwei Deng の3氏による論文「Collaborative Spatial Learning with Multi-LLM Agents in Networked Social Experiments」は、人間を対象に行われた既存の集団実験（Mason-Watts実験）と同じ舞台に、LLMエージェントを置き換えて走らせたものです。
舞台の条件はこうです。
- 1ゲームあたりのエージェント数は16体
- 通信ネットワークは8種類の3正則ネットワーク（各エージェントがちょうど3人とつながる構造を、つなぎ方だけ8通りに変えたもの）
- 1ゲームは15ラウンド
- 課題は101×101のグリッド上で高得点のマスを探す2次元探索
各ラウンド、エージェントは自分が選んだマスの得点と、つながっている相手が選んだマスと得点を見て、次のラウンドの一手を決めます。人間の実験で確認されていたのは「連絡経路が短い集団ほど成果が高い」という、いわゆるネットワーク効率効果でした。これがLLMでも再現されるのかが問いです。
計算実験の総規模は2,400ゲーム、576,000ノード・ラウンド観測。内訳は5種のエージェント型 × 8トポロジー × 60ランドスケープ（複雑さ低・中・高で各20）です。
体制図を変えるより、プロンプトを1文足すほうが効いた
結果として最も実務に効く数字は、9.44ポイントという改善幅です。
使用モデルは gpt-oss-120b（総パラメータ117B、アクティブ5.1B）。このモデルをデフォルトのプロンプトで動かした場合と、「初回はランダムに選べ」という初期化の指示を1文加えた場合（論文でいう LLM-RI）を比較すると、集団報酬が9.44ポイント改善しました。これは8種類のトポロジー間で生じた差の3倍を超える大きさです。
| 比較軸 | 条件 | 効果の大きさ |
|---|---|---|
| ネットワークのつなぎ方 | 8種類の3正則ネットワーク、2,400ゲーム | 最大約3ポイント |
| プロンプト1文の追加 | gpt-oss-120b、デフォルト初期化 vs ランダム初期化（LLM-RI） | 9.44ポイント |
さらに興味深いのは、人間で見つかっていたネットワーク効率効果（平均経路長が短いほど高成果）が、どちらの条件でも同じように出るわけではなかった点です。
| エージェント条件 | 平均経路長の係数β | p値 | 解釈 |
|---|---|---|---|
| LLM-RI（ランダム初期化あり） | -1.37 | 0.003 | 短い経路ほど高成果。有意 |
| デフォルトLLM | -0.41 | 0.619 | 有意でない。ネットワーク効果が消える |
いずれも8トポロジー・2,400ゲームの回帰分析による値です。つまり、指示文が悪いままだと、そもそも「つなぎ方の工夫」が成果に反映されなくなる。体制図の議論はプロンプトが整った後にしか意味を持たない、という順序が示されています。
「複数AIに意見を出させれば多様な案が出る」は成立しなかった
なぜデフォルトのままだとネットワーク効果が消えるのか。原因として観測されたのが、模倣率の高さです。
| 主体 | 他者の選択を模倣（コピー）する率 |
|---|---|
| LLM-RI | 86% |
| デフォルトLLM | 77% |
| 人間 | 54% |
人間の値は、元となったMason-Watts実験の29セッション・232ゲーム（欠損率3%）から算出されたものです。人間はおよそ半分の場面で自力の探索を続けるのに対し、LLMエージェントは高い割合で隣人の答えに乗り換えます。
その帰結が、集団の空間的多様性の縮小です。AIエージェント16体、101×101グリッドの条件で、1ラウンド目には42〜54セルに散らばっていた選択が、15ラウンド目には2〜3セルまで潰れました。全員がほぼ同じマスを見ている状態です。
- 「複数のAIに案を出させれば自然に多様な案が並ぶ」という前提は、この実験では成立していません
- 放置すると集団は早期に1点へ収束し、探索が止まります
- 散らすための仕掛け（初回をランダムにする、役割や視点を固定して割り当てる等）は、意図的に入れる必要があります
多様性を確保する設計思想については、自分たちの評価基準を先に決める話や小さなチームでのAI導入の考え方と地続きです。
探索・最適化ではLLMが最良手段ではなかった
この論文が誠実なのは、LLMが負けた結果もそのまま載せている点です。最終ラウンドの累積報酬をエージェント型別・8トポロジー横断で見ると、次のようになります。
| エージェント型 | 最終ラウンドの累積報酬 |
|---|---|
| UCB / EI（従来型のベイズ最適化） | 97〜100 |
| LLM-RI | 93〜97 |
| デフォルトLLM | 84〜91 |
| ランダム | 39〜47 |
従来型のベイズ最適化エージェントが最も高得点で、LLMはそれに届いていません。数値の最適化や探索が主目的なら、わざわざLLMを持ち出す理由はこのデータからは出てこない、ということです。LLMがランダムを大きく上回っている点は確かですが、既存手法に勝ったわけではありません。
用途に合わない道具を選ばない考え方は、AIツールの選び方でも扱っているとおりです。
この研究が認めている限界
読者が自社に当てはめる前に、論文自身が明記している制約を押さえる必要があります。
- 検証に使ったLLMは gpt-oss-120b の1モデルのみ、プロンプトテンプレートも1種類のみ。他モデルへ一般化できる保証はないと著者が明記しています
- 人間データとAIデータではランドスケープが異なるため、報酬の絶対値で人間対AIを比較することはできません
- 全員が同時に動く同期プロトコルのみで検証しており、現実の業務に近い非同期条件は未検証です
- 1ゲーム15ラウンドという期間は、ネットワークトポロジーの効果が十分に現れるには短い可能性を著者自身が認めています
- 課題は2次元の空間探索という単純タスクに限定されており、より複雑な現実の課題へ転移するかは検証されていません
- そもそもLLMエージェントは従来型のベイズ最適化エージェントに報酬で負けています
つまり「AIエージェントの体制図は無意味だ」と読むのは行き過ぎです。正しくは「この条件下では、体制図をいじる効果より指示文を直す効果のほうが3倍以上大きかった」であり、条件が変われば結論も変わり得ます。
中小企業にとって何を意味するか
中小企業でも、複数AIに案を出させて突き合わせる、部署ごとにAIを置いて連携させる、といった構成は現実的な検討対象になっています。この研究はそこに3つの示唆を投げます。
第一に、投資の順序です。エージェント同士のつなぎ方を設計する作業には、設計・実装・保守のコストがかかります。一方でプロンプトに1文足す作業のコストはほぼゼロです。それで9.44ポイント、トポロジー差の3倍超が動いた。凝った多エージェント構成を組む前に、まず指示文を直す。順序を逆にすると高い買い物になります。
第二に、多様性は勝手には出ないという点です。模倣率86%、15ラウンド後の探索範囲2〜3セルという数字は、「複数AIに聞けば視点が増える」という期待をそのまま否定します。同じモデルに同じ土俵で議論させると、多数派の答えに寄っていく。異なる案が欲しいなら、初期条件を散らす、担当を分ける、参照させる情報を変えるといった仕掛けが要ります。
第三に、道具の選定です。在庫や需要の数値最適化のような、答えが数字で定義できる課題では、従来型の最適化手法が97〜100に対しLLM-RIは93〜97でした。LLMは言語で書かれた曖昧な入力を扱えることが強みであって、数値探索の性能で選ぶものではありません。この線引きは需要予測の実務を考えるうえでも同じです。
TOEの読み筋
前提として、TOEではこの論文の追試を実施していません。以下は論文の数字から読める仮説であり、当社の実測ではありません。
そのうえでの読みは、多エージェント構成の流行に対して一段ブレーキがかかる、というものです。「AIを何体つなぐか」「どういう組織図で並べるか」は図にすると説得力があり、提案資料にも載せやすい。しかしこの実験の範囲では、そこで動いた差は最大約3ポイントでした。9.44ポイントを動かしたのは、プロンプト1文です。見栄えのする構成図より、地味な指示文の推敲のほうが費用対効果が高い可能性があります。
もう一点、模倣率の数字は「AI同士の相互参照」を無批判に増やすことへの警告として読めます。人間54%に対しLLMは77〜86%。AIに互いの出力を見せれば見せるほど、集団としての答えは早く1点に固まる。レビュー役として別のAIを置く構成を採るなら、同じモデル・同じプロンプトで並べても意味が薄い、と想定して設計するのが妥当だと考えます。ただし、これも gpt-oss-120b という1モデル・1テンプレートでの結果であり、他のモデル構成で同じ傾向が出るかは検証されていません。
まとめ
- 16体のLLMエージェントを8種類の3正則ネットワーク、15ラウンド、101×101グリッドで走らせた研究。総規模は2,400ゲーム／576,000ノード・ラウンド観測
- ネットワークのつなぎ方による差は最大約3ポイント。対して「初回はランダムに選べ」というプロンプト1文の追加は9.44ポイント改善させた
- 模倣率はLLM-RI 86%／デフォルトLLM 77%に対し人間54%。集団の探索範囲は1ラウンド目の42〜54セルから15ラウンド目には2〜3セルへ縮小した
- 最終累積報酬は従来型のベイズ最適化（UCB/EI）が97〜100、LLM-RIが93〜97。数値探索課題ではLLMは既存手法に勝っていない
- 検証は gpt-oss-120b 1モデル・プロンプトテンプレート1種、同期プロトコルのみ、15ラウンドという短期間、2次元探索という単純タスクに限定される。TOEではこの追試を実施していない