1万のLLMエージェント集団は統計力学で予測できる、合意と分極を分ける社会温度

複数のLLMをエージェントとして配置し、互いに議論させる、多数決で決断させるという設計は、もう実務では珍しくない。だが最近、スタンフォード大とジョージ・ワシントン大の論文が立て続けに指摘しているのは、こうした「賢い個体を並べると集団も賢い」という前提が必ずしも成り立たないということだ。むしろ集団の振る舞いには、個体を眺めていては見えない別の法則性が隠れている。

スタンフォード大の研究チームは、GPT-4o-mini、Gemma、Qwen、Llamaの4モデルから1万を超えるエージェント集団を作り、互いにメッセージを交わさせながら意見を更新させた。数学の問題と政治的な主張の賛否という2種類のお題を与えたところ、集団は3つの型に整理された。無関心（弱い意見のまま割れたまま）、分極（強い意見で真っ二つ）、合意（強い意見で一方向にそろう）だ。面白いのは、この挙動が物理学の古典的なイジング模型に対応し、「社会温度」という概念で予測できることだ。磁石のスピンが隣と向きをそろえてエネルギーを下げる様子と同じロジックで、エージェントは周囲とのズレを確率的に埋める方向へ意見を倒す。集団の確信が育つメカニズムが、統計力学で書ける。

だが同じ力学が、タスクの性質で結果を逆転させる。数学的な正解のある問題では、議論は集団の正答率を上げた。正解を持つ少数のエージェントの影響力が強く、集団を真実へ引っ張るからだ。ところが政治的な判断のような正解のない領域では、集団の意見がしばしば政治的に右へドリフトする。共有されたバイアスが、合意へ向かう力によってそのまま増幅される。「議論させれば賢くなる」は、検証可能なタスク固有の話で、価値判断の場では逆に思い込みを固める装置になりうる。

中小企業がAIエージェントを複数配置するなら、ここからの教訓は明確だ。複数のエージェントに議論させる前に、そのタスクが「客観的に正解を持つか」を厳密に問い直す。正解を持つタスク（データ分析、ルール適用、事実確認）なら複数エージェントの協調は精度を上げる武器になる。だが主観的な判断（営業戦略、顧客対応方針、リスク判断）では、早すぎる合意を警戒し、あえて異論を仕込む設計が必要だ。集団の温度を意識的に上げ、収束を遅延させるという選択肢も出てくる。配線（誰が誰の意見を聞くか）が単なる接続図ではなく、結果を左右する制御パラメータだということを理解することが、多エージェント設計の実務的な第一歩になる。