Автономные большие языковые модели стремительно переходят от безобидного составления черновиков в бэк-офисе к принятию критически важных решений: автоматизированным торговым терминалам, алгоритмическим воронкам найма и корпоративным пайплайнам модерации. Однако предположение о том, что улучшение бенчмарков отдельных моделей гарантирует более безопасные макроэкономические результаты, оказывается дорогостоящей иллюзией. Совместное исследование ученых из Массачусетского технологического института и Гарвардской школы Кеннеди вскрывает серьезный структурный парадокс: рост общих возможностей передовых моделей усиливает системную хрупкость рынка из-за синхронизации их решений.
Алгоритмическая конвергенция и порог риска
Чтобы детально изучить поведение автоматизированных участников рынка в масштабе, исследовательская группа смоделировала мультиагентные торговые среды с участием LLM-агентов разного уровня. Аналитическая модель разделяет действия каждого агента на два вектора: корректирующий компонент, приближающий цены активов к фундаментальным показателям, и некорректирующий остаточный компонент, отражающий стратегические смещения и случайный шум. В традиционном количественном трейдинге независимый шум нивелируется за счет разнообразия участников рынка. Однако передовые LLM не являются разнородными. Общие массивы данных для предварительного обучения, схожие архитектуры трансформеров и стандартизированные цели обучения с подкреплением приводят к тому, что их остаточные решения согласуются, а не взаимоуничтожаются.
Общие методы обучения и архитектуры заставляют более продвинутые LLM действовать одинаково, создавая коррелированные действия, которые не поддаются диверсификации.
Подобная алгоритмическая монокультура порождает опасную динамику: поведенческая корреляция растет прямо пропорционально показателям бенчмарков. По мере того как передовые модели становятся умнее, их цепочки рассуждений сходятся к идентичным слепым зонам. Когда сотни автономных агентов работают на базе одних и тех же нескольких базовых моделей, диверсификация портфеля перестает работать. Это формирует базовый уровень коррелированного риска, который не учитывает ни одна классическая модель оценки рисков.
Уязвимость перед дезинформацией
Системные последствия такого коллективного единообразия полностью зависят от чистоты входящих данных. В идеальной информационной среде активное участие агентов ускоряет процесс установления справедливой цены во всех протестированных семействах моделей. Однако тот же механизм, который обеспечивает ценовую эффективность при чистых данных, становится токсичным при попадании в сеть искаженной информации.
Когда автономные агенты поглощают общие вредоносные промпты, галлюцинации или непроверенные рыночные слухи, их поведенческая корреляция мгновенно превращается в активный системный шок. В условиях искаженных входных данных механизмы самокоррекции автоматизированных систем полностью исчезают. Синхронная реакция формально сложных агентов лавинообразно усиливает ошибки, провоцируя каскадные ликвидации. В результате рынок становится структурно более уязвимым, чем при использовании менее способных, несогласованных моделей.
Что это значит
Для риск-менеджеров и основателей финтех-компаний вывод очевиден: разработка собственных надстроек над одинаковыми базовыми моделями не создает диверсифицированную стратегию. Стандартные институциональные системы управления рисками опираются на предпосылку о некоррелированности ошибок агентов, которую монокультура базовых моделей полностью разрушает. Хотя выводы исследователей из MIT и Гарварда пока основаны на симуляциях с измеримыми фундаментальными значениями, риск заражения напрямую распространяется на автоматизированные воронки найма и контентные платформы, где алгоритмическая конвергенция остается абсолютно нехеджированной.