20 октября 2026 года Hieu Tran и Hong Yu подали на arXiv препринт о том, как проверять принуждение к сговору у ИИ-агентов в моделируемых рынках. Для читателя это меняет критерий оценки: одинаковые цены или картельная прибыль ещё не показывают, что агент способен удерживать конкурента от нарушения договорённости.
Авторы предлагают проверять не только цены, но и наказание за отклонение
В аннотации препринта авторы описывают аудит, в котором одного участника заставляют нарушить договорённость в контрфактических копиях рынка. Затем исследователи наблюдают, отвечает ли соперник так, чтобы сделать дальнейшее отклонение невыгодным. Такой тест проверяет не только совпадение итоговых показателей, но и сам механизм поддержания договорённости.
Одинаковая прибыль может скрывать разные стратегии
По данным авторов, небольшие языковые модели, обученные с подкреплением, усваивали то, за что их соперники поощряли во время обучения, но проявляли в основном стратегии, которые сами охотно пробовали. В самообучении агенты могли следовать фиксированным правилам и игнорировать действия конкурента.
В описанных авторами экспериментах агенты, сопоставлявшие снижение цены соперника, могли получать картельную прибыль против собственных копий. Однако способность поддерживать договорённость проявлялась ограниченно: как побочный эффект и только при крупных снижениях цены. Агент, которого соперник заранее удерживал от отклонения, и агент, отвечавший на снижение зеркальным снижением, могли получить одинаковую картельную прибыль, хотя только второй тип демонстрировал описанную способность к принуждению.
Что меняет аудит — и чего он пока не доказывает
Практический вывод авторов состоит в том, что показатели результата могут не различать стратегию наказания и стратегию, которая лишь приводит к похожим ценам. Предложенный аудит добавляет к оценке вынужденное отклонение и реакцию на него. В аннотации также сказано, что Q-learning-агенты демонстрировали принуждение только в ценовом сценарии, а подсказанные языковые модели достигали похожих на картель результатов преимущественно благодаря правилам, игнорирующим рынок.
Это сообщение о методе и результатах авторов препринта, а не доказательство сговора конкретных коммерческих систем. Доступная страница arXiv содержит название, авторов, дату подачи и аннотацию; по ней нельзя независимо оценить настройки экспериментов, таблицы и масштаб результатов. Поэтому вывод применим к описанным авторами моделям и сценариям, но не подтверждает универсальное поведение всех ИИ-агентов или реальных рынков.
