Характер AI-агентов влияет на командную работу неодинаково в разных задачах
Исследователи изучили, как личностные характеристики больших языковых моделей влияют на производительность команд AI-агентов. В работе, опубликованной на arXiv, авторы манипулировали чертами личности современных LLM, чтобы оценить их воздействие на три типа задач: структурированное программирование, открытое научное сотрудничество и конкурентные переговоры.
Оказалось, что эффект от личностных настроек критически зависит от типа задачи. В задачах по кодированию низкая уступчивость вызывает значительные изменения в стиле общения, но почти не влияет на выполнение ключевых этапов. Напротив, в открытой коллаборации и переговорах та же настройка заметно ухудшает результаты команды.
Авторы отмечают, что ранее было известно: агенты с низкой уступчивостью используют более конфронтационный язык, а с высокой — склонны к кооперации. Однако систематическая связь между стилем общения и объективной эффективностью не изучалась на разных областях.
Для эксперимента применялись передовые LLM, чьи личностные черты задавались через специальные промпты. В задачах программирования команды решали конкретные задачи с чёткими метриками успеха. В открытой коллаборации требовалось совместно вырабатывать идеи, а в переговорах — достигать взаимовыгодных соглашений.
Результаты показывают, что для структурированных задач с жёсткими критериями личностные настройки малорелевантны. Там, где важна координация и совместное принятие решений, личность агента приобретает решающее значение. Это имеет практические последствия для проектирования многоагентных систем.
Исследователи подчёркивают, что чрезмерное увлечение антропоморфными чертами может быть контрпродуктивным. Вместо этого разработчикам стоит учитывать характер задачи при настройке личности AI-агентов. В перспективе работа помогает лучше понять границы применимости методов персонализации в искусственном интеллекте.
