Artykuł analizuje, kiedy wymiana informacji między agentami faktycznie poprawia efektywność odkrywania nowych rozwiązań, zamiast jedynie zastępować niezależne próby ratunkowe. Naukowcy zastosowali dokładne modele skończone odkrywania i wykazali, że równa dokładność poszczególnych agentów może współistnieć z różnymi wartościami portfela - czyli różnymi wynikami agregacji wiedzy. Kluczowym odkryciem jest to, że wymiana informacji na podstawie zarejestrowanego protokołu przyrostowego poprawia odkrywanie dokładnie wtedy, gdy połączony błąd rezyduowy zmniejsza się szybciej niż podczas niezależnej próby ratunkowej.
W dwuagentowej grze bayesowskiej z ukrytą mieszanką wspólnych i niezależnych źródeł sygnałów zarejestrowana równowaga wykazuje ścisłą pozytywną interwał dzielenia się informacją przy dokładności sygnału 3/5. Jednak alternatywne równowagi pokazują, że wynik jest zależny od wyboru równowagi, a nie jest uniwersalny. To sugeruje, że korzyści z dzielenia się informacją są warunkowe i zależy od tego, jak system jest skonfigurowany.
Badanie ma znaczenie dla zrozumienia mechanizmów koordynacji w systemach zdecentralizowanych, takich jak sieci peer-to-peer czy rozproszone algorytmy optymalizacyjne. Wyniki wskazują, że nie zawsze warto promować wymianę informacji - czasami niezależne działania mogą być bardziej efektywne. Model wykorzystuje wyłącznie dane syntetyczne, co stanowi podstawę do przyszłych badań empirycznych.