Naukowcy z arXiv opublikowali badanie porównujące struktury governance w protokołach AI agentów, wykorzystując zaawansowane metody oparte na LLM do analizy dużych zbiorów danych governance. Zespół opracował pipeline łączący automatyczne adnotacje, neural topic modeling i analizę sieci wielowarstwowych, aby zbadać dynamikę władzy w technologicznych strukturach na dużą skalę.
Badanie skupiło się na dwóch kontrastowych standardach dla interoperacyjności agentów AI: ERC-8004 (permissionless, na blockchainie) oraz Google A2A (prowadzonego przez korporację). Analiza obejmowała 4323 rekordy participacji governance, stosując LLM-assisted coding do automatycznego kodowania dyskursu, topic modeling do identyfikacji głównych tematów oraz sieciową analizę wielowarstwową do mapowania relacji między uczestnikami.
Wyniki ujawniają zadziwiające spostrzeżenia dotyczące wpływu formy governance na rzeczywistą dynamikę społeczną. Chociaż forma governance znacząco wpływa na priorytety tematyczne i fokus dyskusji, oba systemy wykazują porównywalne poziomy nierówności w participacji oraz fragmentacji społeczności. Jednak permissionless governance ERC-8004 wykazuje gęstszą alignmentność dyskursu, sugerując że otwarta struktura decyzyjna może wspierać większą konwergencję tematyczną pomimo zdecentralizowanego modelu participacji. Te odkrycia pokazują potencjał metod LLM-assisted dla empirycznego badania governance technologicznego i mają znaczenie dla przyszłego projektowania bardziej sprawiedliwych standardów dla AI agentów.