Kiedy osobowość agentów AI wpływa na wyniki pracy zespołowej?

Badacze z arXiv badali, czy osobowość przypisana LLM poprzez personality prompting rzeczywiście wpływa na wydajność multi-agentowych zespołów. Do tej pory wiadomo było, że takie podejście zmienia styl komunikacji - agenty z niską agreeableness generują bardziej agresywny język, podczas gdy te z wysoką agreeableness stają się bardziej kooperacyjne. Problem w tym, że nikt systematycznie nie sprawdzał, czy te zmiany w komunikacji przełożą się na rzeczywiste rezultaty zadań.

Zespół eksperymentów obejmował trzy różne domeny. W zadaniach kodowania strukturalnego okazało się, że manipulacja poziomem agreeableness wprawdzie wywoływała duże zmiany w sposobie komunikacji między agentami, ale praktycznie nie wpłynęła na ukończenie kamieni milowych projektów. Natomiast w zadaniach wymagających otwartej współpracy badawczej i negocjacji konkurencyjnej ta sama manipulacja osobowością znacząco pogorszyła wydajność zespołu.

Wyniku mają istotne implikacje dla projektowania systemów multi-agentowych. Pokazują, że personality prompting nie jest универсalnym narzędziem - jego efektywność zależy od struktury zadania. W algunych przypadkach zmiana osobowości może być wręcz kontrproduktywna, a w innych praktycznie bez znaczenia. Badania ujawniają również ograniczenia manipulacji osobowością jako sposobu optymalizacji pracy zespołów AI, sugerując, że prostsze podejścia mogą okazać się bardziej niezawodne w niektórych scenariuszach.