Economista de Modelos de Lenguaje a Gran Escala: Modelos de Población Grande y Diseño de Mecanismos en Simulacros Generativos Multiagente

LLM Economist: Large Population Models and Mechanism Design in Multi-Agent Generative Simulacra

July 21, 2025

Autores: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin

cs.AI

Resumen

Presentamos el Economista LLM, un marco novedoso que utiliza modelos basados en agentes para diseñar y evaluar políticas económicas en entornos estratégicos con toma de decisiones jerárquica. En el nivel inferior, agentes trabajadores con racionalidad limitada —instanciados como indicaciones condicionadas por perfiles muestreados de estadísticas de ingresos y demográficas calibradas con el censo de EE. UU.— eligen la oferta laboral para maximizar funciones de utilidad basadas en texto aprendidas en contexto. En el nivel superior, un agente planificador emplea aprendizaje por refuerzo en contexto para proponer esquemas de impuestos marginales lineales por tramos anclados a los tramos fiscales federales actuales de EE. UU. Esta construcción dota a los simulacros económicos de tres capacidades necesarias para la experimentación fiscal creíble: (i) optimización de utilidades heterogéneas, (ii) generación fundamentada de poblaciones grandes y demográficamente realistas, y (iii) diseño de mecanismos —el problema último de empuje— expresado completamente en lenguaje natural. Experimentos con poblaciones de hasta cien agentes interactuando muestran que el planificador converge cerca de equilibrios de Stackelberg que mejoran el bienestar social agregado en comparación con las soluciones de Saez, mientras que un procedimiento periódico de votación a nivel de perfil amplía estas ganancias bajo gobernanza descentralizada. Estos resultados demuestran que los agentes basados en modelos de lenguaje grande pueden modelar, simular y gobernar conjuntamente sistemas económicos complejos, proporcionando un banco de pruebas manejable para la evaluación de políticas a escala societal con el fin de ayudar a construir mejores civilizaciones.

English

We present the LLM Economist, a novel framework that uses agent-based modeling to design and assess economic policies in strategic environments with hierarchical decision-making. At the lower level, bounded rational worker agents -- instantiated as persona-conditioned prompts sampled from U.S. Census-calibrated income and demographic statistics -- choose labor supply to maximize text-based utility functions learned in-context. At the upper level, a planner agent employs in-context reinforcement learning to propose piecewise-linear marginal tax schedules anchored to the current U.S. federal brackets. This construction endows economic simulacra with three capabilities requisite for credible fiscal experimentation: (i) optimization of heterogeneous utilities, (ii) principled generation of large, demographically realistic agent populations, and (iii) mechanism design -- the ultimate nudging problem -- expressed entirely in natural language. Experiments with populations of up to one hundred interacting agents show that the planner converges near Stackelberg equilibria that improve aggregate social welfare relative to Saez solutions, while a periodic, persona-level voting procedure furthers these gains under decentralized governance. These results demonstrate that large language model-based agents can jointly model, simulate, and govern complex economic systems, providing a tractable test bed for policy evaluation at the societal scale to help build better civilizations.