Économiste LLM : Modèles de grande population et conception de mécanismes dans les simulacres génératifs multi-agents

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

July 21, 2025

papers.authors: Seth Karten, Wenzhe Li, Zihan Ding, Samuel Kleiner, Yu Bai, Chi Jin

cs.AI

papers.abstract

Nous présentons le LLM Economist, un cadre novateur qui utilise la modélisation basée sur des agents pour concevoir et évaluer des politiques économiques dans des environnements stratégiques avec une prise de décision hiérarchique. Au niveau inférieur, des agents travailleurs à rationalité limitée -- instanciés sous forme d'invites conditionnées par des personnalités échantillonnées à partir de statistiques démographiques et de revenus calibrées sur le recensement américain -- choisissent l'offre de travail pour maximiser des fonctions d'utilité basées sur le texte apprises en contexte. Au niveau supérieur, un agent planificateur utilise l'apprentissage par renforcement en contexte pour proposer des barèmes d'imposition marginaux linéaires par morceaux ancrés dans les tranches fédérales actuelles des États-Unis. Cette construction confère aux simulacres économiques trois capacités essentielles pour une expérimentation fiscale crédible : (i) l'optimisation d'utilités hétérogènes, (ii) la génération raisonnée de grandes populations d'agents démographiquement réalistes, et (iii) la conception de mécanismes -- le problème ultime de l'incitation -- exprimée entièrement en langage naturel. Des expériences avec des populations allant jusqu'à cent agents en interaction montrent que le planificateur converge vers des équilibres de Stackelberg qui améliorent le bien-être social agrégé par rapport aux solutions de Saez, tandis qu'une procédure de vote périodique au niveau des personnalités renforce ces gains sous une gouvernance décentralisée. Ces résultats démontrent que des agents basés sur des modèles de langage de grande taille peuvent modéliser, simuler et gouverner conjointement des systèmes économiques complexes, fournissant un banc d'essai maniable pour l'évaluation des politiques à l'échelle sociétale afin de contribuer à bâtir de meilleures civilisations.

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.