LLM Economist: Modelli di Popolazione Estesa e Progettazione di Meccanismi nei Simulacri Generativi Multi-Agente

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

July 21, 2025

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

cs.AI

Abstract

Presentiamo l'LLM Economist, un nuovo framework che utilizza la modellazione basata su agenti per progettare e valutare politiche economiche in ambienti strategici con processi decisionali gerarchici. A livello inferiore, agenti lavoratori con razionalità limitata – istanziati come prompt condizionati da profili personali campionati da statistiche demografiche e di reddito calibrate sul censimento statunitense – scelgono l'offerta di lavoro per massimizzare funzioni di utilità basate su testo apprese in contesto. A livello superiore, un agente pianificatore utilizza l'apprendimento per rinforzo in contesto per proporre schemi di tassazione marginale lineari a tratti ancorati agli attuali scaglioni federali statunitensi. Questa costruzione conferisce ai simulacri economici tre capacità essenziali per sperimentazioni fiscali credibili: (i) ottimizzazione di utilità eterogenee, (ii) generazione principiata di grandi popolazioni di agenti demograficamente realistici, e (iii) progettazione di meccanismi – il problema ultimo del nudging – espressa interamente in linguaggio naturale. Esperimenti con popolazioni fino a cento agenti interagenti mostrano che il pianificatore converge vicino a equilibri di Stackelberg che migliorano il benessere sociale aggregato rispetto alle soluzioni di Saez, mentre una procedura di voto periodica a livello di profilo personale amplifica questi guadagni sotto una governance decentralizzata. Questi risultati dimostrano che agenti basati su modelli linguistici di grandi dimensioni possono modellare, simulare e governare congiuntamente sistemi economici complessi, fornendo un banco di prova gestibile per la valutazione delle politiche su scala societaria per contribuire a costruire civiltà migliori.

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.