Economista de LLM: Modelos de Grande População e Design de Mecanismos em Simulacros Gerativos 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

Resumo

Apresentamos o LLM Economist, uma estrutura inovadora que utiliza modelagem baseada em agentes para projetar e avaliar políticas econômicas em ambientes estratégicos com tomada de decisão hierárquica. No nível inferior, agentes trabalhadores com racionalidade limitada — instanciados como prompts condicionados por personas amostrados de estatísticas de renda e demográficas calibradas pelo Censo dos EUA — escolhem a oferta de trabalho para maximizar funções de utilidade baseadas em texto aprendidas em contexto. No nível superior, um agente planejador emprega aprendizado por reforço em contexto para propor escalas de impostos marginais lineares por partes ancoradas nas faixas federais atuais dos EUA. Essa construção confere aos simulacros econômicos três capacidades essenciais para experimentação fiscal credível: (i) otimização de utilidades heterogêneas, (ii) geração fundamentada de grandes populações de agentes demograficamente realistas e (iii) design de mecanismos — o problema final de "nudging" — expresso inteiramente em linguagem natural. Experimentos com populações de até cem agentes interagindo mostram que o planejador converge para equilíbrios de Stackelberg que melhoram o bem-estar social agregado em relação às soluções de Saez, enquanto um procedimento periódico de votação no nível da persona amplia esses ganhos sob governança descentralizada. Esses resultados demonstram que agentes baseados em grandes modelos de linguagem podem modelar, simular e governar conjuntamente sistemas econômicos complexos, fornecendo um ambiente de teste viável para avaliação de políticas em escala societal, ajudando a construir civilizações melhores.

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.