La compétition façonne considérablement les sociétés humaines, influençant l’économie, les structures sociales et la technologie. Les recherches traditionnelles, se basant sur des études empiriques, sont limitées par l’accessibilité des données et manquent de perspectives micro-niveaux. La modélisation basée sur les agents (ABM) est apparue pour surmonter ces limites, évoluant vers des agents basés sur l’apprentissage automatique. Cependant, ces approches peinent encore à simuler fidèlement les comportements humains complexes.
L’avènement des grands modèles de langage (LLM) a permis la création d’agents autonomes pour les simulations sociales. Bien que certains travaux récents explorent l’utilisation des agents basés sur les LLM, peu d’études examinent spécifiquement les dynamiques de compétition, entravant une compréhension complète de la concurrence dans différents domaines.
Des chercheurs de plusieurs institutions prestigieuses ont introduit CompeteAI, un cadre exhaustif pour étudier les dynamiques de compétition entre agents basés sur les LLM. Utilisant GPT-4, ils ont simulé une ville virtuelle avec des restaurants et des clients, permettant une analyse approfondie des comportements concurrentiels et de l’évolution des systèmes. Les résultats ont mis en avant des stratégies sophistiquées des agents, révélant des dynamiques complexes telles que l’effet Matthieu et l’amélioration continue de la qualité des produits grâce à la concurrence.
Cette approche innovante offre des perspectives précieuses pour les futures études en sociologie, économie et comportement humain, fournissant une plate-forme prometteuse pour la recherche interdisciplinaire dans des environnements contrôlés et réalistes.