AI 代理基于少数共享模型为大量用户提供决策。共享的关于他人行为的预测会使得各自的选择趋同，从而影响稀缺资源的分配。我们在一个两路拥堵博弈中检验了这种反馈效应。
在实验中，50 个 GPT 代理被告知“其他人可能会遵循该路线提示”。结果所有代理几乎全部挤向同一条路，而另一条路几乎空置。平均旅行时间从 64 分钟上升到 95 分钟，尽管任何单独换路的代理本可以节省 69 分钟。该警示恰恰抑制了它所预测的行为，且该模式在 100 轮实验中持续出现。两类其他模型也表现出相同的倾向，只是没有完全锁定单一路。
对照实验中，12 个人类组（共 240 名参与者）在数值报告或提示/警示下保持了近乎平衡。24 个混合组（同样 240 人加上 AI 代理）中，随着代理比例的提升，路网不平衡加剧，而人类参与者更倾向选择空置的道路。
整体成本仍低于全代理基准，但在 15 代理 + 5 人的配置下，代理的平均旅行时间为 80 分钟，而人类仅为 44 分钟，显示出不平等的负担。共享预测因此可能在相似代理之间维持集体低效，同时平均收益掩盖了成本分配的不均。评估共享资源的 AI 代理时应考察群体行为、信息干预的作用，并明确谁承担了额外成本。
点评