Kerapuhan kolektif sistem keuangan berbasis agen LLM: mengapa koordinasi runtuh dan kapan komitmen berhasil mempertahankannya
Dalam lingkungan terkendali FRAIL, agen yang ditenagai tujuh LLM terkemuka beraksi dalam skenario penarikan dana besar-besaran dari bank, perpanjangan utang, dan crowdfunding berbasis imbalan: 77% hingga 83% episode dasar berakhir dengan kegagalan, meskipun mereka tidak ditugaskan untuk mengguncang sistem. Mekanisme tambahan yang diuji—janji yang dapat dikompensasi, kesepakatan terpusat, dan koalisi peserta—meningkatkan hasil secara keseluruhan, tetapi tidak ditemukan mekanisme yang berlaku universal; ketahanan muncul ketika komitmen luas terhadap kewajiban terbentuk sebelum perilaku defensif mulai memperkuat dirinya sendiri.

Kerapuhan kolektif sebagai efek sistemik
FRAIL adalah kerangka kerja eksperimental terkontrol. Di dalamnya, agen berbasis LLM bertindak dalam lingkungan keuangan yang dinamis. Temuan utama:
- keputusan agen mengubah kondisi keuangan bagi pihak lain;
- eksperimen mencakup tujuh LLM terkemuka;
- kerapuhan muncul bahkan ketika tidak ada agen yang ditugaskan untuk mengguncang sistem.
Penelitian ini mengungkap kerapuhan kolektif yang tersebar luas. Kesimpulannya: kerapuhan muncul pada tingkat interaksi, bukan hanya pada agen individual.
Tiga lingkungan dan hasil baseline
Kerangka kerja ini mencakup tiga lingkungan dinamis:
- kepanikan penarikan dana bank (bank runs);
- perpanjangan utang (debt rollover);
- crowdfunding berbasis imbalan (reward crowdfunding).
Dalam skenario dasar bank run, 77% episode berakhir dengan kegagalan. Dalam skenario dasar debt rollover, 83% episode berakhir dengan kegagalan. Di setiap lingkungan, keputusan agen mengubah kondisi bagi peserta lainnya. Kriteria: kerapuhan kolektif diuji dalam lingkungan dengan keputusan yang saling bergantung. Uji agen secara terpisah tidak akan menunjukkan risiko sistemik.
Perbandingan mekanisme komitmen
Tiga mekanisme interaksi dibandingkan. Ketiganya meningkatkan hasil agregat. Tidak satu pun menjadi yang terbaik untuk semua struktur keuangan.
| Mekanisme | Hasil agregat | Terbaik untuk semua struktur keuangan |
|---|---|---|
| Komitmen dengan kompensasi (compensated commitments) | meningkat | tidak |
| Perjanjian komitmen terpusat (centralized commitment agreements) | meningkat | tidak |
| Koalisi yang dipimpin peserta (participant-led coalitions) | meningkat | tidak |
Tidak ada mekanisme yang universal di antara ketiganya. Pilihannya bergantung pada struktur keuangan tertentu. Kriteria praktis: sesuaikan mekanisme dengan struktur lingkungan, bukan menyalin satu pola.
Kapan komitmen berhasil menjaga kestabilan sistem
Stabilisasi yang berhasil memiliki pola waktu yang sama. Komitmen yang luas terbentuk sejak dini. Komitmen itu muncul sebelum perilaku defensif mulai memperkuat dirinya sendiri.

Jika momen ini terlewat, komitmen tidak dapat menjaga kestabilan sistem. Terbentuknya komitmen yang luas sejak dini mendahului penguatan diri perilaku defensif. Kriteria: mulai membangun komitmen sebelum perilaku defensif mulai mereproduksi dirinya sendiri.
Keamanan sistemik AI keuangan
Agen yang cakap secara individual tidak otomatis membentuk sistem keuangan yang aman. Fakta ini ditunjukkan oleh eksperimen FRAIL. Tugas utama keamanan AI keuangan:
- evaluasi pada tingkat sistem;
- perancangan interaksi.
Kriteria praktis: periksa interaksi ant agen dan sistem secara keseluruhan. Model individual yang kuat tidak menggantikan pengawasan sistemik.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Pengujian agen pemrograman dalam pengembangan XR interaktif: hasil GenXR-Bench
GenXR-Bench telah dirilis—seperangkat 112 tugas ahli untuk mengevaluasi agen coding secara menyeluruh dalam pengembangan XR interaktif: mulai dari menyempurnakan fitur dan memperbaiki bug hingga membuat aplikasi dengan pengujian perilaku pada perangkat konsumen. Dari sepuluh model yang diuji, hasil terbaik adalah 50,9% Pass@1; kegagalan yang berulang meliputi penanganan peristiwa sensor asinkron, penempatan objek di ruang nyata, dan pemahaman interaksi dalam konteks fisik.
5 November 2026
Anotasi gambar hibrida: otomatisasi mempercepat pelatihan model visi komputer
Artikel ini menjelaskan bagaimana praanotasi oleh algoritme mengurangi pekerjaan manual dan meningkatkan kebersihan kumpulan data pelatihan, serta mengapa verifikasi secara sampling oleh manusia tetap diperlukan. Artikel ini juga membahas keterbatasan metode tersebut dalam kondisi pengambilan gambar yang sulit dan pada jenis objek yang jarang ditemui.
5 November 2026
Dari Imbalan Skalar ke Front Pareto: Sintesis RTL LLM dengan Pembelajaran Penguatan Multikriteria
Diusulkan metode untuk melatih model bahasa agar menghasilkan bukan hanya satu skema, melainkan serangkaian kandidat RTL dengan kompromi berbeda antara luas area, latensi, dan konsumsi daya; reward dihitung berdasarkan kontribusi kandidat terhadap hypervolume front Pareto. Pada RTLLM v2, hypervolume relatif meningkat 13,3 poin persentase dibandingkan versi dasar tanpa optimasi PPA dan 14,4 poin persentase dibandingkan pelatihan penguatan dengan satu tujuan.
5 November 2026