At simulere samfund af mange AI-agenter har hidtil været en dyr affære – men et nyt forskningspapir fra arXiv viser, at man kan opnå de samme makroskopiske resultater på en almindelig bærbar computer. Metoden, beskrevet i Poor Man's Agentic Modeling, erstatter hver LLM-agent med en simpel, lav-parameter model, der trænes på få hundrede til få tusinde billige forespørgsler. Derefter kan samfundet køres med vilkårligt mange agenter – uden at sprænge budgettet.
Forskerne bag papiret har udviklet en taksonomi, der kategoriserer agenters perception og hukommelse i et [interaktionsorden × hukommelse]-skema. Denne taksonomi forudsiger, hvornår metoden virker, og hvornår den ikke gør – før simulationen overhovedet kører. Valideringen er sket på en trofast reimplementation af den kendte LLM-makroøkonomi EconAgent og syv andre navngivne LLM-simulationer, hvor agenternes beslutninger blev klonet fra ægte LLM-forespørgsler (primært DeepSeek) for få dollars. De forudsagte fejltendenser holder celle for celle, og de to afkræftede forudsigelser – begge relateret til en stærkt mættende respons og dens krumning – blev også kvantitativt matchet af teorien uden frie parametre.
For beslutningstagere betyder dette, at makroskopiske spørgsmål – faseadfærd, stiliserede fakta og skalering med antallet af agenter – nu kan besvares uden at investere i massive cloud-ressourcer. Det åbner for bredere anvendelse i økonomisk modellering, markedsanalyse og samfundsvidenskabelige eksperimenter, hvor man tidligere måtte afveje omkostninger mod detaljeringsgrad. Metoden er ikke en erstatning for fuld agent-kognition, men et værktøj til at forstå systemiske egenskaber – og det er netop, hvad mange strategiske beslutninger kræver.
