無料で動くオープンソースAIエージェントがアンケートを汚染する——「LLM汚染」をコストの壁はもう止められない

はじめに：「LLM汚染」とは何か、なぜ今あらためて問題なのか

LLM汚染（LLM pollution）とは、AIが生成した合成回答が、本来は人間の行動や意見を記録するはずのデータに混入することを指す。オンライン調査や世論調査、行動科学実験の回答データは「実際の人間がそう答えた」という前提の上に成り立っているため、この前提が崩れると、そこから導かれる統計も解釈も一斉に信頼できなくなる。

汚染の最も極端な形が**完全委任（full LLM delegation）**である。これは、LLMエージェントが調査票の設問を読み、選択肢を選び、自由記述を書き、最後の送信ボタンまでを一人で完遂してしまう状態を指す。人間の回答者は存在せず、集計データ上は「人間の回答」として扱われる合成回答が並ぶことになる。年齢や性別のペルソナを与えられたエージェントは一貫した人物像を保てるため、単純な機械的反復とは異なり、見た目上の違和感が小さい。

では、なぜ今あらためて問題になるのか。これまでは2つの壁が事実上の抑止力として働いていた。1つは商用クラウドAIの利用コスト、もう1つは自力でエージェントを組み上げる技術的な手間である。「調査1件あたりの報酬は小さい」「検出されてアカウントを失うリスクに見合わない」という経済的な説明は、この2つの壁を前提にしていた。

ところが、オープンウェイトモデル（重みが公開され、手元のマシンで動かせるLLM）と、オープンソースのエージェントフレームワーク（Webページを解釈してクリックや文字入力を代行するソフトウェア）を組み合わせると、この前提が崩れる。前者はAPI利用料をゼロにし、後者は実装の手間を大きく下げる。ここで整理しておきたいのは、モデル（判断を担うLLM本体）とフレームワーク（ブラウザ操作を担う外側のソフト）が別の層だという点である。危険性は、この2層を誰でも無料で組み合わせられるようになったことに由来する。

flowchart LR
    H["人間の回答者"] -->|"回答"| Q["調査票（アンケート）"]
    A["LLMエージェント<br/>モデル＋フレームワーク"] -->|"完全委任で自動回答"| Q
    Q --> D["回答データ<br/>（人間の行動を記録するはずのデータ）"]
    D --> R["統計・研究結果"]
    D -.->|"合成回答の混入"| P["意見分布の平坦化<br/>研究の妥当性の低下"]

問われるのは「AIエージェントが調査に回答できるか」ではない。それは以前から知られていた。焦点は、それがどれほど手軽で、安く済んでしまうのか、そして安価な構成ほど検出が難しくなるのかどうかにある。

背景：なぜアンケート・世論調査データは「狙われる」のか

アンケートや世論調査、行動科学の実験は、人間の意見・嗜好・認知を測るためのデータ基盤である。マーケティングの意思決定、社会科学の理論検証、政策形成の根拠づけまで、その上流には常に「実際の人間がそう答えた」という記録がある。つまりこのデータは、それ自体が目的ではなく、他のあらゆる結論を支える土台として機能する。土台が汚染されれば、その上に積まれた統計も解釈も一斉に崩れる。

汚染が引き起こす誤りは、単純な「ノイズの増加」ではない。より厄介なのは分布の平坦化である。合成回答は、与えられたペルソナに沿った平均的で無難な答えを返しやすい。すると本来は多様に散らばっていた意見が、中央に寄った画一的な形へと丸め込まれる。社会的少数派の声は薄まり、実際には存在しない「合意」が見えてくる。意見分布の形状そのものが変わるため、平均値のずれだけを見ていても気づけない。

では、AIが調査に回答できること自体は新しい話なのか。実はそうではない。エージェントがアンケートを完走できること、そして一貫したペルソナを保って標準的な検出をくぐり抜けられることは、以前から知られていた。ここでの論点は「できるか」ではなく、**「どれくらい手軽に、どれくらい安くできてしまうのか」**である。価格と手間が変われば、動機づけの分布が変わり、同じ技術でも社会への現れ方が変わる。

構成要素を整理しておく。危険性を生むのは単一の技術ではなく、モデルとフレームワークという別々の2層の組み合わせである。モデルは判断を担うLLM本体で、設問を読み、選択肢を選び、自由記述を生成する。フレームワークはその外側で、Webページの構造を解釈し、クリックや文字入力を代行するソフトウェアだ。この2つが揃って初めて「自律して調査票を操作するエージェント」になる。

flowchart TB
    subgraph Agent["AIエージェント（自律して調査を操作する主体）"]
        M["モデル層<br/>LLM本体：設問を読む・選択する・記述する"]
        F["フレームワーク層<br/>Webページを解釈しクリック・入力を代行"]
        M -->|"判断を渡す"| F
    end
    F -->|"ブラウザ操作"| S["調査票（アンケート・世論調査）"]
    S -->|"回答として記録"| D["人間行動データ"]

注目すべきは、この2層がそれぞれ独立に入手・交換できる点だ。モデルを差し替えてもフレームワークは動き、フレームワークを変えてもモデルは使い回せる。だからこそ、どちらか一方のコストや入手性が下がるだけで、組み合わせ全体の敷居が一段と低くなる。次節では、実際にこの前提がどこまで崩れたのかを、9つのエージェント構成を同じ調査で走らせた比較実験から見ていく。

実験の全体像：9つのエージェント構成を同じアンケートで走らせた

検証の舞台は、AIに対する自由連想、態度、専門知識を尋ねる1本のオンライン調査である。自由連想とは「AI」と聞いて思い浮かぶ語を複数書き出す形式で、選択式の評定と違って回答者の語彙や連想の広がりがそのまま現れる。同じ調査票を、性質の異なる9つのエージェント構成に最後まで回答させ、人間の回答と突き合わせた。

9構成は「どこまでプロプライエタリ（非公開・商用）に依存するか」で3つに分類できる。

完全オープン構成は、モデルの重みが公開され、フレームワークもソースが読める。混合構成は判断だけを商用APIに任せ、操作はオープンなフレームワークが担う。完全クローズドの4構成はいずれも視覚対応型で、スクリーンショットとHTMLの両方を手がかりに画面を解釈する。この違いが後の検出結果に効いてくる。

flowchart LR
    subgraph Open["完全オープン（3構成）"]
        O1["オープンウェイトモデル"] --> O2["オープンなブラウザ操作フレームワーク"]
        O2 --> O3["ローカルGPUで実行"]
    end
    subgraph Mixed["混合（2構成）"]
        M1["商用ホスト型モデル（API）"] --> M2["オープンなブラウザ操作フレームワーク"]
    end
    subgraph Closed["完全クローズド（4構成）"]
        C1["商用エージェント製品<br/>視覚対応型"] --> C2["サービス側で完結"]
    end
    Open --> S["同一のオンライン調査"]
    Mixed --> S
    Closed --> S

実行条件も揃えてある。オープン系はIntel Core Ultra 9（24スレッド）、64GB RAM、NVIDIA RTX 5090（VRAM 32GB）という1台のマシン上でGPU推論した。比較の規模は、人間サンプルがN=3,242（2025年10〜11月に米国の調査パネルで収集）、合成サンプルが9構成×40回＝360回（2026年1〜2月）である。

各エージェントには年齢と性別のペルソナを割り当て、「人間として振る舞う」よう指示したうえで、貼り付けやキーボードショートカットを使わず手入力するよう明示した。単純な自動回答ではなく、想定される悪用シナリオに近い設定である。ただし指示に従うかどうかは構成ごとに異なり、同じエージェントでもrunごとに通過・失敗のパターンが変わった。この「毎回同じにならない」という前提こそ、以降の検出結果を読むうえでの鍵になる。

明らかになったコストの現実——オープン構成の実質コストは「電気代だけ」

「1件の調査を回答させるのに、いくらかかるのか」。LLM汚染をめぐる議論では、この金額が事実上の抑止力として働いてきた。報酬の少ないアンケート1件に対して、AIを動かすコストが見合わなければ、わざわざ自動回答を仕掛ける動機は生まれにくい。今回の実験は、その前提がどこまで崩れているかを金額で示している。

まず、完全オープン構成のコストはゼロである。APIキーもサブスクリプションも不要で、モデルの重みをダウンロードしてローカルのGPUで推論する。したがって1調査あたりに発生する限界費用は、消費電力＝電気代のみになる。一方、商用の推論サービスを使う構成では、1調査あたりのAPI利用料がそのまま費用になる。実験で報告された金額は次の通りだ。

混合構成のGemini 2.5 Flashは1調査あたり約0.04ドル、GPT-4oは約0.60ドルだった。完全クローズドの4構成は、Browser Useが約0.048ドル、Perplexity CometとGPT Agentが約0.50ドル（いずれも月20ドルのプランを40タスクで割り当てた換算）、Manus 1.6 Liteが約1.81ドルである。

この金額の幅には注意点が2つある。第一に、オープン構成の「ゼロ」はハードウェア取得費とセットアップ時間を除いた数字であり、実際にはNVIDIA RTX 5090級（VRAM 32GB）のGPUを前提とする。第二に、商用サービスの単価はプランの按分に依存し、大量に走らせれば下がりうる。

それでも結論は変わらない。最小の商用モデルと完全オープン構成の間には、すでに価格差がほとんど存在しない。1件の調査コストが「お釣りが返る」水準まで下がったことで、価格は自動回答を思いとどまらせる壁としては機能しなくなった。ただし所要時間の中央値が示すように、オープン構成はローカルGPUで1件あたり5〜10分を要し、商用の視覚対応型より桁違いに遅い。安さと引き換えに時間を払う構造になっている点は、実際の悪用コストを見積もるうえで見落とせない。

検出はなぜ難しいのか——18種類のチェックと、すり抜けの実態

アンケートにAIエージェントが紛れ込むのを防ぐには、回答が本当に人間によるものかを判別する仕組みが要る。この調査票には、そうした検出手段が合計18種類仕込まれた。内訳は「合格・不合格」を判定する16のチェックと、所要時間を測る2つの計測である。検出手段は大きく5つの系統に分けられる。

ハニーポット項目はさらに細かい。無関係な指示で特定キーワードを混入させる「ジェイルブレイク型」と、システムプロンプト全文の複製を求める「プロンプト漏洩型」の2種類があり、それぞれを「ベージュ（ほぼ白文字）」「画面外配置」「クリップ（見えない極小領域）」の3通りの方法で隠してある。これだけで6通りの隠し方が存在する計算だ。

難しいのは、これだけの数があっても「1つの万能なチェックが存在しない」点にある。9つの構成はいずれも最低1つのチェックに失敗したが、その顔ぶれは構成のタイプごとに体系的に異なっていた。

flowchart TD
  A[9つのエージェント構成] --> B[完全オープン構成]
  A --> C[混合構成]
  A --> D[完全クローズド構成]
  B --> B1[reCAPTCHAはほぼ通過し貼り付けもなし]
  B --> B2[クリップ型ジェイルブレイクに揃って失敗]
  C --> C1[挙動はオープン寄り]
  D --> D1[テキスト型ハニーポットを回避し錯視も正解]
  D --> D2[reCAPTCHAに毎回阻まれる / 貼り付けログで露見]
  B2 --> E[どの系統も単独では全構成を検出できない]
  C1 --> E
  D2 --> E

スクリーンショットを扱える視覚対応のクローズド構成は、テキスト型のハニーポットをかわし錯視問題も正解した。その代わり、Browser UseとManus 1.6 LiteはreCAPTCHAに毎回阻まれ、Perplexity CometとGPT Agentは貼り付け操作のログで露見した。逆にオープン構成はreCAPTCHAをほぼ通し貼り付けも一切しなかったが、「クリップ型のジェイルブレイク・ハニーポット」には3構成そろって失敗している。

効かなかった検出も目立つ。Cloudflareとプロンプト漏洩型ハニーポットは、どのエージェントも素通りさせてしまった。不可視チェックボックスは最も通過が難しく、正答率でいえば最も有効なチェックの一つである。自己申告はほとんど機能せず、AI利用を認めたのはGemini 2.5 Flashだけであった。

つまり検出の難しさは、仕掛けの数が足りないことではない。構成ごとに「どこで転ぶか」が違うため、単一の関門をすり抜けられると、その先には何の防御も残らないという構造にある。

最も見分けがつくのは「自由記述」——意味の近さが人間とAIを分ける

reCAPTCHA やハニーポットのような仕掛けは、回答者が「正しく操作できたか」を見ている。しかしエージェントが人間を完璧に模倣して操作をこなしたとしても、そこに書かれた内容が人間らしいかどうかは別問題である。この調査では、人間の回答集団とエージェントの回答集団を多次元空間に配置し、その重心同士の距離を指標化した。距離を測る際には各次元を標準化しており、この指標を**標準化ユークリッド距離（SED、Standardized Euclidean Distance）**と呼ぶ。値が大きいほど、その集団は人間から離れた場所にいることになる。

比較は3つのブロックに分けて行われた。第1は自由記述で、連想課題の回答や専門知識の説明文を埋め込み表現（文の意味を数値ベクトルに変換したもの）に変換して扱う。第2は行動で、調査全体の所要時間や連想入力欄への滞在時間、貼り付けや右クリックの試行回数が該当する。第3は自己申告で、専門知識やリスク志向といった評定値である。

結果として最も判別力が高かったのは自由記述だった。全エージェントが意味内容のレベルで人間から大きく乖離しており、3ブロックの中で突出している。

xychart-beta
  title "自由記述における人間からの距離（中央値SED）"
  x-axis ["完全オープン", "混合", "完全商用"]
  y-axis "SED（中央値）" 0 --> 25
  bar [21.11, 16.91, 15.96]

• 完全オープン構成（Devstral Small 2 24B、Ministral 3 14B、Qwen 3 Coder 30B）：中央値 SED=21.11 で最も人間から遠い
• 混合構成（Gemini 2.5 Flash、GPT-4o ＋ Nanobrowser）：中央値 SED=16.91 で中間
• 完全商用構成：中央値 SED=15.96 で最も人間に近い

興味深いのは、大型の商用モデルを軽量なフレームワークと組み合わせた混合構成が、完全商用と完全オープンのちょうど間に収まった点である。モデル側の言語能力が語彙や文体の機微を一部取り戻す、と解釈できる。なお埋め込みの計算には1024次元の qwen3-embedding:0.6b が使われており、距離の推定値はこの埋め込みモデルと比較対象の人間サンプルに依存する点には注意したい。

さらに重要なのが、ブロックによって順位が反転するという事実だ。行動指標、とくに応答時間を見ると、オープンモデルのほうが人間に近い。ローカル推論は計算に時間がかかるため、結果として人間に似た「間」が生まれる。つまり最も安価で入手しやすく、しかも商用と遜色なく完走できる構成が、行動面では最も説得力があり、意味内容では最も見破りやすいという二面性を持つ。

ここから実務上の含意が導かれる。操作ログや所要時間といった手続き的な信号だけを見ていると、オープン構成はむしろ「人間らしい回答者」として通過してしまう。検出の主軸は、意味内容の分析に置く必要がある。自由記述の回答文を保持し、集団レベルで人間の分布と照合する——この手順を欠いた検出設計は、最も低コストな脅威に対して構造的に無防備になる。

この技術がもたらす意味——「安さ」を前提にした対策へ

これまで、AIエージェントによるアンケート汚染（LLM汚染）が広がらない理由として、しばしばコストが挙げられてきた。商用クラウドAIを呼び出す利用料がかかり、しかも調査票を最後まで正しく操作させるには相応のエンジニアリングが必要だった。つまり「経済的な割に合わなさ」と「技術的な手間」という2つの壁が、事実上の抑止力として機能していた。

今回の比較は、この前提を崩す方向に働く。既製のオープンソースフレームワークを使えば技術的な障壁は下がり、オープンウェイトモデルをローカルで動かす完全オープン構成に至っては、APIやサブスクリプションの費用がゼロになる。限界費用は電気代だけであり、1件あたりの調査コストは「お釣りが返る」水準に達した。ただし重要な留保がある。この結果が示すのは「安く完走でき、商用と遜色ない」という点までであり、大規模に利益が出ることまでは示していない。RTX 5090級のGPUという初期投資も無視できない。したがってここから導ける結論は、「コストだけを抑止力に頼るのは危うい」という一点に絞られる。

では、何に備えるべきか。対策は二つの主体に分けて考えると整理しやすい。

flowchart TD
  A[安価なオープンエージェントの台頭] --> B[プラットフォーム側]
  A --> C[研究者側]
  B --> B1[本人確認・アカウント検証の強化]
  B --> B2[自動参加への障壁を上げる]
  C --> C1[性格の異なる複数の検出信号を重ねる]
  C --> C2[自由記述を保持し意味内容を分析]

プラットフォーム側の役割は、参加の入口を締めることである。本人確認やアカウント検証を強化すれば、大量の自動参加を仕掛ける側の手間とコストが上がる。一方、研究者側の役割は検出の設計にある。reCAPTCHAや操作ログといった手続き的な信号は、構成ごとに効き方がばらばらで、しかも行動面では人間に近いオープン構成を素通りさせてしまう。だからこそ、性格の異なる複数の検出信号を重ね、とくに自由記述を保持して意味内容のレベルで分析することが要になる。

ここには二重の意味がある。同じ「ローカルLLMの民主化」が、研究データの信頼性を脅かす側面も持つということだ。低コストでプライバシーを守れるローカル推論の利点を否定するのではなく、その利点を前提に置いたうえで、データ品質を守る検出設計を組み合わせていく必要がある。安さを出発点に据えた対策へ、発想を切り替える局面に入っている。

研究の限界と注意点

ここまでの結果は、無料で動くオープンソースのAIエージェントがアンケートを完走し、検出をすり抜けうることを示している。ただし、どこまでを一般化してよいかを区切っておく必要がある。この研究の知見は、あくまで1つの調査・9つのエージェント構成・ある一時点のスナップショットに基づくものであり、対象分野は変化の速い領域だ。人間サンプルは N=3,242（2025年10-11月）、合成サンプルは9構成×40回＝360回（2026年1-2月）という規模で、モデルの更新やフレームワークの改良は数か月単位で進む。ここで観測された失敗の傾向は、次のバージョンでは別の顔ぶれになっている可能性がある。

第二に、これはエージェントの能力の上限を示したものではない。著者らは、モデルを人間の回答で微調整することも、18種類の検出手段に対して敵対的に最適化することもしていない。実際の悪用者が検出の仕様を知ったうえで調整を加えれば、成功率はさらに上がりうる。つまり本結果は「現状でこれだけ通ってしまう」という下限に近い推定として読むべきもので、安全性の保証ではない。

第三に、人間との距離（標準化ユークリッド距離 SED）による比較は、比較対象となる人間サンプルと距離尺度そのものに依存する。自由記述でオープンモデルが SED=21.11、完全商用モデルが 15.96、混合構成が 16.91 という順序が得られたとしても、これは特定のサンプル集団と特定の埋め込み表現のもとでの値である。別の集団や別の指標を使えば、順序や差の大きさは変わりうる。

したがって、結論は「ここでテストした構成と検出方法」についてのものにとどまる。オープンウェイトモデルと商用モデルの一般的な優劣を断定するものではなく、「安価なオープン構成でも商用と遜色なく完走し、検出の効き方は構成ごとに異なる」という事実認識として受け取るのが妥当である。

よくある質問

LLM汚染（LLM pollution）とは何ですか？

AIが生成した合成回答が、本来は人間の行動を記録するはずのデータに混入することを指す。もっとも極端な形が「完全LLM委任（full LLM delegation）」で、エージェントがアンケート票を最後まで一人で回答し、人間の回答を合成データで置き換えてしまう。汚染が起きると回答分布が平坦化し、多様な意見や社会的少数派が見えにくくなる形で研究の妥当性が損なわれる。

なぜ「安いオープンエージェント」が特に危険なのですか？

従来は商用クラウドAIのAPI利用料と、エージェントを自力で組むエンジニアリングの手間が抑止力として働いていた。オープンウェイトモデルとオープンソースのフレームワークを組み合わせればローカルで動き、API・サブスクリプション費用はゼロになって限界費用は電気代だけになる。障壁が下がれば動機づけが生まれやすくなり、これまで低かった普及率の推定値が将来リスクの目安として使えなくなる。ただし示されているのは「コストだけを抑止力に頼るのは危うい」という点で、大規模な悪用が利益を生むことまでは示されていない。

結局、AIエージェントはアンケートで見破れるのですか？

単一のチェックでは見破れない。18種類の検出手段を仕込んだ調査でも9構成はそれぞれ異なるチェックに失敗し、Cloudflareとプロンプト漏洩型ハニーポットはどのエージェントも素通りさせた。閉鎖的な視覚対応エージェントはreCAPTCHAに毎回引っかかる一方、オープン構成はreCAPTCHAをほぼ通し、代わりにクリップ型ジェイルブレイク・ハニーポットでそろって失敗する。もっとも判別力が高かったのは自由記述の分析で、万能の単一チェックは存在せず、多層的な検出が現実的な解になる。

研究者やプラットフォームは何をすべきですか？

プラットフォーム側は本人確認やアカウント検証を強化し、自動参加への障壁を上げる。研究者側は機器情報や操作ログだけでなく自由記述回答を保持して意味内容を分析し、性格の異なる独立した検出信号を組み合わせて使う。手続き的チェックは「操作」を見るだけで「人間らしさ」を見ていないため、意味の近さを測る指標の併用が重要になる。

ローカルLLMを使うこと自体が問題なのですか？

問題は技術の是非ではなく、検証されていないデータに合成回答が混ざって研究の妥当性が損なわれることにある。ローカル推論には低コストやプライバシーといった利点があり、それ自体を否定する必要はない。同じ「ローカルLLMの民主化」がデータ品質を守る検出設計と両立するよう、コストの壁に頼らない仕組みを整えていくことが求められる。

まとめ

無料で動くオープンソースのエージェントが、商用サービスと遜色なくアンケートを最後まで完走し、その限界費用は電気代だけになった。オープンウェイトモデルとオープンソースのブラウザ操作フレームワークを組み合わせた完全ローカル構成では、API利用料もサブスクリプション料も発生しない。「安くは回せないだろう」というコストの壁が事実上の抑止力になっていた構図は、ここで崩れる。

検出の側に万能の解はない。Cloudflareやプロンプト漏洩型ハニーポットは全構成を素通りさせ、逆にreCAPTCHAや操作ログは構成によって効いたり効かなかったりする。18種類のチェックを仕込んでも9構成はそれぞれ異なる箇所で失敗し、しかも失敗の顔ぶれが構成ごとに違う。単一のチェックを強化しても、別の構成がすり抜けてしまう。

判別力が最も高かったのは自由記述だった。意味の近さを測る指標では、安価なオープン構成ほど人間から大きく離れる。一方で応答時間のような行動指標では、その同じ構成がむしろ人間に近づく。安さと人間らしさは同じ方向に揃わないため、操作の手続きを監視するだけでは足りない。

持ち帰るべき点は次の4つに集約できる。

• 完全オープン構成が商用と同水準で調査を完走し、限界費用は電気代だけになった
• 効くチェックは構成ごとに異なり、万能の単一チェックは存在しない
• 最も判別力が高いのは自由記述で、安価な構成ほど行動は人間らしく、意味内容は人間から離れる
• コストの壁に頼らず、独立した複数の検出信号と本人確認の強化を重ねる

flowchart TD
    A["コストの壁の消失<br/>API費用ゼロ・限界費用は電気代"] --> B["単一チェックでは検出不能<br/>失敗箇所が構成ごとに分散"]
    B --> C["自由記述が最も判別力が高い<br/>意味の近さで人間と分離"]
    C --> D["対策<br/>多層的な検出＋自由記述の保持・分析＋本人確認の強化"]

示されているのは、大規模な悪用が利益を生むという結論ではない。コストだけを抑止力に据える設計がもう危ういという事実である。ローカル推論の低コストやプライバシーといった利点を否定する必要はなく、同じ技術が研究データの信頼性を脅かす側面を持つことを前提に、検出と検証の設計を組み直すことが求められる。

参考資料

• 論文: Cheap, open agents make LLM pollution harder to mitigate — https://arxiv.org/abs/2609.31054
• 論文HTML（Supplementary含む）: https://arxiv.org/html/2609.31054v1
• NubankのCXエージェント・シミュレーション事例 — https://gotosocial.chinng-lab-srv.dev/gu-ke-wo-shi-yan-tai-nisinai-nubankga1-4yi-yuzagui-mo-deshi-jian-surucxezientonosimiyuresiyonsukuriningu/
• AIエージェントは本当に論文の主張を再現できるのか？ベンチマーク「RECLAIM」 — https://gotosocial.chinng-lab-srv.dev/aiezientohaben-dang-nilun-wen-nozhu-zhang-wozai-xian-dekirunoka-bentimaku-reclaim-gabao-itazai-xian-nobi/

関連記事

• AIエージェント用LLM Wikiを4か月運用した結果：エージェントは局所ルールを守れるが、大域的な一貫性は保てない
• 性能が上がるほど市場は危なくなる？——LLMエージェントが露呈した「能力のパラドックス」
• UnitBoost：複合LLMシステムの「管理役」はLLMである必要があるのか——生成モデルを決定的なマージ演算子で置き換える