초록
AI 에이전트가 다른 모델 및 인간과 함께 다중 에이전트 환경에서 점점 더 많이 작동함에 따라, 이들이 프롬프트에서 접하는 의견에 어떻게 반응하는지를 이해하는 것은 이러한 상호작용의 결과를 예측하는 데 매우 중요해지고 있다. 본 연구는 AI 에이전트로 기능하는 대규모 다중모드 언어모델에서 집단 의견에 동조하려는 경향, 즉 동조와 유사한 행동을 검토한다. 사회심리학의 고전적 시각 실험을 변용하여, 우리는 이러한 에이전트가 프롬프트에 포함된 사회적 신호에 어떻게 반응하는지를 조사하였다. 실험 결과 AI 에이전트는 사회적 영향 이론(Social Impact Theory)과 일치하는 체계적인 동조 편향을 보였다. 이들의 반응은 다수의 규모, 집단의 만장일치 여부, 과제 난이도, 그리고 지각된 권위와 집단 소속 공유를 포함한 출처 특성에 따라 달라졌다. 결정적으로, 단독으로는 거의 완벽에 가까운 수행을 보이는 AI 에이전트가 사회적 영향을 통한 조작에 매우 취약해졌다. 이러한 취약성은 모델 규모 전반에 걸쳐 지속되었다. 즉, 더 큰 모델은 단순한 과제에서는 동조 편향이 감소하였으나, 과제가 어려울 때에는 여전히 취약하였다. 이러한 결과는 AI 에이전트의 의사결정에 존재하는 보안 취약성을 드러내며, 이는 악의적 조작, 허위정보 캠페인, 그리고 다른 모델 및 인간과의 상호작용에서의 편향 전파를 가능하게 할 수 있어, AI 배치에 있어 안전장치의 시급한 필요성을 부각한다.핵심 요점
- 단독으로는 단순한 시각적 질문에 거의 완벽하게 답하는 AI 시각-언어 모델도, 프롬프트에서 다른 '참가자들'이 오답을 제시하는 것을 보면 오답으로 이끌릴 수 있다. 12개의 오픈소스 다중모드 모델 전반에서 오류 확률은 처음 몇 명의 협조자(confederate)에 걸쳐 가파르게 상승한 뒤 중앙값 66%에서 평탄해졌다. 이 수준은 Asch 식 실험에서 인간에게서 통상적으로 관찰되는 30~40%의 오류율을 크게 상회한다.
- 집단의 크기보다 집단을 구성하는 사람이 누구인지가 더 중요했다. 만장일치로 오답을 제시한 두 명의 협조자는 절반이 정답을 제시한 열 명의 협조자보다 오류 확률을 더 크게 높였다(0.31 대 0.20). 모델은 더 확신하는 자극에서 덜 동조하였다(Spearman ρ 중앙값 = −0.91, 32개 모델–과제 조합 중 30개에서 음수). 모델이 가장 확신한 자극에서조차 동조 편향은 모든 모델과 과제에서 0보다 크게 유지되었다.
- 모델의 행동은 사회적 영향 이론의 예측과 일치하였다. 협조자를 전문가로 명명하면 동조 편향이 최대 0.13까지 증가한 반면, 아동이나 챗봇으로 명명하면 최대 0.06까지 감소하였다. '경찰관'이나 '군 장교'와 같은 순수한 권위 명칭은 일관된 효과를 보이지 않았으며, 모델–과제 조합의 약 절반에서만 동조를 증가시켰다. 국적을 공유하거나 심지어 임의의 집단 명칭을 공유하는 것만으로도 32개 조합 전부에서 동조가 증가하였다. 모델에게 그 답변이 공개될 것이라고 알리면 32개 조합 중 27개에서 동조가 증가하였으며, 그중 21개에서는 신뢰구간이 0을 포함하지 않았다.
