認識的シビル耐性：AIエージェントを増やしても証拠は増えない

マルチエージェントAIでは、複数のAIエージェントに同じ題材を読ませて報告を統合すれば推論が向上すると考えられがちだ。しかし2026年9月1日にarXiv（arXiv:2609.01873）へ投稿されたMarc Bara氏の論文は、この考え方に警鐘を鳴らす。別々のエージェントが出した報告でも、元になった証拠が同じなら独立した観測ではない。逆に、真に独立な証拠からでもほぼ同一の報告が生じうる。論文は、このように「複製された派生」を「独立した裏付け」と誤認する問題を「認識的シビル問題」と名付けた。

形式的には、既知の報告集合Rの下で新しい報告Zが対象変数Θについて追加情報を持たない場合、すなわち I(Θ; Z | R)=0 のとき、Zを認識的シビル拡張と定義する。報告テキストだけを見る集約器は、再現と独立の裏付けを一般的に区別できないと論文は証明する。同じ報告であっても、観測されない系統関係によって導かれる事後分布は異なり得る。さらに、共通根を持つガウスモデルを使い、共通祖先があるからといって完全に冗長ではないこと、反復抽出は源レベルの上限へ情報を追加するものの、独立エージェントが共通の基盤モデルを使う場合には抽出誤差が相関し、その上限が下がることを示した。

理論の検証には、合成文書を使った2万回以上の制御されたLLMエージェント呼び出しを実施。単一の証拠根を固定したまま報告数を1から32へ増やすと、素朴な事後被覆確率は0.940から0.263へ急落した。一方、報告数を固定して証拠根の数を1から16へ増やすと、その差は縮まり、k=16では集約手法の差は統計的に区別できなくなった。繰り返し抽出の誤差は独立しておらず、標本外推定で gamma_cal=0.719 という相関が観察され、相関抽出誤差を明示的に扱う集約器が較正を回復した。

さらに論文は、表現の類似性と証拠の系統を切り離す制御操作を設計。表現類似性の操作によって、報告空間で重複を除く機構の推定平均クラスタ数は1.425（95% CI [1.363, 1.485]）変化したのに対し、真の系統関係を4倍変えても変化量は0.040（95% CI [-0.045, 0.120]）にとどまった。この非対称性は、テキスト類似度を手がかりにした報告の重複排除が推論のよりどころとして不適切であることを示している。結論として、集団推論はエージェント数や報告数、報告の類似度ではなく、証拠の系統と依存関係を追跡すべきだと論文は主張する。全23ページ・図13点で、コードとデータも公開されている。