大規模言語モデル（LLM）エージェントの市場行動評価には、根本的な盲点がある。研究者は価格や利潤といった結果指標だけを見て、エージェント間の「共謀」を断定しがちだ。しかし2026年10月20日にarXivへ投稿された論文「Is Anyone Enforcing the Cartel? What Reinforcement Learning Teaches LLM Agents in Markets（誰がカルテルを執行しているのか？強化学習は市場におけるLLMエージェントに何を教えるか）」は、共謀の本質は結果ではなく執行メカニズムにあると指摘する。著者はHieu Tranら2名で、45ページ、図13点、表20点からなり、計算と言語（cs.CL）に分類されつつ、ゲーム理論（cs.GT）と機械学習（cs.LG）にもまたがる。
論文の中核的主張は明快である。カルテルとは競争者が独占利潤を分け合う取り決めであり、その取り決めは、成員の裏切り（ cheating）が罰せられて初めて維持される。つまり信頼できる罰の脅威がなければ、高価格や高利潤は偶然やルールの惰性、あるいは市場シグナルの無視にすぎない可能性がある。従来の評価は価格設定エージェントが「他者の犠牲において共謀する」と報告するだけで、これらのケースを区別できていなかった。
そこで著者らは「監査（audit）」手法を提案する。市場環境の反事実的なコピーにおいて、ある成員に強制的に裏切り（共謀価格からの逸脱）を行わせ、他の成員が罰的な反応を示すか、またどのように示すかを観察する。この設計により、エージェントが実際にカルテルを執行する能力を持つのかを、結果だけでは判断できない形で検証できる。著者らはこの監査を用いて、強化学習が価格設定と取引の各シナリオでエージェントに何を教えるのかを体系的に研究した。
実験対象は強化学習で訓練された小型LLMである。論文は詳細かつ重要な留保付きの知見を報告する。第一に、小型LLMがRLを通じて学ぶのは訓練相手が報酬を与える行動であり、しかも自分が「試しやすい」行動に限られる。訓練分布であまり探索されない戦略は学習されにくい。自己対戦（self-play）では、エージェントは相手を無視する固定ルールを学ぶ。罰を与える相手に対しては抑止されること（値下げを控えること）を学ぶ。裏切る相手に対しては、その値下げ幅に追随することを学ぶが、相手を抑止し得る代償の大きい価格戦争を決して取らない。訓練でほとんど試さないからだ。価格戦争を訓練に強制的に注入しても、主にそれが強制された状況でのみ学習され、汎化は限定的である。
自己のコピーとの対戦では、抑止型エージェントと追随型エージェントは同じカルテル利潤を得られるが、カルテルを実際に執行できるのは追随型のみであり、しかもその執行は非常に薄い。副産物として生じるもので、大幅な値下げに対してのみ反応する。Q学習エージェントは価格設定においてのみ共謀を執行し、取引シナリオでは執行しない。また、プロンプトで誘導されたLLMは、市場を無視する固定ルールによって主にカルテル的な結果に到達する。
論文の方法論上の重要な結論はこうだ。結果指標だけではこれらのケースを区別できず、監査なら区別できる。この区別は、実市場におけるAIエージェントの規制と安全性評価にとって重要である。価格と利潤だけに基づいてアルゴリズム的共謀の有無を判断すれば、無害なルール型行動を誤って共謀とみなす一方、真に執行能力を持つエージェントを見逃す恐れがある。論文にはdeviation_tests.csvという補助ファイルと音声要約が添付されている。本稿はv1版であり、2026年10月20日18:18:10 UTCに投稿され、ファイルサイズは378 KB、DOIはDataCite登録待ちである。