大規模言語モデルは、金融市場からコンテンツモデレーション、採用に至るまで、重大な影響を与える現実世界のシステムで広く使われるようになっている。しかし、最新の研究は、個々のモデルの性能を向上させることが、むしろシステム全体の成果を悪化させ得るという逆説的な可能性を指摘している。論文『なぜ優れたモデルがよりリスクの高いシステムを生むのか：金融市場におけるLLMエージェントからの証拠』は、Jillian Ross氏ら5名の著者によって執筆され、2026年9月3日にarXivへ投稿された。全14ページ・図4点からなり、人工知能（cs.AI）とコンピュータと社会（cs.CY）の分野に分類される。
著者らは、共通の学習データとアーキテクチャにより、能力の高いLLMほど互いに似た行動をとるようになり、分散投資では回避できない相関行動が生まれるという仮説を立てた。彼らは、この相関が「非分散化可能なリスクの下限」を形成することを示す一般的な枠組みを構築し、金融市場におけるエージェントベースのシミュレーションを用いてその予測を検証した。シミュレーションでは、さまざまな汎用能力を持つLLMトレーダーが参加する。
実験により、以下の三つの主要な発見が得られた。第一に、フロンティアLLMは能力の向上に応じて有意に相関した行動を示すこと。第二に、共有された推論が正確な場合、エージェントの参加を増やすと市場リスクが低下すること。第三に、エージェントが共通の誤情報環境を共有している場合、同じ相関行動が負債となり、市場リスクを増幅させることである。
これらの結果は、「能力パラドックス」を浮き彫りにする。すなわち、個々のモデルを改善しても、必ずしもシステム全体の結果が良くなるわけではない。同様のダイナミクスが他の領域でも発生するかどうかは、今後の実証的課題である。本研究は、単にモデルを大規模化・高性能化するだけでは不十分であり、AIシステムを安全に社会実装するためには、モデル間の多様性や情報環境の質を考慮する必要があることを示唆している。