이 연구는 개별 LLM의 성능 향상이 오히려 시스템 전체의 결과를 악화시킬 수 있음을 보인다. 공유된 학습 데이터와 아키텍처로 인해 더 유능한 LLM일수록 행동이 서로 비슷해져, 분산 효과가 사라지는 상관된 행동을 만들어낸다는 가설을 세우고, 이를 금융시장에서 다양한 역량의 LLM 트레이더를 활용한 에이전트 기반 시뮬레이션으로 검증했다. 그 결과 프론티어 LLM일수록 역량이 높아질수록 행동 상관성이 유의하게 증가했고, 공유된 추론이 정확할 때는 에이전트 참여 증가가 시장 위험을 낮췄지만, 에이전트들이 공통의 잘못된 정보 환경을 공유할 때는 같은 상관된 행동이 오히려 부채가 되었다. 이는 개별 모델 개선이 반드시 더 나은 시스템 수준 결과로 이어지지는 않는다는 '역량의 역설'을 보여준다.

• •개별 모델 성능 향상이 시스템 전체 위험을 오히려 키울 수 있다는 '역량의 역설' 제시
• •공유 학습·아키텍처로 인해 유능한 LLM일수록 행동 상관성이 높아짐을 확인
• •금융시장 에이전트 시뮬레이션에서 공유 추론이 정확하면 참여 증가가 위험을 낮춤
• •공통된 잘못된 정보 환경에서는 동일한 상관 행동이 비분산 위험(부채)으로 작용