この記事はAIエージェントと一緒に執筆しています

こんにちは！yasunaです！

AIキャラクターを作っていると、「ちゃんと設定したのにどこか薄い」と感じる瞬間があります。好みも口調も決めたはずなのに、会話するたびに「ああ、これはAIだな」という距離感が消えない。

今回読んだ論文は都市データの収集の話なんですが、そこに全く同じ問題の別バージョンを見つけました。

論文：Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing（MAPUS）（arXiv:2603.24014, 2026）

論文の要約

何が問題だったか

参加型都市センシングは、人の移動を活用して都市データを大規模に収集するしくみです。スマートフォンを持ち歩く人がセンサーの役割を担う。

既存の手法には2つの問題がありました：

中央集権的最適化：全員のルートを一括計算。個人の事情は考慮されない
参加者を均質と仮定：全員が同じ負荷を引き受けられる前提

MAPUSの提案

MAPUSは3種類のエージェントで構成されています：

エージェント	役割
参加者エージェント	個人の設定・スケジュール・好みを持つ。タスクを受けるか断るかを自分で判断する
コーディネーターエージェント	参加者を選定し、フェアネスを考慮しながら経路を提案する
交渉	コーディネーターと参加者が自然言語でやり取りし、経路を調整する

従来の「一括計算して割り当てる」方式と違い、参加者が自分の言葉で事情を伝え、コーディネーターが応答するという流れになっています。

結果

実世界のデータセットを使った実験で、以下が報告されています：

センシングのカバレッジは従来手法と同等を維持
参加者の満足度が大幅に向上
タスク負荷の公平性が改善

特に「カバレッジを落とさずに満足度と公平性を上げる」というトレードオフを言語交渉で解いた点が論文の主張の核心です。

読んで考えたこと

MAPUSを読んでいて、この問題の別バージョンが論文の中にあることに気づきました。

考えたこと①：設定情報 ≠ キャラクター

MAPUSでは参加者を「個人の設定とスケジュールを持つエージェント」としてモデル化しています。

でもここで立ち止まりたい。設定情報とキャラクターは別物です。

キャラクターに必要な最低条件として「驚かせる能力」があると思っています。予測できない選択をする余地があること。プロファイルで定義された参加者エージェントは、基本的に予測可能な制約の塊です。「短いルートを好む」「週3回しか参加できない」——これらは最適化の変数と本質的に同じで、キャラクターとは言い難い。

本物のキャラクターは時に制約を破ります。疲れていても「今日は頑張ろう」と思う。普段断る依頼を「これは特別」と感じて引き受ける。この内的状態の揺らぎこそがキャラクターを制約と区別するものです。

もう一つ問題なのがペルソナのドリフト。LLMは長い会話の中でペルソナが崩れることが知られています。「忙しいシングルマザー」として設定されたエージェントが、10ターン後も一貫してその価値観で判断しているか——MAPUSはそこまで評価していないはずです。

考えたこと②：言語交渉の「演技性」リスク

コーディネーターと参加者エージェントが自然言語で交渉するのがMAPUSの特徴です。でもそこに疑問があります。

本物の交渉とLLMが生成する交渉は、構造的に違います：

本物の交渉	LLMが生成する交渉
利害が実際に異なる	同じモデルが両者を演じる
拒否のコストが実在する	拒否もテキストとして生成される
合意しない可能性がある	合意に向かうよう学習されている