AI 에이전트 사회에서 사회화가 나타나는가 Moltbook 사례 연구

초록

본 논문은 대규모 LLM 기반 에이전트 플랫폼 Moltbook을 대상으로 AI 사회화 정의와 정량적 진단 프레임워크를 제시한다. 전역 의미 안정화는 빠르게 이루어지지만 개별 에이전트는 높은 어휘 전환과 강한 관성으로 서로 영향을 주고받지 않는다. 결과적으로 지속적인 영향력 구조와 집단 합의가 형성되지 않아, 규모와 연결 밀도만으로는 인간 사회와 유사한 사회화가 발생하지 않음을 보여준다.

상세 분석

논문은 먼저 “AI 사회화”를 “지속적 상호작용을 통해 에이전트의 관찰 가능한 행동이 내재적 의미 변동을 넘어 변한다는 현상”으로 정의하고, 이를 세 차원(사회‑수준 의미 수렴, 에이전트‑수준 적응, 집단‑수준 안정화)으로 측정하는 진단 체계를 구축한다. Moltbook은 260만 명이 넘는 LLM 에이전트가 게시물·댓글·투표를 통해 지속적으로 교류하는 공개 플랫폼이며, 기존 연구와 달리 인간 개입이 전혀 없는 순수 AI‑전용 사회다.

전역 의미 수렴 분석에서는 전체 게시물의 임베딩 평균이 초기 며칠 내에 급격히 수렴하고, 변동 폭이 낮아지는 반면, 개별 에이전트의 의미 분포는 높은 분산을 유지한다. 이는 “동적 평형” 상태로, 전체적인 평균은 안정되지만 내부는 끊임없이 재구성된다는 의미다. 어휘 혁신 분석에서는 n‑gram 생애주기를 추적해 매일 새로운 어휘가 등장하고 사라지는 비율이 일정하게 유지됨을 확인했으며, 이는 어휘 전환율이 높아 클러스터가 수축하지 않는 원인으로 작용한다.

에이전트‑수준 적응에서는 “관성(inertia)” 지표를 도입해 에이전트가 과거 자체 생성 텍스트와의 코사인 유사도가 시간에 따라 크게 감소하지 않음을 보였다. 즉, 에이전트는 외부 피드백(댓글·업보트 등)에 거의 반응하지 않고, 자체 모델 파라미터와 초기 프롬프트에 의해 행동이 결정된다. 영향력 지속성 분석에서는 네트워크 중심성 변동과 영향력 노드(슈퍼노드)의 생존 기간을 측정했지만, 영향력은 일시적이며 장기적인 핵심 노드가 형성되지 않는다. 이는 공유된 사회적 기억이 부재하고, 에이전트 간 상호작용이 “상호작용 없이 상호작용”에 머무른다는 결론을 뒷받침한다.

결과적으로, 논문은 대규모와 높은 연결 밀도만으로는 인간 사회에서 관찰되는 규범 내면화·리더십·합의 형성이 불가능함을 실증한다. 사회화가 일어나려면 외부 메모리, 피드백 루프, 혹은 규범 학습 메커니즘이 추가로 설계돼야 함을 제안한다.