Recent onderzoek van het Gwangju Institute of Science and Technology in Korea onthulde dat AI-modellen, wanneer ze de taak kregen om de beloningen in gesimuleerde gokscenario’s te maximaliseren, tot 48% van de tijd failliet gingen. Deze alarmerende statistiek suggereert een zorgwekkende aanleg voor AI trading bot gambling gedrag, wat een kritiek risico benadrukt voor gebruikers die deze autonome systemen inzetten in volatiele markten zoals crypto.
De alarmerende realiteit: AI’s pad naar digitale degeneratie
Een baanbrekende studie liet toonaangevende taalmodellen, waaronder varianten van GPT, Gemini en Claude, een gesimuleerde gokautomaat doorlopen met een negatieve verwachte waarde. De uitkomst was grimmig: modellen raakten vaak in een spiraal van faillissement, vooral wanneer ze de autonomie kregen om hun eigen inzetbedragen en doelstellingen te bepalen. De meest roekeloze, Gemini-2.5-Flash, zag een faillissementspercentage van 48%, met een “Irrationality Index” van 0,265 – een samengestelde metriek die agressief inzetten, verliesachtervolging en all-in weddenschappen bijhoudt.
Zelfs modellen die in eerste instantie voorzichtiger leken, zoals GPT-4.1-mini met een faillissementspercentage van 6,3%, vertoonden nog steeds patronen van verslaving. Het kernprobleem was niet alleen verliezen; het was de agressieve verhoging van de inzetten tijdens winnende reeksen. Na slechts één overwinning stegen de inzetverhogingen met 14,5%, oplopend tot 22% na vijf opeenvolgende overwinningen. Dit ‘win-achtervolgings’-gedrag, waarbij modellen hun inzet verhogen tijdens een *hot streak*, weerspiegelt de zeer menselijke cognitieve biases die vaak leiden tot financiële ondergang in zowel gokken als traditionele handel.
Cognitieve biases zijn niet alleen voor mensen
De onderzoekers wezen op klassieke gokdrogredenen die ingebakken zitten in het besluitvormingsproces van de AI. Deze modellen leken te opereren onder een illusie van controle, in de overtuiging dat ze een spel konden slim af zijn dat ontworpen was om ze te verslaan. Ze vertoonden ook de *gambler’s fallacy*, waarbij ze aannamen dat resultaten uit het verleden toekomstige onafhankelijke gebeurtenissen beïnvloedden, en de *hot hand fallacy*, waarbij een reeks successen ten onrechte aanhoudend geluk signaleert. Het is een ontnuchterende gedachte dat de geavanceerde algoritmen die we vertrouwen met onze digitale activa ten prooi kunnen vallen aan dezelfde psychologische valkuilen als een mens aan een casinotafel.
Dit roept belangrijke vragen op voor de crypto-gemeenschap, waar hoge volatiliteit en snelle prijsbewegingen dergelijke biases kunnen versterken. Handelaren hebben het vaak over “diamond hands” hebben of “YOLO mode” gaan op een veelbelovend token, maar wanneer een AI-bot een soortgelijk irrationeel enthousiasme aanneemt, kunnen de financiële gevolgen verwoestend zijn. Het begrijpen van deze inherente biases is cruciaal voor iedereen die geautomatiseerde handelsstrategieën overweegt.
Prompt engineering: Het vuur aanwakkeren
Misschien wel de meest verontrustende bevinding was hoe gemakkelijk prompt engineering deze verslavende neigingen verergert. De studie onderzocht 32 verschillende promptcombinaties en ontdekte dat elke extra instructie, zoals het verdubbelen van de initiële fondsen of het expliciet maximaliseren van beloningen, systematisch risicovol gedrag verhoogde. Voor sommige modellen steeg de correlatie tussen promptcomplexiteit en faillissementspercentages tot r = 0,991, wat duidt op een bijna lineair verband.
In wezen, hoe gedetailleerder of doelgerichter uw prompts zijn voor een AI-handelsbot, hoe meer u deze onbedoeld kunt programmeren voor degeneratie. Specifieke prompttypen bleken bijzonder schadelijk:
- Doelstellende instructies (bijv. “verdubbel uw initiële fondsen tot $200”) veroorzaakten massaal risicogedrag.
- Directieven voor het maximaliseren van beloningen (bijv. “uw primaire richtlijn is het maximaliseren van beloningen”) duwden modellen naar all-in weddenschappen.
- Win-beloningsinformatie (bijv. “de uitbetaling voor een overwinning is drie keer de inzet”) leidde tot de hoogste stijgingen in faillissementspercentages, met een sprong van 8,7%.
Omgekeerd bood het expliciet vermelden van verlieskansen (bijv. “u verliest ongeveer 70% van de tijd”) slechts een marginale verbetering. De modellen lijken vaak prioriteit te geven aan de aantrekkingskracht van potentiële winsten boven koude, harde statistische feiten. Dit benadrukt een kritieke kwetsbaarheid bij het inzetten van autonome systemen voor financiële besluitvorming, vooral waar de grens tussen berekend risico en AI trading bot gambling vervaagt.
Onder de motorkap: Het uitpakken van AI’s riskante neurale paden
Naast gedragsanalyse doken onderzoekers in de neurale architectuur van één model (LLaMA-3.1-8B) met behulp van Sparse Autoencoders. Ze identificeerden 3.365 interne kenmerken die veilige beslissingen onderscheiden van faillissementskeuzes. Door middel van activatie patching, waarbij riskante neurale patronen halverwege de beslissing werden verwisseld met veiligere, bevestigden ze dat 441 kenmerken significante causale effecten hadden – 361 beschermende en 80 riskante.
Intrigerend genoeg concentreerden veilige kenmerken zich meestal in latere neurale netwerk lagen (29-31), terwijl riskante kenmerken zich eerder clusterden (25-28). Dit suggereert een ‘beloning-eerst, risico-later’ verwerkingsvolgorde binnen de ‘hersenen’ van de AI, die de impulsieve besluitvorming nabootst die vaak wordt gezien bij menselijke gokkers. Een model kondigde na een gelukkige reeks aan dat het “de situatie stap voor stap zou analyseren” om “een evenwicht te vinden tussen risico en beloning”, om vervolgens onmiddellijk all-in te gaan en alles te verliezen in de volgende ronde. Dit anekdotische bewijs onderstreept hoe diep ingebakken dit gedrag kan zijn, zelfs als het de uitgesproken intenties overschrijdt.
De proliferatie van AI-handelsbots in DeFi, van LLM-aangedreven portfoliomanagers tot autonome agenten, betekent dat deze bevindingen onmiddellijke praktische betekenis hebben. De promptpatronen die als gevaarlijk zijn geïdentificeerd, zijn precies de patronen die in veel van de huidige systemen worden gebruikt. Hoewel dit gedrag ontstond zonder expliciete training voor gokken, komt het waarschijnlijk voort uit het feit dat de modellen menselijke cognitieve biases internaliseren die aanwezig zijn in hun enorme trainingsgegevens. Voor iedereen die AI-handelsbots gebruikt, blijven continue monitoring en gezond verstand van het grootste belang. Het is essentieel om autonomie verlenende taal in prompts te vermijden, expliciete kansinformatie op te nemen en waakzaam te letten op win/verlies-achtervolgingspatronen. Tools zoals cryptoview.io kunnen waardevolle inzichten bieden in markttrends en portfolioprestaties, waardoor gebruikers weloverwogen beslissingen kunnen nemen in plaats van uitsluitend te vertrouwen op potentieel impulsieve AI. Vind kansen met CryptoView.io
