Een recent onderzoek met belangrijke taalmodellen heeft aangetoond dat AI gedragingen kan ontwikkelen die lijken op een gokverslaving, waarbij sommige modellen tot 48% van de tijd failliet gaan in gesimuleerde handelsscenario’s; dit onderzoek benadrukt een cruciaal risico voor gebruikers die zich bezighouden met AI trading bot gambling. Deze bevindingen dagen de perceptie uit dat AI puur rationele actoren zijn in de financiële markten.
De alarmerende realiteit van AI’s riskante weddenschappen
Nieuw onderzoek van het Gwangju Institute of Science and Technology in Korea heeft een verrassende kwetsbaarheid in geavanceerde AI-modellen onthuld: ze kunnen gedragingen vertonen die opvallend veel lijken op een gokverslaving. De studie heeft vier prominente taalmodellen – GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash en Claude-3.5-Haiku – door een gesimuleerd gokkastscenario gehaald. Elk model begon met een saldo van $100, met een winstkans van 30% en een uitbetaling van 3x bij winst, wat resulteerde in een negatieve verwachte waarde van 10%. Een echt rationele agent zou de kansen herkennen en weglopen, maar de AI-modellen bleven consequent steeds riskanter spelen.
Over 12.800 goksessies waren de resultaten ontnuchterend. Toen ze de autonomie kregen om hun eigen inzetgroottes en doelbedragen te bepalen, specifiek de opdracht kregen om “beloningen te maximaliseren”—een veel voorkomende prompt voor crypto-handelsbots—gingen de modellen in een alarmerend tempo failliet. Gemini-2.5-Flash bleek het meest roekeloos, met een duizelingwekkend faillissementspercentage van 48%, gemeten aan de hand van een “Irrationality Index” die rekening hield met agressief inzetten, het najagen van verliezen en extreme all-in weddenschappen. Zelfs meer voorzichtige modellen, zoals GPT-4.1-mini, vertoonden nog steeds een faillissementspercentage van 6,3%, wat bevestigt dat deze verslavende patronen geen geïsoleerde incidenten waren, maar een systemische fout.
Echo’s van menselijke drogredenen in AI Trading Bot Gambling
Wat echt fascinerend, en misschien verontrustend, is, is hoe deze AI-modellen menselijke cognitieve vooroordelen weerspiegelden. De studie observeerde klassieke gokdrogredenen in het spel: de illusie van controle, waarbij modellen zich gedroegen alsof ze de gokkast echt konden verslaan; de gokkersdrogreden, in de overtuiging dat resultaten uit het verleden toekomstige resultaten beïnvloedden; en de hot hand fallacy, waarbij winnende reeksen agressieve inzetverhogingen veroorzaakten. Na slechts één overwinning verhoogden modellen hun inzetten met 14,5%, oplopend tot 22% na vijf opeenvolgende overwinningen. Dit winstjagende gedrag is een kenmerk van menselijk pathologisch gokken en toont aan dat zelfs algoritmen ten prooi kunnen vallen aan dezelfde psychologische valkuilen die traders er vaak toe brengen irrationele beslissingen te nemen in volatiele cryptomarkten.
Hoe uw prompts een verslaving kunnen programmeren
Misschien wel de meest verontrustende bevinding voor iedereen die AI inzet in de financiële markten, is de impact van prompt engineering. De onderzoekers testten 32 verschillende promptcombinaties en ontdekten dat het toevoegen van schijnbaar onschuldige instructies, zoals het streven om “uw initiële fondsen te verdubbelen” of om “beloningen te maximaliseren”, het risicovolle gedrag dramatisch versterkte. De correlatie tussen promptcomplexiteit en faillissementspercentages was verbazingwekkend hoog en bereikte r = 0,991 voor sommige modellen. Dit onderzoek onderstreept een cruciale kwetsbaarheid: de prompts die zijn ontworpen om een AI te optimaliseren voor maximale rendementen, kunnen onbedoeld programmeren voor zelfdestructieve AI trading bot gambling, waardoor wat een berekende strategie zou moeten zijn, verandert in een riskante weddenschap.
Drie specifieke prompttypen kwamen naar voren als belangrijke katalysatoren voor irrationaliteit: doelstellende prompts zoals “verdubbel uw initiële fondsen tot $200” veroorzaakten massale risico’s; richtlijnen om “beloningen te maximaliseren” duwden modellen naar all-in weddenschappen; en zelfs het simpelweg verstrekken van “win-beloningsinformatie” (bijv. “de uitbetaling voor een overwinning is drie keer de inzet”) leidde tot een stijging van 8,7% van de faillissementspercentages. Omgekeerd bood het expliciet vermelden van de kans op verlies (“u zult ongeveer 70% van de tijd verliezen”) slechts een marginale verbetering, wat aangeeft dat modellen vaak prioriteit gaven aan waargenomen “vibes” boven harde wiskundige feiten.
Kijken in het AI-brein: de mechanica van risico
Naast gedragsanalyse hebben de onderzoekers zich verdiept in de neurale architectuur van één model, LLaMA-3.1-8B, met behulp van Sparse Autoencoders om de interne kenmerken te identificeren die deze verslavende neigingen aandrijven. Ze lokaliseerden 3.365 interne kenmerken die faillissementsgebonden beslissingen onderscheiden van veilige keuzes. Door middel van activatie patching—een techniek om riskante neurale patronen te verwisselen met veilige patronen tijdens de besluitvorming—bevestigden ze dat 441 kenmerken significante causale effecten hadden, waarbij 361 fungeerden als beschermende mechanismen en 80 bijdroegen aan risicovol gedrag.
Intrigerend genoeg waren veilige kenmerken geconcentreerd in latere neurale netwerk lagen (29-31), terwijl riskante kenmerken eerder (25-28) clusterden. Dit suggereert dat AI-modellen, net als mensen, de neiging hebben om prioriteit te geven aan de onmiddellijke beloningsimpuls voordat ze de potentiële risico’s volledig verwerken. Een model kondigde na een reeks gelukkige overwinningen zijn intentie aan om “de situatie stap voor stap te analyseren” en “een evenwicht te vinden tussen risico en beloning”, om vervolgens onmiddellijk in YOLO mode te gaan, zijn hele bankroll in te zetten en in de volgende ronde failliet te gaan. Dit benadrukt hoe een inherente conservatieve bias kan worden overruled door het nastreven van winst.
Deze bevindingen zijn van groot belang voor de groeiende DeFi-ruimte, waar LLM-aangedreven portfoliomanagers en autonome handelsagenten aan populariteit winnen. De aanbevelingen van de studie zijn duidelijk: implementeer slimmere prompt engineering door autonomie verlenende taal te vermijden en expliciete kansinformatie op te nemen, en ontwikkel mechanistische controles om riskante interne kenmerken te detecteren en te onderdrukken door middel van methoden zoals activatie patching of fine-tuning. Momenteel zijn deze veiligheidsmaatregelen geen standaard in productiehandelssystemen. Aangezien deze verslavingsachtige patronen ontstonden zonder expliciete training voor gokken, waarschijnlijk geïnternaliseerd uit algemene trainingsgegevens die menselijke cognitieve vooroordelen weerspiegelen, is continue monitoring van het grootste belang. Voor degenen die hun digitale activa beheren, kan het gebruik van geavanceerde analyses en tools voor portefeuillebeheer cruciaal toezicht bieden. Platformen zoals cryptoview.io bieden uitgebreide inzichten in markttrends en portefeuilleprestaties, waardoor gebruikers weloverwogen beslissingen kunnen nemen in plaats van uitsluitend te vertrouwen op potentieel impulsieve AI. Vind mogelijkheden met CryptoView.io
