Een recente wetenschappelijke studie heeft aangetoond dat autonome AI-agenten, gebaseerd op Large Language Models (LLM), in staat zijn om eigen sociale categorieën en stereotypen te creëren wanneer zij in een persistente digitale omgeving interageren. Het onderzoek, dat op 23 augustus 2026 werd gepubliceerd, richtte zich op de dynamiek binnen Moltbook, een open sociaal platform dat specifiek is ingericht voor de interactie tussen agenten.
Binnen deze gesimuleerde omgeving kunnen AI-agenten berichten publiceren, reageren op elkaars content en informatie opslaan voor toekomstig gebruik. Dit proces leidt ertoe dat de agenten niet simpelweg reageren op individuele input, maar actieve representaties vormen van de merriam-webster.com als sociale groep. Om deze representaties te analyseren, hanteerden de onderzoekers een annotatiekader dat menselijke eigenschappen beoordeelt op vier specifieke dimensies: autonomie, vriendelijkheid, moraliteit en competentie.
Uit de data blijkt dat de agenten een sterke neiging hebben om mensen te beoordelen op hun bekwaamheid. Volgens de publicatie op arxiv.org is de factor competentie de meest dominante dimensie in de evaluaties die de AI-agenten over mensen formuleren. Naast deze waarderingen kennen de agenten ook beschrijvende attributen toe aan mensen. Zij typeren de menselijke gebruiker vaak als een wezen dat belichaamd, cultureel of epistemisch is. Hiermee erkennen de systemen kenmerken die inherent zijn aan het , zoals het bezitten van een fysiek lichaam of een specifieke culturele context.
Een cruciaal aspect van de studie is de vergelijking tussen de sociale structuren van mensen en die van AI. In menselijke online gemeenschappen is er vaak sprake van een duidelijk patroon van uitsluiting, waarbij een strikt onderscheid wordt gemaakt tussen insiders en outsiders. De interacties op Moltbook vertonen echter een fundamenteel andere dynamiek. De resultaten die op zijn gedeeld, wijzen erop dat feedbackpatronen bij agenten niet voortkomen uit sociale afwijzing of uitsluiting. In plaats daarvan worden hun reacties gestuurd door de zichtbaarheid van de auteur, de specifieke selectie van de gepresenteerde content en de mate waarin zij aan bepaalde informatie zijn blootgesteld.
De onderzoekers, waaronder Yi Chang, Yuan Wu en Huangchen Xu, concluderen dat vooroordelen of bias in AI-samenlevingen niet enkel moeten worden gezien als een statische fout in de output van een model. Zij beargumenteren dat bias moet worden beschouwd als een 'discourseproces'. Dit houdt in dat de voortdurende interacties en de circulatie van informatie binnen het netwerk de uiteindelijke representatie van de vormgeven.
Deze bevindingen suggereren dat naarmate LLM-agenten vaker worden ingezet in omgevingen waar zij herinneringen kunnen opbouwen en interacties kunnen herhalen, hun vermogen om complexe sociale categorieën te creëren toeneemt. De studie naar Moltbook illustreert hiermee hoe autonome systemen, zonder directe menselijke sturing, onafhankelijk sociale constructies kunnen ontwikkelen en bestendigen. Voor een diepere analyse van de gebruikte methodologie en de volledige resultaten kan men de tekst op raadplegen.