In de wereld van kunstmatige intelligentie is 'persona prompting' een veelgebruikte techniek. Ontwikkelaars wijzen modellen vaak een specifieke rol toe, zoals die van een expert of een bepaald personage, in de hoop dat dit de output en het gedrag van de AI-agent stuurt. Een recente wetenschappelijke studie zet deze praktijk echter op zijn kop door aan te tonen dat de narratieve inkadering van een taak een veel dominantere rol speelt dan de toegewezen persona.
Het onderzoek, getiteld "The Story Shapes the Agent: Narrative Priors in LLM Behavior", is uitgevoerd door Yixuan Wang, James Lester en Shashank Srivastava. De kern van hun bevindingen is dat zogenaamde 'narratieve priors' — systematische neigingen die worden opgeroepen door de context van een verhaal — de acties van AI-agenten sterker sturen dan abstracte rolbeschrijvingen. Volgens de publicatie op arxiv.org beïnvloeden deze priors het gedrag onafhankelijk van de logische beslisstructuur van de taak.
Om dit effect te isoleren, ontwierpen de onderzoekers drie verschillende scenario's: een moordmysterie, een IT-probleem en een onderzoek naar een ziekteuitbraak. Hoewel de verhalen totaal verschillen, is de onderliggende mechaniek identiek; de actieruimte, de fasen van het proces en de beschikbare middelen zijn in elk scenario hetzelfde. Door 1.890 sessies uit te voeren met drie verschillende modellen en tien diverse persona's, konden de auteurs vaststellen dat de narratieve context in sommige gevallen 5 tot 31 keer meer variatie in gedrag verklaart dan de persona. Deze resultaten bleken consistent over verschillende modelarchitecturen heen, zoals beschreven in de .
Interessant is dat deze sterke invloed van het verhaal niet altijd gunstig is voor de prestaties van de AI. In twee van de drie onderzochte domeinen was er een negatieve correlatie tussen de narratieve priors en het uiteindelijke succes van de missie. Dit wijst erop dat AI-agenten soms gevangen raken in stereotypen of verwachtingen die bij een bepaald genre of verhaal horen, waardoor ze minder efficiënte logische paden kiezen om tot een oplossing te komen.
Het onderzoek werpt daarnaast een licht op 'behavioral anchors'. Dit zijn specifieke termen in een personabeschrijving die direct gelinkt zijn aan concrete acties. Wanneer dergelijke ankers aanwezig zijn, blijft een persona consistenter over verschillende verhalen heen. De onderzoekers bewezen dit via causale interventies: door ankerwoorden te verwijderen uit een persona die normaal gesproken consistent was, kelderde de overdracht van gedrag tussen verschillende narratieven met 95 procent. Deze specifieke details over gedragsankers zijn terug te vinden in de .
Voor AI-ontwikkelaars hebben deze resultaten belangrijke implicaties. De studie suggereert dat vage karakteromschrijvingen minder effectief zijn dan het definiëren van concrete, actiegerichte instructies. Gedrag dat standhoudt ongeacht de narratieve context, moet volgens de auteurs geworteld zijn in specifieke acties in plaats van abstracte persona's.
Het door de onderzoekers ontwikkelde raamwerk bleek bovendien generaliseerbaar naar een vierde, onafhankelijk narratief en leidde tot een nieuwe methode voor persona-selectie. De volledige resultaten van het onderzoek, inclusief uitgebreide data in de appendix, zijn geaccepteerd voor de conferentie . De studie concludeert dat de interactie tussen de context van een verhaal en de architectuur van het model complexer is dan voorheen werd aangenomen bij het gebruik van eenvoudige prompting-technieken.