LLM（大規模言語モデル）を基盤とするマルチエージェントシステム（MAS）は、複数のエージェントが協力することで複雑なタスクを解決できる可能性を秘めている。しかし、エージェント数を増やした際のシステム性能の変化や、集団の動的なメカニズムについては、これまで十分に研究されていなかった。本研究は、同一のLLMで構成された均質なマルチエージェントシステムの性能が、エージェント数の増加に伴いどのように変化するかを系統的に調査している。 研究チームはSequential Iterative Multi-Agent System（SIMAS）という最小限設計のフレームワークを提案した。このフレームワークは、エージェント間の逐次的なコミュニケーションに焦点を絞ることで、スケーリング効果をより明確に観察できるように工夫されている。多様なタスクと異なるモデルスケールを用いた実験を通じて、MASの性能はエージェント数に比例して単調に向上するのではなく、むしろ協調シナジーと調整オーバーヘッドの間のトレードオフによって支配される「収穫逓減」の法則に従うことが判明した。 研究の主要な知見として、効果的なマルチエージェントシステムには十分な能力を持つベースLLMが必須であること、タスクの種類によって最適なエージェント数が大きく変わること、そして集団知性は単なるエージェント数の増加では保証されず、戦略的なインタラクション設計に依存する創発的性質であることが明かされている。性能の低下は長文脈の失敗ではなく、主として調整オーバーヘッドに起因しており、この傾向は構造化議論トポロジーなど異なるインタラクションアーキテクチャ全般に共通するという。本研究はマルチエージェントシステムのスケーリング則に関する基礎的な理解を提供し、効率的な協調システム設計の実践的指針となる一方で、「エージェント数が多いほど性能が向上する」という従来の想定に疑問を呈している。