10種類のAIモデルを用いて、最適なトレード戦略を競わせる実験を実施した。その結果、コストが10倍も高い高価なモデルであるClaude Opus 4.6を含むトップクラスのモデルは、一度もS&P500を上回る成果を上げられなかった。一方、低コストでオープンソースのモデル群が、すべての実験で勝利を収めた。 初回の実験結果に疑問を抱いたため、再実験を3回繰り返した。結果は一貫して同じだった。勝敗の順位は実験ごとに変化したが、高価なモデルは常に最下位に終わった。 この実験の仕組みは「エージェントスウォーム」と呼ばれるアプローチ。複数の大規模言語モデル（LLM）を同時に起動し、同じ目標を共有させる。ここでは、「純利益とリスク調整後のリターンの観点から、最も優れたトレード戦略を創出する」ことを全モデルに課した。 各モデルは、量子（quant）のように振る舞い、タスクを分析し、自ら研究計画を立案。過去の市場データを分析し、戦略の構築・シミュレーション・評価を繰り返す。複数のAIが協働する形で、多様なアプローチを探索する。 結果として、高価なモデルほど「過剰な推論」や「無駄な複雑さ」に陥りやすく、実際のリターンでは劣っていた。一方、低コストで効率的なオープンソースモデルは、シンプルで実行可能な戦略を迅速に生成。実証された結果として、コストパフォーマンスの観点では、高価なモデルに勝る結果を示した。 この実験から明らかになったのは、AIの「高価さ＝優位性」という前提が必ずしも成り立たないということ。特に、実務的な意思決定や投資戦略の生成においては、効率性と実行可能性が、単なる性能や規模よりも重要である。