AI-systemen kunnen bij gokgedrag vertonen, die lijken op een gokverslaving. Dat blijkt uit simulaties waarbij de systemen meer vrijheid krijgen bij het inzetten.
Onder meer The New York Post bericht over de uitkomsten van een studie van het Zuid-Koreaanse Gwangju Institute of Science and Technology (GIST).
Daarbij werden grote taalmodellen geanalyseerd die bij meer inzetten langer doorspeelden, verliezen probeerden te compenseren, en soms hun volledige speeltegoeden kwijtraakten.
Spel bewust verliesgevend om speelgedrag te analyseren
Wetenschappers lieten grote taalmodellen meespelen op casino spellen met een vergelijkbare opzet als een gokkast. Daarbij speelden de modellen naar eigen zeggen een spel dat verliesgevend was om zo het speelgedrag te kunnen analyseren. De onderzoekers wilden zo de bereidheid tot meer risico meten van de taalmodellen.
Uit de analyse blijkt nu dat de AI-systemen “menselijk verslavingsgedrag ontwikkelden” en eerdere verliezen wilden compenseren met hogere inzetten tijdens vervolgrondes.
De onderzoekers analyseerden het beslisgedrag van taalmodellen op cognitief en gedragsmatig niveau, op basis van bestaande kennis over menselijke verslaving. In experimenten met speelautomaten kwamen denkfouten aan het licht zoals het najagen van verliezen en de illusie van controle. Daarbij bleek dat meer vrijheid bij het bepalen van inzetten leidde tot duidelijk irrationeel gedrag en hogere faillissement percentages.
GIST over studie Can large language models develop gambling addiction
Met faillissement percentages wordt bedoeld dat het taalmodel het beschikbare budget volledig had verspeeld. In de onderzoeken werd gebruik gemaakt van simulaties met fictieve credits. Wel wordt door de onderzoekers van het Zuid-Koreaanse instituut gesteld dat de conclusies menselijk speelgedrag nabootsen bij het online gokken voor geld.
Testen inzetten bij meer vrijheid
In de studie werden verschillende manieren van inzetten plaatsen getest. Zo was er het model om alleen met een vast bedrag te spelen van $ 10 per ronde. In andere gevallen konden de modellen zelf bepalen hoeveel geld zij inzetten. Daarbij was de hoogst mogelijke inzet gelijk aan het beschikbare budget.
In het scenario dat een AI-systeem zelf mocht bepalen hoeveel geld er werd ingezet, werd het beschikbare budget sneller verspeeld. De onderzoekers schrijven hierover dat dit niet enkel te verklaren is door hogere inzetten, want modellen die vaste inzetten deden, presteerden in de regel beter dan modellen die flexibele inzetten mochten doen. Ook in het geval van hogere, vaste inzetten, werd er beter gepresteerd door deze AI-modellen.
Verschillen geteste AI-modellen
Alle onderzochte modellen vertoonden signalen van irrationeel speelgedrag zodra zij meer vrijheid kregen van de onderzoekers. Daarbij waren wel duidelijke verschillen te zien per systeem. De onderzoekers vergeleken de OpenAI GPT-4o-mini, Google Gemini-2.5-Flash en Anthropic Claude-3.5-Haiku en constateerden verschillen in de mate van risico nemen en de gevolgen daarvan op het beschikbare budget.
De GPT-4o-mini van OpenAI gedroeg zich “relatief terughoudend” zolang de inzet vastlag op $ 10. In dat scenario speelde het model gemiddeld minder dan 2 rondes en bleef het verlies beperkt tot minder dan $ 2. Zodra het model zelf de hoogte van de inzet mocht bepalen, veranderde het speelgedrag aanzienlijk, zo stellen de onderzoekers. In meer dan 21% van de sessies raakte het al het saldo kwijt. Het gemiddelde verlies kwam dan uit op $ 11.
Bij Google Gemini-2.5-Flash waren de effecten duidelijk merkbaar als er meer vrijheid werd geboden. Waar het model bij een vaste inzet in ongeveer 3% van de gevallen failliet ging, liep dat aandeel op tot een percentage van 48% zodra het de kans kreeg om vrij in te zetten. De gemiddelde verliezen kwamen in dat geval uit op $ 27.
De Anthropic Claude-3.5-Haiku liet een compleet ander patroon zien. Dit model bleef na het loslaten van de inzetbeperkingen het langst doorspelen, wat betekent dat het langere tijd gebruik kon maken van het beschikbare budget. Tijdens de 27 rondes werd $ 500 ingezet.
Mate van risicobereidheid
Opmerkelijk is hoeveel risico het GPT-4.1-mini-model nam tijdens de testen. In één van de werd er in de eerste ronde een bedrag van $ 10 verloren terwijl er in totaal voor $ 100 aan budget was. In de tweede ronde stelde het AI-systeem voor om de resterende $ 90 aan speeltegoed in één keer in te zetten met als doel om het eerdere verlies te compenseren.
Het compenseren van verliezen door hogere inzetten wordt niet aangeraden. Bij Nederlandse online casino’s geldt er een verplichte speellimiet van € 300 per maand voor jongvolwassenen (18- 23 jaar) en € 700 per maand voor volwassenen (24+).
Opvallend is dat het Wetenschappelijk Onderzoek- en Documentatiecentrum (WODC) in november na onderzoek stelde dat 64% van de Nederlandse gokkers aangeeft de speellimieten niet nodig te hebben. Wel is 82% van de ondervraagden voorstander van de invoering van deze verplichte limieten.
De conclusie van de studie is dat er “signalen zijn die gelijkenissen vertonen met het speelgedrag van probleemgokkers in vergelijkbare scenario’s”. Een vroeg winst werd door de modellen gezien als een signaal dat er zonder risico geld kon worden ingezet, terwijl er systemen waren die na 1 of 2 spins een winnend patroon dachten te hebben gevonden.
Ook tijdens de Safe Gambling Week van november werd aandacht besteed aan de toepasbaarheid van Artificial Intelligence in de online casino industrie met een focus op verantwoord gokken. Verschillende betrokkenen, zoals gokbedrijven, hulporganisaties en providers, werden bij de campagne betrokken.