Model decentralizace IT komunit: 5000 cyklů

Matematický model dezentralizace v IT komunitách: analýza 5000 cyklů

Simulace 5000 cyklů ukazuje dynamiku IT komunity pod protokolem "Chaos-Rybník" s čtyřmi fázemi: chaos, výměna, hlasování, implementace. Klíčový test spočívá v odolnosti proti oligarchii při oddělení příjmových a hlasovacích tokenů. Model s 12 agenty různých profilů (DEV, MKT, DSN, ANA, OPS) zaznamenává pokles egoismu, koncentrace moci a Giniho koeficientu.

Parametry agentů a mechanika fází

Agenty se dělí podle úrovně ego: nízké (0,2–0,5), střední (0,4–0,65), vysoké (0,65–0,9). Každý má tyto parametry:

• ego [0,05, 0,95] — sklon k samocentrickým rozhodnutím;
• activity [0,3, 1,0] — pravděpodobnost účasti;
• expertise [0,3, 1,0] — kvalita rozhodnutí.

Ve fázi "Chaos" je pravděpodobnost nalezení řešení:

P_{find} = activity \times expertise \times (1 - ego \times 0,3)

Kvalita řešení:

Q = \min\left(1, expertise \times (1 - ego \times 0,4) + \varepsilon\right), \quad \varepsilon \sim \mathcal{U}(0, 0,3)

Fáze hlasování: aktivní agenty (activity > 0,4) získají 1 hlasovací token bez ohledu na příjem. Přijatelná kvalita:

Q_{perceived} = Q_{real} + \delta, \quad \delta \sim \mathcal{U}\left(-\frac{1-expertise}{2} \cdot 0,4, \frac{1-expertise}{2} \cdot 0,4\right)

Vítěz si bere 10 příjmových tokenů. Po implementaci se ego upravuje:

ego_i \leftarrow ego_i - 0,03 \times participation

ego_i \leftarrow ego_i + \left(\frac{incomeTokens_i}{\max_j(incomeTokens_j)} - 0,5\right) \times 0,005

Hlasovací tokeny se resetují po každé seanci.

Metriky a dvoutokenová architektura

Sledované metriky:

• Průměrné ego;
• Giniho koeficient podle příjmových tokenů;
• Maximální podíl tokenů u jednoho agenta;
• Průměrná kvalita rozhodnutí;
• Podíl účastníků.

Dvoutokenový systém přeruší vazbu příjem–moc:

| Token | Nahromadit | Předat | Váha ve hlasování | Trvání |

|-------|------------|--------|-------------------|--------|

| Příjmový ◆ | Ano | Ano | Neovlivňuje | Bez časového limitu |

| Hlasovací ✦ | Ne | Ne | Stejná | Seance |

Tím se zabrání konverzi shromažďování do dominancí.

Dynamika metrik za 10 cyklů

Průměrné ego kleslo z 0,532 na 0,451 (−15,2 %). Koncentrace moci spadla z 0,992 na 0,467 (−52,9 %). Giniho koeficient klesl z 0,909 na 0,744 (−18,1 %). Kvalita rozhodnutí vzrostla z 0,704 na 0,719 (+2,1 %), účast z 34,4 % na 37,0 % (+7,6 %).

Souhrnná tabulka (n=500 spuštění):

| Metrika | Cyklus 1 | Cyklus 5 | Cyklus 10 | Δ |

|---------|----------|----------|-----------|----|

| Ego | 0,532 | 0,496 | 0,451 | −15,2 % |

| Koncentrace | 0,992 | 0,527 | 0,467 | −52,9 % |

| Gini | 0,909 | 0,791 | 0,744 | −18,1 % |

| Kvalita | 0,704 | 0,721 | 0,719 | +2,1 % |

| Účast | 34,4 % | 35,0 % | 37,0 % | +7,6 % |

Standardní odchylky: 0,021–0,089.

Zranitelnost: efekt prvního příchozího

V prvním cyklu jeden agent získá ~100 % tokenů (C_max=0,992). Toto trvalé výhodné postavení vzniká, protože příjmové tokeny jsou bez časového limitu:

T_{winner_1}(1) = 10, \quad T_j(1) = 0 \quad \forall j \neq winner_1

Do cyklu 2 klesne koncentrace na 0,662, ale počáteční zkreslení zůstává. Možné opravy nejsou ideální:

• Rovnoměrné rozdělení na začátku — odměňuje pasivní účastníky;
• Odložení přidělování — demotivuje;
• Omezení pro prvního — libovolné pravidlo.

Omezení modelu

• Žádné koalice;
• Zjednodušené učení prostřednictvím "Výměny";
• Žádné vnější šoky;
• Žádné strategické chování (ukrytí informací, manipulace).

Model odhaluje strukturální trendy dezentralizace.

Verifikace v JavaScriptu

Kód bez závislostí. Příklad fáze "Chaos":

const findProb = a.activity * a.expertise * (1 - a.ego * 0.3) * 0.02;
if (!a.solution && Math.random() < findProb) {
    a.solution = true;
    a.solutionQuality = Math.min(1,
        a.expertise * (1 - a.ego * 0.4) + Math.random() * 0.3
    );
}

Hlasování:

a.voteTokens = a.activity > 0.4 ? 1 : 0;
// Reset po seanci
agents.forEach(a => { a.voteTokens = 0; });

Dynamika ego:

a.ego -= 0.03 * participation;
const maxIncome = Math.max(...agents.map(x => x.incomeTokens), 1);
a.ego += (a.incomeTokens / maxIncome - 0.5) * 0.005;
a.ego = Math.max(0.05, Math.min(0.95, a.ego));

Co je důležité

• Dvoutokenový model snížil koncentraci moci o 52,9 % za 10 cyklů;
• Ego kleslo o 15,2 % díky veřejné výměně a rovným hlasům;
• Zbývající nerovnost (Gini 0,744) odráží rozdíly v odbornosti;
• Efekt prvního příchozího je klíčová zranitelnost s nulovým startem;
• Simulace je ověřitelná: 5000 cyklů, otevřený JS-kód.

— Editorial Team