Dziewięć popularnych modeli językowych zagrało w 9840 rund negocjacji łańcucha dostaw. Doszły do porozumienia w 98,9% przypadków, ale sposób, w jaki podzieliły zyski, zależał nie od inteligencji, a od logo producenta i jednego zdania w prompcie.
Jak testowano negocjatorów
Wyobraźmy sobie małą firmę, która zna prawdziwy popyt na swój produkt, ale nie chce go ujawniać dostawcy. Dostawca nie wie, ile zamówić, i obie strony muszą dogadać się co do ilości i ceny. W teorii gier taką sytuację opisuje równowaga doskonała bayesowska: matematyczny ideał, w którym gracze aktualizują przekonania i wybierają optymalne strategie.
Liang i Xu zreplikowali ten podręcznikowy problem z łańcucha dostaw, ale po obu stronach stołu posadzili agentów AI, po jednym od kupca i dostawcy. Przetestowali dziewięć modeli od OpenAI, Google i Alibaby w symetrycznych parach (każda kombinacja każdego modelu jako kupiec i jako dostawca), dając prawie 10 tysięcy sesji negocjacyjnych. Każdą oceniali, porównując z wyliczoną równowagą idealną: czy agenci zawierają kontrakty racjonalne, ile rund im to zajmuje i jak dzielą wypracowaną nadwyżkę.
Szybka zgoda, ale opóźnienia kosztują
Agenci rzadko odchodzili od stołu z niczym: w 98,9% przypadków podpisali umowę. Gdyby czas nie miał znaczenia, przechwytywali 95,4% maksymalnej możliwej wartości. Tyle że czas ma znaczenie. W idealnym świecie benchmarku transakcję zamykano w 1,25 rundy. Agenci potrzebowali średnio 2,98 rundy. Każda dodatkowa runda to odraczanie przychodu, a przy założeniu standardowego dyskontowania finansowego opóźnienie zjadało od 21 do 34 procent nadwyżki.
Druga rysa na optymistycznym obrazie: słabsze modele zgadzały się na umowy, które były dla nich czystą stratą. W benchmarku zero takich przypadków, bo racjonalny gracz nie akceptuje kontraktu gorszego niż brak umowy. Modele podstawowe (baseline) zrobiły to w 19,2% negocjacji. Dla porównania, modele flagowe i średniej półki tylko w 0-0,6%. Oto praktyczna lekcja: poniżej pewnego progu zdolności automatyczne zatwierdzanie wypracowanych przez AI warunków jest ryzykowne bez dodatkowego filtra weryfikującego opłacalność.
Agenci dochodzą do porozumienia w 98,9% negocjacji i zdobywają 95,4% maksymalnej nadwyżki przed dyskontowaniem, ale potrzebują średnio 2,98 rundy wobec 1,25 w benchmarku, a opóźnienie zjada 21–34% wartości.
Liang i Xu
Abstrakt
Tożsamość dostawcy zmienia podział tortu
Gdy ten sam model grał przeciwko sobie, udział kupca w nadwyżce wyglądał następująco: agenci OpenAI zgarniali średnio 40%, Google – 50%, a Qwen od Alibaby aż 70%. Ta hierarchia utrzymywała się nawet przy ograniczonej komunikacji i gdy usunięto dyskontowanie. Czyli nie chodzi o czystą moc obliczeniową; autorzy piszą wprost: wybór dostawcy modelu AI jest decyzją dystrybucyjną pierwszego rzędu.
Efekt był jeszcze ciekawszy, gdy modele mieszano. Jeśli flagowy Qwen zamiast być kupcem wcielał się w dostawcę z agentem Open AI po drugiej stronie, jego przewaga topniała o 7-18 punktów procentowych. Najsilniejszy model Alibaby okazywał się najsłabszy, kiedy negocjował jako przedstawiciel innej rodziny dostawców. To sugeruje, że modele dziedziczą pewien styl negocjacyjny po danych treningowych lub fine-tuningu, który ujawnia się w interakcji z obcym partnerem.
Prompt – darmowa dźwignia strategiczna
W teorii to, jak cierpliwy jest negocjator, wynika z rzeczywistego kosztu opóźnienia: stopy procentowej, presji na gotówkę. W praktyce autorzy rozdzielili ekonomiczną cierpliwość zleceniodawcy (człowieka) od strategicznej cierpliwości zapisanej w prompcie agenta. Okazało się, że ta druga, całkowicie darmowa decyzja konfiguracyjna, jest najsilniejszym pojedynczym czynnikiem wpływającym na podział zysków. Wyjaśnia aż 90% wariancji wyników, więcej niż ranga modelu, dostawca czy struktura informacji.
To oznacza, że firmy wdrażające agentów do negocjacji mogą regulować wyniki nie przez wymianę modelu, a przez modyfikację instrukcji. Wystarczy jedno zdanie zmieniające poziom determinacji agenta w przeciąganiu rozmowy, by przesunąć podział nadwyżki. Nie jest to trick: to behavioralny odpowiednik ustawienia parametrów w klasycznym algorytmie negocjacyjnym, tyle że zamiast kodu zmienia się język naturalny.
- Agenci AI zawierali umowy w 98,9% sesji, ale opóźnienia zjadały 21–34% wypracowanej wartości.
- Słabe modele akceptowały kontrakty generujące straty w 19,2% przypadków; flagowe niemal nigdy (0–0,6%).
- Udział kupca w zysku wahał się od 40% (OpenAI) przez 50% (Google) do 70% (Qwen) przy samo-grze.
- Miksowanie dostawców zmieniało podział o 7–18 pkt proc.; flagowy Qwen jako obcy sprzedawca był najsłabszy.
- Strategiczna cierpliwość w prompcie wyjaśnia 90% wariancji podziału, dominując nad architekturą modelu.
Praktyczne zastosowania
Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:
Podsumowanie
Dla menedżera łańcucha dostaw wyniki te oznaczają, że wybierając model AI do automatycznych negocjacji, nie tylko porównuje się benchmarki wydajności – faktycznie decyduje się, ile marży zostanie po stronie kupca, a ile u dostawcy. W logistyce kontraktowej, handlu detalicznym z dynamicznym cennikiem czy negocjacjach B2B na platformach e-sourcingu odpowiednie skonfigurowanie promptu agenta może być ważniejsze niż upgrade do najnowszej wersji modelu. To czyni z prompt engineeringu narzędzie kontroli marży, a nie tylko zabawę z formatem odpowiedzi.
Metryka artykułu źródłowego
Tytuł oryginalny: When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains
Autorzy: Chen Liang, Fasheng Xu
Data publikacji: 11 sierpnia 2026
arXiv: arxiv.org/abs/2608.07538
Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.
