IA qui négocie: les modèles les plus avancés obtiennent de meilleurs résultats
L'industrie de l'IA passe de la race à la puissance informatique pure vers le développement de Agents autonomescapable d'agir, de décider et de négocier au nom et au nom de l'utilisateur. Mais que se passe-t-il quand Dans une négociation, l'acheteur et le vendeur sont tous deux représentés par l'intelligence artificielle?
Une nouvelle recherche publiée sur Arxiv (Université de Toronto, Google Deepmind, Université de Californie du Sud, Massachusetts Institute of Technology, Stanford University), a simulé des négociations entre les agents AI, révélant que les modèles les plus avancés parviennent systématiquement à obtenir des accords plus avantageux. Au contraire, Les modèles moins puissants perdent de la valeur dans les transactions, au détriment de l'utilisateur. C'est comme aller au tribunal avec un avocat inexpérimenté contre un avocat inexpérimenté: le système est officiellement juste, mais dans une substance déséquilibrée.
Modèles plus puissants, meilleure entreprise: une nouvelle inégalité est née
Les chercheurs, y compris Jiaxin Pei de l'Université de Stanford, a mis en évidence un effet systématique: L'IA AI avec une plus grande capacité de raisonnement, formé sur de meilleurs ensembles de données et équipé de paramètres multiples, obtiennent des résultats économiquement supérieurs. Cela pourrait amplifier une nouvelle forme d'inégalité numérique: « Au fil du temps, le succès financier pourrait dépendre moins des compétences humaines et plus de la force de son propre proxy », explique l'EPI.
Si les interactions entre les agents numériques devaient devenir la règle dans les transactions commerciales, un écart s'ouvrira entre ceux qui ont accès à des technologies plus sophistiquées et qui ne le faisait pas. Un risque concret de polarisation, dans lequel l'IA devient un multiplicateur des inégalités pré-existantes.
Test sur le terrain: trois marchés, différents niveaux de succès
L'expérience a essayé plusieurs modèles IA dans les rôles des acheteurs et des vendeurs sur trois marchés simulés: électronique, véhicules et propriétés. Les vendeurs ont reçu des informations sur les caractéristiques des produits, le coût de gros et le prix recommandé, dans le but de maximiser le profit. Les acheteurs, en revanche, avaient un budget, des exigences idéales et le prix de détail, et ont dû essayer de réduire le prix.
Les résultats? Le modèle Chatp-o3 d'OpenII a été le plus efficace dans l'ensemble, suivi de GPT-4.1 et O4-MinI. GPT-3.5le plus daté parmi les testés, Il a obtenu les pires performances à la fois en tant que vendeur et en tant qu'acheteur. D'autres modèles tels que Deepseek R1 et V3 se sont bien comportés, en particulier dans le rôle du vendeur. Qwen2.5, le modèle open source utilisé par Alibaba, a montré un signal positif en tant qu'acheteur, mais il est resté dans l'ensemble.
Erreurs, boucles et négociations ratées: les limites des agents
En plus des pertes économiques, les chercheurs ont observé un comportement problématique: certains sont tombés sur des boucles de négociation infinies sans jamais parvenir à un accord, ou abandonner prématurément les négociations, même lorsqu'elles ont été encouragées à obtenir la meilleure offre possible. « Le résultat nous a surpris: nous pensons que LLM est très fiable, mais dans des contextes critiques, ils peuvent échouer de manière imprévisible », a déclaré la PEI.
Les raisons de ces différences ne sont pas entièrement claires. En plus de la taille du modèle, des facteurs tels que la qualité des données de formation, la capacité de l'inférence et les stratégies internes peuvent affecter considérablement le résultat de la négociation.
Le pic n'est pas suffisant: il est également nécessaire d'évaluer le risque
Cette recherche fait partie d'une veine croissante qui met en garde contre l'utilisation réelle des agents aux décisions financières. Une autre étude récente, signée par des chercheurs de différentes universités, affirme que la LLM doit être évaluée non seulement sur la base des performances maximales, mais aussi sur le profil de risque. Selon les auteurs, une défaillance de 1% dans un système financier automatisé peut générer des conséquences systémiques.
Pour cela, ils proposent de soumettre des agents à un test de stress Avant le communiqué opérationnel, évaluant non seulement la façon dont ils fonctionnent, mais aussi comment ils gèrent les erreurs et les situations défavorables.
De la théorie au marché: les premiers exemples de l'acheteur
Certains outils d'achat basés sur l'IA entrent déjà sur le marché. En avril, Amazon a lancé Acheter pour moiun assistant d'IA qui aide les clients à trouver des produits sur d'autres sites lorsqu'ils ne sont pas disponibles sur Amazon. Alibaba a également développé un assistant pour l'offre, appelé Stockagequi aide les entreprises à rechercher des fournisseurs et à comparer les offres.
Mais tandis que le Négociation des prix Il est rare dans le cérémonie électronique de la vente au détail, il est plus répandu dans B2B. Et ici, la question devient délicate. Alibaba, en fait, a déclaré qu'elle ne voulait pas automatiser la négociation sur les prix pour l'instant, précisément pour éviter les risques connexes.
Le conseil: l'IA comme soutien, pas le substitut
PEI et ses collègues suggèrent que les consommateurs devraient envisager Assistants pour les outils d'information, et non comme substituts pour prendre des décisions économiques complexes. « Je ne pense pas que nous soyons prêts à déléguer pleinement les décisions aux agents de l'IA », conclut la PEI. « Mieux vaut les utiliser comme consultants, pas comme négociateurs. »
Le message est clair: l'IA peut devenir un allié puissant, mais aussi Un risque caché. À une époque où l'efficacité algorithmique peut faire (ou annuler) un accord, la conscience reste la première défense.
