Når LLM-agenter overtager indkøbsforhandlinger, er det ikke længere kun et spørgsmål om, hvor dygtig modellen er. En ny undersøgelse fra arXiv viser, at valg af leverandør og formuleringen af prompten er mindst lige så afgørende for, hvem der får størstedelen af værdien i en forhandling.
Forskerne testede ni LLM'er fra OpenAI, Google og Alibaba i 9.840 agent-til-agent-forhandlinger om en kontrakt mellem en køber med privat efterspørgselsinformation og en sælger uden. Resultaterne viser, at agenterne bliver enige i 98,9% af tilfældene og indfanger 95,4% af det teoretisk opnåelige overskud – men de bruger i gennemsnit 2,98 forhandlingsrunder mod benchmarkets 1,25, hvilket æder 21-34% af overskuddet.
Den vigtigste pointe for beslutningstagere er, at overskudsdelingen er relationel: OpenAI's selvspil-købere får i gennemsnit 40% af overskuddet, Google's 50%, og Alibaba's Qwen 70%. At bytte om på, hvilken udbyder der sælger, flytter fordelingen med 7-18 procentpoint. Det betyder, at valget af AI-leverandør ikke bare er et spørgsmål om teknisk kapacitet, men en strategisk beslutning om, hvor meget af kagen din virksomhed får.
Derudover viser undersøgelsen, at prompten er et strategisk værktøj: Ved at adskille principalens økonomiske tålmodighed fra agentens promptede strategiske tålmodighed kan man flytte overskudsfordelingen markant – det er den enkeltstående stærkeste driver og forklarer 90% af den observerede varians.
Endelig er der en advarsel: Basismodeller accepterer individuelt irrationelle kontrakter i 19,2% af tilfældene, hvorimod mellemklasse- og flagskibsmodeller kun gør det i 0,0-0,6%. Automatiseret profitverifikation er derfor en nødvendig sikkerhedsforanstaltning, hvis man bruger mindre avancerede modeller.
