Le Jeu Automatisé mais Risqué : Modélisation des Négociations et Transactions entre Agents sur les Marchés de Consommation

The Automated but Risky Game: Modeling Agent-to-Agent Negotiations and Transactions in Consumer Markets

May 29, 2025

Auteurs: Shenzhe Zhu, Jiao Sun, Yi Nian, Tobin South, Alex Pentland, Jiaxin Pei

cs.AI

Résumé

Les agents d'IA sont de plus en plus utilisés dans des applications destinées aux consommateurs pour les assister dans des tâches telles que la recherche de produits, la négociation et l'exécution de transactions. Dans cet article, nous explorons un scénario futur où à la fois les consommateurs et les commerçants autorisent des agents d'IA à automatiser entièrement les négociations et les transactions. Nous cherchons à répondre à deux questions clés : (1) Les différents agents de LLM varient-ils dans leur capacité à obtenir des accords favorables pour les utilisateurs ? (2) Quels risques découlent de l'automatisation complète de la conclusion d'accords par des agents d'IA sur les marchés de consommation ? Pour répondre à ces questions, nous développons un cadre expérimental qui évalue la performance de divers agents de LLM dans des contextes réels de négociation et de transaction. Nos résultats révèlent que la conclusion d'accords médiée par l'IA est un jeu intrinsèquement déséquilibré — différents agents obtiennent des résultats significativement différents pour leurs utilisateurs. De plus, des anomalies comportementales dans les LLM peuvent entraîner des pertes financières pour les consommateurs et les commerçants, telles que des dépenses excessives ou l'acceptation d'accords déraisonnables. Ces résultats soulignent que si l'automatisation peut améliorer l'efficacité, elle introduit également des risques substantiels. Les utilisateurs devraient faire preuve de prudence lorsqu'ils délèguent des décisions commerciales à des agents d'IA.

English

AI agents are increasingly used in consumer-facing applications to assist with tasks such as product search, negotiation, and transaction execution. In this paper, we explore a future scenario where both consumers and merchants authorize AI agents to fully automate negotiations and transactions. We aim to answer two key questions: (1) Do different LLM agents vary in their ability to secure favorable deals for users? (2) What risks arise from fully automating deal-making with AI agents in consumer markets? To address these questions, we develop an experimental framework that evaluates the performance of various LLM agents in real-world negotiation and transaction settings. Our findings reveal that AI-mediated deal-making is an inherently imbalanced game -- different agents achieve significantly different outcomes for their users. Moreover, behavioral anomalies in LLMs can result in financial losses for both consumers and merchants, such as overspending or accepting unreasonable deals. These results underscore that while automation can improve efficiency, it also introduces substantial risks. Users should exercise caution when delegating business decisions to AI agents.