O Jogo Automatizado, mas Arriscado: Modelando Negociações e Transações entre Agentes em Mercados de Consumo

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

May 29, 2025

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

cs.AI

Resumo

Agentes de IA estão sendo cada vez mais utilizados em aplicações voltadas para o consumidor para auxiliar em tarefas como busca de produtos, negociação e execução de transações. Neste artigo, exploramos um cenário futuro em que tanto consumidores quanto comerciantes autorizam agentes de IA a automatizar completamente negociações e transações. Nosso objetivo é responder a duas perguntas-chave: (1) Diferentes agentes de LLM variam em sua capacidade de garantir acordos favoráveis para os usuários? (2) Quais riscos surgem ao automatizar totalmente a realização de negócios com agentes de IA em mercados de consumo? Para abordar essas questões, desenvolvemos uma estrutura experimental que avalia o desempenho de vários agentes de LLM em cenários reais de negociação e transação. Nossos resultados revelam que a realização de negócios mediada por IA é um jogo intrinsecamente desequilibrado — diferentes agentes alcançam resultados significativamente distintos para seus usuários. Além disso, anomalias comportamentais em LLMs podem resultar em perdas financeiras tanto para consumidores quanto para comerciantes, como gastos excessivos ou aceitação de acordos irracionais. Esses resultados destacam que, embora a automação possa melhorar a eficiência, ela também introduz riscos substanciais. Os usuários devem exercer cautela ao delegar decisões de negócios a agentes de 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.