Duże modele językowe naśladują ludzkie strategie podczas negocjowania cen i ilości produktów w łańcuchu dostaw
BADANIA LOGISTYCZNE
Samuel N. Kirshner, Yiwen Pan, Jason Xianghua Wu i Alex Gould
Sztuczna inteligencja potrafi negocjować niemal tak samo jak człowiek. Naukowcy z Uniwersytetu Nowej Południowej Walii (Australia) i Uniwersytetu Zhejiang (Chiny) przeprowadzili serię eksperymentów, w których różne systemy AI wcieliły się w rolę dostawców i detalistów, zawierając porozumienia dotyczące cen oraz ilości produktów. Wyniki badania wykazały zaskakująco ludzkie zachowania sztucznej inteligencji z jedną istotną różnicą: algorytmy przejawiały większą skłonność do zawierania umów — działanie, które mogłaby zwiększyć wydajność łańcuchów dostaw — choć miały tendencję do faworyzowania niektórych uczestników kosztem drugich.
Cały łańcuch dostaw to coś więcej niż fabryki, magazyny czy środki transportu. Przeprowadza się również negocjacje, podczas których decyduje się nie tylko o ilości czy cenie, ale także o tym, kto ponosi ryzyko i to, jak dzielone są zyski.
Od lat badacze analizują zachowania ludzi podczas transakcji finansowych oraz to, jak ich decyzje uwarunkowują sukces logistyki. Porozumienia zależą zarówno od liczb, jak i relacji międzyludzkich: zaufania, komunikacji, tempa wymiany informacji. Drobne szczegóły, takie jak dane, które decyduje ujawnić każda ze stron czy szybkość odpowiedzi na ofertę — mogą przechylić szalę pomiędzy jednym a drugim wynikiem.
Automatyzacja procesów negocjacyjnych zwiększa wydajność całego łańcucha dostaw
Jeszcze do niedawna uważano, że zautomatyzowanie negocjacji było niemożliwe, dopóki nie zaczęto wdrażać w te procesy dużych modeli językowych (LLM, z ang. Large Language Models). Ich zdolność rozumowania, planowania i dopasowania się do rożnych sytuacji pozwala im uczestniczyć w złożonych rozmowach, w których równoważą się interesy oraz stosowane są strategie zmierzające do osiągnięcia porozumienia.
Projekt badania dotyczącego negocjowania z wykorzystaniem AI
Naukowcy z Uniwersytetu Nowej Południowej Walii (Australia) oraz Uniwersytetu Zhejiang (Chiny), aby ocenić, do jakiego stopnia LLM potrafią prowadzić negocjacje w taki sposób jak ludzie wewnątrz łańcucha dostaw, opracowali serię eksperymentów, w których agencji AI wcielili się w rolę dostawców i detalistów.
„Opieraliśmy się na eksperymencie przeprowadzonym przez Uniwersytet Cornella i Uniwersytet Teksasu w Dallas, w którym zespoły składające się z detalistów i dostawców negocjowały ilość produktów oraz cenę, nie posiadając jednoznacznej wiedzy na temat popytu. W naszym przypadku zastąpiliśmy ludzi agentami AI. Porównaliśmy rozmowy między ludźmi a sztuczną inteligencją i analizowaliśmy techniki mające na celu zwiększenie wydajności” — wyjaśniają naukowcy, ciekawi do jakiego stopnia te narzędzia mogą odwzorować oraz zoptymalizować dynamikę biznesową.
Badanie sprawdzało, czy sztuczna inteligencja potrafi negocjować tak jak człowiek wewnątrz łańcucha dostaw
Eksperyment polegał na podzieleniu LLM na osiem sześcioosobowych zespołów (3 dostawców i 3 detalistów), które prowadziły rozmowy, podczas gdy ceny oraz koszty były losowo modyfikowane w każdej fazie. Po kilku rundach wyliczona została średnia każdego ze wskaźników, takich jak zyski czy wydajność systemu zaopatrzenia, a wyniki porównano z rezultatami uzyskanymi w oryginalnym badaniu, w którym uczestnikami byli ludzie.
LLM w negocjacjach
Duże modele językowe zaczynają zmieniać sposób działania firm. Chociaż ich użycie jest najbardziej widoczne w takich obszarach jak marketing czy obsługa klienta, to coraz częściej znajdują również zastosowanie w innych obszarach, dzięki możliwości automatyzacji zadań i wspierania podejmowania inteligentnych decyzji.
Jednym z najbardziej obiecujących osiągnięć jest ich udział w relacjach biznesowych poprzez automatyzację przepływu takich czynności jak rozmowy z dostawcami czy weryfikowanie dokumentów prawnych. Zmniejszenie udziału człowieka w tego typu zadaniach zwiększa wszechstronność i wydajność. W najbardziej zaawansowanych przypadkach duże modele językowe, przy pomocy innych agentów AI, samodzielnie ustalają warunki umowy.
„Część skuteczności LLM w negocjacjach wynika z ich zdolności do przestrzegania norm, uczenia się na błędach i ulepszania strategii wraz z nabytym doświadczeniem. Aby to osiągnąć, wykorzystują informacje z wcześniejszych rozmów i traktują je jako punkt odniesienia” — wyjaśniają autorzy badania.
Jednakże, aby LLM mogły osiągać porozumienie, ich zachowanie musi być zrozumiałe i spójne, czyli podobne do zachowania człowieka. Jest to szczególnie istotne w przypadku łańcucha dostaw, gdzie wskazane jest przeanalizowanie, w jaki sposób informacje, którymi dzielą się agencji AI, wpływają na końcowy wynik.
Lepsze porozumienia w łańcuchu dostaw
Podczas prób prowadzonych w trakcie niniejszego badania zauważono, że zachowanie LLM jest zasadniczo podobne do ludzkiego: obie jednostki stosują proste zasady, aby zdecydować, kiedy złożyć ofertę, a kiedy ustąpić. W przypadku ludzi te decyzje opierają się na doświadczeniu i intuicji. Technologia natomiast bazuje na wzorcach językowych wyuczonych podczas treningu celem generowania odpowiedzi i strategii, które odtwarzają przebieg rzeczywistej rozmowy handlowej.
Negocjacje z wykorzystaniem agentów AI są jednak bardziej efektywne niż te przeprowadzane wyłącznie między ludźmi. Naukowcy przypisują ten efekt ich większej predyspozycji do zawierania umów: „agenci kierują się zaprogramowaną wytyczną, że lepiej jest zawrzeć umowę, niż zostać z niczym”. Tendencja ta może być związana z formą szkolenia modeli AI, w szczególności z uczeniem przez wzmacnianie korzystającym ze sprzężenia zwrotnego od człowieka (Reinforcement Learning with Human Feedback, lub RLHF). Metoda ta uczy AI odpowiedniego reagowania poprzez nagradzanie pozytywnych i odpowiednio dopasowanych zachowań w przeciwieństwie do tych negatywnych. Może to mimowolnie prowadzić do tego, że systemy AI przyjmą bardziej ustępliwą postawę podczas negocjacji. Z tego powodu z punktu widzenia zarządzania przedsiębiorstwem autorzy podkreślają istotę strategicznego nadzorowania wykorzystania tych agentów AI w rzeczywistych sytuacjach.
Według badaczy predyspozycja LLM do osiągnięcia porozumienia może zwiększyć wydajność sieci dostaw, chociaż nie zawsze przyniesie ona równe korzyści wszystkim stronom. Znalezienie równowagi pomiędzy wydajnością i równym podziałem zysków ma zasadnicze znaczenie dla firm, które zadecydują wprowadzić agentów AI do swoich łańcuchów dostaw. Ponadto łatwość, z jaką technologia przystaje na porozumienia, może w niektórych przypadkach prowadzić do sytuacji, w których niektóre ze stron uzyskają korzystniejsze warunki.
Negocjowanie z LLM w łańcuchu dostaw jest bardziej wydajne niż w przypadku negocjacji prowadzonych wyłącznie przez ludzi
W tym punkcie eksperymentu pojawiło się kolejne pytanie: jeśli maszyny rozwijają się tak szybko w negocjacjach, czy można by było je również zmanipulować? Badanie sugeruje, że pomimo szerokiej debaty na temat ryzyka związanego z oszukiwaniem ludzi przez sztuczną inteligencję, zdarza się również sytuacja odwrotna, kiedy to okłamywanie systemów sztucznej inteligencji zaburza uczciwość umów.
Stosunek zysków otrzymanych przez dostawców w negocjacjach w zakresie łańcucha dostaw
W sytuacji, gdy produkcja jest tańsza, dostawcy osiągają większą rentowność. Lecz gdy koszty rosną, następuje spadek marży, zwłaszcza w przypadku, w którym wdrożona zostaje sztuczna inteligencja, ponieważ LLM mają w zwyczaju akceptować mniej korzystne umowy. Kiedy każda ze stron udostępnia informacje, zarówno ludzie, jak i AI negocjują skuteczniej. Natomiast LLM odnotowują gorsze wskaźniki efektywności w momencie, gdy dane finansowe utrzymywane są w sekrecie.
LLM odmieniają umowy handlowe
W przyszłości decyzje biznesowe dotyczące łańcucha dostaw nie będą zależeć wyłącznie od intuicji czy ludzkiego doświadczenia. Sztuczna inteligencja kształtuje się jako nowy rozmówca zdolny do optymalizowania wyników.
Duże modele językowe otworzyły drzwi na nowe możliwości automatyzacji procesów biznesowych. „Wraz z rozwojem firm podejmowanie decyzji staje się coraz bardziej złożone. Duże korporacje zarządzające tysiącami umów mogą wspomagać się agentami AI celem zwiększenia produktywności podczas gdy, dla start-upów delegowanie negocjacji stanowi formę oszczędności czasu i rekompensuje brak doświadczenia” — podsumowują autorzy badania.
Przeprowadzone badanie jest podstawą do zrozumienia roli LLM w zarządzaniu przedsiębiorstwem, które otwiera różnorodne kierunki działań, aby w dalszym stopniu badać możliwości i ograniczenia AI w automatyzacji umów oraz procesów biznesowych.
Autorzy badania:
- Samuel N. Kirshner. Profesor uczelni Szkoły Systemów Informacyjnych i Zarządzania Technologią Uniwersytetu Nowej Południowej Walii (Australia).
- Yiwen Pan. Doktor nauk ekonomicznych Wydziału Ekonomii Uniwersytetu Zhejiang Gongshang (Chiny).
- Jason Xianghua Wu. Adiunkt na Wydziale Systemów Informacyjnych i Zarządzania Technologią w Szkole Biznesu Uniwersytetu Nowej Południowej Walii (Australia).
- Alex Gould. Niezależny badacz w Sydney (Australia).
Oryginalna publikacja:
Kirshner, S, Pan, Y., Wu, X., Gould, A. Talking terms: Agent information in LLM supply chain bargaining. Decision Sciences (wersja online).