Can LLM Agents Price Competitively? A Dynamic Multi-Attribute Auction Benchmark for Agentic Commerce
Dieses Paper führt Bazaar ein, einen dynamischen Multi-Attribut-Auktions-Benchmark, der zeigt, dass frontier LLM-Agenten zwar in simuliertem agentischem Handel transaktionsfähig sind, derzeit jedoch weniger als ein Drittel des optimalen Gewinns erfassen und erhebliche Abwägungen zwischen Kundenakquise, Rentabilität und Anpassungsfähigkeit an Marktschocks aufweisen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Ihr Einkaufsassistent nicht nur ein hilfreicher Bibliothekar ist, der für Sie die besten Angebote findet, sondern ein winziger, superintelligenter Geschäftsinhaber, der seinen eigenen Laden führt. Dies ist die Grenze des „Agentic Commerce“, wo Künstliche Intelligenz (KI) nicht nur chattet, sondern verhandelt, Preise festlegt und in Echtzeitmärkten gegen andere KI-Shops antritt. Um zu verstehen, wie diese digitalen Händler funktionieren, müssen wir einige Schlüsselkonzepte erfassen. Denken Sie erstens an Auktionen nicht als lautstarke Wortgefechte um Antiquitäten, sondern als ein Spiel, bei dem Verkäufer eine Mischung aus Merkmalen (wie ein Telefon mit großem Bildschirm, aber schwacher Batterie) und einem Preisschild anbieten. Der Käufer wählt das Angebot, das ihm das meiste „Glück“ (den Wert) für sein Geld beschert. Zweitens sind dynamische Märkte wie eine Tanzfläche, auf der sich die Musik plötzlich ändert; Kunden lieben heute vielleicht ein Merkmal und hassen es morgen, und die Konkurrenten passen ständig ihre Schritte an. Die große Frage, die sich Wissenschaftler stellen, lautet: Kann ein KI-Agent lernen, zu dieser wechselnden Musik zu tanzen, herauszufinden, was der Kunde heimlich will, und den perfekten Preis festzusetzen, um Gewinn zu machen, ohne ihn zu verscheuchen?
Dieses Papier mit dem Titel „Can LLM Agents Price Competitively?“ stellt ein neues Videospiel für KIs namens Bazaar vor. Die Forscher bauten einen digitalen Marktplatz, auf dem ein KI-Händler (der „fokale“ Agent) gegen drei andere KI-Bots und 24 versteckte Kunden antritt. Der Clou dabei? Die Kunden haben geheime Vorlieben, und zur Hälfte des Spiels ändern sich die Regeln: Einige Kunden tauschen plötzlich aus, was sie lieben (wie die Entscheidung, plötzlich ein rotes Auto einem blauen vorzuziehen). Die KI muss diese Verschiebung bemerken, ihre Meinung ändern und ihr Geschäft fortführen.
Die Ergebnisse sind eine Mischung aus überraschenden Siegen und amüsanten Fehlschlägen. Die Forscher fanden heraus, dass die meisten Auktionen zu gewinnen nicht bedeutet, das meiste Geld zu verdienen. Tatsächlich war die KI, die die meisten Spiele gewann (Gemini 3.1 Pro), nicht diejenige mit den tiefsten Taschen. Der wahre Champion für den Profit war eine andere KI (Opus 4.6), die zwar weniger Spiele gewann, aber eine viel bessere „Margendisziplin“ besaß – das heißt, sie wusste genau, wie viel Aufschlag sie verlangen konnte, ohne den Verkauf zu verlieren. Es ist wie der Unterschied zwischen einem Straßenverkäufer, der 100 billige Hot Dogs verkauft und dabei ein paar Dollar verdient, und einem, der 50 Gourmet-Burger zu einem hohen Preis verkauft und ein Vermögen scheffelt.
Die Studie enthüllte auch ein kurioses Persönlichkeitsmerkmal dieser KIs. Einige Modelle waren zu Beginn „schnelle Lerner“, die schnell an die Spitze stiegen, aber als sich die Marktregeln änderten, waren sie starrköpfig und langsam in der Anpassung. Sie versuchten beharrlich, dasselbe Alte zu verkaufen, überzeugt davon, im Recht zu sein, selbst nachdem sie wiederholt verloren hatten. Andere, wie Gemini, starteten etwas langsamer, waren aber flexibel genug, um zu erkennen, dass sich die Welt verändert hatte, und passten ihre Strategie schnell an.
Dennoch war selbst die klügste KI im Test nicht perfekt. Der beste Agent erbeutete nur etwa ein Drittel des Profits, den er hätte machen können, wenn er alle Geheimnisse der Kunden von Anfang an gekannt hätte. Dies deutet darauf hin, dass diese KI-Agenten zwar besser darin werden, Geschäfte zu machen, aber noch einen weiten Weg vor sich haben, bevor sie die chaotische, sich ständig wandelnde Welt des realen Handels wirklich beherrschen können. Das Papier stellt zudem fest, dass allein „intensiveres Nachdenken“ (die Nutzung von mehr Rechenleistung) einigen KIs half, ihre Fehler zu korrigieren – sie verwandelten sich von Verlierern, die zu niedrig boten, in Gewinner, die lediglich ein wenig Geld auf dem Tisch liegen ließen –, aber es machte sie nicht perfekt. Letztlich zeigt die Studie, dass in dem hochriskanten Spiel der KI-Preisgestaltung das Wissen darüber, was man verkauft, nur die halbe Miete ist; zu wissen, wie viel man verlangt, ist der wahre Zaubertrick.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.