EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation

1. O Problema

A implementação de Grandes Modelos de Linguagem (LLMs) em agentes de negociação automatizada estabeleceu um alto padrão de desempenho, mas enfrenta barreiras críticas para aplicações em dispositivos de borda (edge):

• Privacidade e Segurança: A dependência de nuvem para processamento expõe dados sensíveis (registros financeiros, estratégias corporativas) a riscos de violação, tornando os LLMs inadequados para assistentes móveis, agentes corporativos privados ou sistemas autônomos.
• Limitação de Modelos Pequenos (SLMs): Embora os Small Language Models (SLMs, geralmente com ≤7B parâmetros) sejam ideais para implantação local devido à baixa latência e custo, eles sofrem de uma lacuna de desempenho significativa em cenários de negociação emocionalmente carregada.
• Vulnerabilidade a Manipulação: SLMs treinados em corpora emocionais gerais carecem de inteligência emocional estratégica. Em cenários de cobrança de crédito, eles são facilmente manipulados por devedores que utilizam táticas adversárias (ameaças, vitimização, mentiras) ou estados emocionais negativos, falhando em distinguir angústia genuína de táticas estratégicas.
• Rigidez Contextual: Agentes existentes não conseguem adaptar dinamicamente suas respostas emocionais, mantendo perfis estáticos que não evoluem com a interação.

2. Metodologia: EQ-Negotiator

O artigo propõe o EQ-Negotiator, um framework inovador que equipa SLMs com inteligência emocional estratégica sem necessidade de pré-treinamento pesado ou dependência de nuvem. O sistema opera em um ambiente de simulação multiagente e baseia-se nos seguintes pilares:

• Arquitetura de Duplo Agente: Um agente credor (controlado pelo modelo SLM/LLM) interage com um agente devedor em cenários realistas de recuperação de crédito.
• Reconhecimento de Emoção em Contexto (In-Context Learning): O sistema utiliza prompting para reconhecer o estado emocional do devedor em tempo real a partir do diálogo, sem ajuste fino (fine-tuning). Mantém históricos duplos de emoções (do devedor e do credor) para detecção de padrões.
• Sistema de Raciocínio Híbrido (Teoria dos Jogos + HMM):
  • Estratégia Win-Stay, Lose-Shift (WSLS): Uma variante ponderada emocionalmente da estratégia "Tit-for-Tat". O credor mantém cooperação para emoções positivas (Alegria, Neutro) e alterna para respostas cautelosas para negativas (Raiva, Nojo, Medo), evitando a escalada de conflitos.
  • Modelo Oculto de Markov (HMM): O componente central para adaptação dinâmica. O HMM modela a dinâmica temporal das interações:
    • Estados Ocultos: Representam o modo estratégico do credor (Cooperativo, Confrontacional, Angustiado, Estratégico).
    • Variáveis Observáveis: Os pares de emoções trocadas (Devedor, Credor) em cada turno.
    • Filtragem Bayesiana: O sistema atualiza continuamente a crença sobre o estado estratégico atual com base no histórico de interações.
  • Mecanismo de Ativação: O HMM é ativado dinamicamente quando o devedor exibe um limiar de emoções negativas (ex: ≥4 emoções negativas em 5 turnos), permitindo que o sistema preveja a melhor resposta emocional para desescalar o conflito ou contrapor manipulação.
• Avaliação Multiagente: Um sistema automatizado inclui um "agente juiz" que avalia o sucesso da negociação, a velocidade e a ética das interações.

3. Principais Contribuições

• Mudança de Paradigma: Transição de perfis de personalidade estáticos para arquiteturas emocionais dinâmicas que operam sob restrições de privacidade (edge).
• Compensação de Escala: Demonstra que a inteligência emocional estratégica (via HMM e Teoria dos Jogos) pode compensar a falta de parâmetros e conhecimento de mundo dos SLMs, permitindo que modelos de 7B parâmetros superem LLMs muito maiores em tarefas específicas de negociação.
• Framework Edge-Deployable: Uma solução viável para privacidade, permitindo negociações financeiras seguras em dispositivos locais sem transmissão de dados para a nuvem.
• Robustez Ética: O framework reduz comportamentos antiéticos (como falsa empatia e pressão psicológica) em SLMs, tornando-os parceiros de negociação mais éticos.

4. Resultados Experimentais

Os experimentos foram realizados no conjunto de dados CRAD (Credit Recovery Assessment Dataset) com 100 cenários de inadimplência comercial, comparando SLMs (DeepSeek-7B, Llama-7B) e LLMs (GPT-4o-mini, GPT-5-mini) com e sem o EQ-Negotiator.

• Desempenho em SLMs: O EQ-Negotiator teve um impacto transformador nos SLMs.
  • A taxa de sucesso do Llama-7B saltou de 40% para 70%.
  • O DeepSeek-7B reduziu o "Múltiplo de Cobrança de Dívida" (dias de pagamento vs. proposta inicial) de 5.5x para 3.1x, aproximando-se do desempenho do GPT-4o-mini original.
• Superação de Adversários: Em cenários com devedores usando táticas adversárias (ameaças, vitimização, blefe), o SLM equipado com EQ-Negotiator superou LLMs "vanilla" (sem o framework) em termos de múltiplos de cobrança, embora com um número ligeiramente maior de rodadas de negociação.
• Estratégia de "Slow and Steady": O SLM com EQ-Negotiator adotou uma abordagem mais paciente, construindo rapport e validando emoções, o que resultou em acordos financeiros melhores (menores múltiplos de dívida) comparado à abordagem mais lógica, porém menos adaptativa, dos LLMs.
• Análise Ética: O framework reduziu significativamente comportamentos antiéticos em SLMs. Por exemplo, a "Negociação Rígida" no DeepSeek-7B caiu de 2.25 para 1.60, e a "Falsa Empatia" de 1.60 para 1.20, estreitando a lacuna ética com os LLMs.

5. Significado e Impacto

Este trabalho estabelece que a inteligência emocional estratégica, e não apenas a escala bruta do modelo, é o fator crítico para o sucesso em negociações automatizadas complexas.

• Viabilidade de Borda: Permite a criação de assistentes de negociação éticos, privados e de baixa latência para setores sensíveis como bancos, saúde e sistemas autônomos (ex: robôs de resgate).
• Segurança de Dados: Elimina a necessidade de enviar dados financeiros confidenciais para servidores externos, resolvendo o dilema entre privacidade e capacidade de IA.
• Futuro da IA: Abre caminho para agentes de IA que não apenas simulam empatia, mas possuem uma arquitetura cognitiva capaz de gerenciar dinâmicas emocionais complexas em tempo real, tornando-os robustos contra manipulação e adequados para aplicações do mundo real.

O código do projeto está disponível publicamente, facilitando a reprodutibilidade e o avanço na área de modelagem de personas para IA.