LLM 에이전트가 통제된 다속성 협상 환경에서 상대방 선호도를 모델링할 수 있지만, 그것을 전략적 협상 이점으로 전환하지 못함을 보여줍니다. 에이전트들은 상대방 가치를 정확히 파악하지만, 자신의 고가치 속성에 대한 이득으로 안정적으로 연결하지 못합니다. 최종 합의는 실제 효용 가중치보다 표면적 초기 앵커에 의해 결정되는 경향이 있으며, 명시적 양보-보상 조건 요구도 최종 합의 효율성을 개선하지 못합니다.
- •LLM 에이전트는 상대방 선호도를 정확히 모델링하지만, 이를 전략적 협상 이점으로 전환하는 데 실패합니다.
- •에이전트들은 실제 효용 가중치보다 표면적 초기 앵커에 의해 최종 합의가 결정되는 경향을 보입니다.
- •명시적 양보-보상 거래 명시 요구는 개별 턴 전략성을 높이지만 최종 합의 효율성을 개선하지 못합니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Counterparty Modeling is Not Strategy: The Limits of LLM Negotiators
- 1.LLM 에이전트는 상대방 선호도를 정확히 모델링하지만 전략적 협상으로 전환하는 데 실패
- 2.에이전트는 상대 가치에 반응하지만 자신의 고가치 속성에서 이득을 얻지 못함
- 3.최종 합의는 실제 효용 가중치보다는 초기 앵커에 크게 좌우되는 경향
왜 중요한가?
LLM 에이전트의 협상 능력에 근본적 한계가 있음을 실증하며, 비즈니스 협상 자동화나 전략적 AI 에이전트 설계에 중요한 시사점을 제공한다.
본문 미리보기
arXiv:2605.16575v1 Announce Type: new Abstract: Negotiation requires more than inferring what the other side wants: it requires using that information to make advantageous offers and counteroffers over multiple turns. We study whether large language model (LLM) agents do this in a controlled multi-attribute bargaining environment. We find that current LLM agents can model a counterparty's preferences, but do not reliably turn that knowledge into strategic bargaining. When given negotiating part
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
