Dar mais informações à IA pode fazer com que ela ganhe ainda menos.
Um experimento de Stanford testou 10 grandes modelos de ponta em negociações, barganhas e leilões bilaterais. Os pesquisadores alteraram apenas uma condição: o quanto os modelos sabiam sobre as avaliações reais dos seus oponentes.
O resultado foi bastante contraintuitivo: com informações mais completas, alguns modelos tiveram ainda mais dificuldade para obter ganhos.
No experimento de leilão, quando compradores e vendedores conheciam as avaliações exatas uns dos outros, a parcela dos ganhos potenciais que Claude Opus 5.5 conseguia obter caiu de 94% para 64%.
No experimento de negociação, o desempenho dos modelos chegou a seguir direções opostas:
Os ganhos de GPT-6 Sol caíram de 98% do valor máximo para 91%, enquanto os de Claude Sonnet 5 subiram de 72% para 86%.
No cenário de leilão, com mais informações disponíveis, os modelos também tenderam a aumentar os preços pedidos. A parcela dos ganhos de Grok 4.7 caiu de 97% para 62%.
Com as mesmas informações de entrada, modelos diferentes chegaram a resultados completamente diferentes.
Este estudo traz um alerta importante para o uso prático de agentes de IA: não basta testar a capacidade de negociação do modelo em si; também é preciso testar como ele toma decisões em diferentes condições de informação.
Isso é especialmente importante quando você pede à IA que negocie, faça ofertas ou gerencie dinheiro em seu nome. Mais informações não significam necessariamente melhores decisões. Alguns modelos, ao receber mais informações, podem se tornar mais agressivos e acabar prejudicando os próprios ganhos.
Um experimento de Stanford testou 10 grandes modelos de ponta em negociações, barganhas e leilões bilaterais. Os pesquisadores alteraram apenas uma condição: o quanto os modelos sabiam sobre as avaliações reais dos seus oponentes.
O resultado foi bastante contraintuitivo: com informações mais completas, alguns modelos tiveram ainda mais dificuldade para obter ganhos.
No experimento de leilão, quando compradores e vendedores conheciam as avaliações exatas uns dos outros, a parcela dos ganhos potenciais que Claude Opus 5.5 conseguia obter caiu de 94% para 64%.
No experimento de negociação, o desempenho dos modelos chegou a seguir direções opostas:
Os ganhos de GPT-6 Sol caíram de 98% do valor máximo para 91%, enquanto os de Claude Sonnet 5 subiram de 72% para 86%.
No cenário de leilão, com mais informações disponíveis, os modelos também tenderam a aumentar os preços pedidos. A parcela dos ganhos de Grok 4.7 caiu de 97% para 62%.
Com as mesmas informações de entrada, modelos diferentes chegaram a resultados completamente diferentes.
Este estudo traz um alerta importante para o uso prático de agentes de IA: não basta testar a capacidade de negociação do modelo em si; também é preciso testar como ele toma decisões em diferentes condições de informação.
Isso é especialmente importante quando você pede à IA que negocie, faça ofertas ou gerencie dinheiro em seu nome. Mais informações não significam necessariamente melhores decisões. Alguns modelos, ao receber mais informações, podem se tornar mais agressivos e acabar prejudicando os próprios ganhos.