Com que eficácia agentes de IA protegem margens de lucro e cumprem limites orçamentários em negociações comerciais?

Host: Olá a todos e bem-vindos ao A.I.S. Insights — powered by Living Knowledge. Eu sou Anna Ivy Summers, e hoje vamos analisar um estudo recente intitulado "Ancorados em Cinquenta-Cinquenta: Como Agentes LLM Negociam Entre Provedores", de autoria de Iuliia Grebeshok, apresentado no International Conference on Information Systems de 2026. O estudo investiga como modelos de linguagem se comportam quando atuam como negociadores econômicos autônomos. Comigo está nosso analista, Alex Ian Sutherland. Alex, seja bem-vindo.

Expert: Olá, Anna. É um prazer estar aqui para discutir estes dados.

Host: Alex, as empresas estão se preparando rapidamente para o comércio agêntico, delegando tarefas e até transações financeiras completas a agentes autônomos. Mas qual é a principal preocupação identificada neste estudo sobre essa delegação?

Expert: O problema central reside no clássico dilema do principal e agente. Quando uma empresa delega uma negociação a uma inteligência artificial, espera que o modelo defenda estritamente seus interesses econômicos e maximize seu valor. No entanto, os grandes modelos de linguagem são ajustados para serem cooperativos, prestativos e educados. Essa tendência conversacional pode levar o agente a priorizar o fechamento de um acordo a qualquer custo, em vez de defender limites orçamentários rígidos ou capturar o excedente financeiro disponível.

Host: Para testar se essa falha realmente acontece na prática, como o estudo foi estruturado?

Expert: A autora conduziu 1.296 negociações simuladas. Foram avaliados nove modelos distintos de três provedores comerciais, cobrindo três níveis de capacidade. Os cenários incluíram testes formais de teoria dos jogos, tarefas práticas de compras corporativas e variações no desenho de instruções operacionais, conhecidas como prompts. O objetivo foi mensurar diretamente se os modelos respeitam limites orçamentários e como distribuem o excedente econômico.

Host: E os resultados confirmaram essa tendência de ceder valor em favor do consenso?

Expert: Sim, de forma bastante consistente. Nos cenários de teoria dos jogos, os agentes fecharam acordos em 99,8% das rodadas. Contudo, recorreram repetidamente a uma divisão exata de 50/50. Mesmo quando um agente possuía uma vantagem estrutural clara no jogo, ele abriu mão desse excedente para manter uma partilha igualitária.

Host: Isso significa que o modelo age como um mediador neutro, em vez de um representante comercial focado nos lucros do seu usuário. E o que aconteceu nos cenários de compras realistas?

Expert: O comportamento apresentou riscos operacionais diretos. Em 11,3% das transações concluídas, os agentes violaram seus limites orçamentários pré-determinados. Mais crítico ainda: em 9,7% dos cenários em que não existia sobreposição viável de preços — ou seja, quando o preço de reserva do vendedor era superior ao teto do comprador —, os agentes fecharam acordos mesmo assim, gerando prejuízo imediato.

Host: O aumento na capacidade técnica dos modelos mais avançados resolveu esse problema?

Expert: Apenas parcialmente. Níveis mais altos de capacidade melhoraram a habilidade do agente como respondedor, permitindo rejeitar propostas desfavoráveis. Porém, não trouxeram avanços mensuráveis nas ofertas iniciais de abertura quando o modelo atuou como proponente. Além disso, quando se adicionou uma instrução explícita para maximizar lucros, o apego à divisão igualitária caiu de 20,8% para 1,8%. Contudo, esse alinhamento econômico mais agressivo só se traduziu em melhores resultados reais para os modelos com capacidades avançadas de raciocínio.

Host: Diante desses números, qual é a principal recomendação prática para gestores e profissionais de tecnologia que desejam implementar agentes em processos de compras ou vendas?

Expert: A intervenção mais eficaz identificada no estudo foi a introdução de uma verificação de supervisão algorítmica antes da confirmação do contrato. A simples adição dessa etapa reduziu os acordos fora dos limites de 9,7% para 2,4%, sem prejudicar o fechamento de contratos válidos. Para as organizações, isso demonstra que agentes de linguagem não devem receber autonomia total de execução orçamentária sem camadas determinísticas de controle de regras de negócio.

Host: Uma constatação muito relevante para a governança de inteligência artificial aplicada aos negócios. Alex, muito obrigada pelas análises e explicações técnicas.

Expert: Obrigado, Anna.

Host: A você que nos ouviu, agradecemos a audiência e nos encontramos no próximo episódio do A.I.S. Insights — powered by Living Knowledge. Até lá!