Эпоха автоматизации цепочек поставок переходит от простого исполнения к автономным переговорам. По мере того как компании делегируют закупки ИИ-агентам, основным ограничением окупаемости инвестиций (ROI) становится не технический стек, а экономический IQ цифровых переговорщиков. Исследование Чэнь Ляна и Фашэн Сюя из Университета Коннектикута показывает, что ценность LLM-агента измеряется не фактом подписания контракта, а тем, какая доля маржи сохраняется после тактических трений. Анализ 9 840 симуляций переговоров между агентами OpenAI, Google и Alibaba в сравнении с идеальным байесовским равновесием — математическим эталоном торга при наличии скрытой информации — выявил тревожный разрыв между завершением сделки и ее эффективностью. Хотя агенты закрывали сделки в 98,9% случаев, их реальные показатели далеки от оптимальных.
Разрыв в эффективности и операционная надежность
Флагманские модели забирают примерно 95,4% потенциальной прибыли в статичных условиях, но при этом они патологически медлительны. Там, где байесовский идеал требует заключения сделки за 1,25 раунда, LLM растягивают процесс почти до 3 раундов. Это не просто цифровая болтовня: в условиях высокой динамики бизнеса такая задержка работает как скрытый налог, съедая от 21% до 34% общей прибыли. Что еще критичнее, исследование выявило четкий порог компетентности. Базовые модели не просто неэффективны — они финансово опасны: в 19,2% сессий они принимали индивидуально иррациональные контракты, то есть сделки, на которых компания буквально теряла деньги. Модели высшего уровня сводят этот риск почти к нулю, что делает использование дешевого ИИ в закупках огромным обязательством.
Базовые модели принимают убыточные контракты почти в каждой пятой сессии переговоров, что делает автоматизированные фильтры прибыли обязательными для любого внедрения моделей среднего сегмента.
Эти данные подтверждают: стоимость подписки ничтожна по сравнению с убытками от галлюцинирующего контракта. Для любого архитектора автономных систем проверка прибыльности должна быть жестко прописана в коде. Полагаться на внутреннюю логику агента для защиты бюджета — на данный момент авантюра, которая оправдывает себя только с самыми дорогими моделями.
Предвзятость вендоров и стратегическое терпение
Выбор поставщика LLM — это стратегическое решение о распределении маржи. В сценариях игры против себя покупатели на базе Qwen от Alibaba были самыми агрессивными, забирая 70% прибыли, по сравнению с 40% у OpenAI и 50% у Google. Эти перекосы сохраняются даже при ограничении среды. В кросс-платформенных столкновениях смена вендора может изменить итоговую цену на 17–18 процентных пунктов. Любопытно, что топовые модели Qwen оказались слабыми продавцами в переговорах с другими провайдерами, доказывая, что лингвистическая беглость не тождественна силе убеждения при торге.
Делегирование задач LLM отделяет реальное экономическое положение заказчика от транслируемого агентом «стратегического терпения» — рычага, который определяет 90% разницы в распределении прибыли.
Самый мощный инструмент директора по закупкам — это не параметры модели, а настройки ее стратегического терпения. Отделяя реальные ограничения цепочки поставок от переговорного образа агента, менеджеры могут эффективно блефовать. Агенту можно задать установку оставаться невозмутимым даже при пустом складе, заставляя продавца уступить. Однако исследование предупреждает, что долгосрочное стратегическое планирование остается слабым звеном. Текущие агенты хороши в немедленных тактических победах, но с трудом учитывают кумулятивный эффект для здоровья всей цепочки поставок. Следующий рубеж автоматизации закупок — это не выбор самой умной модели, а подбор конкретного профиля распределения прибыли, выгодного именно вашей стороне.