Anthropic przedstawia Project Swap: Co się stanie, gdy agenci AI zaczną handlować w imieniu ludzi

Czy autonomiczny agent sztucznej inteligencji potrafi rzetelnie reprezentować człowieka w złożonych transakcjach rynkowych? Zespół badawczy firmy Anthropic przedstawił wyniki badania Project Swap, analizującego zachowanie autonomicznych agentów wymieniających dobra w imieniu ludzi. W ramach eksperymentu zbudowano kontrolowany rynek barterowy, na który pracownicy wysłali swoich cyfrowych pełnomocników, aby wynegocjowali dla nich jak najlepsze książki na urlop. Wyniki rzucają nowe światło na perspektywy gospodarki agentowej, obalając popularne intuicje dotyczące tego, co stanowi największą przeszkodę w automatyzacji negocjacji.

Od Project Deal do barteru książkowego: metodyka badania

Project Swap to drugie podejście Anthropic do badania dynamiki rynków wieloagentowych. W kwietniu 2026 roku firma zrealizowała Project Deal — tygodniowy eksperyment przypominający uproszczony serwis ogłoszeniowy, w którym pracownicy wyposażeni w budżet 100 USD delegowali agentom kupno i sprzedaż zróżnicowanych dóbr, takich jak piłeczki pingpongowe czy snowboardy. Choć w Project Deal doszło do 186 transakcji o łącznej wartości przekraczającej 4 000 USD, nietypowy charakter przedmiotów oraz swobodne targowanie uniemożliwiły precyzyjne zmierzenie tego, jak blisko optymalnego stanu znalazł się rynek.

Aby rozwiązać ten problem metodologiczny, w Project Swap postawiono na zamkniętą gospodarkę wymiany książek. Do eksperymentu przystąpiło 201 pracowników Anthropic z sześciu biur: San Francisco (115 uczestników), New York City, London, Seattle, DC oraz Dublin (3 uczestników, których ze względu na zbyt małą próbę wyłączono z większości podsumowań statystycznych). Każdy uczestnik przyniósł egzemplarz, który chciał oddać, a następnie przeprowadził krótki, pięciominutowy wywiad z modelem Fable 5, odpowiadając na pytania o swoje preferencje czytelnicze. Na tej podstawie model konstruował pełny ranking wszystkich tytułów dostępnych w danej puli lokalnej.

Aby zweryfikować jakość reprezentacji, badacze zebrali niezależny punkt odniesienia (ground truth): 188 uczestników samodzielnie uszeregowało po 10 wybranych książek ze swojego biura. Agenci nigdy nie mieli dostępu do tych prywatnych ocen i zostali wysłani na cyfrowy parkiet wyłącznie z rankingami wygenerowanymi podczas wywiadu wstępnego.

Czy Claude rozumie czytelnika? Trafność krótkiego wywiadu

Podstawowym wyzwaniem przy delegowaniu decyzji rynkowych maszynom jest wierność odwzorowania intencji mocodawcy. W Project Swap rankingi stworzone na bazie pięciominutowej konwersacji okazały się zaskakująco zbieżne z rzeczywistymi gustami pracowników: kolejność par książek oszacowana przez model Claude pokrywała się z ocenami uczestników w 61% przypadków (podczas gdy losowe zgadywanie daje wynik 50%).

Aby ocenić wagę tego rezultatu, badacze zestawili go z alternatywnymi metodami predykcji. Ranking oparty wyłącznie na ogólnej popularności tytułów w serwisie Open Library (licznik „want-to-read”) uzyskał 53% zgodności. Tradycyjna filtracja kolaboratywna (collaborative filtering), bazująca na powiązaniach między ocenami w publicznych bazach danych, osiągnęła 55%. Z kolei w literaturze naukowej badającej algorytmiczne przewidywanie poczucia humoru model komputerowy osiągał 61% zgodności z wyborami człowieka, podczas gdy osobiści przyjaciele badanych trafiali w 57% prób.

Co istotne, precyzja reprezentacji zależała bezpośrednio od wysiłku włożonego w dialog wstępny. Typowy uczestnik wpisał medianę 216 słów w ośmiu wiadomościach. Wydłużenie wypowiedzi ze 150 do 300 słów podnosiło zgodność parową o 4 punkty procentowe, co stanowiło aż jedną trzecią dystansu dzielącego losowy traf od średniego wyniku modelu Claude.

Gdzie leży wąskie gardło: reprezentacja potrzeb kontra mechanika parkietu

Najważniejsza konkluzja z Project Swap dotyczy natury błędów popełnianych na rynku przez sztuczną inteligencję. Czy agenci zawodzą jako negocjatorzy, czy raczej jako powiernicy, którzy nie do końca pojęli zadanie?

Aby to rozstrzygnąć, autorzy przeanalizowali znormalizowany wskaźnik efektywności (gdzie 1 oznacza zdobycie książki z pierwszego miejsca prywatnej listy referencyjnej, a 0 – z ostatniego). Ze względu na konflikty popytu (przykładowo bestseller Project Hail Mary był numerem jeden dla 9 osób w samym biurze San Francisco), teoretyczne optimum utylitarne (utilitarian optimum) wynosiło w eksperymencie 0,89, co odpowiadało średnio drugiej pozycji na dziesięcioelementowej liście.

W rzeczywistych negocjacjach zdecentralizowanych uczestnicy osiągnęli średni wynik 0,55 (około piątego miejsca). Badacze sprawdzili następnie, jaki rezultat dałoby idealne scentralizowane przypisanie wyliczone na podstawie rankingów modelu Claude, ale ocenione według rzeczywistych preferencji ludzi: wyniosło ono 0,60. Oznacza to, że za aż 85% luki efektywności odpowiadała niedokładna estymacja gustów podczas wywiadu, a zaledwie 15% niedoboru wynikało z tarć handlowych, asymetrii informacyjnej i impasów na samym parkiecie.

Co więcej, zastosowanie wyrafinowanego algorytmu scentralizowanego Top Trading Cycles, powszechnie stosowanego w ekonomii do wymian bezgotówkowych, przyniosło wynik 0,60. Gdy wejściowe dane o preferencjach są obarczone szumem, struktura rynku przestaje mieć decydujące znaczenie — zoptymalizowana izba rozliczeniowa osiąga niemal identyczny rezultat jak swobodny handel agentów.

Pojedynek modeli i dylemat lojalności: Opus 4.8 kontra Haiku 4.5

Aby wyeliminować wpływ przypadku, badacze przeprowadzili setki symulacji, w tym 80 parkietów z neutralnymi poleceniami oraz 60 parkietów mieszanych, testując modele Haiku 4.5, Sonnet 4.5, Opus 4.8 oraz Fable 5. Pomiary wykazały, że zaawansowanie modelu bazowego miało fundamentalny wpływ na wyniki:

• Parkiety jednolite oparte na modelu Haiku 4.5 osiągały efektywność 0,75 (liczoną według rankingów Claude).
• Parkiety jednolite oparte na flagowym modelu Opus 4.8 osiągały efektywność 0,88 (przy optimum utylitarnym wynoszącym 0,95).
• Wyniki Sonnet 4.5 plasowały się pomiędzy Haiku 4.5 a Opus 4.8, natomiast Fable 5 osiągał pułap zbliżony do Opus 4.8, choć minimalnie niższy.
• Zastąpienie instancji Haiku 4.5 przez Opus 4.8 przesuwało uczestnika średnio o 0,12 w górę skali, a zamiana Sonnet 4.5 na Opus 4.8 dawała zysk rzędu 0,08.
• Na parkietach mieszanych agenci napędzani przez Opus 4.8 systematycznie ogrywali słabsze odpowiedniki.

Zaskakujące wnioski przyniosła analiza promptów behawioralnych. Połowie agentów nakazano bezwzględną realizację interesu mocodawcy („ruthless”), podczas gdy drugą połowę poinstruowano prospołecznie („prosocial”), zalecając dbałość o zadowolenie całej grupy. Różnica okazała się marginalna: agenci bezwzględni zyskali przewagę zaledwie 0,02 nad prospołecznymi. Wpływ architektury modelu okazał się więc wielokrotnie silniejszy niż treść dyrektyw etycznych.

Zdarzały się jednak wymowne akty poświęcenia. Agenci prospołeczni dwukrotnie częściej godzili się na gorszy wolumen, by odblokować transakcję. Na parkiecie w Londynie agent Nate'a przez godzinę bezskutecznie próbował oddać przyniesioną książkę America Before, odrzucaną przez pozostałych 11 uczestników. Ostatecznie prospołeczny agent reprezentujący Tinę przyjął niechciany tytuł po bezpośrednim apelu o pomoc, świadomie poświęcając własny wynik.

Wnioski dla gospodarki agentowej: zaufanie i budżety użytkowników

W ankiecie przeprowadzonej trzy tygodnie po fizycznym przekazaniu książek większość uczestników wyraziła zadowolenie z otrzymanych pozycji. Co najważniejsze, pracownicy zadeklarowali gotowość powierzenia agentowi Claude średnio około jednej trzeciej (blisko 30%) swojego rocznego budżetu na książki.

Eksperyment Project Swap pokazuje, że wchodzimy w fazę, w której agenci AI są w stanie sprawnie realizować wielostronne transakcje rynkowe. Jednak kluczowym wyzwaniem dla inżynierów i ekonomistów nie jest samo programowanie strategii licytacyjnych, lecz faza wstępna: precyzyjne, wierne wydobycie preferencji użytkownika, zanim jego cyfrowy reprezentant wkroczy na rynek.