Agentes de IA negociam contratos: estudo mede quem fica com o lucro

Pesquisa publicada no arXiv em agosto de 2026 colocou nove modelos de linguagem da OpenAI, do Google e da Alibaba para negociar contratos de suprimento entre si. Os agentes fecham acordo em 98,9% dos casos, mas a demora em relação ao equilíbrio teórico corrói até 34% do excedente — e o fornecedor do modelo decide quem fica com a maior parte do valor.

O que aconteceu

Um artigo submetido ao arXiv em 29 de julho de 2026 e divulgado em 11 de agosto (arXiv:2608.07538) testou nove LLMs da OpenAI, do Google e da Alibaba em um problema clássico de barganha em cadeias de suprimentos: um comprador com informação privada sobre demanda negocia um contrato de quantidade e pagamento com um vendedor sem essa informação. Os autores rodaram 9.840 negociações entre agentes e compararam os resultados com um Equilíbrio Bayesiano Perfeito validado.

Os números centrais: os agentes chegam a acordo em 98,9% das negociações e capturam 95,4% do excedente teórico sem desconto. Mas levam em média 2,98 rodadas, contra 1,25 do equilíbrio de referência — e esse atraso corrói de 21% a 34% do excedente (arXiv).

Contexto

O estudo parte de uma mudança em curso: agentes de LLM estão saindo do papel de suporte à decisão para executar compras de forma autônoma. A pergunta prática é saber se esses delegados criam valor, dividem esse valor de forma previsível e evitam contratos que dão prejuízo. Para responder, os pesquisadores escolheram o caso mais simples possível — um comprador e um vendedor — justamente para ter um parâmetro teórico de comparação contra o comportamento dos agentes.

Por que importa

O resultado mais direto é sobre risco operacional. Modelos de entrada aceitam contratos individualmente irracionais em 19,2% dos casos, contra 0,0% a 0,6% nos modelos intermediários e de ponta. Para quem usa esses modelos, a verificação automatizada de lucro é o único freio confiável abaixo desse nível de capacidade.

A segunda descoberta mexe com a decisão de compra de tecnologia: a identidade do fornecedor prevê a divisão do excedente melhor que o ranking de capacidade. Em negociações entre modelos da mesma família, o comprador fica com 40% do excedente com OpenAI, 50% com Google e 70% com o Qwen, da Alibaba — e inverter quem vende muda a divisão em 7 a 18 pontos percentuais. Para empresas brasileiras que levam IA para o procurement, a conclusão é a mesma: escolher o fornecedor do agente é uma decisão distributiva, não apenas técnica.

Impacto

O terceiro achado é o de aplicação mais barata. Como a delegação separa a paciência econômica do principal (a empresa) da paciência estratégica do agente (definida no prompt), ajustar o prompt é uma escolha de implantação gratuita — e, segundo o estudo, é o fator mais forte na divisão do excedente, responsável por 90% da variância explicada. Isso dá às equipes de compras uma alavanca concreta para mudar o resultado das negociações sem trocar de modelo.

No médio prazo, a pesquisa fornece critérios para auditar agentes em três dimensões: eficiência descontada, perfil distributivo e confiabilidade operacional.

O que muda

A escolha de agente de IA vira uma decisão com métricas objetivas: quanto o modelo captura do excedente, em quantas rodadas e com que frequência aceita um contrato ruim. A verificação automática de lucro deixa de ser opcional e passa a ser guarda-corpo obrigatório em implantações com modelos de entrada.

O que vem agora

Os autores enquadram o trabalho como uma auditoria referenciada em equilíbrio. O passo natural é estender o método a cenários mais complexos — múltiplos vendedores, leilões, contratos mais longos. Para empresas, o próximo passo prático já está dado: adotar verificadores automatizados de lucro antes de permitir que agentes fechem contratos sem revisão humana.

Fontes

• arXiv (cs.AI) — When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains (arXiv:2608.07538) — https://arxiv.org/abs/2608.07538