Короткий ответ. В Project Swap, опубликованном Anthropic 24 сентября 2026 года, агенты Claude обменивали книги от имени сотрудников. Главным ограничением оказалась точность представления человеческих предпочтений: в проверке на десяти книгах порядок, предложенный агентом после короткой беседы, совпадал с порядком человека для 61% пар книг. Это результат одного офисного эксперимента, а не показатель качества ИИ-переговоров в закупках, продажах или финансах.
Для бизнеса практический вывод осторожнее рекламного обещания «агент договорится сам»: прежде чем разрешить сделку, нужно проверить, чего именно хочет человек, что запрещено уступать и кто подтверждает исполнение. Ниже — факты исследования, его ограничения и редакционная схема безопасного пилота. Эта схема не проходила испытаний в компании и не является юридической рекомендацией.
Что произошло в Project Swap
В эксперименте участвовал 201 сотрудник Anthropic из шести офисов. Каждый принёс книгу для обмена и в короткой беседе рассказал Claude о читательских вкусах. Агент получил составленный моделью рейтинг книг и общался с другими агентами на общей «торговой площадке». Сделку исполняли только после согласия всех участвующих агентов. Историю сообщений и обменов сохраняли. Для проверки участники сами ранжировали десять книг; рейтинги людей не показывали агентам. Для основной оценки использовали ответы 188 участников, подавших рейтинг. Описание метода и выборки.
Это исследование обмена недорогими физическими предметами среди коллег, которые знали контекст эксперимента. Денег, коммерческих договоров, внешних контрагентов и конкурирующих поставщиков моделей в живом обмене не было. Последующие прогоны с другими моделями и настройками проводились в той же ограниченной среде.
Предпочтения оказались важнее техники торга
После короткой беседы модель верно угадывала, какую из двух книг человек поставил выше, в 61% сравнений; случайный порядок дал бы около 50%. Это попарное совпадение рейтинга, а не вероятность удачной сделки и не «точность переговоров». Средний участник написал 216 слов в восьми сообщениях; более подробный рассказ был связан с лучшим совпадением, но сам по себе не доказывает причинный эффект. Метод измерения.
На шкале исследования, где 1 означает верхнюю позицию в личном списке из десяти книг, а 0 — нижнюю, оптимальное распределение по известным исследователям предпочтениям дало бы 0,89. Фактические обмены дали 0,55. Если вычислить наилучшее распределение по ошибочным рейтингам Claude, а затем оценить его по рейтингам людей, получится 0,60. Авторы относят большую часть разрыва между 0,89 и 0,55 к неточному описанию желаний участников, меньшую — к механике децентрализованного обмена. Эти числа относятся только к выбранной шкале и выборке; их нельзя переводить в проценты прибыли или конверсии. Разложение результатов.
| Этап проверки | Что измеряли в Project Swap | Что проверять в рабочем пилоте |
|---|---|---|
| Понимание задачи | Попарное совпадение рейтингов человека и агента | Несколько контрольных вариантов и недопустимые уступки |
| Переговоры | Позицию полученной книги в личном рейтинге | Соблюдение жёстких ограничений и журнал предложений |
| Исполнение | Получил ли участник обещанную книгу | Подтверждение фактической поставки или записи в системе |
Правая колонка — предложенная редакцией схема, а не установленный Anthropic стандарт. В эксперименте часть обменов не завершилась передачей книги: авторы не имели надёжного учёта выдачи и возврата. Согласие агентов в цифровом журнале поэтому не равнялось физическому исполнению. Обсуждение этого ограничения.
Почему сильная модель сама по себе не решает задачу
В повторных прогонах модель влияла на результат переговоров, когда эффективность считали по рейтингам, составленным самим Claude. Например, среднее значение на однородных площадках составило 0,75 для Haiku 4.5 и 0,88 для Opus 4.8 при теоретическом максимуме 0,95 по тем же модельным рейтингам. Но при оценке по рейтингам людей различия между вариантами модели и дизайна площадки были небольшими. Сравнивать эти две шкалы как один бизнес KPI нельзя. Результаты повторных прогонов.
Исследование Stanford Digital Economy Lab о моделируемых сделках между агентами выявило разные исходы для пользователей разных агентов и сценарии перерасхода или неразумных соглашений. Оно исследовало иную экспериментальную среду и не подтверждает частоту таких ошибок в реальных российских закупках. А эксперименты Wharton Generative AI Labs с покупкой часов показали, что источники, порядок их предъявления и подставленная «память пользователя» могут менять выбор модели. Это ещё один повод проверять происхождение контекста, из которого агент выводит предпочтения.
Как ограничить пилот ИИ-переговоров
Начните с низкорискового сценария: подбор нескольких вариантов поставки или подготовка ответного предложения без права заключить сделку. Для пилота можно использовать следующую схему «ПРЕДЕЛ» — редакционный инструмент проектирования, а не проверенную методику сертификации:
- Предпочтения. Попросите человека назвать приоритеты и сравнить несколько конкретных альтернатив. Запишите, где агент понял их неверно, и исправьте профиль перед торгом.
- Рамки полномочий. Отдельно задайте жёсткие пределы: цену, объём, сроки, данные, которые нельзя раскрывать, и условия, при которых агент обязан остановиться.
- Единица успеха. Определите измерение заранее: доля предложений без нарушения ограничений, доля вариантов, одобренных человеком, и доля реально исполненных соглашений. Не заменяйте оценку человека самооценкой агента.
- Доказуемость. Сохраняйте входные предпочтения, источники, версии правил, предложения, отказы и итоговое подтверждение. Дайте ответственному сотруднику возможность восстановить ход решения.
- Ещё один контрагент. Проверьте поведение при несовпадающих интересах и при неблагоприятном входном тексте. В Project Swap участвовали только модели Claude и доброжелательные агенты, поэтому его итог не закрывает риск внешнего противника.
- Лимит действия. Пока локальные тесты не показали приемлемого поведения, оставьте финальное согласование и исполнение за человеком. Увеличивать полномочия имеет смысл лишь после фиксации ошибок и повторной проверки.
В пилоте следует различать три объекта: предложение, разрешённую человеком сделку и подтверждённое исполнение. Если измеряется только первый, нельзя заявлять, что процесс договорился и доставил результат. Для операций с деньгами, персональными данными или договорными обязательствами правила доступа и согласования нужно проверить с ответственными специалистами по своему контексту.
Что исследование пока не доказывает
Сотрудники Anthropic не представляют покупателей или переговорщиков в целом. Ответы на итоговый опрос дали 59% участников, а агенты были построены на моделях одной компании. Авторы не меняли правила площадки и не допускали злонамеренных агентов. Человеческие рейтинги десяти книг тоже могут неточно выражать истинные желания: участие в ранжировании не поощрялось. Ограничения исследования.
Поэтому здесь нет подтверждения, что агент снизит закупочную цену, повысит доход, соблюдёт требования конкретного договора или точно представит предпочтения клиента. Нет и проверенных данных о стоимости, выгоде и частоте ошибок в российских компаниях. Отдельно нужно измерять, сколько времени уходит на уточнение задачи и проверку каждого решения: автоматический обмен сообщениями не равен экономии рабочего времени.
Частые вопросы
Значит ли 61%, что агент успешен в 61% переговоров?
Нет. Это доля пар книг, для которых порядок в рейтинге Claude совпал с порядком человека после короткой беседы. Итог сделки оценивали другой метрикой.
Можно ли просто выбрать более сильную модель?
Более сильные модели лучше работали на некоторых повторных прогонах по модельной шкале, но ошибка понимания предпочтений оставалась главным ограничением при оценке по ответам людей. Нужно проверять обе стадии отдельно.
Должен ли агент сразу принимать предложение контрагента?
Для бизнес-пилота разумнее сначала разрешить только подготовку и сравнение предложений. Пределы уступок и право окончательного согласия задаёт владелец процесса; это рекомендация по снижению риска, не результат прямого теста Project Swap.
Что считать окончанием сделки?
Подтверждённое исполнение, а не только запись о согласии агентов. В книжном эксперименте отсутствие учёта выдачи не позволило гарантировать передачу всех книг.
Как AIrassvet может помочь проверить такой сценарий
В рамках описанных на сайте направлений AIrassvet команда может: разобрать один процесс переговоров и источники предпочтений; спроектировать агента с доступом к корпоративным данным и журналом предложений; интегрировать проверку и ручное согласование в рабочий интерфейс. Первый шаг — выбрать один процесс, зафиксировать текущий порядок работы, ограничения и критерий приёмки пилота. Обсудить задачу можно после этой подготовки; численный эффект заранее не обещается.
Вывод
Project Swap демонстрирует возможность агентного обмена в небольшой контролируемой среде и одновременно показывает, насколько результат зависит от верного понимания человека. Для рабочего сценария сначала проверьте предпочтения и границы полномочий, затем качество предложений и только после этого — исполнение. Масштабировать автоматические сделки по результату обмена книгами было бы преждевременно.
