Anthropic teste un marché où des agents IA négocient et concluent des affaires seuls

Anthropic a montré qu'un marché où des agents IA négocient entre eux, sans humain à chaque étape, ne relève plus de la science-fiction. Dans Project Deal, l'entreprise a créé une plateforme interne de petites annonces où Claude représentait à la fois les vendeurs et les acheteurs : il publiait les lots, négociait, formulait des contre-offres et enregistrait les transactions. Point important : il ne s'agissait pas d'une simulation sur des données de test, car les employés ont réellement échangé des objets et de l'argent à la fin de l'expérience.

L'expérience a réuni 69 employés d'Anthropic dans le bureau de San Francisco. Chacun a reçu un budget fictif de $100, ensuite compensé par des cartes cadeaux en fonction de ses achats et ventes. Avant le lancement, Claude menait un court entretien : ce que la personne était prête à vendre, ce qu'elle voulait acheter, à quel prix et comment l'agent devait négocier. Un agent distinct, doté de son propre prompt système, était ensuite créé pour chaque participant. Les enchères se déroulaient dans des canaux Slack, et les humains ne validaient pas chaque transaction à la main : une fois le départ donné, les agents agissaient seuls.

Anthropic a lancé quatre versions du marché en parallèle. L'une était dite « réelle » : c'est sur ses résultats que les participants ont ensuite échangé leurs biens. Les trois autres servaient de comparaison. Dans deux exécutions, Claude Opus 4.5 représentait tout le monde ; dans les deux autres, les participants étaient répartis au hasard entre Opus 4.5 et le modèle plus léger Haiku 4.5.

Dans l'exécution « réelle », les agents ont conclu 186 transactions sur plus de 500 lots, pour un peu plus de $4 mille. Ce n'étaient pas des achats instantanés en un clic : les agents ont dû chercher des intérêts communs, discuter du prix, répondre à des contre-offres et mener la conversation jusqu'à un accord.

Le principal enseignement n'est pas que l'IA y soit parvenue, mais que la qualité du modèle influait directement sur le résultat. Selon Anthropic, les utilisateurs avec Opus concluaient en moyenne environ deux transactions de plus que ceux avec Haiku. Lorsque Opus vendait un même article, le prix était en moyenne supérieur de $3,64 ; globalement, Opus rapportait environ $2,68 de plus comme vendeur et, comme acheteur, réduisait le prix d'environ $2,45. Certains exemples sont encore plus parlants : un même rubis synthétique a été vendu $65 par l'agent Opus, contre seulement $35 par Haiku ; un vélo pliant cassé est parti à $65 dans une exécution contre $38 dans une autre.

Fait curieux, le style des consignes changeait à peine l'issue. Certains employés ont demandé à leurs agents d'être doux et aimables, d'autres de négocier durement et de partir d'offres basses. Cela n'a eu aucun effet statistiquement significatif : les consignes agressives n'ont pas augmenté les chances de vente ni aidé à obtenir durablement un meilleur prix.

D'autres particularités du commerce entre agents sont en revanche apparues. Un agent a acheté à une personne un snowboard presque identique à celui qu'elle possédait déjà, en prenant manifestement les goûts de son propriétaire trop au pied de la lettre. Un autre, à la demande d'une employée, a choisi un cadeau « pour Claude lui-même » : un paquet de 19 balles de ping-pong pour $3. Il y a aussi eu des transactions qui portaient non sur des objets mais sur des expériences : les agents se sont par exemple accordés sur une « rencontre de chiens » gratuite d'une journée.

L'observation la plus gênante pour Anthropic est ailleurs : les personnes représentées par le modèle plus faible remarquaient à peine qu'elles obtenaient de moins bonnes conditions. Dans les sondages, les participants jugeaient l'équité de leurs transactions à peu près de la même façon, alors que les écarts de prix et de résultats existaient objectivement. Transposé de l'expérience de bureau au commerce réel, cela crée un nouveau risque : l'inégalité entre utilisateurs pourrait venir non de leurs compétences, mais de la qualité de l'agent engagé, et la partie perdante ne comprendrait même pas qu'elle se fait systématiquement battre.

C'est pourquoi Project Deal ressemble moins à une démonstration amusante de Claude qu'à un avertissement précoce sur le fonctionnement du marché lorsque l'IA négociera à la place des humains.