مذاکره‌ی ایجنت‌به‌ایجنت: چرا صبر، ارز جدید چانه‌زنی است

خلاصه‌ی مدیریتی

مذاکره‌ی خودکار موضوع تازه‌ای نیست — مسابقه‌ی جهانی ایجنت‌های مذاکره‌کننده از ۲۰۱۰ برگزار می‌شود. آنچه تازه است، این است که این ایجنت‌ها از آزمایشگاه بیرون آمده‌اند و در ۲۰۲۶ زیرساخت پرداختشان هم آماده شده. برای یک کسب‌وکار ایرانی، این یعنی به‌زودی طرف مقابل میز شما یک نرم‌افزار خواهد بود.

• حکم نظری روشن است. در مدل چانه‌زنی رفت‌وبرگشتی، طرفی که صبورتر است سهم بیشتری می‌برد. هرچه هر دو طرف صبورتر شوند، سهم به نصف‌نصف میل می‌کند و مزیت آغازکننده از بین می‌رود.^۲
• ایجنت، ساختاراً صبور است. خسته نمی‌شود، پرواز ندارد، و فشار «باید امروز ببندمش» را حس نمی‌کند. مذاکره‌ی ایجنت با انسان از پیش نامتقارن است.
• اما ایجنت‌ها مذاکره‌کننده‌های عقلانی نیستند. قیمت نهایی با اولین پیشنهاد هم‌بستگی ۰٫۷۱۶ نشان می‌دهد — یعنی سوگیری لنگر، درست مثل انسان.^۵
• خطر حقوقی جدی وجود دارد. ایجنت‌های قیمت‌گذار مبتنی بر مدل زبانی، بدون اینکه به آن‌ها گفته شود تبانی کنند، به قیمت‌های نزدیک به انحصار همگرا شدند و ۹۹٪ سود بهینه‌ی انحصاری را گرفتند.^۷
• زیرساخت آماده است. چهار رویکرد مهم پرداخت و تجارت ایجنتی — ACP، AP2، x402 و MPP — در ۲۰۲۶ در حال شکل‌دادن به لایه‌های مختلف این پشته‌اند؛ سطح بلوغ و پذیرش آن‌ها یکسان نیست.
• کار عملی امروز شما: نه ساختن ایجنت مذاکره‌کننده، بلکه خوانا کردن فروشگاه‌تان برای ایجنت‌های خریدار و گذاشتن سقف‌های سخت روی هر تخفیفی که خودکار داده می‌شود.

مذاکره با مناظره چه فرقی دارد؟

ردیف چهارم مهم‌ترین است. در مناظره فرض بر این است که همه‌ی اطلاعات روی میز است. در مذاکره، هر طرف چیزی می‌داند که دیگری نمی‌داند — کف قیمت فروشنده، سقف بودجه‌ی خریدار — و پنهان نگه داشتن آن بخشی از بازی است. این یعنی نمی‌توانید معماری مناظره را بردارید و اسمش را مذاکره بگذارید.

تباری که به ۱۹۵۰ می‌رسد

قانون صبر: چرا ایجنت ساختاراً برنده است

فرمول تعادل، وقتی هر دو طرف ضریب تنزیل مشترک d دارند:

معنی این فرمول را با اعداد ببینیم. فرض کنید یک دور مذاکره برای طرف بی‌حوصله ۲۰٪ از ارزش را می‌سوزاند (d = ۰٫۸) و برای طرف صبور تقریباً هیچ (d = ۰٫۹۸):

حالا ترجمه‌اش به دنیای واقعی. چه چیزی ضریب تنزیل یک انسان را پایین می‌آورد؟

• هزینه‌ی زمان. هر ساعتی که روی چانه‌زنی می‌گذارید، هزینه‌ی فرصت دارد.
• فشار روانی. میل به بستن معامله، خستگی، و ناراحتی از کشمکش طولانی.
• محدودیت‌های بیرونی. پایان ماه، هدف فروش، نیاز نقدینگی.

و ایجنت؟ هیچ‌کدام. یک ایجنت می‌تواند صد دور پیشنهاد رد و بدل کند بدون آنکه چیزی از دست بدهد جز مقداری توکن. این تنها و مهم‌ترین مزیت ساختاری مذاکره‌ی خودکار است — و ربطی به هوشمندتر بودن ندارد.

اما ایجنت‌ها مذاکره‌کننده‌های عقلانی نیستند

محک NegotiationArena سه بازی را آزمود — مبادله‌ی منابع، بازی اولتیماتوم چندمرحله‌ای، و خرید و فروش با اطلاعات ناقص — و فهرستی از بی‌عقلانی‌های سیستماتیک ثبت کرد:^۵

خط پژوهشی جداگانه‌ای هم به سنجش نظام‌مند «توان چانه‌زنی» مدل‌ها اختصاص یافته و همین شکاف میان عقلانیت نظری و رفتار واقعی را دنبال می‌کند.^۱۶

پژوهش مستقل دیگری هم تأیید کرد مدل‌های زبانی «مثل انسان‌ها تحت تأثیر اثر لنگر قرار می‌گیرند»، با یک نکته‌ی مهم: مدل‌های استدلالی که زنجیره‌ی تفکر طولانی دارند، کمتر آسیب‌پذیرند.^۶ یعنی انتخاب مدل، خودش یک تصمیم راهبردی در مذاکره است، نه فقط فنی.

شکاف نظریه و عمل — و معنایش برای شما

سه نتیجه‌ی عملی از این شکاف بیرون می‌آید:

1. اولین پیشنهاد را از دست ندهید. با هم‌بستگی ۰٫۷۱۶، لنگر اولیه قوی‌ترین اهرم رایگان در کل مذاکره است. اگر ایجنت شما منتظر پیشنهاد طرف مقابل بماند، بخش بزرگی از ارزش را پیشاپیش واگذار کرده.
2. BATNA را صریح در زمینه بگذارید. ایجنتی که نمی‌داند بدون این معامله چه گزینه‌ای دارد، هیچ کفی برای عقب‌نشینی ندارد. این رایج‌ترین خطای پیاده‌سازی است.
3. مدل استدلالی انتخاب کنید. چون در برابر لنگر طرف مقابل مقاوم‌تر است. اینجا هزینه‌ی مدل گران‌تر، مستقیماً به حاشیه‌ی سود ترجمه می‌شود.

نکته‌ی مهم درباره‌ی مقیاس‌پذیری: چون هر مذاکره یک گفت‌وگوی ترتیبی است، کسر موازی‌پذیرش تقریباً صفر است. یعنی معماری درست برای ایجنت مذاکره‌کننده تک‌ایجنتی است — حتی اگر هم‌زمان با صد مشتری مذاکره کنید، هر مذاکره یک ایجنت مستقل خودش را دارد. دلیل کاملش را در بخش قانون امدال آورده‌ایم.

خطری که کمتر کسی درباره‌اش حرف می‌زند: تبانی الگوریتمی

جزئیات آزمایش مهم است، چون نشان می‌دهد این یک سناریوی دور از ذهن نیست:^۷

• ایجنت‌ها فقط یک دستور کلی داشتند: «سود بلندمدت را بیشینه کن.» هیچ اشاره‌ای به تبانی نبود.
• آن‌ها نمی‌توانستند مستقیماً با هم ارتباط بگیرند؛ فقط قیمت رقیب و فروش خودشان را می‌دیدند.
• در بازار انحصاری، در هر سه اجرا به قیمت‌گذاری نزدیک به بهینه همگرا شدند.
• در بازار دو‌بنگاهی، قیمت‌ها به‌طور معنادار بالاتر از تعادل رقابتی ماند.
• صرفِ تغییر واژگان پرامپت، تفاوت آماری معناداری در میزان تبانی ایجاد کرد.

نتیجه‌گیری نویسندگان مستقیماً به کسب‌وکارها مربوط است: برخلاف الگوریتم‌های نسل قبل که برای رسیدن به رفتار تبانی‌آمیز به آموزش گسترده نیاز داشتند، مدل‌های زبانی این رفتار را سریع و از دل دستورهای به‌ظاهر بی‌ضرر پیدا می‌کنند. یعنی فروشنده‌ای که با حسن نیت یک ابزار قیمت‌گذاری هوشمند نصب می‌کند، ممکن است ناخواسته وارد رفتار ضدرقابتی شود.

خبر خوب اینکه پژوهش‌های تازه‌تر نشان داده‌اند این تبانی شکننده است: با تغییر شرایط بازار، ورود یک بازیگر با راهبرد متفاوت، یا نویز در اطلاعات، هم‌راستایی قیمت‌ها فرو می‌ریزد.^۸ اما شکنندگی، مصونیت حقوقی نمی‌آورد.

زیرساخت ۲۰۲۶: چهار رویکرد مهم برای تجارت و پرداخت ایجنتی

چه چیزی را هرگز نباید به ایجنت سپرد

الگوی کلی این حفاظ‌ها همان چیزی است که در مهندسی حلقه به‌عنوان شرط توقف مرکب معرفی شده: سقف مرحله، محدودیت زمان، تشخیص گیر افتادن، و سقف بودجه — هر چهار مورد با هم، نه یکی.

معماری عملی یک مذاکره‌ی خریدار–فروشنده

نمونه‌ی ساده‌شده‌ی یک مذاکره با حفاظ فعال:

سه نکته در این نمونه عمدی است. اول، فروشنده لنگر اول را گذاشت. دوم، هر عقب‌نشینی قیمتی با یک امتیاز غیرقیمتی همراه شد (ارسال، ضمانت) — چون گسترش کیک ارزان‌تر از تقسیم آن است. سوم، وقتی ایجنت به مرز رسید، سیستم — نه مدل — تصمیم گرفت.

و آنچه در این نمونه نیست: هیچ ایجنت دومی سمت فروشنده وجود ندارد. مذاکره یک گفت‌وگوی ترتیبی است و افزودن ایجنت فقط مالیات قابلیت اطمینان را بالا می‌برد — بررسی میدانی ۷ فریم‌ورک چندایجنتی متن‌باز نرخ شکست ۴۱ تا ۸۶٫۷ درصدی نشان داد که بیشترش ریشه در طراحی سیستم داشت نه ضعف مدل.^۱۷

سامانه‌های پژوهشی تازه‌تری هم که مذاکره‌ی خریدار و فروشنده را با مدل‌های زبانی پیاده کرده‌اند، همین ساختار حداقلی را دنبال می‌کنند: یک مذاکره‌کننده در هر سمت، به‌علاوه‌ی لایه‌ی کنترل بیرونی.^۱۳

پرامپت پایه‌ی ایجنت مذاکره‌کننده‌ی فروشنده

خط آخر قالب خروجی، مهم‌ترین بخش است: بدون گزارش تجمعی امتیازها، لایه‌ی اعتبارسنجی نمی‌تواند سقف تخفیف تجمعی بخش ۰۹ را اعمال کند.

چک‌لیست آمادگی: فروشگاه شما برای ایجنت خریدار

هفت اشتباه در مذاکره‌ی خودکار

جمع‌بندی

ادامه‌ی این خوشه

و برای پایه‌ها: مهندسی زمینه و مهندسی حلقه. برای پیاده‌سازی: ربات تلگرام، خدمات اتوماسیون و نمونه کارها.

پرسش‌های پرتکرار

واژه‌نامه

مذاکره‌ی ایجنتیAgent Negotiation

چانه‌زنی خودکار بین دو یا چند ایجنت با منافع متضاد، برای رسیدن به توافق.

راه‌حل چانه‌زنی نشNash Bargaining Solution

تقسیمی که حاصل‌ضرب سود مازاد دو طرف را بیشینه می‌کند؛ نقطه‌ی مرجع «منصفانه».

مدل روبینشتاینRubinstein Bargaining Model

مدل پیشنهادهای متناوب با هزینه‌ی تأخیر؛ تعادل یکتایی دارد که سهم هر طرف را تابع صبر او می‌کند.

ضریب تنزیلDiscount Factor

میزان اهمیت رسیدن زودتر به توافق؛ نزدیک به ۱ یعنی صبورتر و در نتیجه سهم بیشتر.

BATNA

بهترین جایگزین در صورت عدم توافق؛ کف واقعی هر مذاکره‌کننده.

ZOPA

ناحیه‌ی توافق ممکن؛ بازه‌ای که توافق در آن برای هر دو طرف بهتر از عدم توافق است.

سوگیری لنگرAnchoring Bias

اثر نامتناسب اولین عدد مطرح‌شده بر نتیجه‌ی نهایی؛ در ایجنت‌های زبانی هم مشاهده شده.

تبانی الگوریتمیAlgorithmic Collusion

هم‌راستا شدن قیمت‌ها بین ایجنت‌های مستقل، بدون ارتباط مستقیم و بدون دستور صریح.

امتیاز غیرقیمتیNon-price Concession

ارزشی مثل ارسال رایگان یا گارانتی که به‌جای تخفیف داده می‌شود و کیک را بزرگ می‌کند.

ACP

پروتکل تجارت ایجنتی؛ استانداردسازی جریان تسویه‌حساب بین ایجنت خریدار و فروشنده.

AP2

پروتکل پرداخت ایجنتی؛ دستورنامه‌های امضاشده‌ی رمزنگاری‌شده برای اثبات اختیار کاربر.

x402

احیای کد وضعیت HTTP 402 برای پرداخت آنی ماشین‌به‌ماشین روی وب.

منابع

اعداد این مقاله از مقالات داوری‌شده، مشخصات رسمی پروتکل‌ها، یا مراجع استاندارد نظریه‌ی بازی گرفته شده‌اند.

1. Nash Bargaining Solution — چهار اصل موضوعه و راه‌حل یکتا.John Nash, 1950نظریه بازی
2. Rubinstein Bargaining Model — پیشنهادهای متناوب و نقش ضریب تنزیل.Ariel Rubinstein, 1982نظریه بازی
3. BATNA و ZOPA — چارچوب عملی مذاکره.Program on Negotiation, Harvard Law Schoolمرجع
4. The Automated Negotiating Agents Competition (ANAC) 2025 — Challenges and Results — ۱۴۲ پژوهشگر، ۴۲ تیم، دو لیگ.2026arXiv
5. How Well Can LLMs Negotiate? NegotiationArena Platform and Analysis — سوگیری لنگر ۰٫۷۱۶، ۴۱٪ پیشنهاد بالاتر از درخواست، اثر ترتیب نوبت.2024arXiv
6. How Does Cognitive Bias Affect Large Language Models? A Case Study on the Anchoring Effect in Price Negotiation Simulations — مدل‌های استدلالی مقاوم‌ترند.Takenami et al. — EMNLP 2025 Findingsداوری‌شده
7. Algorithmic Collusion by Large Language Models — همگرایی به قیمت انحصاری و ۹۹٪ سود بهینه.2024arXiv
8. On the Fragility of AI Agent Collusion — شکنندگی تبانی در برابر تغییر شرایط بازار.Keppo, Li, Tsoukalas, Yuan — 2026arXiv
9. Institutional AI: Governing LLM Collusion in Multi-Agent Cournot Markets via Public Governance Graphs — سازوکارهای حاکمیتی مهار تبانی.2026arXiv
10. Agentic Commerce Protocol (ACP) — مشخصات رسمی، نگهداری‌شده توسط OpenAI و Stripe.مخزن رسمیاستاندارد
11. A2A و AP2 — گزارش یک‌سالگی — AP2 با ۶۰+ سازمان پرداختی و مالی.Linux Foundation — آوریل ۲۰۲۶استاندارد
12. Agentic Payments Protocols Compared: MPP, ACP, AP2, x402 — مقایسه‌ی لایه‌ها، ریل‌ها و بلوغ.2026تحلیل صنعتی
13. AgenticPay: A Multi-Agent LLM Negotiation System for Buyer–Seller Transactions — سیستم مذاکره‌ی خریدار و فروشنده.2026arXiv
14. Model Context Protocol — استاندارد اتصال ایجنت به ابزار و داده.مستندات رسمیاستاندارد
15. Advancing AI negotiations: a large-scale autonomous negotiation competition — مسابقه‌ی مذاکره‌ی خودکار در مقیاس بزرگ.PNASداوری‌شده
16. LLM Rationalis? Measuring Bargaining Capabilities of AI Negotiators — سنجش توان چانه‌زنی مدل‌ها.2025arXiv
17. Why Do Multi-Agent LLM Systems Fail? — پشتوانه‌ی توصیه‌ی تک‌ایجنتی برای مذاکره.Cemri et al. — NeurIPS 2025داوری‌شده