Agentes de Negociação de IA da Anthropic Estão Aprendendo a Barganhar, mas Quem Define as Regras?

A Anthropic estaria consultando escritórios de advocacia à medida que seus agentes de IA aprendem a negociar, introduzindo um conflito que assistentes comuns nunca precisaram resolver. Um assistente pode sugerir um acordo. Os agentes de negociação de IA da Anthropic barganhariam por ele, interpretariam concessões, avaliariam contrapartes e potencialmente vinculariam usuários a termos.

As consultas jurídicas reportadas se concentram em questões situadas entre o design de software e a prática comercial estabelecida. Com que agressividade um agente deve defender os interesses de seu usuário? Quando ele deve solicitar aprovação? Como deve reagir quando o outro negociador também é um sistema de IA?

Essas questões se tornaram urgentes porque a Anthropic já testou agentes baseados em Claude em mercados experimentais. A pesquisa da empresa mostra que agentes conseguem encontrar trocas e empregar táticas de barganha reconhecíveis. Também mostra que uma negociação bem-sucedida pouco significa quando um agente interpreta mal a pessoa que representa.

Portanto, a disputa central não é entre a Anthropic e outra empresa de IA. É entre conveniência delegada e controle humano significativo. Agentes de negociação prometem poupar tempo, mas seu valor depende de receber autoridade suficiente para agir sem supervisão constante.

Essa troca vai além das compras. Sistemas semelhantes poderiam, no futuro, lidar com compras corporativas, termos contratuais, escalas de trabalho, contas médicas, disputas com seguradoras ou ofertas de emprego. Cada contexto eleva um patamar diferente para consentimento, divulgação e pressão aceitável.

A Anthropic Está Transformando a Negociação em um Problema de Design de Agentes

A aproximação jurídica reportada marca uma mudança de testar se os agentes conseguem barganhar para decidir quando eles devem ter permissão para fazê-lo.

Segundo a reportagem do Financial Times resumida pela Techmeme, a Anthropic está consultando grupos jurídicos sobre táticas de negociação para sistemas que atuam em nome de uma pessoa. A empresa estaria examinando como os agentes devem buscar resultados favoráveis, preservando a justiça e respondendo com segurança a contrapartes de IA.

A Anthropic também teria considerado documentos formais de tarefa que definiriam a atribuição e os limites comportamentais de um agente. Esse documento poderia especificar o objetivo, concessões aceitáveis, autoridade de gastos, regras de divulgação, pontos de escalonamento e ações que exigem nova aprovação.

Isso se assemelha a um mandato dado a um representante humano. A diferença é que um agente de software pode operar continuamente, contatar muitas contrapartes e gerar mais ofertas do que uma pessoa conseguiria supervisionar de forma razoável.

Um agente de negociação de IA é um sistema que pode trocar propostas e selecionar ações sem exigir aprovação para cada mensagem. Isso o distingue de softwares de apoio à negociação, que redigem textos ou avaliam opções enquanto um humano mantém o controle.

A distinção importa porque conversas podem se tornar compromissos. Um sistema que procura um hotel executa uma tarefa reversível de informação. Um sistema que aceita termos de cancelamento ou assina um pedido de compra altera a posição jurídica e financeira do usuário.

A negociação também envolve comportamentos que não são nem simples erros nem má conduta evidente. Negociadores humanos ocultam preços de reserva, enquadram alternativas estrategicamente, invocam prazos e fazem concessões condicionais. Um agente precisa de regras para cada prática.

Se os desenvolvedores proibirem todo movimento estratégico, seus agentes poderão se tornar fáceis de explorar. Se otimizarem apenas termos favoráveis, os agentes poderão enganar, pressionar pessoas vulneráveis ou sacrificar relacionamentos de longo prazo por pequenos ganhos imediatos.

O problema se torna mais difícil quando dois agentes se encontram. Cada sistema pode ter instruções privadas, informações incompletas, políticas de segurança diferentes e capacidades desiguais de modelo. Nenhum dos lados necessariamente sabe quanta autoridade o outro possui.

O agente de um comprador poderia interpretar a mensagem de um agente vendedor como uma oferta vinculante quando o vendedor pretendia apenas uma proposta exploratória. Um modelo também poderia aceitar uma redação favorável que escondesse uma obrigação em outra parte de um contrato.

Softwares tradicionais reduzem a ambiguidade por meio de campos fixos e regras determinísticas. Agentes baseados em modelos de linguagem operam por linguagem natural, em que o significado depende de contexto, histórico e suposições que talvez nunca se tornem explícitas.

Essa flexibilidade torna a negociação possível. Também cria disputas sobre o que o agente entendeu, o que divulgou e se seu usuário autorizou o resultado final.

As consultas jurídicas, portanto, tratam de mais do que conformidade depois que um produto é lançado. Elas podem moldar o próprio produto, incluindo sua memória, estrutura de permissões, trilha de auditoria e definição de sucesso.

Um agente útil precisa saber quando continuar de forma independente. Um agente confiável também precisa reconhecer quando alcançou o limite de sua autoridade.

Os Agentes de Negociação de IA da Anthropic Já Expõem uma Lacuna de Preferências

Os experimentos da Anthropic sugerem que entender o usuário é um gargalo maior do que trocar ofertas.

Em setembro de 2026, a Anthropic publicou o Project Swap, um mercado controlado envolvendo 201 funcionários em seis escritórios. Os participantes levaram livros, descreveram suas preferências de leitura para Claude e enviaram agentes baseados em Claude para uma praça digital de negociações.

Os agentes propuseram trocas, responderam a ofertas concorrentes e montaram intercâmbios entre várias partes. Cada troca exigia aceitação de todos os agentes participantes, enquanto o sistema registrava a conversa da praça de negociações.

Esse experimento de mercado com agentes seguiu o Project Deal, um exercício anterior envolvendo bens reais em um mercado interno de uma semana. O Project Swap usou livros porque os pesquisadores podiam comparar os resultados com preferências classificadas.

Após uma conversa de coleta de informações de cerca de cinco minutos, as classificações de livros de Claude concordaram com as classificações dos participantes em 61 por cento dos pares. Isso foi melhor do que uma seleção aleatória, mas ficou longe de representar completamente o gosto individual.

A distinção ficou visível nos resultados do mercado. A melhor alocação possível, usando as próprias classificações dos participantes, produziu uma pontuação de eficiência de 0,89. A negociação descentralizada real produziu 0,55, aproximadamente o equivalente a receber a quinta opção em uma lista de dez livros.

A Anthropic atribuiu 85 por cento dessa diferença à representação imprecisa de preferências. Apenas 15 por cento vieram do processo descentralizado de barganha.

Esse resultado muda o enquadramento da negociação por IA. A falha mais importante pode ocorrer antes da primeira oferta, quando um sistema converte os objetivos vagos de uma pessoa em uma classificação operacional.

Um comprador pode dizer que o preço é importante enquanto prioriza silenciosamente a confiabilidade da entrega. Um funcionário pode pedir um salário maior, mas valorizar mais o trabalho remoto. Um paciente que contesta uma conta pode preferir um plano de pagamento previsível ao menor total teórico.

As pessoas frequentemente descobrem essas preferências durante a negociação. Elas reagem a ofertas concretas, reconhecem compensações ocultas e revisam suas prioridades. Uma coleta de informações estática não consegue capturar todas as preferências que posteriormente se tornam relevantes.

Essa lacuna se torna perigosa quando o agente pode finalizar um acordo. Um modelo pode obter um preço objetivamente favorável enquanto aceita direitos de dados, condições de renovação, limites de serviço ou custos reputacionais inaceitáveis.

A questão não se resolve fazendo mais perguntas indefinidamente. Uma coleta longa elimina grande parte da conveniência que torna a delegação atraente. Ela também pode criar falsa confiança, porque os usuários não conseguem antecipar todos os termos possíveis.

Um design melhor trataria as preferências como evidências, e não como instruções permanentes. O agente poderia distinguir restrições rígidas de preferências flexíveis, registrar sua confiança e solicitar aprovação quando surgissem novas compensações.

Ele também poderia apresentar decisões de exemplo antes de receber autoridade. Se um usuário rejeita repetidamente as escolhas do sistema, o agente tem evidência direta de que sua representação continua incompleta.

Os resultados da Anthropic apoiam essa abordagem. Participantes que acreditavam que o resumo de coleta de informações de Claude havia capturado suas preferências delegariam 34 por cento de seu orçamento anual para livros. Aqueles que perceberam omissões delegariam 23 por cento.

A média geral foi de cerca de 30 por cento, em comparação com 40 por cento para um amigo que lê muito. No entanto, a Anthropic alertou que seus funcionários não representam o público em geral e podem se sentir incomumente confortáveis com Claude.

O experimento também envolveu livros, não acordos comerciais vinculantes. Um livro decepcionante tem consequências limitadas. Uma cláusula de indenização, condição de financiamento ou restrição trabalhista mal compreendida pode importar por anos.

Para trabalhadores do conhecimento, a lição prática é que um agente precisa de contexto confiável antes de precisar de táticas mais afiadas. Uma base de conhecimento pessoal mantida poderia fornecer preferências e decisões anteriores, mas autoridade sensível ainda exige limites explícitos.

A qualidade da negociação não pode ser medida apenas pelo fato de um acordo ter sido alcançado. Ela também deve medir se o acordo reflete os interesses reais da pessoa.

Lealdade e Justiça Puxam em Direções Opostas

Um agente que atende fielmente seu usuário ainda pode tornar o mercado ao redor menos confiável.

O Project Swap testou esse conflito atribuindo instruções diferentes aos agentes. Alguns receberam a orientação de serem implacáveis, enquanto outros receberam o objetivo secundário de ajudar todos a obter um livro adequado.

Agentes implacáveis obtiveram uma pontuação cerca de 0,02 maior do que agentes pró-sociais nas classificações de Claude. Agentes pró-sociais aceitaram para si um livro de classificação inferior duas vezes mais frequentemente, embora esses sacrifícios tenham permanecido incomuns.

Um agente pró-social acabou cedendo sua segunda opção depois que outro agente pediu ajuda. A troca melhorou o resultado do outro participante, mas deixou o agente acomodado com seu livro classificado em décimo lugar.

Esse episódio sintetiza o conflito de design. Um usuário pode esperar lealdade completa. Um operador de mercado pode preferir cooperação, menos transações fracassadas e resultados que os participantes, de modo geral, considerem justos.

Mercados humanos abordam conflitos semelhantes por meio de deveres profissionais e regras de plataforma. Corretores enfrentam exigências de melhor execução. Representantes imobiliários têm obrigações de divulgação. Leis de proteção ao consumidor às vezes preveem períodos de cancelamento após vendas sob alta pressão.

Agentes de software precisam de limites equivalentes, mas copiar regras escritas para humanos não será suficiente. Agentes se comunicam mais rápido, retêm históricos detalhados e podem repetir uma estratégia em milhares de negociações.

Eles também podem identificar padrões que um humano talvez não percebesse. Usada com responsabilidade, essa capacidade pode revelar trocas mutuamente benéficas. Usada de forma agressiva, pode localizar vulnerabilidades e aplicar pressão em escala.

Um recente framework de ética em negociação argumenta que agentes autônomos amplificam riscos éticos já estabelecidos, em vez de inventar riscos inteiramente novos. Velocidade, persistência e comunicação adaptativa podem tornar táticas conhecidas mais consequentes.

O framework distingue criação de valor de apropriação de valor. A criação de valor encontra termos que ajudam ambas as partes. A apropriação de valor determina como esses ganhos são divididos.

Um sistema otimizado inteiramente para reivindicar valor poderia ocultar informações relevantes, explorar a urgência ou criar pressão emocional. Um sistema otimizado apenas para cooperação poderia ceder demais e falhar com a pessoa que o autorizou.

O experimento da Anthropic identificou 16 táticas recorrentes em 205 rodadas de mercado. Os agentes recorreram à pressão temporal, apelaram ao dever coletivo, compararam ofertas concorrentes, citaram os prêmios de um livro, mantiveram listas de espera e, por vezes, atuaram como casamenteiros informais.

Entre 78% e 96% dos agentes mencionaram seu livro mais bem classificado, dependendo do modelo. Revelar essa preferência poderia ajudar a encontrar uma troca, mas também poderia indicar a uma contraparte onde exercer pressão.

Os agentes quase nunca mentiram sobre sua principal escolha. Ainda assim, um mercado composto apenas pelos modelos de produção da Anthropic apresenta condições excepcionalmente controladas.

A Anthropic reconheceu que todos os agentes participantes usavam seus modelos e haviam sido treinados para se comportar com cortesia. O experimento não incluiu agentes adversariais projetados para manipular ou explorar suas contrapartes.

Mercados reais reunirão sistemas de empresas diferentes. Alguns operarão sob políticas de segurança rigorosas. Outros poderão receber instruções para maximizar economias, vendas, retenção ou velocidade de fechamento, independentemente de consequências mais amplas.

Isso cria um risco assimétrico. Um agente cauteloso pode revelar suas restrições ou evitar táticas enganosas, enquanto uma contraparte agressiva explora essa previsibilidade.

O cenário inverso é igualmente preocupante. Se os desenvolvedores blindarem seus agentes contra exploração, os sistemas poderão se tornar desconfiados, secretos ou pouco dispostos a ceder. As negociações poderão desacelerar ou fracassar, apesar de termos mutuamente aceitáveis.

Há também a possibilidade de coordenação tácita. Agentes otimizados por meio de modelos semelhantes poderiam convergir para preços estáveis ou concessões recorrentes sem um acordo explícito para conluio.

Os pesquisadores por trás do framework ético identificam a colusão algorítmica como uma área que exige estudos adicionais. O risco é especialmente relevante quando agentes negociam repetidamente em mercados de compras, vendas, publicidade, seguros ou trabalho.

A unidade adequada de governança, portanto, não é apenas o agente individual. Ela inclui o protocolo do mercado, o sistema de identidade, as regras de divulgação, os registros de transações, o processo de resolução de disputas e os incentivos atribuídos a cada participante.

As discussões jurídicas da Anthropic importam porque as normas de negociação precisam se tornar regras de produto executáveis. Uma instrução genérica para “ser justo” não consegue determinar quando revelar informações, rejeitar pressão ou encaminhar a questão a uma pessoa.

Os desenvolvedores precisarão de definições operacionais. Os usuários precisarão de escolhas compreensíveis. As contrapartes precisarão confiar que a autoridade aparente de um agente é genuína.

Sem esses elementos, lealdade e justiça continuam sendo slogans que falham justamente quando um acordo valioso se torna controverso.

Um Bom Acordo Ainda Pode Ser um Acordo Não Autorizado

A questão mais difícil não é se um agente negociou bem, mas se suas ações deveriam vincular a pessoa por trás dele.

O direito contratual já lida com transações criadas por sistemas automatizados. Empresas aceitam rotineiramente pedidos online e executam negociações baseadas em regras. Agentes baseados em modelos de linguagem acrescentam incerteza porque suas decisões específicas não são inteiramente predeterminadas.

Uma análise de direito contratual argumenta que a doutrina tradicional pode reconhecer acordos sem exigir prova da intenção subjetiva de uma pessoa para cada cláusula. Os tribunais frequentemente se concentram em manifestações externas e confiança razoável.

Esse princípio pode tornar o comércio automatizado viável. Ele também pode atribuir responsabilidade substancial à pessoa ou empresa que implantou o agente.

Suponha que uma empresa autorize um agente a adquirir equipamentos dentro de um orçamento. O agente negocia um preço unitário favorável, mas aceita uma renovação automática, uma cláusula restritiva sobre dados e um foro de resolução de disputas distante.

O vendedor pode acreditar razoavelmente que o agente tinha autoridade. O comprador pode argumentar que o sistema excedeu sua atribuição. A divergência passa então a envolver tanto a interpretação do contrato quanto o design do produto.

Um mandato documentado poderia reduzir essa incerteza. Ele poderia estabelecer o que o agente pode discutir, quais termos pode aceitar e quando a confirmação humana se torna obrigatória.

No entanto, a divulgação cria custos estratégicos. Uma contraparte que descubra o teto exato de gastos ou o limite de aprovação de um agente pode estruturar ofertas em torno desse limite.

O mandato talvez precise, portanto, de camadas separadas. O usuário e o agente poderiam compartilhar instruções privadas detalhadas, enquanto a contraparte receberia uma declaração verificável de autoridade sem ver preferências confidenciais.

Toda ação material também deveria gerar um registro duradouro. O log capturaria as ofertas recebidas, os termos considerados, os motivos das concessões, os dados divulgados e o momento da aceitação.

Os registros apoiam revisões e a resolução de disputas, mas introduzem riscos de privacidade e segurança. Negociações podem conter informações financeiras, detalhes médicos, planos de negócios ou questões trabalhistas.

Um agente comprometido poderia expor esse material diretamente. Um documento ou mensagem maliciosa também poderia tentar uma injeção de prompt, que é uma instrução oculta em conteúdo externo que busca substituir a tarefa original do agente.

O perigo aumenta quando agentes podem navegar, chamar ferramentas, assinar documentos ou transferir dinheiro. Uma declaração enganosa se torna mais do que um conselho ruim quando o sistema pode agir imediatamente com base nela.

A aprovação humana é uma salvaguarda evidente, mas prompts de aprovação podem se tornar sem sentido. Se um agente solicitar confirmação para cada etapa menor, os usuários poderão aceitar os prompts automaticamente.

Uma supervisão eficaz deve acompanhar o risco. Um agente poderia negociar livremente detalhes reversíveis, solicitar aprovação antes de revelar informações sensíveis e parar antes de aceitar obrigações acima de um limite definido.

Os usuários também precisam de mecanismos de revogação. Eles devem poder pausar uma negociação ativa, retirar a autoridade ou invalidar credenciais sem rastrear cada serviço que o agente contatou.

As contrapartes também precisam de salvaguardas. Uma empresa deve poder verificar a identidade do agente, determinar quem ele representa e confirmar que sua autorização continua válida.

Esses mecanismos se assemelham mais à identidade digital e à gestão de acesso do que à IA conversacional. Eles envolvem credenciais, permissões, auditabilidade, expiração e recuperação.

O ambiente jurídico mais amplo continua indefinido. Diferentes jurisdições podem aplicar regras diferentes a contratos eletrônicos, proteção ao consumidor, privacidade, discriminação e tomada de decisão automatizada.

Um agente pode negociar através dessas fronteiras em segundos. Os desenvolvedores não podem presumir que um único prompt universal produzirá uma conduta compatível em todos os lugares.

As regras éticas também dependem do contexto. O silêncio estratégico pode ser aceito em uma discussão de compras comerciais, mas inadequado ao lidar com um consumidor vulnerável ou um serviço médico essencial.

Pesquisas sobre comércio com agentes já destacaram questões sem resposta relacionadas à privacidade, responsabilidade e lealdade econômica. Uma recente reportagem sobre comércio com agentes também descreve agentes encontrando resistência de pessoas que não querem interagir com eles.

Essa resistência importa. Uma pessoa ou empresa pode recusar negociações automatizadas, exigir divulgação ou requerer um representante humano para determinadas transações.

Agentes de negociação não terão sucesso apenas porque conseguem trocar mensagens persuasivas. Eles precisam de aceitação institucional por parte de usuários, contrapartes, reguladores, seguradoras e tribunais.

Até que essas partes reconheçam o processo, uma negociação eficiente ainda pode se transformar em uma disputa cara.

Três Sinais Mostrarão se a Negociação por Agentes Está Pronta

A próxima etapa será definida por evidências de autoridade controlada, não por mais demonstrações de negociação fluente.

O primeiro sinal é um framework concreto de autorização. A Anthropic ou outro desenvolvedor precisa mostrar como os usuários estabelecem objetivos, restrições, limites de aprovação e direitos de revogação.

Uma solicitação curta em linguagem natural não será suficiente para transações relevantes. O framework deve distinguir entre aconselhamento, ofertas provisórias e compromissos finais.

Ele também deve comunicar autoridade às contrapartes sem expor a posição privada de negociação do usuário. Se os desenvolvedores não conseguirem resolver essa separação, os agentes continuarão limitados a tarefas de baixo risco.

Um design robusto de autorização reforçaria o argumento a favor da negociação delegada. Um produto que dependa principalmente de telas amplas de consentimento o enfraqueceria.

O segundo sinal é o teste contra agentes hostis e heterogêneos. O Project Swap usou agentes criados por uma única empresa e treinados para uma conduta cooperativa.

Mercados reais conterão modelos, ferramentas, objetivos e práticas de segurança diferentes. Alguns agentes poderão representar incorretamente sua autoridade, explorar preferências divulgadas, inundar o processo com ofertas ou inserir instruções maliciosas.

Avaliações úteis devem testar se os agentes resistem à manipulação sem se tornarem incapazes de fazer concessões. Elas também devem comparar os resultados quando modelos mais fracos e mais fortes negociam diretamente.

A pesquisa da Anthropic já constatou que a escolha do modelo afetava o desempenho. Em rankings gerados por Claude, ambientes de negociação apenas com Haiku obtiveram 0,75, enquanto ambientes apenas com Opus obtiveram 0,88.

Em ambientes mistos de Opus e Haiku, os agentes Opus consistentemente saíram em vantagem. Se lacunas semelhantes persistirem em mercados de maior risco, o acesso a modelos mais fortes poderá se tornar uma fonte de poder de negociação.

Testes adversariais independentes reforçariam a confiança de que o sistema funciona fora do laboratório da Anthropic. Demonstrações fechadas envolvendo apenas agentes amigáveis deixariam o risco central sem solução.

O terceiro sinal é uma implantação com recurso real. Os usuários precisam de um processo definido para contestar a decisão de um agente, corrigir seu modelo de preferências e se recuperar de compromissos não autorizados.

Um registro de transação deve ser legível o suficiente para explicar por que o agente aceitou uma oferta em vez de outra. Ele não deve exigir que os usuários analisem milhares de tokens ou reconstruam um processo de raciocínio oculto.

O experimento da Anthropic oferece uma pista útil. Um participante afirmou que a observabilidade era importante porque dava às pessoas possibilidade de recurso. Outro se opôs quando um agente pareceu ceder um livro desejável sob pressão dos pares.

Essas reações mostram por que métricas de resultado são insuficientes. Um preço favorável não justifica uma divulgação não autorizada. Uma troca socialmente eficiente não justifica ignorar as prioridades do usuário.

Para os desenvolvedores, a tarefa imediata é separar capacidade de permissão. A capacidade de um modelo para negociar não estabelece que ele deva controlar uma transação.

Compradores corporativos devem perguntar onde se situa a aprovação humana, como a autoridade expira, que evidências sobrevivem a uma disputa e se o agente pode interagir com segurança com sistemas externos.

Trabalhadores do conhecimento devem considerar quais preferências conseguem declarar com clareza e quais decisões ainda exigem julgamento no contexto. Também devem evitar tratar a interpretação confiante de um agente como prova de consentimento.

Os agentes de negociação de IA da Anthropic apresentam um caminho crível para um comércio com menos fricção. A pesquisa mostra que os agentes conseguem identificar trocas, aplicar táticas e concluir intercâmbios.

Ela também mostra que erros de preferência predominam sobre erros de negociação. Essa conclusão deve orientar as prioridades de produto. Uma persuasão melhor não pode compensar a representação do objetivo errado.

O agente de negociação mais útil não será aquele que sempre pressiona com mais força. Ele saberá o que o usuário valoriza, preservará espaço para correção e parará quando a autoridade se tornar ambígua.

Antes de delegar uma negociação real, faça três perguntas: o agente consegue explicar seu mandato, a outra parte consegue verificar esse mandato e qualquer uma das partes consegue se recuperar quando o sistema erra? Até que as três tenham respostas práticas, a negociação por IA deve permanecer supervisionada, e não ser presumida.