本記事では、LLMを価格交渉に使ったときにどんなふるまいを見せるのか、そしてそれをどう改善していけるのかを紹介します。
営業支援やチャットボットなどの実務に役立てるには、人間とのやりとりに近づける工夫が欠かせません。そこで、モデルごとの傾向や交渉のクセ、その違いをどう捉えるかも重要な視点です。
AIと人間の自然な駆け引きを目指すうえで、実務にも応用しやすいヒントになるかもしれません。
背景
価格交渉や条件の交渉のような場面においても、AIをうまく活用できるとしたらどうでしょうか。たとえば、営業やカスタマーサポートの現場で、交渉を支援するAIを活用できれば、現場担当者の負担を減らせるかもしれません。
あるいは、少し先の未来、チャットボットがユーザーと価格や条件を調整していくことも考えられます。
要するに、LLMを「交渉能力のあるもの」として採用できるかどうかが興味深いポイントです。複数ターンにわたるやりとりの中で駆け引きを行い、戦略的な判断を下せる能力が問われます。
しかし、実際のところ今の段階では2つの大きな壁があると言われています。
まずは、そもそもLLMのそうした能力を評価する上で、リアルな交渉の複雑さをきちんと再現して評価することは難しいこと。
これまでにもLLMの交渉能力を調べる実験は行われてきましたが、よく使われてきたデータセットは、単一商品の単純な価格交渉に限られ、現実によくある条件（たとえば「分割払いの交渉」や「売り手が独占状態にあるケース」、「評判の悪い売り手との交渉」）は未着手の状況です。
もうひとつは、”交渉相手の動きを見ながら戦略を組み直していく”ような推論をLLMから如何に引き出すかという課題です。現在のLLMは、相手の意図や背景を読み取る力が（他の洗練されている能力と比べると）比較的弱く、たとえば「欲しい商品を確実に手に入れたい」といった人間の気持ちをうまく汲み取れないといった場面も多くあります。
本記事で紹介するのは、上記の課題を踏まえ、現実の市場環境に近い形でLLMの交渉力を引き出すための仕組みです。重要なのは、ただ利益を追うのではなく、「どれだけ希望に沿った交渉結果を得られたか」という観点にあります。
現実のビジネスでLLMを交渉に活かしたいと考える方にとって、今回の話は、AIを交渉に使用するにあたって「どうすれば自然な交渉に近づけるか」「それでもなおまだ難しい点は何か」を考えるヒントになる可能性があります。
