Les grands modèles de langage reproduisent les stratégies humaines de négociation contractuelle dans les chaînes d’approvisionnement
DOSSIER LOGISTIQUE
Samuel N. Kirshner, Yiwen Pan, Jason Xianghua Wu et Alex Gould
Les capacités de négociation de l’intelligence artificielle s’apparentent à celles d’un être humain. Dans le cadre d’une étude, des chercheurs de l’Université de Nouvelle-Galles du Sud (Australie) et de l’Université de Zhejiang (Chine) ont mené plusieurs expériences impliquant différents systèmes d’IA agissant en tant que fournisseurs et détaillants, négociant des accords sur les prix et les quantités de produits. L’étude a révélé des comportements étonnamment humains. La principale différence étant que les machines concluent plus facilement un accord, ce qui pourrait améliorer l’efficacité des chaînes d’approvisionnement. Elles tendent toutefois à favoriser certaines parties au détriment d’autres.
Une chaîne d’approvisionnement comprend bien plus que des usines, des entrepôts et des moyens de transport. Elle comprend également des négociations portant non seulement sur les quantités achetées et les prix, mais aussi sur les risques encourus et le partage des bénéfices.
Depuis plusieurs années, les chercheurs étudient le comportement des individus dans les échanges financiers et la manière dont leurs décisions influencent le succès en logistique. Un accord repose autant sur des chiffres que sur des relations humaines : confiance, communication et rythme des échanges d’informations. De petits détails tels que les informations que chaque partie choisit de partager ou la rapidité de réponse à une offre peuvent influencer le résultat final.
L’automatisation des processus de négociation améliore la performance des chaînes d’approvisionnement
Jusqu’à récemment, les négociations étaient considérées comme impossibles à automatiser. Cependant, les grands modèles de langage (LLM) ont commencé à être intégrés dans ces processus. Grâce à leur capacité à raisonner, planifier et à s’adapter à différents contextes, les LLM peuvent s’engager dans des conversations complexes au cours desquelles des intérêts sont mis en balance et des stratégies mises en œuvre afin de conclure un accord.
L’étude sur les capacités de négociation de l’IA
Afin de déterminer à quel point les capacités de négociation des LLM au sein d’une chaîne d’approvisionnement sont comparables à celles des êtres humains, des chercheurs de l’Université de Nouvelle-Galles du Sud (Australie) et de l’Université de Zhejiang (Chine) ont mené une série d’expériences dans lesquelles des agents LLM jouaient les rôles de fournisseur et de détaillant.
« Nous nous sommes inspirés d’une expérience menée à l’université de Cornell et à l’université du Texas à Dallas, dans laquelle des groupes de détaillants et de fournisseurs négociaient les quantités et les prix sans connaître avec certitude la demande des produits. Pour notre étude, nous avons remplacé les humains par des agents intelligents. Nous avons comparé les échanges entre les LLM à ceux observés lors d’interactions humaines, et exploré différentes techniques pour améliorer les performances », expliquent les chercheurs, qui s’intéressent à la capacité de ces outils à reproduire ou à optimiser les dynamiques commerciales.
La recherche évalue la capacité de l’intelligence artificielle à négocier comme un humain dans la chaîne d’approvisionnement
Les LLM ont été regroupés en huit équipes de six agents (trois fournisseurs et trois détaillants). À chaque tour, les prix et les coûts ont été modifiés de manière aléatoire durant les délibérations. Après plusieurs tours, une moyenne a été calculée pour chaque indicateur, notamment les bénéfices et l’efficacité du système d’approvisionnement. Les résultats ont ensuite été comparés à ceux de l’étude originale menée auprès de participants humains.
Agent LLM, agent de négociation
L’apparition des grands modèles de langage est en train de transformer les méthodes de travail des entreprises. Même si leur utilisation est plus visible dans des domaines tels que le marketing ou le service client, ils s’imposent aussi dans d’autres secteurs grâce à leur capacité à automatiser les tâches et à soutenir la prise de décision.
L’un des développements les plus prometteurs réside dans leur utilisation dans les relations commerciales, notamment pour automatiser des flux de travail tels que les échanges avec les fournisseurs ou l’examen des documents juridiques. Pour ce type de processus, une intervention humaine limitée se traduit par une flexibilité et une efficacité accrues. Dans les applications les plus sophistiquées, les grands modèles de langage établissent les termes d’un contrat en toute autonomie avec d’autres agents intelligents.
« La performance des LLM en négociation repose en partie sur leur capacité à respecter les règles, à apprendre de leurs erreurs et à améliorer leurs stratégies à mesure qu’ils gagnent en expérience. Pour ce faire, ils s’appuient sur les informations issues de conversations précédentes », expliquent les auteurs de l’étude.
Néanmoins, les LLM doivent adopter un comportement compréhensible et cohérent, c’est-à-dire similaire à celui d’un être humain, pour conclure un accord. Cette exigence est particulièrement importante dans le domaine de la chaîne d’approvisionnement, car l’analyse de l’impact des informations échangées par les agents intelligents sur le résultat s’avère pertinente.
Une meilleure négociation des accords de la chaîne d’approvisionnement
Les tests réalisés dans le cadre de cette étude ont révélé que le comportement des LLM est largement similaire à celui des humains : dans les deux cas, des règles simples sont appliquées pour décider quand offrir et quand céder. Chez l’humain, ces décisions dépendent de l’expérience ou l’intuition. En revanche, la machine s’appuie sur des schémas de langage appris lors de son entraînement, afin de générer des réponses et d’appliquer des stratégies qui reproduisent un véritable échange commercial.
Les négociations menées avec des agents intelligents s’avèrent toutefois plus efficaces que celles menées uniquement entre personnes. Selon les chercheurs, cela s’explique par le fait que les intelligences artificielles « sont plus enclines à conclure un accord plutôt que de ne pas en conclure du tout ». Cette tendance serait liée à la manière dont les modèles d’IA sont entraînés, notamment grâce à l’apprentissage par renforcement à partir de la rétroaction humaine (Reinforcement Learning with Human Feedback, ou RLHF). Cette technique consiste à apprendre à l’IA à réagir de manière appropriée en récompensant les comportements positifs et conciliants plutôt que les comportements négatifs. Cela peut involontairement conduire les systèmes d’IA à adopter une attitude plus conciliante lors des négociations. Du point de vue de la gestion d’entreprise, les auteurs soulignent l’importance d’un contrôle stratégique de l’utilisation de ces agents intelligents dans des scénarios réels.
Selon les chercheurs, la préférence des LLM pour parvenir à un accord peut se traduire par une plus grande efficacité du réseau d’approvisionnement, même si cela ne bénéficie pas toujours de la même manière pour toutes les parties. Pour les entreprises qui choisissent d’intégrer des agents intelligents dans leurs chaînes d’approvisionnement, trouver un équilibre entre performance et répartition équitable des bénéfices est essentiel. Par ailleurs, la facilité des LLM à accepter un accord peut parfois entraîner des conditions plus avantageuses pour certaines parties.
Les négociations dans la supply chain impliquant des LLM se révèlent plus efficaces que celles menées par des humains
À ce stade de l’expérience, une autre question s’est posée : si les machines excellent dans la négociation, pourraient-elles également être manipulées ? L’étude suggère que, malgré le vaste débat sur les risques de tromperie des humains par l’IA, l’inverse est également possible, c’est-à-dire que tromper les agents intelligents peut compromettre l’équité des accords.
Bénéfices (%) obtenus par les fournisseurs lors des négociations au sein de la chaîne d’approvisionnement
Lorsque les coûts de production sont bas, la rentabilité des fournisseurs augmente. Mais lorsque les coûts augmentent, la marge se réduit, en particulier avec l’intervention de l’intelligence artificielle, puisque les LLM ont tendance à accepter des accords peu avantageux. Lorsque les deux parties partagent leurs informations sur les coûts, les humains et les IA négocient mieux. Cependant, les LLM nuisent à la productivité lorsque les chiffres sont gardés secrets.
Les LLM révolutionnent les accords commerciaux
Dans la chaîne d’approvisionnement de demain, les décisions commerciales ne reposeront plus uniquement sur l’intuition ou l’expertise humaine. L’intelligence artificielle s’impose comme un nouvel interlocuteur capable d’optimiser les résultats.
Les grands modèles de langage ouvrent la voie à de nouvelles possibilités d’automatisation des processus métier. « Avec la croissance des entreprises, la prise de décision gagne en complexité. Dans les grandes multinationales qui concluent des milliers de contrats, les agents LLM peuvent ainsi contribuer à améliorer les performances. Pour les start-ups, l’externalisation des négociations relatives à la chaîne d’approvisionnement permet de gagner du temps et de pallier le manque d’expérience », concluent les chercheurs.
Cette étude pose les bases nécessaires à la compréhension du rôle des LLM dans la gestion d’entreprise. Elle ouvre ainsi de nombreuses perspectives pour explorer davantage les capacités et les limites de l’IA dans l’automatisation des contrats et des processus commerciaux.
Auteurs de la recherche :
- Samuel N. Kirshner, professeur associé à l’École des systèmes d’information et de gestion des technologies de l’Université de Nouvelle-Galles du Sud, Australie.
- Yiwen Pan, docteur en économie, Faculté d’économie de l’université de Zhejiang Gongshang, Chine.
- Jason Xianghua Wu, professeur assistant au département des systèmes d’information et de la gestion des technologies de l’École de commerce de l’université de Nouvelle-Galles du Sud, Australie.
- Alex Gould, chercheur indépendant à Sydney, Australie.
Publication originale :
Kirshner, S, Pan, Y., Wu, X., Gould, A. Talking terms: Agent information in LLM supply chain bargaining. Decision Sciences (online version).