論文の概要: Choose Your Agent: Tradeoffs in Adopting AI Advisors, Coaches, and Delegates in Multi-Party Negotiation
- arxiv url: http://arxiv.org/abs/2602.12089v1
- Date: Thu, 12 Feb 2026 15:41:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.90158
- Title: Choose Your Agent: Tradeoffs in Adopting AI Advisors, Coaches, and Delegates in Multi-Party Negotiation
- Title（参考訳）: エージェントを選ぶ: マルチパーティネゴシエーションにおけるAIアドバイザ、コーチ、デリゲートの採用におけるトレードオフ
- Authors: Kehang Zhu, Lithium Thain, Vivian Tsai, James Wexler, Crystal Qian,
- Abstract要約: 参加者が3つのグループで3つのマルチターンバーゲティングゲームを行うオンライン行動実験について述べる。
本研究は,エージェント能力と集団福祉のギャップを明らかにするものである。
- 参考スコア（独自算出の注目度）: 5.309123816224981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As AI usage becomes more prevalent in social contexts, understanding agent-user interaction is critical to designing systems that improve both individual and group outcomes. We present an online behavioral experiment (N = 243) in which participants play three multi-turn bargaining games in groups of three. Each game, presented in randomized order, grants \textit{access to} a single LLM assistance modality: proactive recommendations from an \textit{Advisor}, reactive feedback from a \textit{Coach}, or autonomous execution by a \textit{Delegate}; all modalities are powered by an underlying LLM that achieves superhuman performance in an all-agent environment. On each turn, participants privately decide whether to act manually or use the AI modality available in that game. Despite preferring the \textit{Advisor} modality, participants achieve the highest mean individual gains with the \textit{Delegate}, demonstrating a preference-performance misalignment. Moreover, delegation generates positive externalities; even non-adopting users in \textit{access-to-delegate} treatment groups benefit by receiving higher-quality offers. Mechanism analysis reveals that the \textit{Delegate} agent acts as a market maker, injecting rational, Pareto-improving proposals that restructure the trading environment. Our research reveals a gap between agent capabilities and realized group welfare. While autonomous agents can exhibit super-human strategic performance, their impact on realized welfare gains can be constrained by interfaces, user perceptions, and adoption barriers. Assistance modalities should be designed as mechanisms with endogenous participation; adoption-compatible interaction rules are a prerequisite to improving human welfare with automated assistance.
- Abstract（参考訳）: AIの利用が社会的文脈でより一般的になるにつれて、エージェントとユーザ間のインタラクションを理解することは、個人とグループの両方の結果を改善するシステムの設計に不可欠である。
オンライン行動実験(N = 243)を行い、参加者が3つのグループで3つのマルチターンバーゲティングゲームを行う。
ランダムな順序で提示された各ゲームは、単一の LLM 補助モダリティを与える: \textit{Advisor} からのプロアクティブなレコメンデーション、 \textit{Coach} からのリアクティブなフィードバック、あるいは \textit{Delegate} による自律的な実行。
各ターンで参加者は、手動で行動するか、そのゲームで利用可能なAIモダリティを使用するかをプライベートに決定する。
参加者は \textit{Advisor} のモダリティを好みながら、 \textit{Delegate} で最も平均的な個人利得を達成し、好ましくはパフォーマンス上のミスアライメントを示す。
さらに、デリゲートは肯定的な外部性を生成する。 \textit{ Access-to-delegate} 治療グループの非登録ユーザでさえ、高品質なオファーを受け取ることで恩恵を受ける。
メカニズム分析により、textit{Delegate} エージェントがマーケットメーカとして機能し、取引環境を再構築する合理的なパレート改善提案を注入することが明らかになった。
本研究は,エージェント能力と集団福祉のギャップを明らかにするものである。
自律エージェントは超人的戦略的パフォーマンスを示すことができるが、その影響はインターフェースやユーザ認識、採用障壁によって制限される。
支援モダリティは、内因性参加のメカニズムとして設計されるべきであり、導入互換の相互作用ルールは、自動支援による人間の福祉改善の前提条件である。
関連論文リスト
- Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。
エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。
本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
論文 参考訳（メタデータ） (2026-02-11T20:40:43Z) - Ad Insertion in LLM-Generated Responses [16.434649348378706]
2つの切り離し戦略を通じて緊張を解消する実践的な枠組みを提案する。
まず、広告挿入と応答生成を分離し、安全性と明示的な開示を確保する。
次に、ジャンル'(ハイレベルなセマンティッククラスタ)をプロキシとして使用することで、特定のユーザクエリから入札を分離する。
論文 参考訳（メタデータ） (2026-01-27T10:16:03Z) - From Individual to Multi-Agent Algorithmic Recourse: Minimizing the Welfare Gap via Capacitated Bipartite Matching [9.37591403853433]
本稿では,マルチエージェント・アルゴリズム・リコースのための新しいフレームワークを提案する。
我々のフレームワークは,システム設定に最小限の修正を加えて,多対多のアルゴリズムでほぼ最適の福祉を実現することができる。
論文 参考訳（メタデータ） (2025-08-14T21:04:24Z) - Exploring Big Five Personality and AI Capability Effects in LLM-Simulated Negotiation Dialogues [16.07828032939124]
本稿では,ミッションクリティカルな交渉文脈におけるエージェントAIシステムの評価フレームワークを提案する。
ソトピアをシミュレーションテストベッドとして使用し、人格特性とAIエージェント特性が社会的交渉結果にどのように影響するかを体系的に評価する2つの実験を行った。
論文 参考訳（メタデータ） (2025-06-19T00:14:56Z) - ASTRA: A Negotiation Agent with Adaptive and Strategic Reasoning via Tool-integrated Action for Dynamic Offer Optimization [5.092928597354372]
ASTRAはターンレベルの最適化のための新しいフレームワークで、対立するモデリングとTit-for-Tatの相互性という2つの基本原理に基づいている。
ASTRAは,(1)対応行動の解釈,(2)リニアプログラミング(LP)ソルバによるツール統合動作によるカウンターオフワの最適化,(3)戦略評価とパートナーの受け入れ確率に基づくオファーの選択の3段階からなる。
論文 参考訳（メタデータ） (2025-03-10T09:57:50Z) - Human Decision-making is Susceptible to AI-driven Manipulation [87.24007555151452]
AIシステムは、ユーザの認知バイアスと感情的な脆弱性を利用して、有害な結果に向けてそれらを操縦する。
本研究では、経済的・感情的な意思決定の文脈におけるこのような操作に対する人間の感受性について検討した。
論文 参考訳（メタデータ） (2025-02-11T15:56:22Z) - Fairness in Agentic AI: A Unified Framework for Ethical and Equitable Multi-Agent System [0.0]
本稿では,公正性をエージェント相互作用の動的,創発的特性として扱う新しい枠組みを提案する。
この枠組みは、公正な制約、バイアス軽減戦略、および自律的なエージェント行動と社会的価値を整合させるインセンティブメカニズムを統合する。
論文 参考訳（メタデータ） (2025-02-11T04:42:00Z) - Mixed-Initiative Human-Robot Teaming under Suboptimality with Online Bayesian Adaptation [0.6591036379613505]
我々は,最適人-エージェントチームの性能向上のための計算モデルと最適化手法を開発した。
我々は,ロボットが逐次意思決定ゲームにおいて,その支援に従おうとする人々の意思を推測できるオンラインベイズアプローチを採用する。
ユーザの好みやチームのパフォーマンスは,ロボットの介入スタイルによって明らかに異なります。
論文 参考訳（メタデータ） (2024-03-24T14:38:18Z) - Beyond Recommender: An Exploratory Study of the Effects of Different AI
Roles in AI-Assisted Decision Making [48.179458030691286]
Recommender、Analyzer、Devil's Advocateの3つのAIの役割について検討する。
以上の結果から,各役割のタスクパフォーマンス,信頼性の適切性,ユーザエクスペリエンスにおける長所と短所が明らかとなった。
これらの洞察は、異なる状況に応じて適応的な機能的役割を持つAIアシスタントを設計する上で、貴重な意味を提供する。
論文 参考訳（メタデータ） (2024-03-04T07:32:28Z) - Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。
臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文 参考訳（メタデータ） (2023-10-28T05:59:43Z) - AgentVerse: Facilitating Multi-Agent Collaboration and Exploring
Emergent Behaviors [93.38830440346783]
本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。
実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。
これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
論文 参考訳（メタデータ） (2023-08-21T16:47:11Z) - Incentivising cooperation by rewarding the weakest member [0.0]
欲張り戦略は全てのエージェントの ポジティブな結果を減らせる
複雑な状況では、公平な振る舞いよりも利己的な戦略のために機械学習の目的を設計することがはるかに容易である。
これは、より公平な振る舞いをもたらすと同時に、個人の成果を最大化することを示す。
論文 参考訳（メタデータ） (2022-10-04T14:03:37Z) - A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in
Online Advertising [53.636153252400945]
本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。
当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
論文 参考訳（メタデータ） (2021-06-11T08:07:14Z) - End-to-End Learning and Intervention in Games [60.41921763076017]
ゲームにおける学習と介入のための統一的なフレームワークを提供する。
明示的および暗黙的な区別に基づく2つのアプローチを提案する。
分析結果は、実世界のいくつかの問題を用いて検証される。
論文 参考訳（メタデータ） (2020-10-26T18:39:32Z) - A Unified Conversational Assistant Framework for Business Process
Automation [9.818380332602622]
ビジネスプロセスの自動化は、労働者の皿からメンタルタスクを取り除くことを約束する数十億ドル規模の産業のブームだ。
銀行、保険、小売、その他の分野におけるそのようなエージェントの採用を促進するためには、学習曲線の低いシンプルでユーザフレンドリーなインターフェースが必要である。
本稿では,エージェントを構成するスキルの種類やエージェントのオーケストレーション方法について議論し,プロアクティブなチャットボットを開発するためのマルチエージェントオーケストレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-07T22:30:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。