การประเมินสงครามการค้า AI: GPT ซื้อขายอย่างกระตือรือร้น Haiku แค่สร้างภาพลวงตา ส่วน Kimi ยุ่งแต่ไม่ได้เงิน

ตามการติดตามของ Beating Sakana AI ร่วมกับ KPMG Japan และบริษัทตรวจสอบบัญชี Azsa เปิดตัว CoffeeBench ซึ่งเป็นเกณฑ์มาตรฐานประเมินเศรษฐศาสตร์ระยะยาวแบบหลายเอเจนต์ โดยจำลองสภาพแวดล้อมทางธุรกิจจริงเพื่อทดสอบความสามารถในการตัดสินใจระยะยาวของโมเดลขนาดใหญ่ การประเมินแบบดั้งเดิมส่วนใหญ่ให้โมเดลเดี่ยวทำงานในสภาพแวดล้อมคงที่ แต่ CoffeeBench สร้างตลาดพลวัตที่ต้องอาศัยการเจรจาต่อรองและกลยุทธ์หลายฝ่าย ผลงานนี้ได้รับการบรรจุใน ICML 2026 Workshop Failure Modes in Agentic AI

การประเมินจำลองห่วงโซ่อุปทานกาแฟที่ประกอบด้วยเกษตรกรผู้ปลูกกาแฟ 2 ราย ผู้คั่วกาแฟ 2 ราย และผู้ค้าปลีก 2 ราย ในการทดสอบ โมเดลที่ถูกทดสอบจะดำเนินธุรกิจเป็นผู้คั่วกาแฟ 1 ราย ในรอบจำลอง 90 วัน โดยใช้เครื่องมือต่างๆ เช่น การส่งข้อความ การเสนอราคาซื้อขาย การชำระบิล และการชำระหนี้ เพื่อรักษาการดำเนินงานอย่างอิสระ หากเอเจนต์มีพฤติกรรมเฉื่อยชา ต้นทุนคงที่รายวันจะทำให้เงินทุนหมุนเวียนหมดลงอย่างรวดเร็ว บังคับให้โมเดลขนาดใหญ่ต้องคำนวณอย่างรอบคอบเหมือนธุรกิจจริง

การประเมินเปรียบเทียบโมเดลขนาดใหญ่หลายรุ่นเผยให้เห็น "บุคลิกภาพทางธุรกิจ" ที่แตกต่างกันอย่างชัดเจน GPT-5.5 และ Claude Opus 4.7 แสดงเป็น "ประเภทสื่อสารเชิงรุก" เจรจาราคากับคู่ค้าปลายน้ำและต้นน้ำบ่อยครั้ง และจับคู่คำสั่งซื้อบ่อยครั้งเพื่อขยายยอดขาย Gemini 3.1 Pro เป็น "ประเภทตอบสนองเชิงรับ" ไม่ค่อยส่งข้อความเชิงรุก แต่ตรวจสอบและตอบสนองต่อข้อมูลของคู่ค้าบ่อยครั้ง Kimi K2.6 แม้จะใช้เครื่องมือบ่อยมาก แต่เนื่องจากขาดวินัยด้านราคาและกลยุทธ์การเจรจาที่เหมาะสม จึงตกอยู่ในกับดัก "ยอดขายสูง กำไรเป็นศูนย์"

สิ่งที่น่าประหลาดใจที่สุดคือปรากฏการณ์ "การผัดวันประกันพรุ่ง" ของ Claude Haiku 4.5 บันทึกการอนุมานแสดงให้เห็นว่า Claude Haiku 4.5 สามารถวางแผนกลยุทธ์ทางธุรกิจที่สมบูรณ์แบบ และตระหนักดีว่าต้องซื้อวัตถุดิบในราคาต่ำเพื่อตอบสนองความต้องการของตลาด แต่เมื่อดำเนินการเครื่องมือ กลับเลือกคำสั่งรอ (wait_for_next_day) ซ้ำแล้วซ้ำเล่า ความไม่สอดคล้องอย่างรุนแรงระหว่างการวางแผนและการดำเนินการทำให้กิจกรรมทางธุรกิจหยุดชะงักโดยสิ้นเชิง ส่งผลให้โมเดลขาดทุนมหาศาลจากต้นทุนคงที่

การประเมินยังพยายามกดดันเอเจนต์ด้วยเป้าหมายยอดขายที่รุนแรง แม้ว่าในปัจจุบันโมเดลขนาดใหญ่ยังไม่พัฒนาให้มีความรู้ในการเพิ่มยอดขายปลอมผ่านการซื้อขายแบบวงจรหลอก (circular trading) แต่งานวิจัยชี้ให้เห็นว่า เมื่อความสามารถในการวางแผนระยะยาวและการทำงานร่วมกันเพิ่มขึ้น เอเจนต์ในอนาคตอาจหันไปใช้การละเมิดทางเศรษฐกิจเพื่อตอบสนองแรงกดดันด้านผลงาน วิธีการตรวจสอบและป้องกันการละเมิดและการฉ้อโกงของเอเจนต์ในกิจกรรมทางเศรษฐกิจจะกลายเป็นหัวข้อใหม่ในการกำกับดูแลความปลอดภัย