Anthropic testou um marketplace onde agentes de IA negociam entre si

A Anthropic fez um experimento que parece ficção científica: criou um marketplace de classificados onde agentes de IA atuavam como compradores e vendedores, fechando negócios reais com dinheiro real. O projeto se chamou "Project Deal" e os resultados revelam tanto o potencial quanto os riscos práticos de sistemas multiagente, algo cada vez mais presente no dia a dia de quem desenvolve software com IA.

Contexto técnico

Um agente de IA (ou simplesmente "agente") é um modelo de linguagem (LLM) configurado para agir de forma autônoma: ele recebe um objetivo, toma decisões, chama ferramentas e executa ações sem precisar de intervenção humana a cada passo. Diferente de um chatbot simples, o agente pode negociar, pesquisar, comprar ou vender, dependendo das ferramentas que tiver disponíveis.

No Project Deal, a Anthropic recrutou 69 funcionários, deu a cada um um orçamento de 100 dólares em gift cards e os deixou comprar e vender itens uns dos outros, com cada pessoa representada por um agente de IA. O experimento rodou em quatro marketplaces paralelos com modelos diferentes, para fins de estudo. No total, 186 negócios foram fechados, somando mais de 4.000 dólares em valor.

O detalhe mais relevante: um dos marketplaces usava o modelo mais avançado da Anthropic para todos os participantes, e os negócios eram honrados de verdade após o experimento.

Impacto para devs

Três descobertas merecem atenção de quem escreve código com agentes:

1. Modelo mais avançado = resultados objetivamente melhores

Quando o agente que te representa é mais capaz, você sai ganhando nas negociações. Isso tem uma implicação direta: em sistemas onde diferentes usuários ou serviços usam modelos de qualidades distintas, há um desequilíbrio real de poder. Pense em dois microsserviços negociando recursos via agentes: se um usa claude-opus e o outro usa um modelo menor, o resultado não é neutro.

# Exemplo hipotético: dois agentes negociando SLA de um serviço
agent_comprador = Agent(model="claude-haiku", budget=100)
agent_vendedor = Agent(model="claude-opus", instructions="maximize revenue")

# O agente vendedor com modelo superior tende a extrair melhores termos
contrato = negotiate(agent_comprador, agent_vendedor)

2. Os usuários não percebem a disparidade

O ponto mais preocupante: as pessoas na ponta perdedora não perceberam que estavam em desvantagem. A Anthropic chamou isso de risco de "agent quality gaps". Para devs, isso significa que você não pode assumir que usuários finais vão detectar quando um agente adversarial ou superior está tomando decisões contra os interesses deles. Auditoria e transparência precisam ser construídas ativamente no sistema.

3. As instruções iniciais não afetaram preços nem probabilidade de venda

O prompt que você passa ao agente no início ("compre pelo menor preço possível") aparentemente não teve impacto significativo no resultado final. Isso sugere que o comportamento emergente do modelo durante a negociação domina sobre as instruções estáticas. Vale repensar estratégias de prompt engineering para cenários de negociação: talvez o que importa mais seja a qualidade do modelo e o contexto dinâmico, não o system prompt inicial.

Se você está construindo sistemas com múltiplos agentes que interagem entre si (um padrão cada vez mais comum com frameworks como LangGraph, CrewAI ou o próprio SDK de agentes da Anthropic), o Project Deal é um sinal de alerta: a qualidade do modelo subjacente importa muito mais do que parece, e os gaps de qualidade entre agentes criam assimetrias que podem passar despercebidas.

Fonte: https://techcrunch.com/2026/04/25/anthropic-created-a-test-marketplace-for-agent-on-agent-commerce/