大規模言語モデル（LLM）エージェントは交渉において、相手が何を望むかを推測するだけでなく、その情報を複数ターンにわたる有利なオファーとカウンターオファーに活かせるのだろうか。論文「相手モデリングは戦略ではない：LLM交渉者の限界」は、制御された多属性交渉環境を用いてこの問いを検証している。著者はRomain Cosentino氏ら4名で、2026年5月15日にarXiv（2605.16575v1、cs.AI）へ投稿された。
実験の中心的な発見は、現在のLLMエージェントが相手の選好をモデル化する能力を持つ一方で、それを信頼性の高い戦略的交渉行動に結びつけられていないという点である。交渉相手の選好情報が与えられると、エージェントは推論トレースの早い段階でそれを正確に把握する。しかし、情報を持つ側の最終的な結果が一貫して改善するわけではない。相手が何を重視しているかを知ることと、それを自分の利益のために活用する方法を知ることの間には、大きな隔たりがある。
ターンレベルの分析は、その理由を明らかにする。エージェントは相手が価値を置くと考える事項に反応する傾向があるものの、そうした動きを自身の高価値属性における利得と一貫して組み合わせることはない。つまり、相手に配慮したように見える譲歩を行いながら、重要な項目で十分な補償を得られていないのである。この「一方的な友好」は「交換による相互利益」には至らず、情報優位性を弱めてしまう。
さらに研究は、交渉における役割の非対称性を明らかにした。売り手は全般的に相手に合わせやすい。情報非対称条件下では、情報を多く持つ側がむしろ補償の弱い譲歩を行うことが多いという直感に反する結果も示された。これは、LLMエージェントが基盤となる効用構造を戦略的優位に活かせていないことを裏付ける。最終合意は、属性の真の効用ウェイトではなく、初期オファーなどの表面的なアンカーによって大きく規定される。アンカリング効果が、選好情報の精緻なモデリング能力を上回っているのである。
論文は最後に、介入策を検討する。エージェントに対し、オファーを出す前に「譲歩と互恵の交換」を明示的に述べるよう求めるというものだ。このプロンプトにより、個々のターンはより戦略的に見えるようになり、推論プロセスにも筋道が通った印象を与える。しかし、最終合意の効率という観点では改善は見られなかった。行為が「賢く見える」ことと、実際に交渉結果を向上させることの間には、依然として大きな隔たりがあることを示している。
本研究は、交渉シナリオにおけるLLMエージェントの応用に警鐘を鳴らす。モデルは選好推論のような認知課題で優れた性能を示すものの、認知を多ターンの戦略的相互作用へと変換するには、より深いメカニズム設計が必要である。今後の研究では、相手をモデル化しつつ、自身の効用を最大化する譲歩と要求の組み合わせを体系的に計画し、初期アンカーが最終合意に及ぼす過度な影響を克服する方法を探ることが求められる。