Nudge to Negotiate

In einem selbst entwickelten Python-Framework verhandeln zwei KI-Agenten – ein Buyer und ein Seller – über mehrere Runden eine Preisverhandlung. Beide Agenten basieren auf identischem Code und identischer Lernzeit. Einzig das Belohnungsumfeld (Reward-Architektur) des eigenen Agenten wird verändert. Durch diesen Nudge lernt der Agent gezieltes Tauschen statt pauschales Nachgeben – ohne die KI selbst zu verändern, sondern nur ihre Entscheidungsarchitektur (Thaler & Sunstein).

Akzeptieren Sie die Cookie Einstellung um Panopto Inhalte sehen zu können.

Panopto freischalten

Was bedeutet das Thema?

Mit der Weiterentwicklung von LLMs und autonomen KI-Agenten übernehmen erste Systeme bereits reale Verhandlungsaufgaben. Unternehmen wie Walmart und die Otto Group setzen KI-Agenten (Pactum AI) für autonome Lieferantenverhandlungen ein. Obwohl Sprachmodelle über Verhandlungswissen verfügen, verhandeln sie nicht optimal – sie geben zu gleichmäßig nach, erkennen keine Trade-offs und ignorieren ihre beste Alternative (BATNA). Gezielte Nudges in der Reward-Architektur können dieses Verhalten systematisch verbessern.

Ziel des Nudges

Ziel ist die Entwicklung eines KI-Verhandlungsagenten, der durch gezielte Nudges zu einem überlegenen Verhandlungsführer wird. Der Agent soll Gegner-Typen erkennen, clever über mehrere Themen tauschen (Logrolling), seine beste Alternative kennen (BATNA) und Strategien automatisch anpassen – messbar besser als ein nicht-genudgter Agent.

    Bedarfsanalyse

    • Suboptimales KI-Verhalten
      KI-Agenten verhandeln ohne Nudge mit pauschalen Konzessionsstrategien – Ergebnis: 32% Nutzen statt möglicher 66%.
    • Wachsender Markt
      Autonome KI-Verhandlung ist bereits Realität (Pactum AI, Walmart, Otto Group) – der Bedarf an optimierten Agenten steigt.
    • Fehlende Trade-off-Intelligenz
      Ohne Nudge erkennt die KI keine Unterschiede in der Wichtigkeit einzelner Verhandlungsthemen (Preis, Menge, Lieferzeit).
    • Kein BATNA-Bewusstsein
      Nicht-genudgte Agenten akzeptieren Deals, die schlechter sind als ihre beste Alternative – ein vermeidbarer Verlust.

    Ursachenanalyse

    • Status-quo-Bias

      KI-Agenten tendieren ohne gezielten Nudge dazu, ihre Standardstrategie beizubehalten, auch wenn Anpassung vorteilhafter wäre.

    • Anchoring

      Das erste Angebot setzt einen Anker, an dem sich beide Seiten orientieren. Ein genudgter Agent setzt diesen Anker bewusst zu seinem Vorteil.

    • Verlustaversion

      KI-Agenten ohne BATNA-Logik scheuen den Abbruch einer Verhandlung – obwohl kein Deal besser wäre als ein schlechter Deal.

    • Verfügbarkeitsheuristik

      Ohne Opponent Modeling bewertet der Agent Gegner-Verhalten nach dem zuletzt Beobachteten statt nach dem Gesamtmuster.

Die Zielgruppe

Unternehmen in Einkauf und Vertrieb, Procurement-Teams, Sales Manager:innen, Einkäufer:innen und Verhandlungsführer:innen, die KI-Agenten für autonome oder unterstützende Verhandlungen einsetzen möchten.

Mehrwert des Nudges

  • Messbar bessere Ergebnisse

    Von 32% auf 66% Nutzen – allein durch Anpassung des Belohnungsumfelds, ohne Code-Änderung am Agenten selbst.

  • Konkrete Kosteneinsparung

    Ca. €3.200 gespart pro Auftrag (Beispiel: 500 Messe-Shirts) durch cleveres Logrolling über Preis, Menge und Lieferzeit.

  • Generalisierbar & robust

    30 von 30 Szenarien erfolgreich abgeschlossen – der Ansatz funktioniert über verschiedene Verhandlungskonstellationen hinweg.

CONTACT US

Dilara Özbicerler

Dilara.oezbicerler@stud.hshl.de

Kenny Marcel Korte

Kenny-marcel.korte@stud.hshl.de

Leonie Klassen

Leonie.klassen@stud.hshl.de

René Hiller

Rene.hiller@stud.hshl.de