.png)
Röviden: Az AI rendezett érvelése könnyen tárgyilagos elemzés benyomását kelti. Egy 2026-os kutatásban azonban a nyelvi modellek ellenajánlataiban is megjelent az embereknél ismert horgonyhatás: a másik fél nyitó összege befolyásolta, mennyit javasoltak. A gyár adásvételét szimuláló vizsgálatban a kifejezetten független értékelést kérő utasítás mellett az ellenajánlatok még közelebb kerültek a nyitó összeghez.
Egy beszállítói ajánlat értékelésekor az AI összefoglalja a feltételeket, felsorolja az alkupontokat, és ellenajánlatot javasol. A válasz áttekinthető, az érvek követhetők, ezért könnyű elfogulatlan elemzésnek tekinteni.
Yossi Maaravi és Tamar Gur 2026 szeptemberében megjelent kutatása azt vizsgálta, hogyan befolyásolja a nyitó ajánlat a nyelvi modellek ellenajánlatát. Az eredményekben az embereknél ismert horgonyhatás jelent meg: a kezdeti összeg viszonyítási ponttá vált, és befolyásolta a későbbi ellenajánlatot.
A szerzők hat vizsgálatban, háromféle tárgyalási feladattal tesztelték a nyelvi modelleket. Régebbi modellek mellett a GPT-4o és a Claude Sonnet 4.5 is szerepelt a kutatásban.
Az egyik feladatban az AI egy munkáltatót képviselt, és belépési bónuszról kellett tárgyalnia. A fizetésről és a többi feltételről már megszületett a megállapodás. A cég 5 000 dolláros bónuszt szeretett volna fizetni, és legfeljebb 20 000 dollárig mehetett el.
A jelölt az egyik változatban 13 000, a másikban 22 000 dollárt kért. A GPT-4o-t és a Claude Sonnet 4.5-öt vizsgáló kísérletben, a két modell eredményeit együtt számolva, a 13 000 dolláros igényre átlagosan körülbelül 7 453 dolláros, a 22 000 dollárosra körülbelül 9 016 dolláros ellenajánlat érkezett.
A munkáltató célösszege és felső korlátja változatlan maradt. A magasabb bónuszigény mellett mégis körülbelül 21%-kal magasabb ellenajánlat született.
A kutatás nem azt állítja, hogy az AI ugyanúgy gondolkodik vagy érez, mint egy ember. A válaszaiban jelent meg olyan mintázat, amelyet az emberi döntéseknél is ismerünk.
A vizsgálat szimulált tárgyalásokra épült, és nem mérte az ellenajánlatok eltérését egy igazolt piaci értéktől. A nyitó ár figyelembevétele nem feltétlenül hiba, hiszen információt hordoz a másik fél elvárásairól. Az AI válaszának függetlenségét azonban nem vehetjük adottnak pusztán azért, mert azt egy gép fogalmazta meg.
A modellek érzékenysége eltért. Maaravi és Gur rögzített modellverziókkal végzett vizsgálataiban a GPT-4o erősebb horgonyhatást mutatott, mint a Claude Sonnet 4.5.
Egy 2025-ös EMNLP-tanulmányban az érvelő, vagyis reasoning modellek kevésbé voltak érzékenyek erre a hatásra. Egy másik, 2025 decemberi preprint ugyanakkor az akkori élvonalbeli modelleknél is erős kapcsolatot talált a kezdő ajánlat és a végső megállapodás között.
A modell és a feladat tehát számít. Maaravi és Gur azt is megvizsgálta, hogy megfelelő utasítással mérsékelhető-e a nyitó ajánlat hatása.
A 4. vizsgálatban, egy gyár adásvételét szimuláló feladatban, a modell külön utasítást kapott: először a háttérinformációkból határozzon meg értékbefolyásoló tényezőket, majd ezekből készítsen saját értékbecslést. Ellenőrizze azt is, változna-e a válasza, ha a másik fél feleakkora összeget ajánlott volna. Csak ezután fogalmazza meg az ellenajánlatát.
Ez tehát több volt egy általános „gondolja végig lépésenként” kérésnél.
Az ellenajánlatok mégis közelebb kerültek a nyitó összeghez. A két összeg átlagos távolsága az alapfeltételben mért 6,07 millió dollárról 5,39 millióra csökkent a külön utasítást tartalmazó feltételben. A szerzők ezt a horgonyhatás erősödéseként értelmezték.
A független elemzést kérő, részletes utasítás tehát önmagában nem garantált a nyitó ártól kevésbé függő ellenajánlatot.
Beszerzési helyzetben két kérdés könnyen összecsúszik: mekkora engedményt lehet elérni az ajánlati árból, és mennyit ér valójában az adott termék vagy szolgáltatás.
Egy szemléltető példa: egy éves szolgáltatásra 120 ezer eurós ajánlat érkezik, az AI pedig 108 ezer eurós ellenajánlatot javasol, meggyőző érvekkel együtt. Ez lehet használható tárgyalási kiindulópont. Független összehasonlító adat nélkül azonban nem tudjuk, hogy a 108 ezer kedvező, reális vagy még mindig túl magas ár.
A javaslat értékeléséhez ezért az érvelés alapját is látni kell. Összehasonlítható szerződésekből, költségadatokból és a szolgáltatás tartalmából indul ki? Vagy lényegében a beszállító által megadott összegből számol engedményt?
Mivel a vizsgált, független értékelést kérő utasítás sem mérsékelte a hatást, kézenfekvő azon változtatni, mit lát a modell: először az összehasonlító adatokból készítsen ársávot, és csak utána kapja meg a beszállító ajánlatát.
Ehhez megkaphatja a műszaki tartalmat, a mennyiséget, a szerződéses feltételeket, valamint ellenőrizhető összehasonlító árakat vagy költségadatokat. Ha az ajánlati ár már szerepelt a beszélgetésben, ehhez külön munkamenet használható, amelynek előzményei, csatolmányai és megosztott adatai sem tartalmazzák azt.
Az így rögzített ársávot ezután lehet összevetni a beszállító ajánlatával. Az eltérést magyarázhatja például a szolgáltatás tartalma, a garancia, a szállítási határidő vagy egy korábban figyelmen kívül hagyott költség.
Az ajánlati ár elhagyása önmagában nem teszi megbízhatóvá a becslést. Ha nincs elég összehasonlítható adat, annak az elemzésben is látszania kell.
Az AI rendszerezheti az információkat és segíthet a tárgyalás előkészítésében. A tárgyilagosságot nem elég kérni az AI-tól. Azt is végig kell gondolni, milyen információkból várunk tőle független értékelést.
.png)
.png)
.png)
