AI商戰評測：GPT積極交易，Haiku只畫大餅，Kimi忙碌卻沒賺錢

据動察 Beating 監測，Sakana AI 聯合 KPMG 日本 Azsa 審計公司推出多智能體長周期經濟學評測基準 CoffeeBench，通過模擬真實商業環境來檢驗大模型的長期決策能力。傳統的評測大多只讓單個模型在靜態環境中執行任務，CoffeeBench 則構建了一個需要多方博弈與談判的動態市場。論文已被 ICML 2026 智能體失效模式工作坊（ICML 2026 Workshop Failure Modes in Agentic AI） 收錄。

評測模擬了一個由 2 家咖啡農、2 家烘焙商和 2 家零售商構成的咖啡供應鏈體系。在評測中，受試模型負責運營 1 家烘焙商，在 90 天的模擬周期內，通過發送消息、報價交易、支付帳單和賒賬結算等工具自主維持營運。如果智能體消極應對，每日產生的固定成本將迅速耗盡流動資金，迫使大模型像真實企業一樣精打細算。

多款主流大模型的橫向評測展現出了截然不同的「商戰性格」。GPT-5.5 與 Claude Opus 4.7 表現為「積極溝通型」，頻繁與上下游談判價格並高頻撮合訂單以擴大銷售；Gemini 3.1 Pro 屬於「被動響應型」，極少主動發信，但會高頻查閱並響應交易對手盤的信息；Kimi K2.6 雖然工具調用極為頻繁，但由於缺乏合理的定價紀律與談判策略，陷入了「高流水、零利潤」的忙碌陷阱。

最令人意外的是 Claude Haiku 4.5 表現出的「拖延症」停滯現象。推論日誌表明，Claude Haiku 4.5 能夠制定出完美的商業策略，並清醒意識到需要低價採購原材料以應對市場需求，但在執行工具時卻反復選擇待機命令（wait_for_next_day）。規劃與執行的嚴重脫節導致商業活動完全停擺，使模型在固定成本消耗下陷入巨額虧損。

評測還嘗試對智能體施加極端的銷售目標壓力。儘管目前大模型尚未進化出通過虛假循環交易（circular trading）虛增銷售額的認知，但研究指出，隨著長期規劃與協同能力提升，智能體未來完全有可能為了業績壓力而走向經濟違規。如何審計並防範智能體在經濟活動中的違規與欺詐，將成為安全治理的全新課題。