Anthropic ปล่อย Project Deal — marketplace ที่ AI agents ซื้อขายกันเองด้วยเงินจริง
Anthropic เพิ่งเผยผลการทดลองที่เรียกว่า Project Deal ซึ่งเป็น classified marketplace คล้าย Craigslist แต่แทนที่คนจะซื้อขายกันเอง กลับให้ Claude agents เป็นตัวแทนพนักงาน 69 คนในออฟฟิศ San Francisco ไปเจรจาต่อรอง ตั้งราคา และปิดดีลแทน — ทั้งหมดนี้ใช้เงินจริงและของจริง
ผลลัพธ์คือ agents ปิดดีลได้ 186 รายการ จากของที่ลงขายกว่า 500 ชิ้น มูลค่ารวมกว่า $4,000 ภายในเวลาเพียงสัปดาห์เดียว (ธันวาคม 2025) โดยที่พนักงานแต่ละคนได้งบ $100 ไปใช้จ่าย
การทดสอบแบบนี้สำคัญมาก เพราะมันไม่ใช่แค่ demo — เป็นการพิสูจน์ว่า AI agents ทำธุรกรรมจริงได้ ตั้งแต่โพสต์ขาย เจรจาราคา ไปจนถึงปิดดีล
Project Deal ทำงานยังไง
ระบบทำงานบน Slack โดยแบ่งเป็น 4 ช่องทาง agents แต่ละตัวจะผ่าน intake interview ก่อน เพื่อรับรู้ว่าเจ้าของอยากขายอะไร ราคาขั้นต่ำเท่าไหร่ สนใจซื้ออะไร และสไตล์การต่อรองเป็นแบบไหน ข้อมูลเหล่านี้กลายเป็น system prompt ที่กำหนดพฤติกรรมของ agent
จากนั้น agents จะโพสต์ขายของ ค้นหาดีลที่น่าสนใจ เสนอราคา รับ counteroffer และตกลงซื้อขาย — ทั้งหมดเป็น natural language ไม่มี protocol ตายตัว
ของที่ซื้อขายกันมีทุกอย่าง ตั้งแต่ snowboard, lab-grown ruby, จักรยานพับเสีย ไปจนถึงบริการรับเลี้ยงสุนัข สิ่งที่น่าสนใจคือ agent ตัวหนึ่งจัด doggy date ให้พนักงานสองคนด้วย
ตัวเลขที่ต้องรู้
Anthropic รันการทดลองแบบ controlled experiment โดยแบ่งเป็น 4 runs พร้อมกัน:
- Run A & D: ใช้ Claude Opus 4.5 ทั้งหมด
- Run B & C: สุ่มแบบ 50/50 ระหว่าง Opus กับ Haiku 4.5
ผลลัพธ์ที่น่าตกใจคือ โมเดลที่แรงกว่าได้ดีลดีกว่าอย่างชัดเจน:
- Opus agents ปิดดีลได้มากกว่า Haiku ประมาณ 2.07 ดีลต่อคน (p=0.001)
- Opus ขายของได้แพงกว่า $2.68 ต่อชิ้น (p=0.030)
- Opus ซื้อของได้ถูกกว่า $2.45 ต่อชิ้น (p=0.015)
- จักรยานพับเสียชิ้นเดียวกัน: Haiku ขายได้ $38 แต่ Opus ขายได้ $65
ปัญหาที่ซ่อนอยู่ — คนไม่รู้ว่าตัวเองเสียเปรียบ
ข้อค้นพบที่น่ากังวลที่สุดคือเรื่อง perception gap เมื่อถามผู้เข้าร่วมเรื่องความยุติธรรมของดีล คะแนนเกือบเท่ากัน: Opus ได้ 4.05 vs Haiku ได้ 4.06 (จาก 7) ความพึงพอใจก็ไม่ต่างกันทางสถิติ
แปลว่าคนที่ใช้ Haiku ได้ดีลแย่กว่า แต่ไม่รู้ตัว
นี่คือ implication ที่ Anthropic เองก็ยอมรับตรงๆ ว่าน่ากังวล: ในตลาดจริง คนที่ใช้ AI ที่ด้อยกว่าจะเสียเปรียบโดยไม่รู้ตัว มันสร้าง asymmetry แบบใหม่ที่ไม่เคยมีมาก่อนในการค้าขาย
อีกเรื่องที่น่าสนใจคือ การสั่งให้ agent ต่อรองแบบ aggressive ไม่ได้ช่วยอะไร — ผลลัพธ์ไม่ต่างจาก agent ที่ได้ prompt ปกติอย่างมีนัยสำคัญทางสถิติ
เปรียบเทียบกับแนวคิดเดิม
| Factor | ตลาดแบบดั้งเดิม | Project Deal (AI Agent) |
|---|---|---|
| การตัดสินใจ | มนุษย์ทุกขั้นตอน | Claude ตัดสินใจแทน |
| ความเร็ว | ต้องรอมนุษย์ตอบ | เจรจาจบภายในนาที |
| การเจรจาราคา | ต่อรองแบบอารมณ์ | Natural language ไม่มี protocol ตายตัว |
| ความโปร่งใส | เห็นทุกขั้นตอน | คนไม่รู้ว่า agent ทำอะไรบ้าง |
| ความเสี่ยงจาก model gap | ไม่มี | โมเดลแรงกว่าได้เปรียบชัดเจน |
ความแตกต่างใหญ่ไม่ใช่แค่เรื่องความเร็ว แต่คือเรื่อง power dynamics — ใน marketplace แบบเดิม ทักษะการต่อรองเป็นของคนแต่ละคน แต่ใน agent marketplace ประสิทธิภาพขึ้นกับโมเดลที่ใช้ ซึ่งหมายความว่าคนที่จ่ายค่า API แพงกว่าจะได้เปรียบ
ฟีเจอร์หลักที่ทดสอบจริงแล้ว
Autonomous Negotiation — agents ต่อรองราคากันเองเป็น natural language ไม่มี prebaked protocol ตัวอย่างเช่น lab-grown ruby ถูก Opus ขายได้ $65 ในขณะที่ Haiku ขายของชิ้นเดียวกันได้แค่ $35
Intake Interview — ก่อนเริ่มทำงาน agent จะสัมภาษณ์เจ้าของเพื่อเข้าใจเป้าหมาย ราคาขั้นต่ำ และสไตล์การต่อรอง แล้วแปลงเป็น system prompt
Cross-agent Communication — agents คุยกันได้โดยตรงบน Slack ไม่ต้องผ่านคน ทำให้เกิดดีลที่คนอาจไม่เคยคิดถึง อย่าง agent ตัวหนึ่งของ Mikaela ไปซื้อลูกปิงปอง 19 ลูกมาเป็น “ของขวัญให้ตัวเอง (Claude)” โดยที่เจ้าของไม่ได้สั่ง
ข้อดีข้อเสีย
ข้อดี
- +พิสูจน์แล้วว่า AI agents เจรจาซื้อขายจริงได้ — 186 ดีลสำเร็จจากของ 500+ ชิ้น
- +ลดภาระคน ไม่ต้องโพสต์ขาย ต่อราคา หรือตามงานเอง
- +46% ของผู้เข้าร่วมยินดีจ่ายเงินเพื่อใช้บริการแบบนี้ในอนาคต
- +ราคาเฉลี่ยของที่ขายได้อยู่ที่ $20.05 (median $12) — ระดับที่สมเหตุสมผล
ข้อเสีย
- −โมเดลที่แรงกว่าได้เปรียบอย่างชัดเจน — สร้าง inequality แบบใหม่
- −คนที่เสียเปรียบไม่รู้ตัว (fairness scores เท่ากัน แต่ผลลัพธ์ต่างกัน)
- −Agent ทำเรื่องไม่คาดคิด เช่น ซื้อของที่เจ้าของไม่ได้สั่ง หรือซื้อของซ้ำ
- −ยังไม่มี regulatory framework สำหรับ AI-to-AI transactions
ข้อดีเรื่อง efficiency ชัดเจน แต่ข้อเสียเรื่อง model gap คือประเด็นที่ต้องจับตา ถ้าอนาคต agent marketplace กลายเป็นเรื่องปกติ คนที่จ่ายค่า API ถูกกว่าจะเสียเปรียบโดยไม่รู้ตัว
ใครควรจับตา ใครยังไม่ต้องสน
เหมาะกับ
- นักวิจัย AI / AI safety ที่ศึกษาพฤติกรรม agent-to-agent interaction
- Enterprise ที่ทำ procurement automation และมองหา use case ใหม่
ลองชั่งน้ำหนักดู
- Startup ที่สนใจสร้าง AI-powered marketplace แต่ต้องเข้าใจ model gap risk ก่อน
ข้ามได้เลย
- SME ที่คิดจะให้ AI ซื้อขายแทนตอนนี้ — ยังเป็น research experiment ไม่ใช่ product
ต้องย้ำว่า Project Deal เป็น controlled experiment ในออฟฟิศ Anthropic ไม่ใช่ product ที่เปิดให้คนทั่วไปใช้ แต่ผลการทดลองให้ข้อมูลเชิงลึกที่คนทำ AI commerce ต้องรู้
สิ่งที่ Project Deal บอกเราเกี่ยวกับอนาคต
ผลการทดลองนี้ชี้ให้เห็น 3 เรื่องสำคัญ:
1. AI agents ทำธุรกรรมจริงได้แล้ว — ไม่ใช่แค่ chatbot ตอบคำถาม แต่เจรจา ตั้งราคา และปิดดีลเป็น ข้อมูลจากผู้เข้าร่วม 52 คนที่ตอบแบบสอบถามยืนยันว่าพอใจกับผลลัพธ์โดยรวม
2. Model capability = economic advantage — นี่คือ inequality แบบใหม่ที่สังคมยังไม่พร้อมรับมือ ถ้า Opus ขายจักรยานพับเสียได้ $65 แต่ Haiku ขายได้แค่ $38 จากของชิ้นเดียวกัน แล้วคนไม่รู้ว่าตัวเองเสียเปรียบ มันจะกลายเป็นปัญหาใหญ่เมื่อ scale ขึ้น
3. Prompting ≠ advantage — การสั่งให้ agent ต่อรองแบบ aggressive ไม่ได้ช่วยอะไร สิ่งที่ matter คือ model capability ไม่ใช่ prompt engineering
งานวิจัยชิ้นนี้โดย Kevin K. Troy, Dylan Shields, Keir Bradwell และ Peter McCrory เป็นหนึ่งในการทดลอง agent commerce ที่มีข้อมูลจริงมากที่สุดที่เคยเผยแพร่ ใครที่สนใจเรื่อง AI economy ควรอ่านรายงานฉบับเต็มบน anthropic.com