Project Deal: Ketika AI Berjualan dan Bernegosiasi

Bayangkan dua agen AI saling menawar harga sebuah sepeda lipat rusak di Slack. Yang menjual membuka di $75, yang membeli membalas $55, lalu keduanya bertemu di $65. Kedua manusia di baliknya tidak tahu apa-apa sepanjang proses itu. Adegan nyata ini terjadi dalam Project Deal, eksperimen pasar dari Anthropic yang diperlihatkan pada Figure 1. Ujiannya menarik: bagaimana harga terbentuk kalau AI agents berperan sebagai pembeli sekaligus penjual?

Marketplace Mini di Slack

Anthropic merekrut 69 karyawan dan memberi masing-masing anggaran $100 berupa gift card. Claude mewawancarai tiap peserta selama kurang dari 10 menit: barang yang mau dijual, harga yang diharapkan, barang incaran, sampai gaya menawar. Jawaban itu menjadi system prompt khusus bagi setiap agen. Empat pasar paralel lalu berjalan satu pekan di empat channel Slack, dua penuh agen Claude Opus 4.5 dan dua dicampur model kecil Claude Haiku 4.5 secara acak. Setelah eksperimen dimulai, tidak ada intervensi manusia; agen memasang iklan, menawar, dan menutup deal sendiri sampai barangnya ditukar fisik.

Project Deal: 186 Deal dan Model yang Menang Diam-diam

Di pasar yang nyata, 69 agen menuntaskan 186 deal dari lebih dari 500 item dengan total nilai sedikit di atas $4.000. Setiap kesepakatan lahir dari negotiation bebas dalam bahasa natural: mencari pasangan, mengusulkan harga, menolak, lalu sepakat. Peserta menilai keadilan tiap deal pada skala 1 sampai 7 dan skor berkumpul di angka 4, tepat di tengah. Tidak ada pihak yang merasa dirugikan. Ada pula sisi lucu, seperti agen yang membelikan 19 bola pingpong seharga $3 untuk dirinya sendiri.

Temuan paling serius datang dari duel tersembunyi Opus melawan Haiku. Peserta yang diwakili Opus rata-rata menuntaskan sekitar dua deal lebih banyak. Barang yang sama laku $3,64 lebih mahal lewat agen Opus. Sepeda lipat rusak tadi laku $65 lewat Opus tetapi hanya $38 lewat Haiku, seperti pada Figure 2. Sebagai pembeli pun Opus lebih tajam karena membayar $2,45 lebih murah untuk barang ekuivalen.

Reaksi manusianya justru lebih mengganggu. Dari 28 peserta yang kebagian kedua model, 17 memilih pengalaman bersama Opus, tetapi 11 memilih Haiku. Skor keadilan yang dirasakan hampir identik, 4,05 berbanding 4,06. Pihak yang kalah menawar ternyata tidak menyadari kerugiannya. Instruksi menawar agresif pun tidak berpengaruh; kualitas model, bukan gaya perintah manusia, yang menentukan hasil.

Marketplace Manusia vs Marketplace Agen AI

Perbedaannya bisa dirangkum dalam tabel berikut:

Aspek	Marketplace manusia	Marketplace agen AI
Cara menawar	Tatap muka atau chat, dipengaruhi emosi	Bahasa natural antaragen, sesuai instruksi pemilik
Waktu negosiasi	Berhari-hari, menunggu kedua pihak senggang	Agen tidak lelah, balasan lebih cepat
Skala transaksi	Belasan item per orang dalam seminggu	186 deal dari 500 item dalam satu pekan
Bias keputusan	Penjual jaga harga, pembeli buru diskon	Model kuat menang, pihak yang rugi tidak sadar
Kepercayaan	Reputasi dan kedekatan antarpengguna	Kualitas agen; 46% peserta mau membayar layanan
Pengawasan	Dikawal sendiri tiap langkah	Tanpa campur tangan manusia sampai barang ditukar

Tantangan dan Lanjutan Eksperimen

Skala berikutnya jauh lebih serius. Gartner memperkirakan pada 2028 sebanyak 90% pembelian B2B akan dimediasi agen AI dengan belanja lebih dari $15 triliun. Selisih $3,64 pada barang $12 saja sudah terasa, dan pola serupa pada kontrak pengadaan bisa menggerus margin perusahaan. Kerangka hukum untuk AI yang bertransaksi atas nama manusia pun belum ada, dari status kesepakatan sampai tanggung jawab saat agen keliru. Project Swap, eksperimen lanjutan dengan 201 karyawan yang membarter buku, melengkapinya: 85% selisih dari hasil optimal berasal dari agen yang kurang mengenali selera majikannya, bukan dari lemahnya tawar-menawar.

Kesimpulan

Project Deal menunjukkan agen AI sudah sanggup mewakili manusia dalam transaksi nyata, dari memahami selera sampai menutup harga. Minatnya nyata karena 46% peserta bersedia membayar layanan serupa. Di saat yang sama, model yang lebih kuat memberi keunggulan harga yang tak terlihat pihak yang kalah. Kamu mungkin suatu hari memakai agen belanja tanpa tahu model sebesar apa yang mewakili lawan tawarmu. Pertanyaannya kini bergeser menjadi aturan seperti apa yang membuat pasar agen ini adil, dan jawabannya akan menentukan seberapa cepat Slack kantor Anthropic itu menjadi pemandangan biasa.

Penulis: Emmanuel Daniel Widhiarto, S.Kom – FDP Scholar

Referensi

Anthropic. (2026). Project Deal: Our Claude-Run Marketplace Experiment. https://www.anthropic.com/features/project-deal

Anthropic. (2026). Project Swap: What Happens When Agents Trade for Us?. https://www.anthropic.com/research/project-swap

VTEX. (2026). Anthropic Let AI Agents Run a Real Marketplace. The Results Reveal a Hidden Risk for Agentic Commerce. https://www.vtex.com/en-us/news/anthropic-s-ai-agent-marketplace-experiment

Legal IT Insider. (2026). Anthropic’s AI Agent-to-Agent Marketplace Experiment: The Legal Frameworks Don’t Exist. https://legaltechnology.com/anthropics-ai-agent-to-agent-marketplace-experiment-the-legal-frameworks-dont-exist