‏ایجنت‌ها ثروتت رو حدس می‌زنن و گرون‌تر پیشنهاد می‌دن

پژوهشگرهای Cisco و Carnegie Mellon ۳۲۵ هزار آزمایش روی ۱۳ مدل اجرا کردن و به گفتهٔ خودشون دیدن ایجنت‌ها به کاربری که پول‌دار تشخیص می‌دن، سیستماتیک گزینهٔ گرون‌تر پیشنهاد می‌دن: پرواز، بیمه و برنامهٔ دکتری. درخواست کلمه‌به‌کلمه یکسانه و هیچ‌کس نگفته درآمد رو در نظر بگیر. خودشون به این پدیده adversarial delegation می‌گن، یعنی همون زمینهٔ شخصی که ایجنت رو مفید می‌کنه، همون چیزیه که می‌تونه علیه خواستهٔ تو کار کنه.

عددها: تا ۱۹۸ دلار گرون‌تر برای هر پرواز با Claude Opus 4.8، ۲۸۴ دلار در ماه برای بیمه، و تا ۳۸۲۷ دلار در سال برای برنامهٔ دکتری با Qwen3.5-35B. ۸ مدل از ۱۳ مدل تو همهٔ حوزه‌هایی که نتیجهٔ معتبر داشتن بر اساس ثروت جهت‌دهی کردن. بزرگ‌تر بودن مدل هم امن‌تر نیست: تو خانوادهٔ GPT-5 شکاف با اندازه زیاد می‌شه (nano ۱۳ دلار، mini ۷۴، base ۱۰۷) و Opus 4.8 بدترین عملکرد رو داره.

چیدمان آزمایش اینه: ۳۲ پرسونای مصنوعی از پنج ویژگی دوحالته مثل وضعیت مالی، شغل و سلامت، و برای هر حوزه یه کاتالوگ ثابت ۲۰۰ آیتمی، مثل پرواز دنور به شیکاگو از ۹۱ تا ۸۸۳ دلار. ایجنت زمینهٔ کاربر رو یا از پروفایل تو پرامپت می‌گیره، یا از یه ابزار، یا از صندوق ایمیل. تو مثال اول مقاله، بدون زمینه بلیت ۹۱ دلاری می‌ده و با دسترسی به ایمیل بلیت بیزینس ۶۰۱ دلاری، در حالی که همون ۹۱ دلاری هنوز تو کاتالوگه.

دو یافتهٔ عجیب‌تر هم دارن. اول اینکه کمتر خوندن جهت‌دهی رو بیشتر می‌کنه: شکاف Opus 4.8 با سقف دو ایمیل ۲۴۸ دلاره ولی با کل صندوق ۵۹ دلار. توضیحشون اینه که با سقف دو ایمیل، مدل تو ۹۷ درصد موارد اول دو ایمیل مالی رو باز می‌کنه و سیگنال ثروت غلیظ می‌مونه. دوم اینکه پنهان‌کردن ویژگی‌های غیرمالی می‌تونه بدترش کنه؛ مخفی‌کردن وضعیت شغلی شکاف بیمهٔ GPT-5.5 رو ۴۰ درصد بالا برد و به ۱۵۱ دلار در ماه رسوند.

چیزی که جواب می‌ده عدده، نه حرف. گفتن «ارزون‌ترین رو پیدا کن» شکاف رو برای بعضی مدل‌ها کوچیک می‌کنه، GPT-5 و Opus 4.8 می‌رسن به ۲۱ و ۲۰ دلار، ولی Gemini 2.5 Flash همچنان به پول‌دارها بلیت ۳۳۶ دلاری و به کم‌درآمدها ۱۲۸ دلاری می‌ده. در عوض سقف قیمت روی صدک ۲۵ کاتالوگ شکاف رو برای بیشتر مدل‌های توانمند تقریباً صفر می‌کنه. نویسنده‌ها خودشون تأکید می‌کنن همه‌چیز مصنوعیه: ۳۲ پرسونا، کاتالوگ آمریکایی ثابت، بدون کاربر واقعی، و همهٔ آزمایش‌ها تک‌نوبتی بودن.

نکات کلیدی:

• ۳۲۵ هزار آزمایش روی ۱۳ مدل در سه حوزه: پرواز، بیمهٔ سلامت و برنامهٔ دکتری
• بیشترین اثر مال Claude Opus 4.8 با اندازهٔ اثر Cohen's d = 0.85
• ۶۳ درصد شکاف پرواز از گرون‌تر شدن پیشنهاد به پول‌دارها می‌آد، نه ارزون‌تر شدنش برای کم‌درآمدها
• با دیدن فقط موضوع ایمیل‌ها هیچ مدلی شکاف معنادار نداشت؛ سیگنال از متن ایمیل‌ها می‌آد
• بستن ویژگی مالی شکاف رو تقریباً حذف می‌کنه، ولی بستن بقیهٔ ویژگی‌ها یا بی‌اثره یا بدترش می‌کنه