在货运市场中，发货人开始将承运人选择委托给大语言模型（LLM）代理。本文探讨了这种委托对货运匹配市场的影响，以及哪些平台设计选择能够控制这种影响。我们进行了基于代理的模拟，使用来自OpenAI（GPT）、Anthropic（Claude）和Google（Gemini）商用LLM构建了50个发货人代理，采购为期30天的卡车负载能力。市场实施了数字货运匹配的规则：每个负载按照发货人对承运人的排名列表进行投标（瀑布式投标），承运人有每日容量限制，现货价格响应拥堵情况，承运人评分随着交易的增加而累积。
研究发现了三种风险和一种有效解决方案。代理们在第一天同时收敛：对于一个固定的承运人样本，所有模型的首选承运人都是同一个，吸引了多达76%的请求。由于每个代理从自己随机抽取的候选者列表中进行选择，平台控制了每个发货人看到的选项数量；当列表超过十个承运人时，集中度急剧上升，且不同模型的集中度上升时间各异。
最终哪家承运人占据主导地位在不同的样本市场中差异很大，而展示真实质量而非估计评分并未改变这一集中度水平或其变异性（设计上，质量只影响代理所见，永远不会影响交付结果）。针对这些风险，披露每个承运人剩余的每日容量将集中度降低了三分之一，并使发货人盈余翻倍，而供应商多样化、列表顺序随机化和人气展示并未显示出明显的效果。平台信息设计是影响市场的关键因素，优先于模型选择或模型监管。
博主点评： 本文揭示了大语言模型在货运市场中引发的集中化风险，强调了信息设计的重要性。在算法决策日益普及的背景下，如何有效管理承运人选择将对市场公平与效率产生深远影响。通过透明的信息披露，发货人能够获得更好的选择，提升整体市场的运作效率。