Alibabin Qwen i HKUST: 18 AI modela vodilo online trgovinu godinu dana, GPT-5.6 Sol udeseterostručio i više

Alibabin tim Qwen i istraživači Sveučilišta znanosti i tehnologije u Hong Kongu (HKUST) testirali su 18 velikih jezičnih modela kao vlasnike web-trgovina. Svaki model dobio je u simuliranom tržištu 100.000 juana (oko 12.500 eura) i 365 dana za samostalno poslovanje. GPT-5.6 Sol završio je prvi s prosječnom imovinom od 1,43 milijuna juana (oko 180.000 eura), što je oko 14,3 puta više od početnog kapitala.

Istraživanje se zove E-Commerce Bench, a rad je 31. kolovoza 2026. objavljen na arXivu. Uz Qwen i HKUST sudjelovali su i Taobao i Tmall, čiji su podaci poslužili za izradu simulacije. Cilj je bio provjeriti mogu li modeli kontinuirano voditi nabavu, poslovanje i novčani tok, a ne samo rješavati pojedinačne zadatke.

Kako je izgledala simulacija

Model je mogao voditi do četiri trgovine istodobno. Birao je među 60 kategorija, 6.886 proizvoda i 576 dobavljača. Na raspolaganju je imao 18 alata za istraživanje tržišta, pregovaranje s dobavljačima, određivanje cijena, otpremu, obradu povrata i podizanje novca. Simulacija je uključivala osam promocija i 10 tržišnih događaja koji mijenjaju potražnju. Među dobavljačima je 152 bilo namješteno kao prijevarno: naplaćuju nerazumne iznose, isporučuju manju količinu ili neispravnu robu.

GPT-5.6 Sol imao je najveću prosječnu završnu imovinu, ali je 18,48 posto njegove potrošnje na nabavu otišlo prijevarnim dobavljačima. Po otkrivanju prijevara bio je tek 16. od 18. Drugi je bio Fable5 s prosječno oko 805.000 juana (oko 100.000 eura), otprilike osam puta više od početnog iznosa. Istraživači navode da je Fable5 alate pozivao oko 60 posto rjeđe od GPT-5.6 Sola, a po pozivu je ostvarivao veći rast imovine.

Claude Opus 4.7 bio je prvi i u pregovaranju i u izbjegavanju prijevara: samo 0,12 posto nabave otišlo je prijevarnim dobavljačima. Ipak je završio s imovinom oko 2,6 puta većom od početne, što ga ukupno stavlja na osmo mjesto. Među modelima otvorenih težina najbolji je bio Qwen3.8-Max-Preview s oko 416.000 juana (oko 52.000 eura), peti u ukupnom poretku originalnog rada. Istraživači navode da taj model pri ponovnom naručivanju od istog dobavljača koristi prijašnje cijene kako bi izborio nižu.

Bankrot unatoč dobiti

Prihod od otpremljene robe 9 dana ostaje na escrow računu, a tek onda se prebacuje u novčanik platforme. Model ga mora sam podići na bankovni račun. Ako je saldo negativan 10 dana zaredom, poslovanje se proglašava bankrotom. Od ukupno 90 testova (svaki model pokrenut je po pet puta) njih 10 završilo je bankrotom: po dva puta GPT-5.5, Claude Opus 4.6 i Gemini 3.1 Pro te četiri puta Qwen3.5-Plus. To pokazuje da modeli mogu procijeniti da je proizvod isplativ, a ipak propasti ako ne osiguraju pravodobnu likvidnost. Dugoročna memorija bila je ograničena na 20 stavki, pa su stariji razgovori brisani i model je sam morao voditi evidenciju.

Ograničenja studije

Riječ je o simulaciji, a ne o stvarnoj prodaji. Kupnje, povrate i pregovore s dobavljačima računaju unaprijed zadana matematička pravila, iako podaci o proizvodima dolaze sa stvarnih platformi. Rezultati se stoga ne mogu izravno čitati kao stvarni povrat ulaganja. Konačna imovina zbroj je bankovnog salda, novčanika platforme i sredstava na čekanju, a ne godišnji promet. Troškovi korištenja AI modela (po pozivu alata) nisu uračunati. Istraživači su otad proširili usporedbu na 21 konfiguraciju modela, no navedeni poredak i deset bankrota odnose se na izvornih 18 modela i 90 testova.