화주가 알고리즘이 될 때: 후보 노출, 정보 설계, LLM 중개 화물 시장의 집중
When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets
화주들은 운송사 선택을 대규모 언어 모델(LLM) 에이전트에 위임하기 시작하고 있다. 우리는 이러한 위임이 화물 매칭 시장에 어떤 영향을 미치는지, 그리고 어떤 플랫폼 설계 선택이 그 영향을 억제할 수 있는지 묻는다. 우리는 OpenAI(GPT), Anthropic(Claude), Google(Gemini)의 상용 LLM을 기반으로 구축된 50개의 화주 에이전트가 30일간 트럭 적재(truckload) 용량을 조달하는 에이전트 기반 시뮬레이션을 수행했다. 시장은 디지털 화물 매칭의 규칙을 구현한다: 각 화물은 화주의 운송사 순위 목록을 따라 순차적으로 제안된다(waterfall tendering), 운송사는 일일 용량 한도를 가지며, 현물(spot) 가격은 혼잡에 반응하고, 운송사 평점은 거래와 함께 누적된다. 우리는 세 가지 위험과 하나의 효과적인 해결책을 발견했다. 에이전트들은 즉시 수렴했다: 고정된 샘플링된 운송사 집단에서, 동일한 운송사가 첫날 모든 모델의 최빈 1순위 선택이 되어 최대 76%의 요청을 끌어들였다. 각 에이전트가 자신에게 무작위로 제시된 후보 목록에서 선택하기 때문에, 플랫폼은 각 화주가 보는 선택지 수를 통제한다; 목록이 약 10개 운송사를 넘으면 집중도가 급격히 상승했으며, 그 시작 시점은 모델마다 달랐다. 어떤 운송사가 지배적이 되었는지는 샘플링된 시장마다 크게 달랐으며, 추정 평점 대신 실제 품질을 표시하는 것은 집중 수준도 이러한 변동성도 바꾸지 못했다(설계상 품질은 에이전트가 보는 것에만 영향을 미치며, 배송 결과에는 영향을 주지 않는다). 이러한 위험에 대응하여, 각 운송사의 잔여 일일 용량을 공개하는 것은 집중도를 3분의 1 줄이고 화주 잉여를 두 배로 늘렸으며, 벤더 다각화, 목록 순서 무작위화, 인기도 표시는 명확히 탐지 가능한 효과를 보이지 않았다. 플랫폼 정보 설계가 모델 선택이나 모델 규제보다 앞서, 효과가 있는 지렛대이다.