Mediator.ai: Sử dụng lý thuyết Nash và LLM để hệ thống hóa sự công bằng trong đàm phán

Đàm phán hợp tác là một vấn đề có thể giải quyết được bằng toán học.

Mediator.ai là nền tảng mới ra mắt, nhằm mục đích tìm ra các thỏa thuận mà hai bên trong xung đột đều có thể chấp nhận, thường là những giải pháp mà bản thân họ chưa từng nghĩ đến.

Từ giải thưởng Nobel đến thực tế

Tám năm trước, khi tác giả dự định ký kết một thỏa thuận hôn nhân (prenup), ông đã thuê một trung gian hòa giải địa phương. Cuộc họp hữu ích nhưng thiếu một quy trình có hệ thống để đưa ra thỏa thuận cuối cùng. Sau một thời gian nghiên cứu, ông phát hiện ra Giải pháp Bargaining của Nash – một lý thuyết kinh tế học nổi tiếng của John Nash vào những năm 1950.

Tuy nhiên, nếu Nash đã giải quyết được bài toán đàm phán từ lâu, tại sao ít người áp dụng nó trong thực tế? Vấn đề nằm ở chỗ giải pháp của Nash yêu cầu mỗi bên phải cung cấp một "hàm tiện ích" (utility function). Hàm này sẽ lấy một tập hợp các điều khoản thỏa thuận và đưa ra một con số đại diện cho lợi ích. Ngay cả các chuyên gia cũng gặp khó khăn trong việc xây dựng các hàm này cho các cuộc đàm phán phức tạp.

Bứt phá nhờ LLM

Sau nhiều năm, sự xuất hiện của các Mô hình Ngôn ngữ Lớn (LLM) đã thay đổi cuộc chơi. Tác giả nhận thấy rằng, mặc dù LLM không giỏi trong việc ước lượng trực tiếp giá trị tiện ích, nhưng chúng rất xuất sắc trong việc so sánh. Khả năng so sánh này có thể được sử dụng để ước lượng độ hữu ích của các bản dự thảo thỏa thuận.

Đây chính là nền tảng của Mediator.ai.

Cách thức hoạt động của Mediator.ai

Quy trình làm việc của hệ thống khá đơn giản đối với người dùng nhưng phức tạp ở hạ tầng:

1. Phỏng vấn riêng: Người dùng được phỏng vấn bởi một LLM để nắm bắt các sở thích và ưu tiên của mình.
2. Thu hút đối tác: Người dùng mời các bên còn lại tham gia quá trình tương tự.
3. Tìm kiếm giải pháp: Các ưu tiên này được sử dụng làm hàm đánh giá (fitness function) cho một thuật toán di truyền (genetic algorithm). Hệ thống sẽ liên tục soạn thảo các thỏa thuận ứng viên, so sánh chúng với nhau và chấm điểm dựa trên nhu cầu của cả hai bên cho đến khi không tìm thấy bản thảo nào tốt hơn.

Ví dụ thực tế: Tranh chấp sở hữu tiệm bánh

Hãy xem xét trường hợp của Maya và Daniel, hai người cùng mở một tiệm bánh. Daniel đã hết tiền sau 6 tháng và phải làm thêm nghề giao hàng để duy trì tiệm, trong khi Maya quản lý mọi thứ từ nhân viên, nhà cung cấp đến marketing.

Khi một nhà đầu tư muốn rót vốn, họ cần làm rõ tỷ lệ sở hữu.

• Maya cho rằng tỷ lệ 70/30 là công bằng vì cô ấy gấp 4 giờ làm việc.
• Daniel nghĩ tỷ lệ 50/50 mới đúng vì "nói lời là phải giữ" và thu nhập giao hàng của anh đã trả tiền thuê nhà chung.

Mediator.ai đã phỏng vấn cả hai riêng biệt và đưa ra một giải pháp mà không ai trong số họ đề xuất: Tỷ lệ 60/40, với con đường lùi.

Daniel có thể lấy lại 10% bằng cách làm việc toàn thời gian trong 6 tháng hoặc từ bỏ 24.000 USD tiền phân phối lợi nhuận trong hai năm. Thỏa thuận này không mang tính trừng phạt mà gắn quyền sở hữu với kết quả tương lai. Ngoài ra, hệ thống còn thêm vào mức lương quản lý cho Maya và một điều khoản từ bỏ quyền lợi đối với 18 tháng đầu.

Kết luận

Mediator.ai chứng minh rằng toán học không mới, nhưng khả năng của AI trong việc đọc hiểu ngôn ngữ tự nhiên để chuyển đổi nó thành dữ liệu toán học là một bước tiến mới. Công cụ này có thể áp dụng cho tranh chấp cổ phần sáng lập, chia sẻ nơi ở, tranh chấp nhà thầu, hoặc bất kỳ cuộc bất đồng nào mà cả hai bên đều muốn đạt được thỏa thuận một cách công bằng.