近期多项研究与模拟实验显示，当AI代理被广泛用于定价、求职与交易谈判等竞争场景时，竞争本身的价格发现、优胜劣汰与入场通道三项功能可能被削弱。相关讨论基于推演与模拟环境，并非现实市场的直接测量，但指向的机制已具备可观察性。
在价格发现层面，美国联邦贸易委员会起诉亚马逊的诉状指控，其定价算法”Project Nessie”会判断其他零售商是否可能跟随涨价，并据此决定是否提前抬高部分商品价格，诉状称该做法带来超过十亿美元的额外利润。该指控尚未经法庭认定。与此同时，研究者将Q-learning算法放入重复定价的模拟市场，发现特定条件下算法可学会维持明显高于竞争水平的价格并惩罚偏离者，配合无需密谋即可自动涌现。
在人才筛选层面，一项基于Freelancer.com平台数据的研究追踪了平台AI求职信工具上线后的变化：工具确实帮助写作基础较弱的求职者写出更贴合岗位的申请，但工具上线后，求职信贴合度与获得回访之间的相关性下降约51％，与最终录用之间的相关性下降约79％。雇主随后转向更难以伪造的信号，例如求职者过往评价。另一项双边Agent市场模拟则显示，模型普遍偏好先出现的提案，响应速度的优势在模拟条件下可能达到服务质量差异的十到三十倍。
入场门槛方面，Anthropic于2025年12月进行、2026年4月公布的一项内部实验提供了微观样本：69名员工各交出购物清单和100美元预算，由Claude代理在内部市场自主刊登、议价与成交。四个平行市场中，两个市场全员使用旗舰模型，另两个市场有半数参与者被随机替换为较弱小模型。结果显示，强弱混杂市场中强模型代理平均多完成约两笔交易，同一物品的卖出均价高出3.64美元；一辆旧折叠自行车在弱模型代理手中谈成38美元，强模型代理则谈成65美元。参与者对代理下达的谈判指令对结果几乎无影响，决定输赢的是模型能力本身。
上述研究规模有限，且多在同一机构或模拟环境中完成，不能直接等同于现实经济测量。但其共同指向一个结构性变化：当各方普遍部署AI代理，竞争投入的新增成本会沉淀为下一层的入场门槛，标的未变而入场条件持续抬升。对求职者、自由职业者与中小机构而言，工具普及并未自动带来机会增加，竞争的形式仍在，功能却已发生偏移。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
