Một bài kiểm tra mô phỏng giao cho AI tự vận hành cửa hàng trực tuyến cho thấy chênh lệch rất lớn giữa các mô hình. Mô hình tốt nhất đưa tài sản lên gấp 14,3 lần so với vốn ban đầu, trong khi một số mô hình khác lại phá sản vì quản trị dòng tiền yếu.

Theo ITmedia ngày 21/10, nhóm Qwen của Alibaba cùng các nhà nghiên cứu từ Đại học Khoa học và Công nghệ Hong Kong đã công bố kết quả E-Commerce Bench, nghiên cứu đo lường khả năng vận hành dài hạn của AI trong lĩnh vực thương mại điện tử.

Trong thử nghiệm, 18 mô hình AI được cấp mỗi mô hình 100.000 nhân dân tệ để vận hành một cửa hàng trực tuyến giả lập trong 365 ngày. Thử nghiệm không diễn ra suốt một năm ngoài thực tế mà được mô phỏng trên dữ liệu thương mại điện tử.

Các mô hình được phép vận hành tối đa 4 cửa hàng, đồng thời tự thực hiện nghiên cứu thị trường, đàm phán với nhà cung cấp, nhập hàng, định giá, giao hàng, xử lý hoàn trả và quản trị dòng tiền. Bộ dữ liệu thử nghiệm gồm 6.886 sản phẩm và 576 nhà cung cấp.

Đáng chú ý, 152 nhà cung cấp trong số này được thiết lập là đối tượng lừa đảo, với các hành vi như báo giá sai lệch hoặc giao hàng lỗi. Do tiền bán hàng chỉ về sau 9 ngày kể từ khi giao, AI vẫn có thể phá sản dù có lãi nếu không kiểm soát tốt dòng tiền.

Dẫn đầu về quy mô tài sản cuối kỳ là GPT-5.6 SOL của OpenAI. Mô hình này nâng số vốn ban đầu 100.000 nhân dân tệ lên trung bình khoảng 1,43 triệu nhân dân tệ, tức gấp 14,3 lần. Tuy nhiên, mô hình này chỉ xếp thứ 16/18 về tỷ lệ chi tiền cho các nhà cung cấp lừa đảo, cho thấy điểm yếu trong khâu nhận diện gian lận.

Xếp thứ hai là Fable5 của Anthropic với tài sản cuối kỳ khoảng 800.000 nhân dân tệ. Mô hình này được đánh giá có hiệu quả sinh lời cao dù số lượt gọi công cụ ít hơn GPT-5.6 SOL.

Trong nhóm mô hình open-weight, Qwen3.8 Max Preview của Alibaba đạt kết quả tốt nhất với tài sản cuối kỳ khoảng 420.000 nhân dân tệ. Nhóm nghiên cứu đánh giá cao khả năng ghi nhớ các mức giá giao dịch trước đó và tận dụng dữ liệu này để tái đàm phán.

Ngược lại, trong tổng cộng 90 lần chạy thử, có 10 lần mô hình phá sản giữa chừng. Một số mô hình rơi vào tình trạng cạn vốn tới 4 lần trong 5 lần thử.

Nhóm nghiên cứu nhận định AI đã cho thấy tiềm năng vận hành hoạt động kinh doanh trong dài hạn, nhưng vẫn bộc lộ những giới hạn rõ rệt trong nhận diện gian lận và quản trị dòng tiền.