研究发现：AI购物Agent还没准备好替你买单
宾夕法尼亚大学沃顿商学院的研究人员测试了 AI 购物代理在搜索过程发生变化时推荐产品的稳定性。结果显示，上下文中的微小变化就能让购买决策大幅摇摆。
该团队测试了六款当前主流模型，既包括 mini 版本也包括旗舰级模型，让每一款扮演个人购物助理，从固定的商品网格中挑选一款运动手表。他们使用了 ACES 模拟器（Agentic e-Commerce Simulator），向 AI 代理展示商品页面的截图。代理分析图像，可选地引入推荐信源，然后挑选一款产品。
单一信源就足以翻转推荐结果
即使没有外部信源，各模型也表现出不同的基线偏好。但当代理在商品页之前只看到一条外部信源时，部分情况下的推荐结果发生了剧烈偏移。
研究人员测试了三种信源：一个推荐 Garmin Forerunner 55 的 Reddit 帖子、一篇关于 Fitbit Inspire 3 的 Wirecutter 评测，以及一篇介绍 WHOOP 5.0 的 Strategist 文章。其中 Wirecutter 的影响力最强。与对照条件相比，Claude Opus 4.8 选择 Fitbit Inspire 3 的概率跃升了 90 个百分点，Gemini 3.5 Flash 则跃升了 99 个百分点。
在第二项实验中，代理会看到两到三种信源的组合。然而多种信源并未让推荐趋于平衡。只要 Wirecutter 出现在组合之中，它往往就会主导大多数模型的选择，尽管影响强度各有差异。研究显示，信源越多，结果反而越不稳定。
相同信源，顺序不同，结果也随之改变
在第三项研究中，代理会以不同顺序接收全部三种信源。一个稳定的决策过程在内容完全相同时本应给出相同的结果。事实并非如此。
Gemini 3.1 Flash Lite 最为敏感，随着信源顺序不同，它选择 Fitbit Inspire 3 的概率在高于对照条件 2 到 56 个百分点之间大幅波动。Claude Haiku 4.5 则保持稳定，始终停留在 41 到 42 个百分点之间。研究人员据此得出结论：呈现顺序本身就是驱动产品选择的一个因素。
信源是逐条还是打包传给模型同样有影响。采用打包方式时，GPT-5.5 选择 Fitbit Inspire 3 的情况多出 53 个百分点，而逐条呈现时只多出 6 个百分点。
记忆片段可以压过产品本身的客观优势
在第四项实验中，研究人员修改了商品网格，让其中一款产品在所有可衡量维度上都占优：一款带 Alexa 的智能手表，售价 29.99 美元，评分 5.0（满分 5.0），拥有 430 条评论。其他所有产品售价至少 359 美元，且评论数更少。
随后他们加入诸如"I love hiking!"（我爱徒步！）这类简短的用户记忆陈述。对若干模型而言，这些陈述使选择转向了更贵的产品，即便客观上更优的选项就在眼前。Claude Opus 4.8 选择 Garmin Vivoactive 5 的比例跃升了 75 个百分点，GPT-5.5 跃升了 37 个百分点，Gemini 3.1 Flash Lite 跃升了 36 个百分点。
Gemini 3.5 Flash 的抵抗力最强，无论是否存在记忆陈述，它在 86% 到 92% 的运行中都选择了客观最优的产品。GPT-5 Mini 则表现出一种奇怪的模式：正面的徒步陈述没有让它显著转向 Garmin Vivoactive 5，但负面的陈述（"I don't like hiking!"）却显著推高了 Fitbit Versa 4 的选中率。
没有一致性，就没有可控性
对购物者而言，该研究表明，让 AI 代理代你购物并不能保证购买决策一致或最优。两个用户发出相同的查询，或者同一个用户在不同日期，都可能得到毫无可见理由的不同产品推荐。人类的购买决策同样不稳定，但这绝非人们对 AI 购物助手抱有的期待。任何在 ChatGPT 或类似工具中设置过记忆的人也应当知道：它可能以难以预料的方式影响购买推荐。
对卖家而言，研究人员认为，这些结果表明面向 AI 购物的优化将比传统 SEO 更难。卖家不知道是哪个模型在替人购物、它此前读过什么，也不知道它的技术配置会如何处理信息。
没有炒作的 AI 新闻 – 由人工精选
订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻通讯、每年六期的独家「AI Radar」前沿报告、完整档案访问权限以及评论区的参与资格。
立即订阅深入了解全貌。
订阅无炒作的报道。
- 无限制访问 THE DECODER 的全部文章
- 无广告
- 参与评论和社区讨论
- 每周一封 AI 新闻回顾邮件
- 每年 6 期：「AI Radar」——深入解读最重要的 AI 话题
- 每日 AI 新闻，永远保持最新
- 完整十年档案库
- 由拥有 10 余年 AI 经验的团队报道