알고리즘을 통한 쇼핑: 에이전트형 AI가 인간의 휴리스틱을 대리 소비자로서 활용하는 방식

소비자들은 점차 구매 결정을 Large Language Models (LLMs)에 위임하며, 이 모델들이 대리 소비자(surrogate consumers) 역할을 합니다. 저희는 제품 속성을 비용이 많이 드는 도구 호출(tool calls) 뒤에 배치하는 정보 보드 프로세스 추적(information-board process tracing)의 변형인 "Tool-Lab"을 사용하여 마케팅 가격 신호(예: just-below pricing 및 프로모션 프레이밍)가 AI 쇼핑 에이전트에 어떻게 영향을 미치는지 조사했습니다. 세 개 공급자의 상업적으로 배포된 8개의 LLM에 걸쳐, 저희는 선택 전 정보 습득 과정을 추적했습니다. 비용이 없을 때는 가격 신호가 오도하는 경우가 드물었습니다. 그러나 모호한 목표 프롬프트(vague goal prompt) 하에서 습득 비용을 부과하자, LLMs는 단위 가격을 계산하는 데 필요한 진단 속성(diagnostic attributes)을 생략하고 인간의 휴리스틱과 유사한 최적이 아닌 선택을 하게 되었습니다. 주로 진단적 검색 및 선택의 최적성을 유지하는 특정 목표 프롬프트와 비교했을 때, 제약 조건 하의 모호한 목표 프롬프트는 검색 매개 취약점(search-mediated vulnerability)을 만듭니다. 본 연구는 위임된 AI 쇼핑에서의 마케팅 휴리스틱이 반드시 불변적인 LLM 결함 때문이 아니라, 상점 정보 아키텍처(storefront information architecture)에 의해 좌우됨을 보여줍니다.