Az AI shopping agent megkapja a feladatot: keresd meg a legjobb ajánlatot. Megnézi a termékeket, összehasonlít néhány adatot, majd választ. Csakhogy van egy probléma: lehet, hogy a döntéshez szükséges egyik legfontosabb információt meg sem nézte.
Egy új kutatás szerint az AI-vásárlók bizonyos körülmények között meglepően hasonlóan kezdenek viselkedni, mint az emberek. Ha az információ megszerzése „költségessé” válik, és a feladat nincs pontosan meghatározva, lerövidíthetik a keresést, kihagyhatnak fontos termékadatokat, majd a rendelkezésükre álló részleges információ alapján választanak. Ez pedig az agentic commerce szempontjából egy jóval nagyobb kérdést vet fel annál, hogy mennyire intelligens egy adott modell.
Mi történik, ha egy webshopon nem maga az információ hiányzik, hanem túl nehéz hozzáférni?
Nyolc AI-modellt teszteltek
Davood Wadi és Yu Ma, a McGill University kutatói a Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer című preprintben azt vizsgálták, hogyan reagálnak AI shopping agentek olyan klasszikus marketinges árjelzésekre, mint a 4,99 dolláros árazás vagy az akciós kedvezmények.
A kutatás két fő vizsgálatból, robusztussági tesztekből és validációs kísérletekből állt, összesen 16 400 sessionnel. Nyolc kereskedelmi LLM-et teszteltek három szolgáltatótól: Google-, OpenAI- és Anthropic-modelleket. A kutatók azonban nem egyszerűen megmutatták az AI-nak az összes termékadatot. Létrehoztak egy Tool-Lab nevű kísérleti környezetet, amelyben a terméktulajdonságok külön-külön lekérdezhető információk voltak. Ha az agent tudni akarta például egy kávé tömegét, árát vagy valamely más tulajdonságát, külön tool callt kellett indítania.
A kutatók ezután költséget rendeltek ezekhez a lekérdezésekhez. Így már nemcsak azt lehetett megfigyelni, mit választ az AI, hanem azt is, mit néz meg, mielőtt választ. És itt vált igazán érdekessé a kísérlet.
Ha az információ könnyen elérhető, az AI általában jól számol
A vizsgált helyzetekben az ártrükkök önmagukban nem bizonyultak különösebben hatásosnak, amikor az agent hozzáfért a döntéshez szükséges információkhoz. A probléma akkor jelent meg, amikor az információ megszerzésének költsége lett, miközben az agent csak egy homályos utasítást kapott. Például:
„Keresd meg a legjobb ajánlatot.”
Ez elsőre teljesen természetes vásárlói kérésnek hangzik. Csakhogy mit jelent a „legjobb”? A legalacsonyabb végösszeget? A legnagyobb csomagot? A legjobb egységárat? A legnagyobb kedvezményt?
Amikor a cél nem volt pontosan meghatározva, a költségesebb információszerzés hatására több modell csökkentette a keresés mélységét. Olyan adatokat is kihagytak, amelyek szükségesek lettek volna az egységár kiszámításához. A kutatásban ennek következményeként romolhatott a választás optimalitása. Amikor a feladat konkrét volt — például az agentnek kifejezetten a legalacsonyabb unciánkénti árat kellett megtalálnia —, sokkal inkább megőrizte a döntéshez szükséges információk keresését. Vagyis nem feltétlenül az történt, hogy az AI nem tudott számolni.
Lehet, hogy el sem jutott azokhoz az adatokhoz, amelyekből számolnia kellett volna.
Ez fontos különbség
A kutatók külön validációs kísérletekkel próbálták szétválasztani a két problémát. Az egyik lehetőség az, hogy az AI megszerzi a megfelelő adatokat, de rosszul használja őket. A másik, hogy eleve nem gyűjti össze az összes szükséges információt. Amikor a modellek megkapták a teljes, döntéshez szükséges információhalmazt, a nyolc vizsgált LLM közül hét az esetek túlnyomó részében a kutatás által normatívnak definiált, legalacsonyabb egységárú alternatívát választotta. Egy további validációban a modelleknek a választással együtt ki is kellett számítaniuk a releváns ármutatókat. Ebben a kísérletben a kutatók nem mértek aritmetikai hibát a nyolc modellnél.
Ez nem bizonyítja, hogy az LLM-ek általában hibátlanul számolnak. A szerzők maguk is figyelmeztetnek arra, hogy a számítás explicit kérése megváltoztathatta a modellek viselkedését. Arra viszont erős jelzés, hogy a vizsgált jelenséget nem lehet egyszerűen azzal elintézni, hogy „az AI rosszul számol”.
A döntés minőségét az is meghatározhatja, milyen információ jut el az agenthez a döntés pillanatáig.
A webshop információs architektúrája ezért az agentic commerce része lesz
Egy ember számára egy webshop információs architektúrája elsősorban UX-kérdés. Hol van az ár? Látható-e a kiszerelés? Könnyű-e összehasonlítani két terméket? Hány kattintás után derül ki egy fontos specifikáció?
Egy AI agent számára ugyanezek a kérdések más formában jelennek meg. Milyen adat található meg strukturáltan? Mit kap vissza egy API? Mely tulajdonságok érhetők el közvetlenül, és melyekhez kell további lekérdezés? Mennyi művelet szükséges ahhoz, hogy az agent valóban össze tudjon hasonlítani két ajánlatot?
Ha minden fontos terméktulajdonság megszerzéséhez újabb és újabb műveleteket kell végrehajtania, akkor a kutatás alapján legalábbis elképzelhető, hogy bizonyos agentek bizonyos helyzetekben egyszerűen nem mennek végig az egész információs téren.
Ez egészen más megvilágításba helyezi azt, mit jelent egy webshopot „AI-readyvé” tenni. Nem feltétlenül az lesz elég, hogy az információ valahol létezik. Az is számíthat, mennyire könnyű megszerezni.
Az AI-nak nem biztos, hogy ugyanazt kell megmutatnunk, mint az embernek
A klasszikus webshopot alapvetően emberi böngészésre terveztük. Az agentic commerce világában viszont egyre fontosabbá válhat egy második fogyasztó is: a gép, amely az ember nevében értékeli a kínálatot. És ennek a „vásárlónak” más lehet az optimális információs környezete. Egy látványos százalékos kedvezmény például az ember számára erős marketingüzenet lehet. Egy vásárlási agentnek viszont lehet, hogy sokkal értékesebb egy egyértelműen hozzáférhető nettó ár, kiszerelés és egységár.
A kutatás szerzői ebből azt a következtetést vonják le, hogy a kereskedőknek érdemes a döntéshez szükséges termékattribútumokat könnyen hozzáférhetővé tenniük az AI-agentek számára. Ez azonban egyelőre nem recept.
A kísérlet egy meghatározott termékkategóriában, kontrollált környezetben zajlott. Az információszerzés költségét mesterségesen, lekérdezésenként meghatározott pénzügyi költséggel modellezték. A szerzők szerint további kutatás szükséges annak megértéséhez, hogy valódi e-kereskedelmi környezetben hasonlóan működik-e a mechanizmus. Ráadásul az „optimális” választás itt jól definiálható volt: a legalacsonyabb egységár. Egy laptop, futócipő vagy kanapé kiválasztásánál már jóval több szempont versenyez egymással.
Az agentic commerce egyik új versenytere lehet: ki teszi könnyebbé a döntést a gépnek?
Sokáig abból indultunk ki, hogy ha az AI elég intelligens lesz, majd megtalálja és feldolgozza az összes releváns információt. Ez a kutatás ennél érdekesebb képet mutat.
Az AI shopping agent nem légüres térben dönt. Egy információs környezetben dolgozik, amelyben egyes adatok könnyebben, mások nehezebben érhetők el. Közben az ember által adott instrukció is meghatározza, hogy mit tekint fontosnak.
Ezért az agentic commerce-ben a termékadatok minősége mellett egy új kérdés is megjelenik: mekkora erőfeszítésbe kerül a gépnek megérteni az ajánlatodat?
Ha a kutatás által feltárt mechanizmus valódi webshopokban is megjelenik, akkor a jövő egyik fontos optimalizálási területe nem egyszerűen az lesz, hogy több információt adjunk az AI-nak, hanem az, hogy a döntéshez szükséges információt a lehető legkisebb súrlódással tegyük elérhetővé. Mert lehet, hogy az AI képes lenne meghozni a jobb döntést, csak előbb hozzá kell férnie ahhoz, amiből dönteni tud.
Források
arXiv — Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer - https://arxiv.org/abs/2609.28372