論文の概要: From Product Search to Preference Articulation: The Economics of Agentic Commerce
- arxiv url: http://arxiv.org/abs/2608.08395v1
- Date: Sun, 09 Aug 2026 01:09:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.801
- Title: From Product Search to Preference Articulation: The Economics of Agentic Commerce
- Title（参考訳）: 商品検索から選好アーティキュレーションへ:エージェントコマースの経済学
- Abstract要約: Generative AIは、消費者が製品発見をAIエージェントに委譲する、デジタルコマースをブラウジングからエージェント検索にシフトしている。
嗜好複雑性は, 探索前に明瞭化が難しいが, 検査時に容易に評価できる満足度関連次元の数である。
消費者は限定的な注意を払って検索強度を選択する:手動で検査された製品やエージェントによる好みの抑止深度を選択する。
- 参考スコア（独自算出の注目度）: 0.6226609932118123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI is shifting digital commerce from browsing toward agentic search, in which consumers delegate product discovery to AI agents. We compare manual search, which accurately evaluates a limited product set, with agentic search, which screens a broad catalog through noisy representations of preferences and products. Preference complexity is the number of satisfaction-relevant dimensions that are difficult to articulate before search but readily evaluated upon inspection. Consumers have finite attention and choose search intensity: products inspected manually or preference-refinement depth with an agent. We obtain three findings. First, manual search collapses beyond a finite complexity threshold: inspection ceases, mismatch reaches the no-search benchmark, and platform revenue falls to zero. Agentic search avoids this collapse. Once refinement becomes worthwhile, it remains worthwhile as complexity rises; mismatch stays below the no-search benchmark and revenue remains positive, although articulation effort and mismatch may increase. Second, platforms rank the regimes by conversion revenue, whereas consumers also bear search expenditure. When manual inspection is sufficiently inexpensive, agentic search becomes revenue-superior before consumers voluntarily adopt it, creating an adoption lag in which consumers rationally continue manual search. Third, conditional on agentic participation, platforms may assign lower fidelity to consumers with larger attention budgets because they can offset noisier representations through additional refinement, yielding an inverted fidelity allocation. Agentic commerce thus shifts scarcity from product inspection to preference articulation, making consumers' willingness and ability to interact central to voluntary use and platform fidelity design.
- Abstract（参考訳）: Generative AIは、消費者が製品発見をAIエージェントに委譲する、デジタルコマースをブラウジングからエージェント検索にシフトしている。
我々は,限定された商品群を正確に評価する手動検索と,好みや商品のノイズ表現を通じて幅広いカタログを探索するエージェント検索を比較した。
嗜好複雑性は, 探索前に明瞭化が難しいが, 検査時に容易に評価できる満足度関連次元の数である。
消費者は限定的な注意を払って検索強度を選択する:手動で検査された製品やエージェントによる好みの抑止深度を選択する。
3つの結果が得られた。
まず、手動検索は有限の複雑性しきい値を超えて崩壊する。検査が停止し、ミスマッチがノーサーチベンチマークに到達し、プラットフォーム収益はゼロになる。
エージェント検索はこの崩壊を避ける。
ミスマッチは調査なしのベンチマークを下回り、収益は前向きだが、調音努力とミスマッチは増加するかもしれない。
第二に、プラットフォームはコンバージョン収益によってレギュラーをランク付けする一方、消費者は検索費も負担する。
手動検査が十分に安価になると、エージェント検索は、消費者が自発的にそれを採用する前に収益を優先し、消費者が合理的に手動検索を続けるような採用ラグを生み出す。
第3に、エージェント参加を条件として、プラットフォームは、さらなる洗練を通じてノイズの多い表現を相殺できるため、より大きな注意予算を持つ消費者に、より低い忠実度を割り当てることができる。
エージェント・コマースは、商品の検査から嗜好の明瞭化へと、消費者が自発的に利用し、プラットフォーム・フィデリティ・デザインを中央に展開する意思と能力に変化をもたらす。
関連論文リスト
- R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。
R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-06-26T19:44:34Z) - Agentic Markets: Equilibrium Effects of Improving Consumer Search [49.77824898242877]
市場における学習と福祉に対する検索技術の改善の影響について検討する。
より安価な検索は学習と消費者の余剰を改善し、より情報的な検索は双方を劣化させる可能性がある。
論文 参考訳（メタデータ） (2026-03-26T20:30:45Z) - OneSearch-V2: The Latent Reasoning Enhanced Self-distillation Generative Search Framework [41.83974943844478]
Generative Retrieval (GR) は現代の検索システムにとって有望なパラダイムである。
OneSearchは、産業規模で展開されたジェネレーティブ検索フレームワークとして、商業的および運用上の大きなメリットをもたらしている。
自己蒸留型生成検索フレームワークである textbfOneSearch-V2 を提案する。
論文 参考訳（メタデータ） (2026-03-25T15:33:34Z) - Aligning Large Language Models with Searcher Preferences [26.974618053554394]
オープンな生成検索のための最初の大規模言語モデル(LLM)であるSearchLLMを紹介する。
ボトムライン制約を分離する階層型多次元報酬システムの設計を行う。
オフライン評価とオンラインA/Bテストでは、生成品質とユーザエンゲージメントが改善されている。
論文 参考訳（メタデータ） (2026-03-11T06:44:30Z) - Rerank Before You Reason: Analyzing Reranking Tradeoffs through Effective Token Cost in Deep Search Agents [50.212640395029744]
深層探索パイプラインにおける推論予算の配分について検討する。
BrowseComp-Plusベンチマークを用いて、モデルスケール、推論の労力、深度の再検討、トークン総コストのトレードオフを分析する。
論文 参考訳（メタデータ） (2026-01-20T18:38:35Z) - SmartSearch: Process Reward-Guided Query Refinement for Search Agents [63.46067892354375]
大言語モデル(LLM)に基づく検索エージェントは、知識集約的な問題に対処するために有望であることが証明されている。
既存の研究は主に、検索エージェントの推論パラダイムの最適化に重点を置いているが、推論中の中間的な検索クエリの品質は見過ごされ続けている。
この問題を緩和する2つの主要なメカニズムの上に構築されたフレームワークであるSmartSearchを紹介します。
論文 参考訳（メタデータ） (2026-01-08T12:39:05Z) - AdaSearch: Balancing Parametric Knowledge and Search in Large Language Models via Reinforcement Learning [61.974530499621274]
検索への過度な依存は、ノイズや悪意のあるコンテンツに対する不必要なコストとリスクをもたらす。
本稿では,探索を起動するか否かの判断から問題を解き放つ2段階の結果駆動型RLフレームワークを提案する。
AdaSearchは知識境界認識を大幅に改善し、不要な検索コールを削減し、タスクパフォーマンスを強く保ち、透明性と解釈可能な意思決定行動を提供する。
論文 参考訳（メタデータ） (2025-12-18T18:50:01Z) - Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer [1.8986796884429726]
本研究では,現在の文脈に基づいて,eコマースの検索結果を適応するための体系的なアプローチを提案する。
基礎的な手法から始めて、より文脈的な情報や最先端の技術をインクリメンタルに取り入れて、検索結果を改善する。
以上の結果から,単純な自己回帰的特徴から高度なシーケンスモデルに至るまで,この漸進的な拡張がランサー性能を著しく向上させることが示唆された。
論文 参考訳（メタデータ） (2025-12-15T07:07:32Z) - Agentic AI Framework for Smart Inventory Replenishment [0.6670498055582529]
現代の小売業では、様々な製品は需要を予測し、在庫を防ぎ、高いポテンシャルのある製品を見つけるのを困難にしている。
我々は、在庫を監視し、適切なサプライヤーへの購入試行を開始し、トレンドやハイマージン製品をスキャンするために使用されるエージェントAIモデルを提案する。
論文 参考訳（メタデータ） (2025-11-28T17:14:13Z) - DeepShop: A Benchmark for Deep Research Shopping Agents [70.03744154560717]
DeepShopは、複雑なリアルなオンラインショッピング環境でWebエージェントを評価するために設計されたベンチマークである。
5つの人気のあるオンラインショッピングドメインに多様なクエリを生成します。
エージェントの性能をきめ細かな面から評価する自動評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-03T13:08:17Z) - Identifying High Consideration E-Commerce Search Queries [27.209699168631445]
本稿では,Eコマースサイトにおけるハイリフレクション(HC)クエリを識別するために,EQR(Engagement-based Query Ranking)アプローチを提案する。
EQRは、人気信号よりも、顧客の行動、財務、カタログ情報に関連するクエリレベルの特徴を優先する。
モデルは商業的にデプロイされ、ダウンストリームの顧客への影響の観点から、人間の選択したクエリよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-10-17T18:22:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。