論文の概要: Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer
- arxiv url: http://arxiv.org/abs/2609.28372v1
- Date: Wed, 23 Sep 2026 16:47:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.125452
- Title: Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer
- Title（参考訳）: アルゴリズムによるショッピング:エージェントAIが代理消費者として人間のヒューリスティックをどう展開するか
- Abstract要約: マーケティング価格がAIショッピングエージェントに与える影響について検討する。
買収コストを曖昧な目標にすることで、LLMは単価を計算するのに必要な診断属性を省略する。
この研究は、委譲されたAIショッピングにおけるマーケティングが店頭情報アーキテクチャによって管理されていることを示す。
- 参考スコア（独自算出の注目度）: 1.578081936353233
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Consumers increasingly delegate purchasing decisions to Large Language Models (LLMs) acting as surrogate consumers. Using "Tool-Lab," an adaptation of information-board process tracing that places product attributes behind costly tool calls, we examine how marketing pricing cues (i.e., just-below pricing and promotional framing) influence AI shopping agents. Across eight commercially deployed LLMs from three providers, we trace pre-choice information acquisition. Under zero cost, pricing cues rarely mislead. Imposing acquisition costs under a vague goal prompt leads LLMs to omit diagnostic attributes required to compute unit price and choose suboptimal choices resembling human heuristics. Relative to a specific goal prompt that mainly preserves diagnostic search and choice optimality, a vague goal prompt under constraints creates a search-mediated vulnerability. This research demonstrates that marketing heuristics in delegated AI shopping are governed by storefront information architecture, not necessarily immutable LLM flaws.
- Abstract（参考訳）: 消費者は、消費者を代理する大規模言語モデル(LLM)に意思決定を委譲する傾向にある。
コストの高いツールコールの裏側に製品属性を配置する情報掲示板プロセストレースの適応であるTool-Labを用いて、マーケティング価格設定方法(ジャストビロー価格とプロモーションフレーミング)がAIショッピングエージェントにどのように影響するかを検討する。
3 つのプロバイダから商業的に展開された LLM を 8 つに分けて,事前に選択した情報を取得する。
コストゼロでは、価格の急上昇はめったに起こらない。
買収コストを曖昧な目標にすると、LCMは単価を計算するのに必要な診断属性を省略し、人間のヒューリスティックに類似した最適な選択を選択する。
診断と選択の最適性を主に保持する特定の目標プロンプトとは対照的に、制約の下で曖昧な目標プロンプトは、検索を介する脆弱性を生み出す。
この研究は、委譲されたAIショッピングにおけるマーケティングヒューリスティックが、必ずしも不変なLCM欠陥ではなく、店頭情報アーキテクチャによって管理されていることを示す。
関連論文リスト
- QueryMarket: Cost-Aware Online Active Learning in Data Markets [2.7429630700600893]
我々は,データ価格と情報駆動選択を統合したOVBAL(オンライン分散に基づくアクティブラーニング)を提案する。
OVBALは、非定常ストリームと不均一なラベルコストに適応する、単純で完全なオンライン決定ルールを提供する。
合成データと実世界の太陽光発電予測タスクの実験は、OVBALが特に売り手中心の価格で有効であることを示している。
論文 参考訳（メタデータ） (2026-06-16T11:28:07Z) - Cost-Aware Learning [72.31444819326795]
本稿では,異なるコンポーネント関数をサンプリングするコスト認識学習の問題点について考察する。
凸関数に対するコスト・アウェア・Descentアルゴリズムを提案し、そのコスト複雑性を導出し誤差を$$$とする。
本稿では,性能を保ちつつポリシー最適化のコストを削減するアルゴリズムであるCost-Aware GRPOを紹介する。
論文 参考訳（メタデータ） (2026-04-30T15:39:09Z) - How to Purchase Labels? A Cost-Effective Approach Using Active Learning Markets [2.7429630700600893]
ラベルの購入手段として,アクティブな学習市場を紹介し,分析する。
これは、機能やサンプルを購入するためにすでに存在する多くの提案とは対照的である。
本稿では,単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単元単
論文 参考訳（メタデータ） (2025-11-25T18:34:33Z) - Budget-Aware Tool-Use Enables Effective Agent Scaling [82.6942342482552]
大規模言語モデル(LLM)におけるタスク間のテスト時間計算のスケーリングによるパフォーマンス向上
本研究では,これらのエージェントを,Web検索エージェントを中心に,明示的なツールコール予算の下で効果的にスケールする方法について検討する。
私たちは、エージェントに継続的な予算意識を提供する軽量プラグインであるBudget Trackerを紹介します。
論文 参考訳（メタデータ） (2025-11-21T07:18:55Z) - The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。
我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
論文 参考訳（メタデータ） (2025-05-23T11:40:58Z) - Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。
このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。
適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
論文 参考訳（メタデータ） (2024-03-21T14:48:37Z) - Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。
まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。
当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
論文 参考訳（メタデータ） (2024-02-20T23:04:06Z) - Optimal Pricing for Data-Augmented AutoML Marketplaces [34.293214013879464]
既存のクラウドベースのAutoMLプラットフォームとシームレスに統合可能な,実用的なデータ拡張型AutoML市場を提案する。
通常のAutoMLソリューションとは異なり、当社の設計は、購入者が提出したトレーニングデータを貴重な外部データセットで自動的に強化します。
私たちの重要なイノベーションは、機器価値、すなわち限界モデルの品質改善に基づく価格設定メカニズムです。
論文 参考訳（メタデータ） (2023-10-27T01:49:13Z) - Democratizing LLMs: An Exploration of Cost-Performance Trade-offs in
Self-Refined Open-Source Models [53.859446823312126]
SoTAは7Bから65Bまでのさまざまなサイズのオープンソースモデルを平均して、ベースラインのパフォーマンスから8.2%改善している。
厳密に言えば、Vicuna-7Bのような非常に小さなメモリフットプリントを持つモデルでさえ、全体的な11.74%の改善と、高い創造性、オープンエンドタスクの25.39%の改善を示している。
論文 参考訳（メタデータ） (2023-10-11T15:56:00Z) - Cost Aware Asynchronous Multi-Agent Active Search [6.587280549237275]
未知の環境でターゲットを検出するオンライン能動探索アルゴリズムを提案する。
我々のアルゴリズムは、トンプソンサンプリング、モンテカルロ木探索、最適信頼境界の原理を組み合わせる。
我々は,コストを考慮した能動探索において,アルゴリズムの性能をシミュレーションで解析し,その有効性を示す。
論文 参考訳（メタデータ） (2022-10-05T13:38:30Z)
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。