AI演演算法定價暗藏玄機？研究揭「個人化推薦」反而讓消費者吃虧

人工智慧定價演演算法憑藉自主學習與適應能力，在動態市場環境中成為商家最佳化價格策略的利器。但最新研究發現，這類演演算法可能在競爭情境下形成「默契型聯合壟斷」，最終導致消費者權益受損，引發學界與監管單位的關注。

卡內基美隆大學團隊發表在SSRN預印本伺服器的最新研究，特別探討了電商平臺的「商品排序系統」如何影響AI定價演演算法。研究共同作者、泰珀商學院副教授Param Vir Singh指出：「我們比對了個人化與非個人化排序系統對演演算法定價結果的影響，發現即使沒有價格歧視，個人化推薦反而可能對消費者不利。」

現代消費者面對海量商品選擇時，往往需要耗費大量時間搜尋。為此，亞馬遜、Expedia等網路平臺運用演演算法提供商品排序，幫助消費者快速找到合適產品。這種機制原本旨在降低搜尋成本，提升消費體驗，但研究顯示其效果可能適得其反。

團隊設計了兩種極端情境進行比對：

1. 個人化排序：根據消費者個別偏好預測效用值排序

2. 非個人化排序：僅依賴整體市場資料進行統一排序

研究採用「序列搜尋」的消費者需求模型，模擬消費者在支付搜尋成本後，依平臺推薦順序評估商品的過程。主導研究的泰珀商學院博士生Liying Qiu說明：「透過強化學習演演算法的對照實驗，我們能清楚觀察個人化技術對定價的影響。」

研究發現關鍵矛盾點：

• 個人化排序雖提升商品契合度，卻顯著降低價格彈性

• 演演算法會利用排序優勢維持高價策略

• 非個人化排序反而促使價格競爭更激烈

共同作者Yan Huang副教授解釋：「強化學習演演算法在真實消費情境中的動態相當複雜，我們透過模擬環境成功捕捉其演變規律。」研究結果在不同引數設定、市場結構下均呈現一致性。

泰珀商學院教授Kannan Srinivasan總結：「平臺經營者必須審慎權衡個人化排序的利弊，特別當定價權交給演演算法時，商品契合度的提升可能被高價策略抵消。」

這項研究對監管單位提出重要啟示：

1. 規範AI定價演演算法時，必須同步考量排序系統設計

2. 消費者資料共享未必帶來更好結果

3. 商品價格上漲的負面影響可能超過個人化推薦的效益

[end]