AI购物代理还没准备好替你下单，沃顿商学院研究揭示惊人不稳定性

沃顿商学院研究团队构建了一套名为ACES（Agentic e-Commerce Simulator）的模拟环境，让AI代理通过截图方式浏览产品页面，并可选择性地调取外部推荐来源，最终从固定产品网格中做出购买决策。参与测试的六款模型涵盖轻量级和前沿级别，包括Claude、GPT和Gemini系列的多个版本。研究以健身手表为测试品类，系统考察了外部信息源、信息顺序和用户记忆三类变量对推荐结果的影响。

外部信息源对推荐结果的影响远超预期。研究人员分别引入Reddit帖子、Wirecutter评测和Strategist文章三类来源，发现Wirecutter的影响力最为显著。仅凭这一篇评测，Claude Opus 4.8选择Fitbit Inspire 3的概率提升了90个百分点，Gemini 3.5 Flash则提升了99个百分点。当同时引入多个信息源时，情况并未趋于平衡，反而导致更大的波动——只要Wirecutter出现在信息组合中，它几乎总是主导最终推荐结果。

信息呈现顺序同样是影响推荐的独立变量。研究人员将相同的三个信息源以不同顺序提供给模型，理论上内容完全一致的输入应产生相同输出，但实验结果并非如此。Gemini 3.1 Flash Lite对顺序最为敏感，选择Fitbit Inspire 3的概率因顺序不同而在2至56个百分点之间大幅波动；Claude Haiku 4.5则相对稳定，始终维持在41至42个百分点区间。此外，信息是逐条传入还是打包传入，也会产生显著差异——GPT-5.5在打包传入时的选择率比逐条传入高出47个百分点。

研究中最具冲击性的发现来自用户记忆实验。研究人员设计了一款在价格、评分和评论数量上全面碾压其他产品的智能手表（售价29.99美元、评分5.0、430条评论），其余产品售价均在359美元以上。然而，当模型接收到「我喜欢徒步」这类简短记忆片段后，Claude Opus 4.8选择Garmin Vivoactive 5的概率提升了75个百分点，GPT-5.5提升了37个百分点。这意味着一句无关紧要的个人偏好描述，足以让AI代理放弃客观最优选项，转向价格高出十倍的产品。

研究结论对消费者和卖家均具有重要警示意义。对消费者而言，将购物决策完全委托给AI代理，并不能保证获得一致或最优的结果——同一用户在不同时间发出相同查询，可能得到截然不同的推荐，且没有任何可见原因。对卖家而言，针对AI购物代理的优化将比传统搜索引擎优化更加复杂，因为卖家无从得知是哪款模型在执行购物任务、它事先读取了哪些信息，以及其技术配置如何处理这些信息。研究人员认为，在AI购物代理的稳定性和可解释性得到根本改善之前，将其用于自主购物决策仍需保持审慎。

值得注意的是，不同模型在抗干扰能力上存在明显差异。Gemini 3.5 Flash在面对用户记忆干扰时表现最为稳健，无论记忆内容如何变化，均有86%至92%的概率坚持选择客观最优产品。GPT-5 Mini则呈现出异常模式：正面徒步偏好声明对其影响有限，但负面声明却显著推高了Fitbit Versa 4的选择率。这些差异表明，模型架构和训练方式对代理购物的可靠性有着深刻影响，用户在选择AI购物工具时，模型本身的特性不容忽视。

要点

• 单一外部评测来源（如Wirecutter）就能将AI购物代理的产品推荐概率改变高达99个百分点，信息来源对结果的影响远超产品本身的客观属性。
• 相同内容以不同顺序呈现，会导致部分模型的推荐结果大幅波动，说明AI购物代理缺乏稳定一致的决策逻辑。
• 简短的用户记忆片段（如个人爱好描述）可使模型放弃客观最优产品，转而推荐价格高出十倍以上的替代品，记忆功能存在不可预测的副作用。
• 不同模型的抗干扰能力差异显著，Gemini 3.5 Flash在记忆干扰测试中最为稳健，而Gemini 3.1 Flash Lite对信息顺序最为敏感。
• 对卖家而言，针对AI购物代理的优化比传统SEO更难把控，因为模型类型、预读信息和技术配置均不透明。