Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer

{"tags": ["AI Agents", "E-commerce", "Tool-Lab", "Pricing Cues", "Human Heuristics", "Prompt Engineering", "Decision Making"], "risks": ["Người tiêu dùng chịu thiệt hại tài chính khi ủy quyền cho AI agent nếu prompt đầu vào quá chung chung.", "Cửa hàng trực tuyến có thể cố tình tăng rào cản truy xuất thông tin (tăng chi phí tool call) để dẫn dụ AI agent vào các lựa chọn giá kém tối ưu.", "AI agent tái hiện các thiên vị nhận thức (heuristics) tương tự con người khi chịu áp lực về chi phí hoặc tài nguyên tìm kiếm."], "category": "Agents", "entities": ["Tool-Lab", "Large Language Models"], "summary_vi": "Nghiên cứu khảo sát hành vi của 8 mô hình LLM thương mại đóng vai trò người tiêu dùng ủy quyền khi đối mặt với các tín hiệu giá tiếp thị (giá 9 đuôi, khung khuyến mãi) thông qua môi trường Tool-Lab. Kết quả cho thấy dưới điều kiện chi phí truy xuất thuộc tính bằng 0, LLM hiếm khi bị đánh lừa. Tuy nhiên, khi phát sinh chi phí truy xuất kèm prompt mục tiêu mơ hồ, LLM bỏ qua việc tìm kiếm thuộc tính để tính đơn giá và đưa ra lựa chọn dưới mức tối ưu theo lối tắt phán đoán (heuristics) giống con người. Lỗ hổng này được khắc phục bằng prompt cụ thể và do kiến trúc thông tin của cửa hàng chi phối thay vì là lỗi cố hữu của mô hình.", "key_changes": ["Khi chi phí truy xuất bằng 0, các tín hiệu giá tiếp thị (just-below pricing, promotional framing) hiếm khi làm LLM quyết định sai.", "Khi áp đặt chi phí truy xuất cùng prompt mục tiêu mơ hồ, LLM bỏ qua các thuộc tính chẩn đoán cần thiết để tính đơn giá và đưa ra lựa chọn dưới mức tối ưu giống con người.", "Prompt mục tiêu cụ thể giúp duy trì khả năng tìm kiếm thông tin chẩn đoán và bảo toàn tính tối ưu của lựa chọn.", "Lỗ hổng heuristic của AI shopping agent bị chi phối bởi kiến trúc thông tin của cửa hàng (storefront information architecture) chứ không phải khiếm khuyết cố hữu của LLM."], "sub_category": "AI Shopping Agents", "novelty_score": 82, "business_score": 85, "research_score": 80, "why_it_matters": "Nghiên cứu chỉ ra rằng AI shopping agent không tự nhiên mắc bẫy giá tâm lý mà bị điều hướng bởi sự kết hợp giữa chi phí truy vấn thông tin và prompt mơ hồ. Điều này khẳng định tầm quan trọng của việc tối ưu hóa prompt mục tiêu và chuẩn hóa kiến trúc dữ liệu storefront trên các sàn thương mại điện tử trong kỷ nguyên tiêu dùng tự động hóa.", "developer_score": 78, "importance_score": 78, "possible_use_cases": ["Kỹ thuật prompt cho AI shopping agent: Bắt buộc agent tính toán đơn giá và truy vấn đầy đủ thông tin định lượng trước khi chọn mua.", "Đánh giá và kiểm chuẩn (benchmarking) AI agent với Tool-Lab để đo lường khả năng chống chịu trước các bẫy giá tiếp thị.", "Thiết kế kiến trúc thông tin storefront và API dữ liệu sản phẩm trên các sàn thương mại điện tử nhằm phục vụ AI agent.", "Quản lý chi phí gọi công cụ (tool call cost) trong agentic workflows để tránh việc agent tự ý cắt giảm các bước kiểm chứng quan trọng."], "actionability_score": 75}