W eksperymencie Tool-Lab osiem modeli językowych od trzech dostawców podejmowało decyzje zakupowe, pobierając informacje o produktach przez narzędzia. Gdy pobranie danych miało koszt, a cel zakupu był nieprecyzyjny, modele pomijały atrybuty potrzebne do obliczenia ceny jednostkowej i dokonywały nieoptymalnych wyborów. Dla osób prowadzących sklep to powód, by sprawdzić, jak podają ilość produktu i jednostkę miary. Badanie nie mierzyło zakupów klientów w działających sklepach.
Co badacze zmieniali w Tool-Lab
Davood Wadi i Yu Ma umieścili atrybuty produktów za wywołaniami narzędzi. Model musiał sięgnąć po informację przed wyborem produktu, a badacze mogli przypisać temu działaniu koszt. Porównywali też cele zakupowe opisane precyzyjnie i nieprecyzyjnie.
Eksperyment dotyczył ośmiu komercyjnie używanych modeli od trzech dostawców. Autorzy sprawdzali, jak na pobieranie informacji i wybór wpływają ceny kończące się tuż poniżej pełnej kwoty oraz promocyjny sposób przedstawienia oferty.
Kiedy modele pomijały potrzebne dane
Przy zerowym koszcie pobrania informacji bodźce cenowe rzadko prowadziły modele do błędnego wyboru. Precyzyjny cel zakupowy w dużej mierze pomagał im zachować wyszukiwanie potrzebnych danych i trafny wybór także wtedy, gdy pobranie informacji miało koszt.
Problem pojawiał się przy połączeniu kosztu z nieprecyzyjnym celem. Modele pomijały wtedy atrybuty potrzebne do wyliczenia ceny jednostkowej i wybierały nieoptymalnie. Autorzy wiążą ten wynik ze sposobem udostępniania informacji o produkcie. Nie przedstawiają go jako niezmiennej cechy modeli AI.
Co sprawdzić w danych sklepu
Badanie nie testowało polskich kart produktów ani feedów. Można jednak wykorzystać jego wynik jako punkt wyjścia do prostego przeglądu własnych danych.
Wybierz dwa opakowania tego samego produktu o różnej wielkości. Sprawdź, czy na karcie każdego z nich podano ilość i jednostkę miary oraz czy da się bez domysłów ustalić cenę za tę samą jednostkę. Następnie sprawdź, czy te informacje znajdują się również w feedzie produktowym. Jeśli są rozproszone lub brakuje jednego z atrybutów, zapisz konkretny brak do poprawy w katalogu.
To kontrola jakości danych, a nie potwierdzony w eksperymencie sposób na poprawę decyzji agentów lub wzrost sprzedaży. Osoby rozważające inne zastosowania AI w sklepie mogą zajrzeć także do omówienia AI w e-commerce.
Granice wyniku
Praca jest preprintem opisującym eksperyment w Tool-Lab. Wynik dotyczy badanych modeli i warunków zadania. Nie mówi, jak często podobne pominięcie występuje w rzeczywistych sklepach, ani czy zmiana karty produktu wpłynie na konwersję.
Najbezpieczniejszy wniosek dla sklepu jest węższy: gdy porównanie produktów wymaga danych o ilości i jednostce, warto upewnić się, że dane te są kompletne i łatwe do znalezienia. Wpływ na zachowanie agentów w konkretnym sklepie wymagałby osobnego sprawdzenia.
Źródła
- Davood Wadi, Yu Ma, „Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer” — preprint zgłoszony 23 września 2026 r., opisujący eksperyment Tool-Lab.
