本文研究大型语言模型购物代理在消费者与平台双重委托下是否产生赞助偏差。实验显示,在产品客观属性相同的情况下,消费者委托显著降低代理对赞助商品的选择,而平台委托会削弱这一惩罚,并通过降低对赞助标签的怀疑程度影响决策 。跨模型、提示词和推理深度的稳健性检验均复现该现象;更严格的“Sponsored”披露虽能降低付费商品的总体选择率,却无法消除平台归因造成的代理分歧 。研究据此指出,单纯依靠广告披露不足以保护消费者,监管和企业应检验AI代理的评价是否不受委托方身份影响 。
本文将面向消费者提供建议、同时由可从赞助商品中获益的平台部署的LLM代理视为存在“职责冲突”的数字受托人 。
研究采用“赞助状态×委托方”的2×2实验设计,每个条件进行500次独立零样本重复,共2,000次;目标酒店与竞争酒店价格和正面评价相同,其他选项均为明显劣质选项 。
| 赞助状态 | 消费者委托:目标选择率 | 平台委托:目标选择率 | 相对有机商品的选择惩罚 |
|---|---|---|---|
| Organic | 53.0% | 54.2% | — |
| Platform Sponsor | 2.8% | 25.0% | 消费者委托:50.2个百分点;平台委托:29.2个百分点 |
赞助标签通过激发代理对商品真实价值的怀疑,降低其选择目标酒店的概率;平台委托会削弱这一中介路径 。
| 条件 | 消费者委托:怀疑度均值 | 平台委托:怀疑度均值 |
|---|---|---|
| Organic | 2.08 | 2.08 |
| Sponsored | 5.98 | 5.07 |
跨提供商和模型代际的实验均发现,消费者委托下赞助惩罚显著为负,平台委托下的惩罚显著减弱;该结果在Claude Sonnet 5、GPT 5.6 Terra及Gemini 3.5、3.6、3.8 Flash中均得到支持 。
| 模型 | 赞助主效应系数 | 委托方×赞助交互系数 |
|---|---|---|
| Claude Sonnet 5 | −3.241 | 1.752 |
| GPT 5.6 Terra | −2.238 | 0.708 |
| Gemini 3.5 Flash | −1.824 | 0.975 |
| Gemini 3.6 Flash | −0.917 | 1.124 |
| Gemini 3.8 Flash | −5.836 | 5.243 |
Study 2将披露标签拆分为“Promoted”与“Sponsored”两种披露类型,以及是否添加“by the platform”平台归因,构成2×2×2设计,共4,000次重复 。
| 披露标签 | 消费者委托目标选择率 | 平台委托目标选择率 | 平台相对消费者差异 |
|---|---|---|---|
| Promoted | 28.8% | 39.6% | 10.8个百分点 |
| Sponsored | 0.8% | 1.4% | 0.6个百分点 |
| Promoted by the platform | 34.6% | 74.2% | 39.6个百分点 |
| Sponsored by the platform | 3.6% | 21.2% | 17.6个百分点 |
研究认为,平台不能仅通过更换披露词语或等待新一代LLM更新来解决问题,监管和部署企业应直接测试代理评价是否对委托方身份保持不变 。
报告没有涉及股票评级、目标价、收入预测或企业估值,因此不存在传统券商报告中的“买入/持有/卖出”结论,也没有DCF、市盈率或EV/EBITDA估值部分。本文的核心结论不是金融投资判断,而是一个关于AI商业推荐系统的治理判断:当同一个AI代理既为消费者提供建议、又由能够从付费推荐中获益的平台部署时,仅仅在商品旁边增加“Sponsored”或“Promoted”等广告披露标签,未必能够保护消费者。,
作者把AI购物代理界定为一种“数字受托人”或“数字受托代理”。消费者将选择商品的判断委托给AI,而平台则掌握系统提示词、部署环境和商业化机制。由此,AI代理可能同时面对两个利益不一致的“委托人”:消费者希望得到客观、符合自身利益的建议,平台则可能因消费者选择赞助商品而获得广告收入。,
文章的规范性标准是程序公平:在目标商品客观属性完全相同的情况下,商品是否为赞助商品当然可以影响评价,但“究竟是消费者还是平台部署了AI代理”不属于商品属性,因此不应改变AI对该商品的评价。如果仅改变系统提示词中对委托主体的描述,就使同一赞助商品获得不同评价,作者便将其称为“赞助偏见”(sponsorship bias)。,
实证上,作者发现消费者委托的AI会明显惩罚赞助商品,但平台委托会显著削弱这种惩罚。在研究一中,消费者委托下的赞助折价为50.2个百分点,平台委托下仅为29.2个百分点;在研究二中,当标签明确写成“Promoted by the platform”时,平台委托的AI甚至以74.2%的比例选择该商品,而消费者委托的AI选择率只有34.6%。, ,
传统推荐系统通常是在既定商品目录中排序、过滤或抑制商品,并通过一个显式目标函数在消费者、平台和广告商之间分配权重。理论上,这种权重可以被审计,例如系统可能明确规定点击率、平台收入和消费者满意度各占多少比例。,
LLM代理与传统排序系统不同。它们能够仅根据自然语言上下文进行零样本推荐,并通过语义理解生成开放式判断,而不是机械执行一个透明的排序公式。作者因此强调,系统提示词中一句非常简短的角色设定,可能在没有显式收益函数的情况下影响AI把谁的利益放在首位。
文章区分了“利益冲突”和“职责冲突”。传统利益冲突通常指专业人员自身有经济利益,从而可能影响其为客户判断;职责冲突则指一个代理人同时对两个利益不一致的主体承担义务,即使代理人本身没有获利,也可能无法同时完整履行两项义务。
这一概念适用于平台部署的AI。LLM本身并不直接获得广告收入,但它被平台部署,平台可能从赞助商品的选择中获益。因此,冲突存在于“对平台的部署关系”和“对消费者的建议义务”之间,而不必依赖模型具有个人动机。
作者提出四项假设:
这里的“赞助惩罚”不是商品价格折扣,而是相对于同等客观属性的有机商品,因被披露为付费位置而减少的选择份额。作者将其视为消费者识别广告说服意图后的“说服知识”反应。
图1展示了完整的中介与调节关系:Sponsorship首先影响Choice,直接路径对应H1;Principal,即消费者委托或平台委托,对该路径进行调节,对应H2;Sponsorship还通过Skepticism影响Choice,对应H3;Principal进一步调节“赞助标签对怀疑程度”的第一阶段路径,对应H4。
图中H4标注为负号,含义是平台委托会减弱赞助披露所引发的怀疑;H2标注为正号,是因为在回归交互项中,平台委托使赞助标签原本的负面系数变得不那么负。这个图形正确表达了文章的核心机制:平台角色本身不一定改变有机商品的选择,但会改变AI看到“赞助”信号之后如何解释它。
研究一采用2×2析因设计:
每次任务有四个酒店选项:目标酒店、竞争酒店,以及两个被支配选项。目标酒店接受赞助标签处理,竞争酒店不带赞助标签。两个被支配选项价格更高且评价较差,因此理论上不应被选择。这样做既保留了多选购物场景的现实感,又把实际决策集中为目标酒店与竞争酒店之间的比较。,
实验共设置四个条件,每个条件进行500次独立、零样本运行,总样本为2,000次。由于LLM输出具有随机性,作者采用蒙特卡洛抽样估计模型在不同条件下的选择分布,而不是把单次模型输出当作稳定行为。
作者从Expedia酒店信息中选取10个酒店名称,并构造10组正面与负面评论。正面评论来自真实酒店评论,负面评论通过反转正面评论的情感取向生成,同时尽可能保持句子结构、长度和品牌中立性。目标酒店和竞争酒店使用正面评论,两个被支配酒店使用负面评论。,
目标酒店与竞争酒店的价格完全相同,价格从173.45美元至351.40美元之间的均匀分布中抽取;两个被支配选项价格固定为400美元和450美元。此设计排除了目标酒店因价格更低或更高而造成的选择差异。,
作者还随机化酒店名称、评论文本、价格以及选项顺序,以降低品牌、文字内容和位置偏差。酒店名称和评论文本随后作为固定效应纳入回归模型,说明作者试图将分析重点放在赞助标签和委托主体上。,
表1规定了目标、竞争和两个被支配酒店的结构,关键操纵变量是目标酒店的“Platform Sponsor”标签,其他酒店均不带该标签。目标与竞争酒店价格相同,因此50%的目标选择率被视为客观等价时的基准。
表2操纵系统提示词中的委托主体。消费者条件将AI定义为旅行者的代理,平台条件则将AI定义为酒店预订平台的代理。重要的是,平台提示词没有明确写出“最大化广告收入”“偏好付费酒店”或“帮助平台赚钱”等指令,这使得后续观察到的差异更接近角色语义诱发的隐性偏差,而不是模型服从了直接的商业命令。,
模型在做出选择和生成推理文本之后,才被要求回答自己是消费者代理还是平台代理。两个条件下的识别正确率均为100%,表明模型理解了系统提示词中的角色分配。
主要因变量是目标酒店是否被选择,目标酒店被选记为1,否则记为0。机制变量是“怀疑程度”,由另一个LLM根据主模型的选择前推理文本,以1至7分评价“赞助状态是否使代理对该酒店对旅行者的真实价值产生怀疑”。
作者没有直接使用同一商业提供商的模型作为评审器,而是使用开放权重模型,并在60条推理文本上与人工评分进行验证。最终选定的Ornith 1.0 35B与人工评分的ICC为0.950、Pearson相关系数为0.953、平均绝对误差为0.433,说明其评分与人工判断高度一致,但这仍然只是对文本表现的测量,不等于读取到了模型的真实内部计算过程。,
表3显示,消费者委托且目标为有机商品时,目标选择率为53.0%,接近50%的客观等价基准;当目标改为“Platform Sponsor”后,选择率骤降至2.8%,即下降50.2个百分点。这个结果支持H1,说明在消费者角色下,模型把赞助标签当作强烈的负面信号。
平台委托且目标为有机商品时,目标选择率为54.2%,与消费者委托下的53.0%没有显著差异;但平台委托且目标为赞助商品时,选择率为25.0%,相对于有机商品仍下降29.2个百分点。由此,平台委托并没有完全消除赞助惩罚,却把惩罚从50.2个百分点削弱至29.2个百分点。
两种委托主体在有机商品上的选择率几乎一致,而差异集中出现在赞助商品上,这是非常关键的交互模式。它说明平台角色不是普遍地让模型偏好目标酒店,而是在“商品具有平台可能受益的付费属性”时才产生明显影响。
平台委托下赞助酒店的选择率是消费者委托下的8.93倍,即25.0%相对于2.8%。虽然这不能直接解释为平台AI“主动追求收入”,但它清楚显示了角色语义对商业相关属性的非对称影响。
图2将这一模式扩展到六个模型。每个小图的有机条件都接近50%基准线,而赞助条件下,浅色的消费者代理柱形普遍低于深色的平台代理柱形。Gemini 3.1 Pro中差异尤其明显;GPT、Claude以及Gemini Flash系列也都显示平台代理对赞助商品的惩罚较轻。,
表4使用二元逻辑回归,控制标准化价格、酒店名称和评论文本固定效应。消费者委托下,赞助标签系数为−6.49,标准误为0.42,显著性为p<.001,说明赞助标签对选择概率具有极强的负面影响。,
Principal×Sponsorship交互系数为3.99,标准误为0.43,z=9.32,p<.001。该交互项的正号表示平台委托会抵消部分赞助标签的负面影响,21.0个百分点的选择惩罚差异就是差分中的差分估计。
表5和图W1显示,有机目标酒店在消费者和平台条件下的怀疑程度均为2.08,说明角色本身不会在没有赞助信号时制造明显怀疑;加入赞助标签后,消费者代理的怀疑程度升至5.98,平台代理则升至5.07。, ,
因此,赞助标签在两个角色下都能触发怀疑,但平台委托下增加的怀疑幅度较小。消费者条件的赞助效应为3.890,平台条件为3.000,二者差值为0.890,且p<.001,支持H4。
在选择方程中,怀疑程度系数为−0.925,表明怀疑越高,选择目标酒店的对数优势比越低。赞助通过怀疑影响选择的间接效应,在消费者委托下为−3.598,在平台委托下为−2.774,两者的95% bootstrap置信区间都不包含0,支持H3。,
调节中介指数为0.823,95%置信区间为[0.620, 1.159],说明赞助标签通过怀疑影响选择的路径确实取决于委托主体。换言之,平台角色不是简单地提高目标酒店的直接吸引力,而是削弱了赞助标签原本应当激发的怀疑。,
需要审慎理解的是,作者使用的是模型在最终选择前生成的推理文本,并非神经网络激活状态。因此,怀疑中介结果只能说明推理文本中存在与该机制一致的表达,不能证明模型内部真正按照“先怀疑、后改变选择”的因果顺序运作。
表8及表W1至表W3将实验扩展至Claude Sonnet 5、GPT 5.6 Terra、Gemini 3.5 Flash、Gemini 3.6 Flash和Gemini 3.8 Flash,每个模型2,000次,总计10,000次。, ,
消费者侧赞助系数在五个模型中均显著为负:Claude为−3.241,GPT为−2.238,Gemini 3.5为−1.824,Gemini 3.6为−0.917,Gemini 3.8为−5.836,均达到p<.001。说明不同模型对赞助披露的基本负面反应具有普遍性,但惩罚强度存在明显模型差异。
平台委托与赞助标签的交互项在五个模型中也均为正且显著,系数从GPT的0.708到Gemini 3.8的5.243不等,表明平台角色削弱赞助惩罚的现象并非Google模型独有,也不是某一代模型的偶然故障。,
Gemini 3.8相较3.5和3.6的衰减幅度分别增加21.2和23.6个百分点,均具有统计显著性。这一结果不支持“更新模型会自动消除偏见”的乐观预期,甚至暗示更强的新模型可能表现出更明显的角色诱导差异。
由于GPT和Claude的公共API不提供完整推理轨迹,调节中介的跨模型验证仅在Gemini Flash系列进行。表W2和表W3显示,三个Gemini Flash版本均支持H3和H4,平台委托均降低赞助标签带来的怀疑,且调节中介指数显著为正。,
作者担心主实验可能存在两个替代解释:第一,“Which hotel would you book?”对平台代理而言不自然;第二,系统提示词中的“platform”与赞助标签“Platform Sponsor”存在词汇重叠。
因此,作者设置了两个变体:将“book”改为“recommend”;将“traveler”和“hotel booking platform”替换为“customer”和“online travel agency”,从而删除与标签的直接词汇重叠。
图3显示,无论采用何种措辞,有机酒店的选择率都在48.0%至51.2%之间,接近50%基准;消费者委托下,赞助标签仍将选择率压低至4.0%或5.8%;平台委托下,惩罚仍显著减弱。
表10中,主客体替换版本的交互项为2.50,动词替换版本为4.59,均显著为正;平台委托下剩余的赞助效应仍为负,说明平台代理并非完全接受赞助商品,而是相对于消费者代理较少惩罚它。
这些结果削弱了“词汇匹配”或“动作问题不自然”造成假象的解释,但并不能排除更广义的语义联想:例如“在线旅行社”本身仍然可能让模型联想到平台的商业利益。,
低推理条件下的推理文本平均284.99个token,高推理条件下平均543.92个token,证明thinking level确实改变了模型的推理长度。
但选择结果与高推理条件相似。低推理下,消费者委托的有机选择率为50.4%,赞助后降至5.0%;平台委托下有机选择率为49.6%,赞助后仍有25.6%。平台侧惩罚为24.0个百分点,略低于高推理的29.2个百分点。
表11显示,低、高推理下的消费者侧赞助效应和Principal×Sponsorship交互项均显著;三阶交互项不显著(β=0.84,p=.104)。这表明偏见不需要长链条推理才能出现,更像是由角色标签迅速激活的语义启发式或先验联想。,
研究一使用的“Platform Sponsor”同时包含两个信息:商品是付费位置,以及平台是付费位置的归因主体。因此,研究二将其拆成两个维度:
每个条件进行500次,总样本4,000次。其他酒店、价格、评论、随机化和模型设置均沿用研究一。
作者的理论预期是:更明确的“Sponsored”应比含义较模糊的“Promoted”更能降低选择;但如果平台归因触发角色认同,那么“by the platform”应特别提高平台委托AI对该商品的选择。
表13和图5显示,在没有明确平台归因时,消费者委托下“Promoted”的选择率为28.8%,“Sponsored”为0.8%;平台委托下分别为39.6%和1.4%。因此,“Sponsored”确实比“Promoted”带来更强的总体惩罚,主效应系数为−5.640,p<.001。
但加入“by the platform”后,平台委托下的行为发生明显改变。“Promoted by the platform”的选择率上升到74.2%,超过50%等价基准,意味着平台AI不仅不再惩罚该付费位置,反而偏好它;消费者委托下的选择率仅为34.6%。
在“Sponsored by the platform”条件下,平台委托选择率为21.2%,消费者委托为3.6%。虽然强披露显著降低了总体选择率,但两者之间仍有约六倍的选择份额差异。
平台归因与平台委托的交互项在“Promoted”和“Sponsored”两种文字下分别为2.34和2.28,均显著。作者据此认为,真正触发角色偏见的不是“付费”这个信息本身,而是明确指出“平台与该付费位置存在利益联系”。,
图5最直观地展现了这一点:消费者代理的柱形主要受“Promoted/Sponsored”文字强度影响,平台代理的柱形则在加入“by the platform”后显著抬升,尤其是“Promoted by the platform”达到74.2%。这说明更严格的披露在绝对程度上有效,却无法消除不同委托主体之间的相对差距。,
附录中的表W4至表W16提供了推理深度、主实验、调节中介、跨模型、提示词变体及研究二的完整回归表;其作用是展示正文简表中省略的截距、固定效应和完整控制变量,而不是引入新的理论结论。, , , , , , , , ,
表W17列出最终使用的正负面评论配对。原始语料包括1,150条Expedia评论,经过语言、品牌和文本条件筛选后得到418组正负评论,最终人工选择10组用于实验。这样做提高了刺激的可控性,但也意味着实验材料并非完全自然地产生于真实消费者选择场景。
表W18检验三个LLM评审器与人工评分的一致性,支持选择Ornith作为怀疑程度评审器。该验证改善了测量可信度,但样本仅60条,且只验证了文本评分的一致性,不能解决“推理文本是否代表真实内部机制”的根本问题。
表W19说明各模型使用的模型标识和默认采样设置;作者选择默认参数,以模拟实际部署环境,并说明Google和Anthropic在2026年逐步限制用户自定义采样参数。
附录的功效分析指出,每个条件500次运行,共加入36个刺激虚拟变量,模型层面约每个估计参数对应16个少数结果事件;差分中的差分估计在最坏情形下的精度约为±8.8个百分点。不过,这种统计功效主要解决模型随机输出和刺激抽样问题,并不等价于来自500名真实消费者的独立样本,因为重复运行的是同一个AI系统而非不同人类决策者。
研究只在酒店预订领域开展,且目标和竞争商品被刻意设计为价格与评论质量相同。这样的控制有利于识别因果效应,但与真实购物环境中的复杂权衡不同,现实消费者可能同时考虑位置、品牌、取消政策、评分数量和个人偏好。
作者承认,未来还需要检验金融建议、医疗服务等高风险领域。尤其在金融和医疗场景,AI代理的角色设定、商业激励和消费者依赖程度可能比酒店预订更复杂,不能直接把本文效应大小外推到这些领域。
负面评论由LLM反转正面评论,虽然经过人工验证,但这种结构化的正负配对可能放大赞助标签的相对影响。真实评论通常存在不同长度、可信度、评论者动机和信息密度,AI可能将这些因素与赞助属性结合处理。,
研究还没有考察评论者获得奖励、平台激励或刷评等更细致的利益冲突。作者指出,未来应研究AI是否能够识别并折扣由经济激励产生的人类评论偏见。
“怀疑”来自LLM对另一个LLM推理文本的评分,属于代理变量而不是神经机制。推理文本可能是事后生成的解释、格式化的合理化,或者并不真正参与最终选择。因此,H3和H4更准确地说是获得了与理论机制一致的行为证据,而不是证明了模型内部计算流程。
作者主张消费者的受托利益应优先于平台的部署利益,并要求同一商品在不同委托主体下得到相同评价。这一标准具有清晰的程序公平逻辑,但它本身是规范性选择,而不是由实验数据直接证明的事实。某些商业代理可能被明确授权为平台销售代理,消费者也可能知道这一点并据此调整信任程度;因此,实际治理规则还需要区分“消费者顾问”“平台销售代理”和“双重代理”三种角色。
正文大部分结果表明消费者委托下赞助效应为负,但表11文字中列出的低、高推理消费者侧系数写成了正值5.32和6.06,而同段又称其为“consumer-side sponsorship penalty”,且后面的平台条件剩余效应为负。这可能是回归编码、绝对值报告或符号转录造成的内部表达不一致,读者应优先以选择份额、交互方向和完整模型编码为准。
此外,文章在不同段落中有时使用“conflict of interest”,有时强调更精确的“conflict of duty”。严格来说,作者的理论贡献依赖后者:AI并不需要自身获利,只要同时承担对利益冲突主体的职责即可。,
这篇报告的最重要发现是:AI代理对赞助商品的判断,不仅取决于商品本身和披露标签,也取决于系统提示词告诉它“自己为谁服务”。消费者委托下,赞助标签引发显著怀疑并大幅降低选择;平台委托下,同样的标签仍有一定负面作用,但惩罚明显减弱。,
图表共同支持一个稳定的交互关系:有机商品在不同主体下都接近50%基准,说明平台角色不是普遍偏爱某个酒店;差异只在赞助商品出现,说明偏见集中发生在平台具有潜在商业利益的属性上。,
跨供应商、跨模型版本、跨提示词措辞和跨推理深度的结果表明,这一行为并非单一模型故障,也不需要复杂推理才能发生。更严格地使用“Sponsored”可以降低赞助商品的绝对选择率,但当标签明确写出“by the platform”时,消费者代理与平台代理之间的差距仍然存在,甚至可能出现平台代理偏好赞助商品的情况。, , ,
因此,作者总体立场是:当前以“披露广告属性”为核心的消费者保护制度,可能默认了披露信息会直接到达人类消费者,并由消费者自行折扣广告说服力;但在AI代为评价的场景中,披露首先到达的是AI,而AI可能根据自己的角色对同一披露作出不同解释。,
治理上的最终建议不是单纯要求更醒目的标签,而是对AI代理进行主体不变性测试:在商品、价格、评论和用户目标相同的情况下,仅改变“代理人为消费者还是平台服务”,其对赞助和有机商品的评价是否保持一致。作者认为,平台、模型开发者和监管者都应审计这种角色—商品属性交互,因为单独检查提示词中是否存在“偏好广告商”的明确指令,可能无法发现由隐性角色分配诱发的赞助偏见。
2609.17989.pdf