AI幫買東西，一句偏好改了選擇

（媒角抵加／林承志綜合報導）用 AI 比價時，先把預算、用途與不能接受的條件排出順序，再看它引用的商品頁、評論與價格；付款由自己完成。Wharton Generative AI Labs 8月27日公布的購物模擬發現，一張評論截圖、資訊順序或一句「我愛爬山」的偏好，都可能讓代理改選另一項商品。

• 發生什麼事：Wharton Generative AI Labs 發布 AI 購物代理研究，在約26,000次模擬中測試六個模型的商品選擇。
• 研究怎麼做：代理從八款運動手錶的圖片挑選商品；研究人員陸續加入評論來源、來源順序、偏好記憶與不同工具呼叫方式。
• 讀者先做什麼：把選購條件寫成排序規則，查看 AI 引用的商品、價格與評論，付款前自行核對。
• 成熟度：可輔助選購；高單價、跨境或退貨條件複雜的訂單，保留人工結帳。

同樣的商品頁，多一張評論就可能換答案

Wharton 的研究把 AI 設成運動手錶購物助理，讓它在 ACES 購物模擬器裡看八款商品的圖片。沒有額外資料時，各模型會形成較固定的選擇；研究人員再加入 Reddit、Wirecutter 與 The Strategist 的來源截圖，讓它們各自推薦不同商品。

一張來源截圖已足以改變部分模型的選擇。當 AI 同時看到多個來源，它不會把意見平均計算；同一組來源換了出現順序，部分模型也會選到不同商品。研究還把三個來源改成一次送進去，或分三次送進去，結果一樣可能改變。

AI 給出「推薦這款」時，商品頁本身只是一部分。它先讀到的評論、推薦文章和搜尋結果，也會留在後面的選擇裡。

29.99美元、5.0分，仍可能輸給「我愛爬山」

研究人員在另一組條件裡設計了一款明顯最有利的商品：Smart Watch with Alexa 售價29.99美元、評分5.0；其他商品至少359美元，評分也較低。接著，他們在提示裡加入一句使用者記憶，例如「我愛爬山」。

這句偏好讓多數模型轉向適合登山的 Garmin Vivoactive 5。Claude Opus 4.8 有約四分之三的測試改選這款；GPT-5.5 與 Gemini 3.1 Flash Lite 也朝同一方向移動。Gemini 3.5 Flash 在這組設定中持續選擇研究定義的客觀最佳商品，卻仍會受到前面來源截圖影響。

偏好本來就該影響選購。購物代理需要把它看成一個有順序的條件：若你願意為登山功能多付錢，價格就不會排在第一位；若你把預算列為第一條，代理也要把超出範圍的商品排除。把條件講清楚，才能看出 AI 是依照你的取捨選擇，還是被前面讀到的資料帶向另一個答案。

交給AI比價前，先把三件事留在畫面上

第一，先寫出排序。可用「價格上限、必要功能、配送時間、退貨條件」這類短句，並標示哪一項優先。只寫「找最好的」時，代理得自行猜測你要的是最低價、功能、品牌還是送達速度。

第二，要求它交出比價依據。畫面上至少要看得到商品名稱與版本、價格與時間、它看過的商品頁或評論，以及每一項商品被排除或留下的理由。遇到相同型號的不同規格、贈品組合或訂閱條件時，這些欄位比一句推薦語更能幫你重做判斷。

第三，付款前再看一次。研究測的是商品選擇，畫面裡沒有實際扣款、運費、跨境稅費或退貨程序。把 AI 的結果帶到結帳頁後，商品版本、總價、到貨地點與退貨規則仍要由下單的人確認。

台灣買海外商品，多確認一次履約條件

台灣讀者把 AI 的推薦帶去海外商店時，把配送地、付款方式、運費、稅費與退貨收件地留到付款頁再確認。這些條件不在研究的運動手錶模擬裡，卻會決定一筆訂單是否值得按下付款。

先讓 AI 整理選項，再把商品頁、賣家與付款頁並排核對。它能替你縮小清單；真正下單前，買家仍要看清自己會收到什麼、付多少，以及出問題後能找誰處理。

先看AI的理由，再決定買不買

Wharton 團隊測到，推薦結果會帶著先前看過的資料與偏好。每次請 AI 比價時，先讓它列出取捨順序和引用來源；結果若和你的預算、用途或商品頁不一致，就重新問一次或改回自己比較。

購物代理能替人讀更多資料，卻無法替人承擔一筆買錯、無法退貨或規格不符的訂單。保留最後確認，能讓它先負責整理，再由買家完成選擇。

常見問題

一句偏好要怎麼寫，AI比較不會猜錯？

把偏好改成可排序的條件。例如先寫「總價不超過新台幣5,000元」，再寫「適合健走」與「一週內可送達」。若可以接受較高價格換取特定功能，也直接標示價格可以排在第幾位。

AI推薦的商品最便宜，就能直接下單嗎？

先核對同一個商品版本、數量、運費、稅費、付款幣別與退貨規則。研究中的商品選擇來自圖片模擬，不包含商店的實際結帳條件。

這份研究有測真人消費者嗎？

沒有。研究測的是六個模型在 ACES 購物模擬器裡看商品與來源圖片後的選擇。它呈現代理可能如何受脈絡影響，真人會不會做出相同選擇，仍需要消費者研究回答。

資料來源與更新紀錄

• 2026年8月27日：Wharton Generative AI Labs〈Agentic Shopping is Complicated and Contingent〉，確認研究日期、作者、約26,000次測試、ACES 模擬器、六個模型、來源截圖、順序、偏好記憶與工具呼叫條件。
• 2026年8月27日：SSRN 論文紀錄，確認論文書目與完整報告入口。
• 2026年8月31日：Forbes 報導，補充 AI 購物推薦可能受模型、提示與資訊順序影響的消費與商家脈絡。