یک منبع خارجی احتمال خرید در عامل‌های هوش مصنوعی را ۹۹٪ تغییر می‌دهد

تصور کنید دستیاری استخدام کرده‌اید که هر بار نام یک سرگرمی را می‌شنود، مدل ساعتی متفاوتی را پیشنهاد می‌دهد یا صرفاً چون ترتیب خواندن نظرات تغییر کرده، نظرش را عوض می‌کند. این وضعیت فعلی تجارت الکترونیک عامل‌محور (Agentic) است؛ جایی که مدل‌ها فاقد یک فرآیند تصمیم‌گیری پایدار هستند.

طبق گزارش مدرسه وارتون در دانشگاه پنسیلوانیا که در ۲۷ اوت ۲۰۲۶ منتشر شد، عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی که دستورات را اجرا می‌کنند اما هر لحظه بر اساس آخرین جمله‌ای که شنیده‌اند نظرشان عوض می‌شود — برای خرید مطمئن به جای کاربر بیش از حد ناپایدارند. پژوهشگران دریافتند حتی تغییرات کوچک در بستر متن یا ترتیب اطلاعات، می‌تواند تصمیمات خرید را با حاشیه وسیعی تغییر دهد.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی سوگیری‌های مدل‌های زبانی اشاره کردیم، این ناپایداری ریشه در نحوه پردازش توکن‌ها دارد. در این مطالعه، تیم تحقیقاتی از شبیه‌ساز تجارت الکترونیک عامل‌محور (ACES) استفاده کرد تا ۶ مدل مختلف، از جمله نسخه‌های پیشرو (Frontier) و نسخه‌های کوچک (Mini)، را برای انتخاب یک ساعت ورزشی از یک شبکه ثابت (Fixed Grid) به چالش بکشد. این عامل‌ها اسکرین‌شات‌های صفحات محصول را تحلیل کرده و منابع توصیه خارجی را با هم ترکیب کردند.

بر اساس مستندات این پژوهش، یک منبع خارجی می‌تواند توصیه مدل را به‌طور کامل وارونه کند. محققان سه منبع خاص را برای آزمایش انتخاب کردند:

• یک رشته‌بحث در ردیت (Reddit) که ساعت Garmin Forerunner 55 را توصیه می‌کرد.
• یک بررسی در سایت Wirecutter برای ساعت Fitbit Inspire 3.
• یک مقاله در Strategist درباره ساعت WHOOP 5.0.

منبع Wirecutter بیشترین قدرت جذب و تأثیر را داشت. وقتی بررسی این سایت برای Fitbit Inspire 3 ارائه شد، احتمال انتخاب این ساعت برای مدل Claude Opus 4.8 حدود ۹۰ درصد و برای Gemini 3.5 Flash تا ۹۹ درصد نسبت به گروه کنترل افزایش یافت.

افزودن منابع بیشتر لزوماً منجر به تصمیم متوازن نشد. در آزمایش دوم، عامل‌ها ترکیبی از دو یا سه منبع را دیدند. در این حالت، Wirecutter بدون توجه به سایر ورودی‌ها بر ترکیب غالب بود. طبق این مطالعه، افزایش تعداد منابع به‌جای تثبیت نتایج، در واقع باعث افزایش نوسان در خروجی‌ها شد.

ترتیب ارائه اطلاعات نیز به عنوان یک محرک اصلی در انتخاب عمل کرد. در مطالعه سوم، هر سه منبع با ترتیب‌های مختلف به مدل‌ها داده شد. مدل Gemini 3.1 Flash Lite حساس‌ترین واکنش را داشت؛ به‌طوری که تمایل آن به Fitbit Inspire 3 بسته به ترتیب منابع ارائه شده، بین ۲ تا ۵۶ درصد نوسان داشت. در مقابل، Claude Haiku 4.5 ثبات بیشتری نشان داد و انتخاب‌های آن بین ۴۱ تا ۴۲ درصد باقی ماند.

علاوه بر این، روش تحویل داده‌ها نیز مؤثر بود. مدل GPT-5.5 در حالتی که منابع به‌صورت دسته‌ای (Bundled) ارائه می‌شدند، ۵۳ درصد بیشتر Fitbit Inspire 3 را انتخاب کرد تا زمانی که منابع به‌صورت متوالی (Sequentially) ارسال شدند؛ در حالت متوالی، این افزایش تنها ۶ درصد بود.

در آخرین آزمون، محققان یک محصول را معرفی کردند که به‌طور عینی برتر بود: ساعتی با دستیار الکسا به قیمت ۲۹.۹۹ دلار و امتیاز ۵ از ۴۳۰ بررسی، در حالی که تمام گزینه‌های دیگر حداقل ۳۵۹ دلار قیمت داشتند و بررسی‌های کمتری داشتند. با این حال، افزودن یک جمله ساده به حافظه کاربر مثل «من عاشق پیاده‌روی هستم!» مدل‌ها را از این بهترین معامله دور کرد.

برای Claude Opus 4.8، جمله مربوط به پیاده‌روی باعث شد احتمال انتخاب ساعت گران‌تر Garmin Vivoactive 5 حدود ۷۵ درصد افزایش یابد. تغییرات مشابهی برای GPT-5.5 (۳۷ درصد) و Gemini 3.1 Flash Lite (۳۶ درصد) رخ داد.

تنها Gemini 3.5 Flash پایدار ماند و در ۸۶ تا ۹۲ درصد دفعات، محصول به‌طور عینی برتر را انتخاب کرد. جالب اینجاست که GPT-5 Mini الگوی متفاوتی داشت؛ در حالی که جمله مثبت درباره پیاده‌روی تأثیری در تغییر نظر آن نداشت، اما یک جمله منفی («من پیاده‌روی را دوست ندارم!») به‌طور قابل‌توجهی انتخاب‌ها را به سمت Fitbit Versa 4 سوق داد.

این ناپایداری یعنی دو کاربر با پرسش یکسان — یا یک کاربر در دو روز مختلف — ممکن است توصیه‌های کاملاً متفاوتی دریافت کنند بدون اینکه دلیل واضحی برای آن وجود داشته باشد. این موضوع نشان می‌دهد ویژگی‌های حافظه در هوش مصنوعی فعلی می‌تواند سوگیری‌های پیش‌بینی‌ناپذیری را وارد تصمیمات مالی کند.

برای فروشندگان، این یک چالش جدید است. بهینه‌سازی برای عامل‌های هوش مصنوعی بسیار سخت‌تر از سئو (SEO) سنتی است؛ چون فروشنده نمی‌داند کدام مدل در حال خرید است، قبلاً چه مطالبی را خوانده یا ساختار فنی سیستم چگونه داده‌ها را پردازش می‌کند. این پیچیدگی در حالی رخ می‌دهد که برخی پلتفرم‌های بزرگ مانند آمازون در حال تبدیل شدن به سامانه‌های خرید خودکار هستند و تقاضا برای بهینه‌سازی در این محیط‌ها افزایش یافته است.

کاربران باید در اعطای قدرت خرید خودکار به عامل‌ها محتاط باشند تا زمانی که مدل‌ها بتوانند یک فرآیند استدلال عینی و پایدار را به نمایش بگذارند که با یک رشته‌بحث در ردیت یا تغییر ترتیب لیست، از مسیر خارج نشود.

گام بعدی شما

• اگر از عامل‌های هوش مصنوعی برای تحقیق خرید استفاده می‌کنید، ترتیب منابع ورودی را تغییر دهید تا متوجه نوسان تصمیمات آن‌ها شوید.
• برای خریدهای حساس مالی، هرگز اجازه پرداخت خودکار به عامل‌ها ندهید و خروجی را با یک منبع مستقل تطبیق دهید.
• در صورت استفاده از حافظه شخصی (Memory) در مدل‌ها، جملات کلیدی را بازبینی کنید تا مطمئن شوید سوگیری ناخواسته‌ای در توصیه‌ها ایجاد نمی‌کنند.

اما تأثیر این ناپایداری بر استراتژی‌های بازاریابی دیجیتال حتی پیچیده‌تر است — به تحلیل ما درباره آینده سئو در عصر عامل‌های هوش مصنوعی مراجعه کنید.