编辑推荐：
摘要：生成式人工智能（Generative AI，GenAI）使得自主软件代理（autonomous software agents）能够在数字市场中搜索、比较和交易，有望大幅降低消费者搜索成本（search costs）并改善买卖双方的匹配效率。研究人员认为
摘要：生成式人工智能（Generative AI，GenAI）使得自主软件代理（autonomous software agents）能够在数字市场中搜索、比较和交易，有望大幅降低消费者搜索成本（search costs）并改善买卖双方的匹配效率。研究人员认为，此类收益并非自动实现。基于经济搜索理论（economic search theory），研究人员首先讨论了搜索成本降低对市场的影响。随后，研究人员展示了当前AI代理的行为如何引入限制竞争结果的摩擦。实证研究表明，即使技术搜索成本趋近于零，AI代理仍持续偏离最优搜索行为，这种偏差表现为行为搜索成本（behavioral search costs）。与此同时，AI生成的内容（AI-generated content）导致信号稀释（signal dilution），降低了AI代理所提供报价的信息含量（informativeness），削弱了有效的产品差异化（product differentiation）。这些力量与低进入成本（low entry costs）相互作用，鼓励了过度且通常低价值的进入。综合来看，它们可能使代理市场（agentic markets）陷入低效均衡（inefficient equilibria）。研究人员概述了对电子市场（electronic marketplaces）的关键启示，并指出了代理市场未来研究的有前景方向。
**代理市场的经济学：搜索、信号与进入的摩擦**
**研究背景与问题**
生成式人工智能（Generative AI，GenAI）的进步催生了能够自主搜索、比较、协商和交易的软件代理（AI agents）。这些基于大语言模型（Large Language Models，LLMs）的代理在电子市场中代表买卖双方执行任务，从根本上改变了市场互动的组织方式。研究人员将这种环境定义为代理市场（agentic markets）：由自主AI代理代表买方和/或卖方执行搜索、评估、谈判和交易决策的电子市场。尽管AI代理承诺大幅降低消费者的搜索成本（search costs）并改善匹配效率，但研究人员认为，这些收益并非自动实现。核心研究问题在于：委托AI代理进行决策如何改变存在搜索摩擦（search frictions）和产品差异化（product differentiation）的市场中的均衡价格、进入和匹配效率？现有研究尚未提供统一的微观经济框架来分析代理市场，特别是缺乏将LLM代理的实证行为模式（如位置偏差、信号压缩等）纳入经典搜索与差异化模型以推导均衡含义的研究。因此，本研究旨在填补这一空白，通过整合新兴实证发现与成熟的微观经济理论，阐明代理能力如何重塑核心经济参数。
**研究内容与结论**
本论文作为一篇基础性文章（Foundations article），采用概念综合方法，系统分析AI代理行为的经济含义。研究基于Anderson和Renault（1999）的搜索与差异化模型，该模型整合了搜索成本、产品差异化和内生进入。研究人员将AI代理的能力（如自主委托搜索、大量替代品检查、信息汇总、自动协商与执行、低成本内容生成）映射到模型中的三个核心经济参数：搜索成本（c）、差异化强度（μ）和进入激励。通过回顾2023-2025年间关于LLM代理行为的实证研究，研究人员识别出三种主要摩擦：代理偏差导致的残余搜索摩擦、AI生成内容造成的信号稀释、以及低进入成本引发的过度进入。研究得出三个非正式命题：（1）行为摩擦阻止完全伯川德收敛（Bertrand convergence）；（2）信号稀释可能重新引入钻石型（Diamond-type）定价结果；（3）低进入成本在弱可验证性下放大过度品种化。研究结论强调，代理市场未必趋向无摩擦竞争均衡，而是可能因转型后的摩擦维持价格离散、低效进入和匹配扭曲。该论文发表在《Electronic Markets》上。
**主要技术方法**
研究人员采用概念综合的方法论，而非系统性文献综述。通过结构化文献检索覆盖2023-2025年期间，主要数据库包括Google Scholar、SSRN、arXiv和AIS eLibrary，并筛选人工智能与信息系统领域顶级会议（如AAAI、ICML、ICIS、NeurIPS）以及相关经济学期刊的论文集。检索词包括“LLM agents”、“agentic markets”、“AI bias”、“algorithmic pricing”、“AI negotiation”、“signal distortion”、“hallucinations”和“market design”。纳入标准为分析LLM代理在经济相关决策环境（搜索、排名、定价、协商、匹配）中行为的实证、实验和仿真研究。排除缺乏行为证据的概念性论文以及纯粹与市场互动无关的技术性能基准。随后，通过基于机制的编码方法，将重复出现的行为模式（如位置偏差、提前停止、信号压缩、随机协商行为）映射到经典搜索、差异化和进入模型中的经济参数。研究不依赖具体的试剂、培养或质粒构建操作步骤，且未涉及样本队列来源。
**研究结果**
**代理偏差作为残余搜索摩擦（Agentic biases as residual search frictions）**
尽管自动化具有潜力，实验证据表明AI代理并非始终执行完全理性的搜索策略。不同模型的行为模式各异，例如排名效应（ranking effects）取决于底层LLM架构，某些代理在面临较大选项集时表现出顺序效应或性能下降。在经济模型中，消费者在预期收益超过搜索成本c时继续搜索。当代理行为截断探索或过早终止搜索时，有效搜索摩擦保持为正，即使技术搜索成本c_tech很低。研究人员将其表示为：c_effective = c_tech + c_behavior，其中c_behavior代表代理特定停止规则、位置偏好或有限考虑集引起的残余探索摩擦。如果市场中许多代理依赖相似架构并系统性限制探索，竞争压力将被削弱，维持高于竞争基准的价格加成和价格离散。
**信号扭曲作为降低的差异化（Signal distortion as reduced differentiation）**
实证研究显示，AI代理可能以信息摩擦取代搜索摩擦。在劳动力市场中，LLM辅助不成比例地改善低质量申请，压缩信号质量使异质性候选人显得更相似；在在线零工市场中，AI生成的提案削弱了投标的信息内容。在Anderson-Renault框架中，产品差异化由匹配值离散度（由μ缩放）决定。当AI生成内容同质化可观测属性或压缩质量信号时，匹配值的信息精度下降，可表示为ε?_li = ε_li + η，其中η表示信号压缩或内容同质化引入的噪声。有效差异化的降低在搜索足够活跃时可能加剧价格竞争，但如果结合残余探索摩擦，削弱差异化并不必然转化为更强的竞争压力。信号压缩降低分配效率，而有限探索减少发现更好匹配的可能性，两者共同可能维持低效均衡。
**进入成本与市场结构（Entry costs and market structure）**
AI降低了创建新产品变体的成本（如AI生成的书籍、代发货变体），从而降低了进入壁垒。低进入成本可能导致低质量品种激增（垃圾进入）。与“信号稀释”相结合（消费者无法区分优劣），这加剧了先前讨论的过度进入问题。市场充斥着低质量或难以区分的变体，这些变体仅为了捕获代理的满意行为而进入，进一步放大了信号稀释带来的福利损失。
**超越搜索：协商作为定价噪声（Beyond search: Negotiation as pricing noise）**
LLM代理越来越多地用于双边谈判和交易执行。研究人员指出，这些代理不一定执行均衡策略，其表现高度依赖实施细节、提示和环境结构。在重复博弈中，某些LLM在高度结构化环境中表现出次线性遗憾（sublinear regret），但在复杂或弱结构化环境中，遗憾并不系统性消失，决策方差仍然很大。因此，AI中介的协商不会消除摩擦，而是将其转化为可靠性和战略噪声。幻觉、提示敏感性和操纵易感性可能产生噪声化或不稳定的价格响应，阻碍系统性收敛至均衡价格p*。成功的AI协商通常需要受限的行动空间和精心设计的推理过程。
**核心理论含义（非正式命题）**
**命题1（行为摩擦阻止完全伯川德收敛）**：如果代理表现出减少探索的残余行为摩擦，表示为c_effective = c_tech + c_behavior且c_behavior>0，则即使c_tech→0，均衡价格加成仍保持在无摩擦基准之上。具体而言，当报价抽样不完整时，降低的继续概率维持价格离散。
**命题2（信号稀释可重新引入钻石型结果）**：如果AI生成内容在匹配信号中引入噪声，ε?_li = ε_li + η，且代理过早终止搜索（高c_behavior或低继续概率），则降低的有效差异化并不必然加剧竞争。相反，市场可能表现出钻石型（Diamond-type）定价模式：弱探索与噪声信号结合可在低技术搜索成本下维持高价格和错配。形式上，如果继续概率充分下降以致进一步搜索的预期收益低于c_effective，则企业面临局部无弹性需求，恢复垄断型定价激励。
**命题3（低进入成本在弱可验证性下放大过度品种化）**：当AI降低列表和变体的进入成本时，进入增加。如果可验证性有限且信号被稀释（高信号噪声η），增量进入可能主要是商业窃取（business-stealing）而非价值创造，增加私人最优与社会最优进入之间的差距，并通过低价值品种化降低福利。
**边界条件与情境变化**
上述机制的幅度和相关性因市场环境而异。在标准化B2C市场中，行为搜索偏差可能比信号稀释发挥更大作用；而在B2B市场中，可靠性摩擦和操纵易感性可能占主导。对于经验品或信任品，AI生成内容可能显著扭曲感知差异化。平台结构也至关重要：在具有算法排名的集中式平台中，AI代理与策划的信息环境互动，可能强化平台把关权力；在去中心化市场中，搜索和进入动态可能主导均衡扭曲。
**总结与讨论**
**对平台设计与治理的要求**
研究人员指出，如果代理市场转型而非消除摩擦，平台架构成为均衡结果的主要决定因素。可行的设计杠杆包括：（1）通过随机化排序、强制代理检索最低备选集或提供结构化比较API来减少残余搜索摩擦；（2）通过强化产品属性可验证性（如结构化数据字段、平台颁发凭证、来源要求、标准化质量认证）来恢复信号保真度；（3）通过退款性上市费、基于质量的过滤机制、差异化可见性规则或基于绩效的参与要求来管理进入和品种化。此外，审计、可解释性和互操作性应被视为经济设计变量，它们修改决定均衡的核心经济参数。
**平台权力与代理把关（Platform power and agentic gatekeeping）**
代理中介可能重塑市场权力的位置。当AI代理在垂直整合的平台生态系统中运行时，抽样分布变得平台依赖。即使技术搜索成本低，有偏排名或选择性曝光可降低有效探索并维持更高均衡价格。代理系统还集中偏好解释和交易路由，积累专有信息资产，产生数据驱动的递增收益，可能巩固在位者优势。小型和新进入卖家特别脆弱。这些动态具有监管含义，如欧盟《数字市场法案》（Digital Markets Act, DMA）中的相关义务应延伸至AI驱动的推荐和执行系统内部逻辑。
**研究结论翻译**
研究人员总结认为，委托AI代理可以通过减少技术摩擦来提高福利：代理可以检查大量报价、操作高维偏好并以低边际成本进行计算比较。然而，相同的委托引入了三种均衡风险。首先，位置偏差和提前停止等行为规律充当残余搜索摩擦（c_behavior>0），即使在检查成本低廉时也限制探索，可能维持价格加成和价格离散。其次，AI生成内容可以稀释报价和建议的信息含量，增加感知匹配值中的噪声（η），并通过错配降低分配效率。第三，AI降低了创建列表和变体的成本，放大了进入激励；当信号较弱时，额外进入可能主要是商业窃取而非价值创造，导致低价值品种化和福利损失。这些摩擦是否会随着技术成熟而消失尚不明确，但其根本来源似乎是结构性的：概率性偏好推理、注意力与计算约束下的有限探索、以及平台中介的抽样与路由。因此，即使技术进步，代理市场也未必收敛到无摩擦竞争均衡，而是可能表现出转型的、持续存在的摩擦，重塑均衡价格、进入和福利。
