Искусственный интеллект меняет ценообразование: алгоритмы учатся на лету, подстраиваясь под спрос, но иногда — в ущерб покупателям. Исследователи из Университета Карнеги-Меллон решили проверить, как системы ранжирования товаров на маркетплейсах влияют на цены. Оказалось, персонализированная выдача, которая подстраивается под каждого пользователя, может вредить кошельку — даже если сами цены для всех одинаковые.

Результаты опубликованы в издании Marketing Science.

Мы сравнили два подхода: персонализированный ранжинг, где порядок товаров зависит от предпочтений конкретного человека, и универсальный, где все видят одно и то же, — объясняет Парам Вир Сингх, соавтор исследования.

Это важно, потому что покупатели в онлайне редко копаются дальше первой страницы. Если алгоритм ставит дорогие товары выше, шанс, что вы их купите, растет — даже если есть дешевые аналоги.

Эксперимент показал:

• Персонализированная выдача снижает чувствительность цен к конкуренции — продавцы держат высокие цены, зная, что их увидят те, кому товар точно подойдет.
• Универсальный ранжинг заставляет алгоритмы сбавлять цены, чтобы пробиться в топ — и покупатели выигрывают.

Даже без персональных скидок или наценок, сама система рекомендаций может работать против покупателя, — говорит Лиин Цю, ведущий автор работы.

Зачем это знать

• Персонализация — не всегда добро. Удобство поиска может обернуться переплатой.
• Платформам стоит задуматься: баланс между релевантностью и ценовой конкуренцией хрупкий.

Работа полезна для регуляторов (например, ФАС): показывает, что борьба с алгоритмическим сговором — не только про запрет прямого обмена данными между конкурентами, но и про дизайн платформ. Для бизнеса — сигнал: слепое внедрение персонализации может разозлить клиентов. Для покупателей — напоминание: «умные» системы иногда умнее, чем нужно.

Тихий сговор (tacit collusion) — когда компании, не договариваясь явно, начинают вести себя как монополисты (например, держат высокие цены), потому что алгоритмы предсказывают выгоду от отсутствия конкуренции.

Исследование рассматривает идеализированные сценарии (только два типа ранжирования), но в реальности алгоритмы платформ гибридные. Например, Amazon учитывает и популярность, и персональные просмотры. Не факт, что выводы масштабируются на такие сложные системы.

Ранее ученые сообщили, что цифровые этикетки помогут супермаркетам генерировать меньше отходов.