Wat Koopt Jouw AI-Agent? Evaluatie, Implicaties en Opkomende Vragen voor Agent-Gestuurde E-Commerce

What Is Your AI Agent Buying? Evaluation, Implications and Emerging Questions for Agentic E-Commerce

August 4, 2025

Auteurs: Amine Allouah, Omar Besbes, Josué D Figueroa, Yash Kanoria, Akshit Kumar

cs.AI

Samenvatting

Online marktplaatsen zullen worden getransformeerd door autonome AI-agenten die namens consumenten handelen. In plaats van dat mensen browsen en klikken, kunnen vision-language-model (VLM) agenten webpagina's interpreteren, producten evalueren en transacties uitvoeren. Dit roept een fundamentele vraag op: wat kopen AI-agenten, en waarom? We ontwikkelen ACES, een sandbox-omgeving die een platform-onafhankelijke VLM-agent koppelt aan een volledig programmeerbare mock-marktplaats om deze vraag te bestuderen. We voeren eerst basisrationaliteitstests uit in de context van eenvoudige taken, en vervolgens, door productposities, prijzen, beoordelingen, reviews, gesponsorde tags en platformaanbevelingen te randomiseren, verkrijgen we causale schattingen van hoe frontier VLM's daadwerkelijk winkelen. Modellen tonen sterke maar heterogene positie-effecten: allemaal geven ze de voorkeur aan de bovenste rij, maar verschillende modellen prefereren verschillende kolommen, wat de aanname van een universele "top"-rang ondermijnt. Ze straffen gesponsorde tags en belonen aanbevelingen. De gevoeligheden voor prijs, beoordelingen en reviews zijn richtingsgewijs mensachtig, maar variëren sterk in omvang tussen modellen. Gemotiveerd door scenario's waarin verkopers AI-agenten gebruiken om productvermeldingen te optimaliseren, tonen we aan dat een verkoperszijde-agent die kleine aanpassingen maakt aan productbeschrijvingen, gericht op AI-kopersvoorkeuren, aanzienlijke marktaandeelwinsten kan opleveren als AI-gemedieerd winkelen domineert. We vinden ook dat modale productkeuzes kunnen verschillen tussen modellen en dat in sommige gevallen de vraag zich kan concentreren op een paar geselecteerde producten, wat concurrentievragen oproept. Samen belichten onze resultaten hoe AI-agenten zich kunnen gedragen in e-commerce settings en brengen ze concrete verkopersstrategieën, platformontwerp en regelgevingsvragen naar voren in een AI-gemedieerd ecosysteem.

English

Online marketplaces will be transformed by autonomous AI agents acting on behalf of consumers. Rather than humans browsing and clicking, vision-language-model (VLM) agents can parse webpages, evaluate products, and transact. This raises a fundamental question: what do AI agents buy, and why? We develop ACES, a sandbox environment that pairs a platform-agnostic VLM agent with a fully programmable mock marketplace to study this question. We first conduct basic rationality checks in the context of simple tasks, and then, by randomizing product positions, prices, ratings, reviews, sponsored tags, and platform endorsements, we obtain causal estimates of how frontier VLMs actually shop. Models show strong but heterogeneous position effects: all favor the top row, yet different models prefer different columns, undermining the assumption of a universal "top" rank. They penalize sponsored tags and reward endorsements. Sensitivities to price, ratings, and reviews are directionally human-like but vary sharply in magnitude across models. Motivated by scenarios where sellers use AI agents to optimize product listings, we show that a seller-side agent that makes minor tweaks to product descriptions, targeting AI buyer preferences, can deliver substantial market-share gains if AI-mediated shopping dominates. We also find that modal product choices can differ across models and, in some cases, demand may concentrate on a few select products, raising competition questions. Together, our results illuminate how AI agents may behave in e-commerce settings and surface concrete seller strategy, platform design, and regulatory questions in an AI-mediated ecosystem.