【LLMO論文解説】AIの買い物代行は売り手の一文に何%の値上げまで目をつぶるか｜価格に換算して測る監査法（プレプリント）

2026年11月1日

AIが人に代わって買い物をするとき、売り手が商品説明に足した一文は、どれだけ選択を動かすのでしょうか。2026年10月19日に公開されたプレプリント「A Cue’s Hidden Price: Auditing Seller Influence on AI Shoppers」は、その影響を価格に換算して測る方法を提案しています。

この記事は、その論文を原文から読み、何を測って何が分かったのかを整理します。数値は論文の表と本文から拾い、金額は書かずに「価格の何%分」という比率で示します。

合同会社謙虚は、3つのドメインを並行して運用し、何を変えると数字が動くかを測り続けています。この論文は、「選ばれた割合」という数字が何を見落とすのかを教えてくれるので、測り方の点検として読みました。

結論：3行で言うと

論文が提案する「価格等価監査」は、売り手が足した一文の影響を、その商品が選ばれる割合が半分に下がるまで、何%値上げできるかで測ります
同じ価格で並べると、強い人気表示も中立な事実の一文（製造番号の印字）も、GPT-4oにはほぼ毎回選ばれました。値上げ幅で測ると、前者は約13%、後者は約2%で、論文はおよそ6倍の差と書いています
効く一文はモデルごとに違いました。「在庫残りわずか」はどのモデルでも2%以下で、専門家の推薦は一部のモデルで大きく効き、最初に並んだ選択肢を選ぶ癖も確認されています

ただし、この結果は「2つの商品カードから左右どちらかを選ばせる」実験室の設定で、英語、家電2種類、各6組の商品から得られたものです。実際の買い物代行サービスは、調べた範囲の外にあります。

この論文の基本情報

項目	内容
原題	A Cue’s Hidden Price: Auditing Seller Influence on AI Shoppers
著者	Felix Buecheler、Gerardo Berbeglia、Mingyu Guo（3人。所属はAdelaide UniversityとMelbourne Business School）
公開日	2026年10月19日（v1）
arXiv番号	2610.25843（分野はcs.AI）
掲載・採択状況	arXivのプレプリント。arXivのコメント欄は「22 pages, 5 figures, 25 tables」だけで、採択された学会や雑誌の記載はありません
種類	実験研究と、測定手順（ベンチマーク）の提案。22ページ
実験データ・コード	刺激文、プロンプト、試行ごとのログ、解析コードが公開リポジトリで公開されていると、論文に書かれています

論文はこちらで読めます。arXiv（2610.25843）、公開データとコード。

この論文が答えた問い

AIの買い物代行に対して、売り手が足す一文の影響を、種類の違う一文どうしでも比べられる共通のものさしで測れるか。

これまでの測り方は、「同じ価格で2つの商品を並べたとき、その一文がついた商品が何%選ばれたか」という選択率でした。論文は、この測り方に2つの死角があると指摘します。

強い一文は選択率が100%近くに張りつき、どちらがどれだけ強いのか見分けがつかなくなります
最初に並べた選択肢を選ぶ癖があると、平均すると50%になり、「どちらでもよい」という数字に見えてしまいます

そこで論文は、一文を「買い手に見えない値引き」とみなし、その値引きの幅を価格の目盛りで直接測ります。

どうやって調べたのか

価格等価（PE）の測り方

論文が測るのは、一文を足した商品の価格を何%まで上げると、選ばれる割合が半分に落ちるか、という値です。この値を「価格等価」（price-equivalent、以下PE）と呼びます。

手順は次のとおりです。

仕様、星の評価、評価件数、価格がそろった商品を2つ用意し、片方の商品説明の末尾に一文を足します
一文を足した側の価格を、0、2、4、6、8、12、18、26%の8段階で上げながら、AIに「どちらを薦めますか」と聞きます
一文を足した商品が選ばれる割合が0.5になる値上げ幅を、その一文のPEとします

たとえばPEが13%なら、同じ商品より約13%高くしたところで、選ばれる割合が半分に下がった、という意味です。それより安い間は、半分より多く選ばれます。

最初に並べた選択肢を選ぶ癖を打ち消すため、一文を足す商品が左に来る回と右に来る回は半々にしています。一文を足す側が商品Aの回とBの回も、半々にそろえています。

調べた条件

項目	内容
調べたAI	8つの言語モデル（GPT-4oとGPT-4o mini、Claude SonnetとHaiku、Nova ProとMicro、Llama-3.3-70Bと3.1-8B）。加えて、文章を生成せず選択確率を直接返す「決定特化型」のJev
除外したモデル	Nova Proは応答しない割合が21%と高く除外。Llama-3.1-8Bは約97%の回で最初の選択肢を選んだため、モデル間の比較から除外
商品	ヘッドホンとコーヒーメーカーの2カテゴリ、各6組
試行数	1条件あたり、6組×8段階×24回＝1,152回。主な実験の合計は113,472回（Jevの試行は別枠）
設定	温度0.7（回答のばらつきを許す設定）。回答は「Left」か「Right」の1語で、機械的に採点
推定法	選択率の曲線が0.5を横切る点を直線補間で求める。信頼区間は、商品の組み合わせ単位の再抽出（ブートストラップ）

全条件を実施した参照モデルはGPT-4oで、ほかのモデルは主要な一文の一部だけです。

試した一文

足した一文は、価格や評価、仕様を変えず、言葉だけで競います。下の表の日本語は、私が原文の英文を訳したものです。

種類	一文（私の訳）
人気（弱）	人気の商品です
人気（中）	1,000人以上のお客様に選ばれています
人気（強）	当店一番人気。10,000人以上のお客様に選ばれています
人気（非常に強）	売上No.1。100,000人以上のお客様に選ばれています
希少性	在庫残りわずか
権威	音響の専門家が推薦（コーヒーメーカーには「コーヒーの専門家」）
利得と損失の言い換え	「10人中9人が使い続けています」と「10人中1人が返品しています」（同じ事実の別の言い方）
対照	製造番号が本体に印字されているという中立の一文、同じ長さの別の一文、中身のない称賛など

数字は同じで形だけ違う言い換えも試しています。「25%のお客様」と「4人に1人」、「5点満点の4.8」と「10点満点の9.6」の組み合わせです。

結果

同じ価格の選択率では、差が見えない

GPT-4oで、同じ価格のときに一文つきの商品が選ばれた割合と、PEを並べます（ヘッドホン）。

一文	同価格で選ばれた割合	PE（%）
人気（弱）	0.67	0.7
人気（中）	0.70	1.3
人気（強）	1.00	12.9
人気（非常に強）	1.00	21.4
権威（分野が合う専門家）	1.00	19.8
希少性	0.95	1.6
利得と損失の言い換え	0.72	22.3
中立の一文	0.99	2.0

同価格で95%以上選ばれた条件は6つあり、選択率ではどれも同じに見えます。ところがPEは1.6%から21.4%まで、約20ポイントの幅に広がりました。

順位が逆転する例もあります。希少性は同価格の選択率が0.95で、利得と損失の言い換えの0.72を上回りますが、PEは前者が1.6%、後者が22.3%で、論文はおよそ14分の1と書いています。

なお、利得と損失の言い換えは両方の商品に言い換えの一文がつく条件なので、選択率は2つの言い方の比較になります。

強さに応じて、きれいに段階が出た

人気表示を強めていくと、PEは0.7、1.3、12.9、21.4%と上がります。弱い表示と中程度の表示はほぼ0で、強い表示から急に効き始めます。

コーヒーメーカーでも、1.1、1.8、15.0、21.4%と同じ形でした。

同じ長さの中立な文と競わせても、強い人気表示のPEは10.6%（コーヒーメーカーは11.2%）残りました。効いているのは文の長さだけでなく、意味だと論文は読んでいます。

GPT-4oでは、分野の合わない専門家の推薦はほぼ効きませんでした（1例）。音響の専門家の推薦をコーヒーメーカーに足すと、PEは約1.9%にとどまり、コーヒーの専門家に直すと約21.6%です
GPT-4oでは、数字の形だけを変える言い換えは効きませんでした。パーセントと分数、5点満点と10点満点は、どちらもPEがほぼ0%で、利得と損失の言い換えは22.3%でした。利得と損失の言い換えは、他のモデルでは0.0〜9.3%とばらつきます

モデルによって、効く一文が違う

主な一文を、モデル別のPEで並べます（ヘッドホン、単位は%）。左端は、同じ商品が2つ並んで片方が10%高いとき、高いほうを選んだ割合で、小さいほど価格に敏感です。

モデル	10%高いほうを選ぶ割合	人気（強）	人気（非常に強）	希少性	権威	利得と損失
GPT-4o	0.01	12.9	21.4	1.6	19.8	22.3
GPT-4o mini	0.35	10.4	14.0	1.7	8.4	1.6
Claude Sonnet	0.01	1.8	8.0	0以下	1.6	7.6
Claude Haiku	0.18	9.8	8.7	0.0	4.0	9.3
Nova Micro	0.44	110以上	110以上	1.2	1.9	110以上
Llama-3.3-70B	0.00	13.4	15.1	0.0	14.0	0.0
Jev	0.00	2.0	15.4	0.3	1.5	0.0

「110以上」は、値上げ幅を110%まで広げても、選択率が0.5まで下がらなかったという意味です（下限値）。

希少性は、どのモデルでもPEが2%以下でした。同価格の選択率は、GPT-4oで0.95、GPT-4o miniで0.88、Claude Sonnetで0.19と割れ、Claude Sonnetは希少性の表示がある商品を避けています
PEの大きさは、一文の効きと価格への敏感さの両方で決まります。PEは一文の引力を価格への敏感さで割った値に近く、価格にほとんど反応しないNova Microは、一文が弱くても大きな値が出ます

この性質のため、論文はモデルどうしのPEを1つの順位表にせず、モデルごとの「一文ごとの値段の一覧」を報告するよう勧めています。

一文の重ね合わせと、最初に並んだ選択肢の癖

人気、権威、希少性の3種類をありとなしで組み合わせた8通りの実験では、重ねたことによる上乗せや打ち消しは検出されませんでした。GPT-4o・商品6組・各種類1つの控えめな一文での結果で、論文は、中程度の上乗せや打ち消しまでは否定できないと書いています。

最初の選択肢を選ぶ癖は、GPT-4oで全体の56.3%（14,976回中）にのぼり、一文の効果が小さい条件では約65%まで上がりました。論文は、この癖も同じ方法で価格に換算しています。

一文のない同一の2商品で、最初に出した側の商品の選択率が半分に下がる値上げ幅は、GPT-4oで1.0%、Claude Sonnetで1.2%、Llama-3.3-70Bで3.2%、GPT-4o miniで14.0%でした。Nova MicroとLlama-3.1-8Bは80%以上です
強い人気表示のPEは、一文のつく商品が先に出るとき16.2%、後に出るとき10.1%でした。権威では25.7%と13.1%です

言い回しの揺れ、一文の選び方、Jev

言い回しだけでも動きます。強い人気表示と希少性を織り込んだ説明文を、事実を変えずにAIが12通りに書き直すと、GPT-4oのPEは2.3%から8.0%の間で動きました（商品1組、各30回）。一文の種類による差よりは小さい範囲です
質問文を4通りに言い換えても、人気表示の強さの順序は保たれました。ただ、強い人気表示と利得・損失の言い換えは順位が入れ替わる質問文があり、強い一文のPEは最大で約8ポイント動きます
PEを目標にすると、一文を選べました。9つの候補から最もPEが高い一文を選ぶと、別の乱数で測り直しても、9つの平均より13.3ポイント高いPEでした（95%区間は8.7〜17.8、ヘッドホン5組）。選ばれたのはすべて権威の一文です

決定特化型のJevでも、同価格の選択率が100%に張りつく現象は再現しました。同価格で毎回選ばれた4つの一文が、PEでは1.5%から16.6%まで開いています。

Jevの傾向は言語モデルと別物で、人気表示は非常に強いときだけ効き、権威はほとんど効かず、利得・損失の言い換えはゼロでした。入力の渡し方を変えると強い人気表示のPEが2.0%から10.8%に動くため、Jevの値は入力形式に左右されると論文は注意しています。

論文自身が書いている限界

論文は第6章で、次の限界を挙げています。

実験は、2つの選択肢から選ばせる人工的な場面です。検索、口コミ、複数ステップの操作がある実際の買い物環境での行動の予測とは、位置づけが違います
「人間の説得とは違う」という表現は、人間の研究との対比です。同じ課題で測った人間の基準はありません
各要素は1つの言い回しだけで調べています。希少性が小さかったのは、この言い回しでの結果です
PEは一文の引力と、モデルの価格への敏感さが混ざった値です。価格に反応しないモデルでは交差点が見つからず、下限値として扱います
商品の組み合わせは1カテゴリ6組だけで、信頼区間が実際の不確かさより狭い可能性があります。2つのカテゴリはどちらも耐久消費財の家電で、旅行や宿泊のようなサービスは検証の対象外です
3種類を組み合わせた実験は、GPT-4oだけで、各種類1つの一文で測っています
調べたモデルは便宜的に選んだ標本で、結果は「LLM一般」の性質として読めません

論文は、PEを「支払ってもよい金額」と読むことにも慎重です。今回の値は、プロンプトと条件に依存した、一文と価格の交換比率だと説明しています。

第7章では、監査にも売り手の最適化にも使える両面性を認めています。試した一文は商品について事実と想定できる内容に限り、虚偽の一文は作っていません。

原文を読んで気づいた点

査読の有無は確認できません。arXivのコメント欄は、ページ数と図表の数だけです。書式はACM形式ですが、採択先は原文から読み取れませんでした
日本語での検証は、原文にありません。プロンプトも商品説明も英語で、日本の商習慣や日本語の言い回しは調べていません
調べたのは素のモデルです。1行のシステムプロンプトに2商品を並べただけで、実際の買い物代行サービスの検索や推薦の仕組みは入っていません
採点は機械的です。回答の「Left」か「Right」を機械で拾っています。刺激の商品説明が中立かどうかは、AI（Claude Opus）による採点と第1著者の目視で確認され、そのAIの版と質問文は保存されていないと付録に書かれています
2カテゴリで確かめたモデルは限られます。コーヒーメーカーの条件はGPT-4oとJevだけで、ほかのモデルの比較はヘッドホンだけです。「7つのモデル、2つのカテゴリ」という要約は、すべての組み合わせを調べた意味ではありません
試行数の大きさは、商品の多さを意味しません。113,472回は同じ6組の商品を何度も試した回数で、強い人気表示のGPT-4oでも、商品の組ごとのPEは10.0%から26%超まで散らばりました
測定の時期にも注意が要ります。データは2026年6月から9月に集められ、GPT-4oは日付つきの版を使わず、更新される名前で呼び出されています

この論文から、言えること・言えないこと

言えること（論文の範囲）	言えないこと
同価格の選択率は頭打ちになり、一文の強さの差を見落とす	実際の買い物代行サービスで、同じ大きさの効果が出ること
試した条件では、一文の効きは種類ごとに大きく違った	人気や権威の表示が、日本語のページや日本の消費者向けの商品でも効くこと
一部のモデルは、同一商品なら少し高いだけでほぼ選ばなくなる	「残りわずか」の表示が、AIに対して一般に効かないこと
分野が合う権威の一文は、合わない一文より大きく効いた	家電以外（サービス、旅行、宿泊など）で同じ傾向が出ること
最初に出した選択肢が選ばれやすい癖が、価格に換算できる大きさで存在する	PEの値を「支払ってもよい金額」や、モデルの優劣として読むこと

中小企業の視点で、どう受け取るか

ここからは論文の主張とは別の、私の読み取りです。

人気の表示は、数字と最上級を含む強い文面で効きました。弱い表現と中程度の表現はほぼ0%で、強い表現から急に効き、分野が合わない推薦はほぼ効きませんでした。論文が測ったのは文面の効きで、根拠の有無や真偽は検証していません。事実として示せる数字と、商品に関係のある推薦に絞るのが、無理のない書き方に見えます
人間向けの定番の見せ方を、そのままAI向けに当てはめない。「残りわずか」は人間向けの販売で定番ですが、この実験ではどのモデルでも小さな値でした。ただし1つの言い回しと1カテゴリの結果なので、自社の商品で確かめるまで結論にしないほうがよいと思います
価格の表示は、正確で最新のものにしておく価値があります。価格に敏感なモデルは、同じ商品で10%高いだけで、ほぼ選びませんでした。価格が古いまま、あるいは表記ゆれがあると、AIの比較で不利になり得ます
AIに自社と他社を比べさせて確かめるときは、並べる順を入れ替える。最初に出した側が選ばれやすい癖があるため、1回の比較で「選ばれた」と判断すると、順番の影響を見ている可能性があります