客製化的糖衣陷阱：當AI定價遇上個性化排名

很多人逛電商平台時，會直覺覺得「越懂自己」的推薦系統越好。畢竟，平台若能根據個人偏好，把最適合自己的商品排在前面，我們就能少花時間搜尋，更快找到自己想買的東西。

表面上看來，這似乎是科技進步帶來的雙贏。但一篇論文提醒我們，事情沒有那麼單純。當賣家同時使用AI定價演算法時，個人化排序帶來的，不一定只有方便，也可能讓價格變得更高，最後反而傷害消費者。

這篇發表在《行銷科學》（Marketing Science）上的文章〈個人化推薦、消費者搜尋行為與演算法定價〉（Personalization, Consumer Search and Algorithmic Pricing），作者要回答的核心問題很直接：平台為了幫助消費者而設計的「個人化排序」，會不會反而成為AI定價演算法拉高價格的幫手？

在研究方法上，作者建立了一個接近真實電商平台的模擬環境。市場裡有多個賣家，各自販賣差異化商品；消費者則依照平台排名，一個一個往下搜尋商品，每多看一個商品，就要多付出一次搜尋成本。

該研究比較兩種極端情境：一種是個人化排序（personalized ranking），也就是根據每位消費者的預測效用，把商品由高到低排序；另一種是非個人化排序（unpersonalized ranking），也就是根據整體市場的平均效用，給所有人相同排序。

賣家端採用Q-learning演算法反覆學習最有利的價格策略。作者讓這些演算法在模擬市場中重複博弈，直到價格收斂，再比較兩種排序下的結果。

研究結果非常反直覺。作者發現，在基準情境下，個人化排序下的平均價格，比非個人化排序高出29%；同時，賣家的整體利潤高出74%。如果只看企業端，這好像是好消息；但如果從消費者的角度來看，情況剛好相反。

雖然個人化排序確實能讓更多人更快找到比較適合自己的商品，但消費者剩餘反而下降了13%。也就是說，個人化排序帶來的「更快找到合適商品」這個好處，被「更高的價格」抵銷掉了，而且還倒扣。

至於為何「價格變高了？」，關鍵就在價格彈性。在非個人化排序下，如果一家賣家稍微降價，就比較有機會在所有消費者面前往前排，這會帶來很強的競爭壓力，因此賣家更有動機降價。簡單說，價格一降，排名可能就大幅改善，所以高價比較難撐住。

可是到了個人化排序下，每個人看到的排序不一樣，一家賣家就算降價，也只能在部分消費者面前提升排名，降價換來的好處變小，價格競爭的壓力也跟著變弱。結果就是，AI定價演算法更敢維持高價。作者甚至指出，個人化排序讓Q-learning演算法更接近壟斷價格與壟斷利潤。

這篇研究給平台與政策制定者的主要啟示包括：

1.個人化不一定天然有利於消費者。過去大家常把個人化理解成提升體驗、降低搜尋成本的工具，但若賣家同時使用AI定價，個人化可能反而成為高價的溫床。

2.排序系統其實是一種需求引導工具。它不只是「資訊介面」，而會改變市場競爭強度。

3.若平台真的重視消費者福利，在某些情境下，非個人化排序反而可能比個人化排序更能保護消費者，因為它迫使賣家保有較高的降價誘因。

最後，這篇研究告訴我們，不是所有讓搜尋變簡單的技術，最終都會對消費者有利。對消費者來說，越精準的推薦，不一定代表越好的交易；有時候，適度的不那麼精準，反而才是保護消費者荷包的一種方式。

作者：羅凱揚（台科大企管系兼任助理教授）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Qiu, L., Huang, Y., Singh, P. V., & Srinivasan, K. (2025). Personalization, consumer search, and algorithmic pricing. Marketing Science, 44(6), 1278–1298. https://doi.org/10.1287/mksc.2023.0455