{"id": "P23-SCI-SALES-W01", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["B2B", "B2C", "GenAI", "e-commerce", "sales_productivity", "field_experiment"], "title": "Generative AI and Sales Productivity: Field Experiments in Online Retail", "authors": ["Lu Fang", "Zhe Yuan", "Kaifu Zhang", "Dante Donati", "Miklos Sarvary"], "repository": "arXiv", "arxiv_id": "2510.12049", "first_version_date": "2025-10-14", "last_version_date": "2026-06-29", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "Серия крупномасштабных рандомизированных полевых экспериментов (2023-2024) на ведущей трансграничной онлайн-ритейл-платформе; миллионы пользователей и товаров, 7 бизнес-воркфлоу.", "process_link": "Продажи и конверсия в e-commerce: клиентский сервис, подбор товара под потребителя, реклама, сервисы для продавцов", "key_finding_ru": "ГенИИ, встроенный в 7 бизнес-процессов онлайн-ритейлера (2023-2024), увеличивает продажи в большинстве воркфлоу: эффект — от отсутствия статистически значимого влияния до +16,3%. По 4 воркфлоу с положительным эффектом среднегодовая инкрементальная ценность — около $5 на потребителя. Рост идёт преимущественно через повышение конверсии, а не через размер корзины — согласуется с гипотезой снижения фрикций поиска, информации, коммуникации и персонализации. Постпокупочные показатели (возвраты, рейтинги) не ухудшаются. Эффект выше для менее опытных потребителей.", "metrics": {"sales_effect_range": "от отсутствия эффекта до +16.3% (original: \"ranging from no detectable impact to 16.3%\")", "annual_incremental_value_per_consumer": "≈$5 (по 4 воркфлоу с положительным эффектом)", "mechanism": "рост конверсии, а не размера корзины (higher conversion rates rather than larger cart values)", "post_purchase_quality": "без ухудшения (return rates, customer ratings не деградируют)"}, "transfer_limits": "Авторы сами оговаривают: (1) горизонт наблюдения — дни-месяцы, только краткосрочный эффект, нет данных о долгосрочном удержании и повторных покупках; (2) выбраны 7 воркфлоу по управленческой оценке платформы (техническая осуществимость, орг. издержки, ожидаемый эффект) — не представляют весь спектр бизнес-процессов, логистика/инвентарь/динамическое ценообразование не изучались; (3) не учтены изменения затрат труда и капитала — возможное вытеснение/дополнение человеческого труда не оценено; (4) нет прямой оценки ROI (не измерены капитальные, инженерные, инференс- и организационные издержки); (5) один глобальный ритейлер — внешняя валидность ограничена, стратегические реакции конкурентов (цены, реклама) не смоделированы.", "reading_scope": "full_text", "claims": [{"text_ru": "ГенИИ увеличивает продажи в большинстве из 7 изученных воркфлоу, эффект — от нуля до +16,3%.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2510.12049", "locator": "Abstract; раздел Results"}, {"text_ru": "Рост продаж реализуется через повышение конверсии, а не увеличение среднего чека.", "status": "SOURCE_CLAIM", "verification_scope": "механизм эффекта", "source_url": "https://arxiv.org/abs/2510.12049", "locator": "Abstract"}, {"text_ru": "Постпокупочные метрики (возвраты, рейтинги) не ухудшились при внедрении ГенИИ.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2510.12049", "locator": "Abstract"}, {"text_ru": "Исследование не позволяет напрямую оценить ROI, поскольку данные не охватывают полные капитальные, инженерные, инференс- и организационные издержки внедрения ГенИИ.", "status": "SOURCE_CLAIM", "verification_scope": "causal_ вклад ИИ / границы применимости", "source_url": "https://arxiv.org/abs/2510.12049", "locator": "стр. 31, раздел Limitations"}], "sources": [{"url": "https://arxiv.org/abs/2510.12049", "title": "Generative AI and Sales Productivity: Field Experiments in Online Retail", "publisher": "arXiv (econ.GN; cs.AI)", "author": "Lu Fang, Zhe Yuan, Kaifu Zhang, Dante Donati, Miklos Sarvary", "date": "2025-10-14 (v1); 2026-06-29 (v6, текущая)", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F01"}, {"url": "https://arxiv.org/pdf/2510.12049", "title": "Generative AI and Sales Productivity: Field Experiments in Online Retail (PDF, v6)", "publisher": "arXiv", "author": "Lu Fang, Zhe Yuan, Kaifu Zhang, Dante Donati, Miklos Sarvary", "date": "2026-06-29", "type": "arxiv_listing", "locator": "полный текст, включая Results и Limitations (стр. 1, 31-32)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F01"}], "author_model": "claude-sonnet-5", "next_action": "Мониторить: работа уже связана в известной базе с SCI-WORK-SRC-005 (источник) и SCI-WORK-CASE-002 (практика) из предыдущей итерации — карточка work добавляет отдельную научную атрибуцию (методология, версии, transfer_limits), которой не было."}
{"id": "P23-SCI-SALES-W02", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["B2C", "GenAI", "customer_service", "field_experiment"], "title": "Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations", "authors": ["Xiao Ni", "Yiwei Wang", "Tianjun Feng", "Lauren Xiaoyan Lu", "Yitong Wang", "Congyi Zhou"], "repository": "arXiv", "arxiv_id": "2603.29888", "first_version_date": "2026-02-08", "last_version_date": "2026-07-31", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "Крупный полевой эксперимент внутри Alibaba: 5 940 операторов чата послепродажного обслуживания (2 895 в группе доступа к ассистенту, 3 045 в контроле), рандомизация на уровне оператора.", "process_link": "Послепродажное обслуживание клиентов в чате (после-продажная поддержка, смежно с продажами/удержанием клиента в e-commerce)", "key_finding_ru": "Доступ к генеративному ИИ-ассистенту (черновики диагностики проблемы и предложений решения на старте диалога, с правом оператора принять/изменить/отклонить) в среднем ускоряет обслуживание и повышает субъективное качество (оценки клиентов), но не влияет на объективное качество (повторные обращения). ITT-оценки: время идентификации проблемы −8,2%, длительность чата −1,1%, доля недовольных клиентов −3,4% (относительно базового уровня 0,35), средняя оценка клиента +1,2% (по 5-балльной шкале). Эффект неоднороден по операторам: слабые операторы выигрывают больше всего (сокращение времени на 16,8-46,2% по квинтилям), а у лучших операторов (5-й квинтиль) объективное и субъективное качество снижается — рост времени отвлечения на параллельные чаты (+23,8%) и рост времени ответа в фокусном чате, что авторы связывают с нарушением непрерывности обслуживания (workflow disruption) при параллельной работе с несколькими чатами.", "metrics": {"sample": "5 940 операторов (48.7% treatment / 51.3% control), выборка ~15,6% официальной службы поддержки Alibaba", "ITT_issue_identification_time": "-8.2%", "ITT_chat_duration": "-1.1%", "ITT_dissatisfaction_rate": "-3.4% относительно базового уровня 0.35", "ITT_customer_rating": "+1.2% (шкала 1-5, базовый уровень 3.46)", "heterogeneity": "top-performing operators (Q5): рост времени отвлечения +23.8% и снижение качества; low performers (Q1-Q2): наибольший выигрыш по времени (до -46.2% при полном использовании)"}, "transfer_limits": "Авторы отмечают: (1) операторы сами решают, когда и как использовать ассистента — исследование не может выявить оптимальный уровень использования ИИ; (2) доказательства механизма основаны на процессных метриках (время отвлечения, задержки ответа), это согласуется с гипотезой workflow disruption, но не строгое доказательство единственного причинного канала; (3) долгосрочное обучение/де-скиллинг операторов не изучены. Отдельно: настройка (после-продажный чат с высокообъёмными стандартизированными обращениями на одной платформе Alibaba/Taobao) может не переноситься на менее стандартизированные или B2B-процессы продаж.", "reading_scope": "full_text", "claims": [{"text_ru": "В среднем доступ к ГенИИ-ассистенту ускоряет обслуживание и повышает субъективные оценки клиентов, но не влияет на объективные повторные обращения.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2603.29888", "locator": "Abstract; Table 5"}, {"text_ru": "Эффект неоднороден: слабые операторы выигрывают больше всего, у лучших операторов качество снижается.", "status": "SOURCE_CLAIM", "verification_scope": "изменение процесса / величина эффекта", "source_url": "https://arxiv.org/abs/2603.29888", "locator": "раздел 5, героgeneity by performance quintile"}, {"text_ru": "У операторов верхнего квинтиля (Q5) время отвлечения на параллельные чаты выросло на 23,8%, что авторы связывают с нарушением непрерывности обслуживания.", "status": "SOURCE_CLAIM", "verification_scope": "механизм эффекта", "source_url": "https://arxiv.org/abs/2603.29888", "locator": "стр. ~28-29 (обсуждение shift-away time)"}], "sources": [{"url": "https://arxiv.org/abs/2603.29888", "title": "Generative AI in Action: Field Experimental Evidence from Alibaba's Customer Service Operations", "publisher": "arXiv (cs.HC; cs.AI)", "author": "Xiao Ni, Yiwei Wang, Tianjun Feng, Lauren Xiaoyan Lu, Yitong Wang, Congyi Zhou", "date": "2026-02-08 (v1); 2026-07-31 (v2, текущая)", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F02"}, {"url": "https://arxiv.org/pdf/2603.29888", "title": "Generative AI in Action... (PDF, v2)", "publisher": "arXiv", "author": "Xiao Ni et al.", "date": "2026-07-31", "type": "arxiv_listing", "locator": "полный текст: раздел 3.2 (сеттинг), Table 5, раздел 5 (гетерогенность), Limitations", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F02"}], "author_model": "claude-sonnet-5", "next_action": "Мониторить: та же работа уже связана в известной базе с SCI-WORK-SRC-006 и SCI-WORK-CASE-001 (практика Alibaba/Taobao) — карточка work фиксирует научную сторону (метод, полные метрики по квинтилям), которой не было в case-карточке."}
{"id": "P23-SCI-SALES-W03", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["B2C", "recsys", "field_experiment", "algorithmic_feedback"], "title": "Unintended Consequences of Recommender System Interventions: Evidence from a Field Experiment", "authors": ["Shilei Luo", "Song Yao", "Dennis J. Zhang"], "repository": "arXiv", "arxiv_id": "2606.08265", "first_version_date": "2026-06-06", "last_version_date": "2026-06-06", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "Крупный полевой эксперимент на платформе коротких видео; сбалансированная панель 200 000 активных пользователей, случайное распределение treatment/control.", "process_link": "Рекомендательная система / управление вовлечённостью платформы (продуктовый аналог таргетинга и рекомендаций в продажах и рекламе)", "key_finding_ru": "Кампания-«напоминание спать», задуманная как статичный nudge для снижения позднего использования платформы, парадоксально увеличила позднюю вовлечённость на 14,75% и общее использование платформы на 2,18%; эффект сохранялся неделями после окончания эксперимента. Механизм — «вынужденное исследование» (forced exploration): вмешательство раскрыло скрытый высокий спрос на продвигаемый контент, что вызвало обновление политики рекомендательного алгоритма, усилившее именно те петли вовлечённости, которые кампания должна была ослабить. Авторы показывают, что пользовательские вмешательства могут переобучать алгоритм и вызывать устойчивые системные сдвиги в распределении контента, что бросает вызов стандартным метрикам оценки таких вмешательств.", "metrics": {"sample": "панель 200 000 активных пользователей", "late_night_engagement": "+14.75%", "overall_platform_usage": "+2.18%", "persistence": "эффект сохранялся 'неделями' после окончания кампании"}, "transfer_limits": "Авторы отмечают: (1) изучен один тип вмешательства (буст контента с напоминаниями от селебрити) на одной платформе коротких видео — не факт, что эффект переносится на другие типы вмешательств (изменения интерфейса, де-буст вредного контента) или другие цифровые контексты (e-commerce, новостные агрегаторы, дейтинг); (2) формальная модель в приложении отражает базовый механизм, но абстрагируется от полной сложности промышленных рекомендательных систем. Для бизнеса: эффект специфичен для платформы, живущей за счёт вовлечённости (внимание = метрика продаж рекламы); для продуктовых рекомендаций в прямых продажах (конверсия в покупку) прямого переноса метрики нет.", "reading_scope": "full_text", "claims": [{"text_ru": "Кампания-напоминание парадоксально увеличила позднюю вовлечённость на 14,75% и общее использование платформы на 2,18%.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2606.08265", "locator": "Abstract"}, {"text_ru": "Эффект объясняется механизмом вынужденного исследования: вмешательство переобучило политику рекомендательного алгоритма.", "status": "SOURCE_CLAIM", "verification_scope": "причинный вклад алгоритма", "source_url": "https://arxiv.org/abs/2606.08265", "locator": "Abstract; раздел про forced-exploration mechanism"}], "sources": [{"url": "https://arxiv.org/abs/2606.08265", "title": "Unintended Consequences of Recommender System Interventions: Evidence from a Field Experiment", "publisher": "arXiv (econ.GN; cs.CY)", "author": "Shilei Luo, Song Yao, Dennis J. Zhang", "date": "2026-06-06", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F03"}, {"url": "https://arxiv.org/pdf/2606.08265", "title": "Unintended Consequences... (PDF, v1)", "publisher": "arXiv", "author": "Shilei Luo, Song Yao, Dennis J. Zhang", "date": "2026-06-06", "type": "arxiv_listing", "locator": "полный текст: раздел 4.3 (выборка/рандомизация), раздел Limitations", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F03"}], "author_model": "claude-sonnet-5", "next_action": "Без дополнительных действий; кандидат для отдельного трека про побочные эффекты алгоритмической персонализации (не только продажи, но и модерация/вовлечённость)."}
{"id": "P23-SCI-SALES-W04", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["B2C", "GenAI", "advertising", "personalization", "lab_experiment"], "title": "LLM-Generated Ads: From Personalization Parity to Persuasion Superiority", "authors": ["Elyas Meguellati", "Stefano Civelli", "Lei Han", "Abraham Bernstein", "Shazia Sadiq", "Gianluca Demartini"], "repository": "arXiv", "arxiv_id": "2512.03373", "first_version_date": "2025-12-03", "last_version_date": "2025-12-03", "peer_reviewed_version": null, "work_type": "empirical_lab_or_survey", "setting": "Два онлайн-эксперимента с участниками на платформах в США: Study 1 (n=400) — персонализация рекламы под черты личности (openness, neuroticism); Study 2 (n=800) — универсальные принципы убеждения (authority, consensus, cognition, scarcity). Показ рекламы и однократный выбор предпочтения, без реальной покупки.", "process_link": "Маркетинг и реклама: генерация персонализированного/убеждающего рекламного контента", "key_finding_ru": "В Study 1 реклама, сгенерированная LLM и персонализированная под черты личности, достигла статистического паритета с рекламой, написанной людьми-экспертами (51,1% против 48,9% предпочтений, p>0,05); значимых различий для совпадающих личностных профилей не найдено. В Study 2, при смещении фокуса с индивидуальной персонализации на универсальные психологические принципы убеждения, реклама от LLM значимо превзошла рекламу людей: 59,1% против 40,9% предпочтений (p<0,001), сильнее всего — в апелляциях к авторитету (63,0%) и консенсусу (62,5%). По качественному анализу преимущество LLM связано с более изощрёнными, амбициозными сообщениями и лучшей визуально-нарративной согласованностью; преимущество устойчиво даже после применения штрафа за обнаруживаемость ИИ (21,2 п.п.). Отдельно: персонализация под черту нейротизма не сработала — авторы связывают это с психологическим барьером (prevention-focused trait), а не с ограничением модели.", "metrics": {"study1_n": 400, "study1_preference": "LLM 51.1% vs Human 48.9% (p>0.05, паритет)", "study2_n": 800, "study2_preference": "LLM 59.1% vs Human 40.9% (p<0.001)", "study2_authority_preference": "63.0%", "study2_consensus_preference": "62.5%", "ai_detection_penalty_applied": "21.2 п.п., эффект сохраняется после применения штрафа"}, "transfer_limits": "Авторы сами указывают: (1) обе выборки набраны на онлайн-платформах в США — ограниченная культурная и региональная генерализуемость; (2) измерялось однократное предпочтение при одном показе, без повторной экспозиции, конкурирующих продуктов и реального покупательского поведения — лабораторная метрика предпочтения не равна конверсии в продажу; (3) Study 1 — только 2 личностные черты и 1 товарная категория с коротким текстом и фиксированным изображением; Study 2 — только 4 принципа убеждения. Перенос на B2B-продажи или на реальные рекламные кампании с повторными контактами требует отдельной проверки.", "reading_scope": "full_text", "claims": [{"text_ru": "Персонализированная под личность реклама от LLM статистически не отличается по предпочтению от рекламы, написанной людьми.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2512.03373", "locator": "Abstract; Study 1"}, {"text_ru": "Реклама от LLM, построенная на универсальных принципах убеждения, значимо превосходит рекламу людей по предпочтению (59,1% против 40,9%).", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2512.03373", "locator": "Abstract; Study 2"}, {"text_ru": "Преимущество LLM-рекламы сохраняется даже после применения штрафа в 21,2 п.п. за обнаруживаемость ИИ-генерации.", "status": "SOURCE_CLAIM", "verification_scope": "устойчивость эффекта", "source_url": "https://arxiv.org/abs/2512.03373", "locator": "Abstract; раздел Results"}], "sources": [{"url": "https://arxiv.org/abs/2512.03373", "title": "LLM-Generated Ads: From Personalization Parity to Persuasion Superiority", "publisher": "arXiv (cs.CY; cs.CL)", "author": "Elyas Meguellati, Stefano Civelli, Lei Han, Abraham Bernstein, Shazia Sadiq, Gianluca Demartini", "date": "2025-12-03", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F04"}, {"url": "https://arxiv.org/pdf/2512.03373", "title": "LLM-Generated Ads... (PDF, v1)", "publisher": "arXiv", "author": "Elyas Meguellati et al.", "date": "2025-12-03", "type": "arxiv_listing", "locator": "полный текст: раздел 5.5 Limitations, раздел про neuroticism", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F04"}], "author_model": "claude-sonnet-5", "next_action": "Без дополнительных действий."}
{"id": "P23-SCI-SALES-W05", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["algorithmic_pricing", "agent", "simulation", "regulation"], "title": "Mitigating Emergent Collusion in LLM Pricing Agents", "authors": ["Abdullah Garra"], "repository": "arXiv", "arxiv_id": "2609.13037", "first_version_date": "2026-09-11", "last_version_date": "2026-09-11", "peer_reviewed_version": null, "work_type": "method_or_simulation", "setting": "Симуляция повторяющейся олигополии с ИИ-агентами ценообразования на базе DeepSeek-V3.1; тестируются три регуляторных вмешательства против ценового сговора.", "process_link": "Алгоритмическое ценообразование / регулирование сговора между ИИ-агентами продавцов", "key_finding_ru": "Автор воспроизводит качественный эффект чувствительности к промпту из работы Fish et al. на модели DeepSeek-V3.1: промпт P1 даёт значимо более высокие цены и прибыль, чем промпт P2, хотя итоговые цены менее монополистичны, чем в оригинальных результатах на GPT-4. Далее тестируются три вмешательства: (1) предупреждение только текстом в промпте — снижает, но не устраняет над-конкурентные цены; (2) регулятор в духе Харрингтона (ожидаемые убытки/штраф за сговор) — приближает результаты P1 к дуопольному Нэш-бенчмарку и устраняет статистически значимый разрыв между P1 и P2; (3) активный случайный участник рынка (entrant) — даёт самый сильный эффект, опускает цены обоих промптов ниже соответствующего Нэш-бенчмарка с учётом случайного входа. Автор делает вывод, что вмешательства, меняющие стимулы или состав участников рынка, эффективнее против сговора, чем только текстовые предупреждения в промпте.", "metrics": {"model_tested": "DeepSeek-V3.1", "interventions_tested": 3, "prompt_only_warning": "снижает, но не устраняет над-конкурентные цены", "harrington_regulator": "устраняет статистически значимый разрыв P1-P2, приближает к Нэш-бенчмарку", "active_entrant": "самый сильный эффект — цены ниже Нэш-бенчмарка"}, "transfer_limits": "Автор прямо указывает: активное вмешательство через случайного участника рынка — это не просто наблюдение регулятора, а добавление реального участника, влияющего на распределение спроса — практически сложно реализуемо как регуляторная мера; цены ниже Нэш-бенчмарка после сильного вмешательства не обязательно означают 'чистый' возврат к конкуренции — могут отражать избыточное конкурентное давление. Работа тестирует один LLM (DeepSeek-V3.1) в узкой экспериментальной постановке олигополии, а не в реальном рынке — прямой перенос числовых эффектов на реальное регулирование алгоритмических цен не обоснован.", "reading_scope": "full_text", "claims": [{"text_ru": "Ценовые агенты на базе DeepSeek-V3.1 воспроизводят эффект чувствительности к промпту: один промпт даёт значимо более высокие цены и прибыль, чем другой.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2609.13037", "locator": "Abstract"}, {"text_ru": "Регулятор в духе Харрингтона и особенно активный случайный участник рынка эффективнее снижают над-конкурентные цены, чем текстовое предупреждение в промпте.", "status": "SOURCE_CLAIM", "verification_scope": "изменение процесса / причинный вклад вмешательства", "source_url": "https://arxiv.org/abs/2609.13037", "locator": "Abstract; раздел Limitations"}], "sources": [{"url": "https://arxiv.org/abs/2609.13037", "title": "Mitigating Emergent Collusion in LLM Pricing Agents", "publisher": "arXiv (cs.GT)", "author": "Abdullah Garra", "date": "2026-09-11", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F05"}, {"url": "https://arxiv.org/pdf/2609.13037", "title": "Mitigating Emergent Collusion... (PDF, v1)", "publisher": "arXiv", "author": "Abdullah Garra", "date": "2026-09-11", "type": "arxiv_listing", "locator": "полный текст: раздел Limitations", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F05"}], "author_model": "claude-sonnet-5", "next_action": "Связать при мониторинге с базовой работой Fish, Gonczarowski, Shorrer 'Algorithmic Collusion by Large Language Models' (arXiv:2404.00806) — не заведена отдельной карточкой в этом пакете (не входит в окно свежести без historical_basis; используется здесь только как контекст воспроизведения)."}
{"id": "P23-SCI-SALES-W06", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["algorithmic_pricing", "agent", "benchmark", "agentic_commerce"], "title": "Can LLM Agents Price Competitively? A Dynamic Multi-Attribute Auction Benchmark for Agentic Commerce", "authors": ["Shimaa Ahmed", "Yiwei Cai", "Mohsen Minaei", "Rahul Rachuri"], "repository": "arXiv", "arxiv_id": "2608.00102", "first_version_date": "2026-07-30", "last_version_date": "2026-07-30", "peer_reviewed_version": null, "work_type": "method_or_simulation", "setting": "Бенчмарк 'Bazaar' — динамический аукцион с закрытыми ставками по нескольким атрибутам товара; синтетические покупатели с заданными функциями полезности; протестировано 11 передовых LLM от 4 провайдеров.", "process_link": "Агентная коммерция / динамическое ценообразование агентами от лица продавцов", "key_finding_ru": "Даже лучший протестированный ИИ-агент захватывает менее трети прибыли от оптимальной с учётом ретроспективы (hindsight-optimal) стратегии. Лидеры по привлечению клиентов (например, Gemini 3.1 Pro) и лидеры по прибыли (например, Opus 4.6) — разные модели: конкурентоспособная цена не равна прибыльной цене. При шоках спроса ранжирование моделей меняется снова: агенты, быстрее всех обучавшиеся до шока, как правило медленнее всех пересматривают свои представления после шока (за исключением Gemini 3.1 Pro, который восстанавливается быстрее всех, хотя и не лидирует по прибыли).", "metrics": {"llms_tested": 11, "providers": 4, "best_agent_profit_share": "менее 1/3 от hindsight-optimal прибыли", "customer_acquisition_leader": "Gemini 3.1 Pro", "profit_leader": "Opus 4.6"}, "transfer_limits": "Авторы прямо указывают ключевое ограничение: покупатели в бенчмарке синтетические — их векторы предпочтений заданы вручную по архетипам кластеров, а не получены из реальных данных о потребителях. Это позволяет точную (closed-form) оценку, но означает, что абсолютные цифры профита и ранжирование моделей не переносятся напрямую на реальные рынки с непредсказуемым, шумным и стратегическим поведением покупателей.", "reading_scope": "full_text", "claims": [{"text_ru": "Лучший из 11 протестированных ИИ-агентов захватывает менее трети прибыли от оптимальной ретроспективной стратегии.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2608.00102", "locator": "Abstract"}, {"text_ru": "Модель-лидер по привлечению клиентов не совпадает с моделью-лидером по прибыли.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://arxiv.org/abs/2608.00102", "locator": "Abstract"}, {"text_ru": "Покупатели в бенчмарке синтетические, что ограничивает перенос результатов на реальные рынки.", "status": "SOURCE_CLAIM", "verification_scope": "границы применимости", "source_url": "https://arxiv.org/abs/2608.00102", "locator": "раздел Limitations, стр. ~9"}], "sources": [{"url": "https://arxiv.org/abs/2608.00102", "title": "Can LLM Agents Price Competitively? A Dynamic Multi-Attribute Auction Benchmark for Agentic Commerce", "publisher": "arXiv (cs.AI; cs.MA)", "author": "Shimaa Ahmed, Yiwei Cai, Mohsen Minaei, Rahul Rachuri", "date": "2026-07-30", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F06"}, {"url": "https://arxiv.org/pdf/2608.00102", "title": "Can LLM Agents Price Competitively?... (PDF, v1)", "publisher": "arXiv", "author": "Shimaa Ahmed et al.", "date": "2026-07-30", "type": "arxiv_listing", "locator": "полный текст: раздел Limitations", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F06"}], "author_model": "claude-sonnet-5", "next_action": "Без дополнительных действий."}
{"id": "P23-SCI-SALES-W07", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["GenAI", "advertising", "governance", "conceptual"], "title": "Generative AI Advertising as a Problem of Trustworthy Commercial Intervention", "authors": ["Jingyi Qiu", "Qiaozhu Mei"], "repository": "arXiv", "arxiv_id": "2605.18673", "first_version_date": "2026-05-18", "last_version_date": "2026-05-18", "peer_reviewed_version": null, "work_type": "conceptual", "setting": "Концептуальная работа / позиционная статья с таксономией; ссылается на эмпирические работы третьих лиц о необнаружении рекламы, встроенной в ответы LLM, но собственных новых эмпирических данных не собирает.", "process_link": "Генеративная реклама и коммерческое влияние внутри диалоговых/агентных ИИ-систем", "key_finding_ru": "Авторы утверждают, что развёрнутые системы генеративной рекламы (в LLM-продуктах) сохраняют видимую границу между рекламным и обычным контентом, но эмпирические работы показывают, что реклама, вплетённая непосредственно в текст ответа LLM, часто остаётся незамеченной пользователями. Авторы предлагают переосмыслить генеративную рекламу не как размещение контента в дискретных слотах, а как вмешательство в сам генеративный процесс, и вводят таксономию по 'ярусам влияния': упоминание продукта → информационное фрейминг → поведенческое перенаправление → долгосрочное формирование предпочтений — с ростом уровня влияния снижается наблюдаемость для пользователя. Утверждается, что и развёрнутые системы, и предложенные в литературе механизмы концентрируются на самом наблюдаемом и легче всего регулируемом ярусе, тогда как наиболее значимые для автономии пользователя формы влияния остаются слабо изученными и без методов обнаружения, измерения и раскрытия.", "metrics": {}, "transfer_limits": "Работа концептуальная: таксономия не проверена эмпирически на данных о реальном воздействии на поведение или продажи; авторы опираются на цитируемые сторонние эмпирические результаты о необнаружении рекламы, но не проводят собственного измерения. Использовать как рамку для постановки вопросов о раскрытии/регулировании генеративной рекламы, а не как источник количественных эффектов для переноса в бизнес-метрики.", "reading_scope": "full_text", "claims": [{"text_ru": "Развёрнутые системы генеративной рекламы концентрируются на самом наблюдаемом и легко регулируемом уровне влияния (упоминание продукта), тогда как более глубокие формы влияния (поведенческое перенаправление, формирование предпочтений) остаются малоизученными.", "status": "SOURCE_CLAIM", "verification_scope": "существование публикации / авторская концепция", "source_url": "https://arxiv.org/abs/2605.18673", "locator": "Abstract"}, {"text_ru": "Реклама, встроенная непосредственно в ответы LLM, по данным цитируемых авторами эмпирических работ часто остаётся незамеченной пользователями.", "status": "SOURCE_CLAIM", "verification_scope": "существование публикации", "source_url": "https://arxiv.org/abs/2605.18673", "locator": "Abstract (со ссылкой на сторонние эмпирические работы)"}], "sources": [{"url": "https://arxiv.org/abs/2605.18673", "title": "Generative AI Advertising as a Problem of Trustworthy Commercial Intervention", "publisher": "arXiv (cs.CY; cs.CL)", "author": "Jingyi Qiu, Qiaozhu Mei", "date": "2026-05-18", "type": "arxiv_listing", "locator": "abs page + submission history", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F07"}, {"url": "https://arxiv.org/pdf/2605.18673", "title": "Generative AI Advertising... (PDF, v1)", "publisher": "arXiv", "author": "Jingyi Qiu, Qiaozhu Mei", "date": "2026-05-18", "type": "arxiv_listing", "locator": "полный текст (короткая работа, 31 KB PDF)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F07"}], "author_model": "claude-sonnet-5", "next_action": "Без дополнительных действий."}
{"id": "P23-SCI-SALES-W08", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["B2C", "recsys", "personalization", "field_experiment", "edtech"], "title": "The Economics of Algorithmic Personalization: Evidence from an Educational Technology Platform", "authors": ["Keshav Agrawal", "Susan Athey", "Ayush Kanodia", "Shanjukta Nath", "Emil Palikot"], "repository": "NBER", "arxiv_id": null, "first_version_date": "2026-03", "last_version_date": "2026-03", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "Рандомизированный контролируемый эксперимент (РКИ) с 7 750 учениками в приложении Freadom (обучение английскому для детей в Индии), затем регрессионный разрыв (RDD) на пороге доступа для отслеживания эффекта на протяжении 5 месяцев развёртывания.", "process_link": "Персонализация / рекомендательная система контента (прямой аналог товарных рекомендаций в продажах: 'что предложить пользователю дальше')", "key_finding_ru": "РКИ с 7 750 учениками показывает, что персонализация (коллаборативная фильтрация), развёрнутая в одном разделе контента, увеличивает вовлечённость на 60% в этом разделе и на 14% по приложению в целом. Далее, эксплуатируя порог доступа в дизайне RDD, авторы отслеживают эффект на протяжении 5 месяцев развёртывания: RDD-оценки превышают РКИ-бенчмарк в 2,5 раза — обратный эффект по сравнению с типичным 'падением напряжения' (voltage drop) при масштабировании политик. Авторы делают вывод, что для алгоритмических вмешательств оценки РКИ могут быть нижней, а не верхней границей эффекта при масштабировании. Однако выгоды от персонализации сосредоточены в первых неделях использования, с убывающей отдачей далее; в сочетании с резким падением качества предсказанного соответствия по мере исчерпания лучшего контента для пользователя это говорит о том, что ограничивающим фактором становится доступность контента, а не алгоритмическая сложность.", "metrics": {"rct_sample": "7 750 учеников", "rct_effect_within_section": "+60% вовлечённости в разделе с персонализацией", "rct_effect_appwide": "+14% по приложению в целом", "rdd_vs_rct_multiplier": "RDD-оценки превышают РКИ-бенчмарк в 2.5 раза", "temporal_pattern": "эффект сконцентрирован в первые недели, затем убывает"}, "transfer_limits": "Изучена одна edtech-платформа для обучения английскому языку детей в Индии — перенос на взрослый B2C/B2B коммерческий контекст (продажи, розница) требует осторожности. Обратный эффект 'voltage drop' (усиление, а не ослабление при масштабировании) может быть специфичен для сред с ограниченным и истощаемым каталогом контента; авторы сами связывают затухание выгод именно с исчерпанием лучших контентных совпадений — в средах с большим и постоянно обновляемым каталогом товаров (типичная e-commerce витрина) этот механизм затухания может не проявляться так же.", "reading_scope": "full_text", "claims": [{"text_ru": "Персонализация в РКИ увеличила вовлечённость на 60% в целевом разделе и на 14% по приложению в целом.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://www.nber.org/papers/w34950", "locator": "Abstract"}, {"text_ru": "RDD-оценки эффекта персонализации при масштабировании превышают РКИ-бенчмарк в 2,5 раза, что противоположно типичному эффекту 'падения напряжения' при масштабировании политик.", "status": "SOURCE_CLAIM", "verification_scope": "величина эффекта", "source_url": "https://www.nber.org/papers/w34950", "locator": "Abstract"}, {"text_ru": "Выгоды от персонализации сосредоточены в первых неделях и убывают по мере исчерпания лучших контентных совпадений — ограничивающий фактор — доступность контента, а не сложность алгоритма.", "status": "SOURCE_CLAIM", "verification_scope": "изменение процесса / величина эффекта", "source_url": "https://www.nber.org/papers/w34950", "locator": "Abstract"}], "sources": [{"url": "https://www.nber.org/papers/w34950", "title": "The Economics of Algorithmic Personalization: Evidence from an Educational Technology Platform", "publisher": "NBER Working Paper No. 34950", "author": "Keshav Agrawal, Susan Athey, Ayush Kanodia, Shanjukta Nath, Emil Palikot", "date": "2026-03", "type": "other", "locator": "titульная страница + Abstract (стр. 1-2 PDF)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P23-SCI-SALES-F08"}], "author_model": "claude-sonnet-5", "next_action": "NBER working paper — не рецензировался официально (дисклеймер NBER: 'have not been peer-reviewed'); отслеживать публикацию в журнале."}