部分理解还是完全理解：平台是否应部署大型语言模型来消除消费者的认知偏差？

《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》：Partial understanding or full comprehension: Should platform deploy large language model to bridge consumer perception biases?

　　摘要：利用大型语言模型帮助消费者理解高科技数字产品信息，为供应链运营带来了机遇与挑战。大型语言模型能够简化复杂术语，并通过个性化推荐提升那些低估产品价值的消费者的购买意愿，但同时也可能降低那些高估产品价值消费者的支付意愿。为研究这些影响，我们构建了一个双渠道数字产品供应链模型，该模型包括一个拥有自有线下零售商的供应商，以及一个决定是否投资大型语言模型的平台零售商，而供应商则需要在转售和代理销售两种模式之间做出选择。分析结果表明有三个主要发现：首先，随着消费者对数字产品估值的持续偏低，引入大型语言模型会推高线上价格和需求，同时抑制线下价格和需求，但随着低估程度的增加，整体市场需求和供应链总收入仍会上升；其次，我们确定了平台零售商从大型语言模型应用中获益的具体条件，即即便消费者高估产品价值，只要这种高估程度适中，大型语言模型的应用依然能够推动总需求增长并提升线上收入，尽管这会导致线下需求下降，而供应商则可以利用跨渠道外部性，借助平台零售商在大型语言模型上的投资来提升自身利润，无论采用何种销售模式；第三，我们发现，在引入大型语言模型的情况下，供应商在转售和代理销售两种模式之间的最佳选择不仅取决于代理销售中的佣金比例，还显著受到消费者估值偏差程度的影响。

引言：在过去十年中，基于平台的供应链已成为各行业变革的重要力量，从根本上改变了企业协调生产、分销和客户互动的方式（Shi等人，2021年；Zhang等人，2023年）。在数字化制造的背景下，从复杂的软件套件到精密的硬件产品，平台生态系统使得不同的企业能够整合资源、共享实时数据，并大规模共同创造价值（Ivanov等人，2022年）。这场数字化革命不仅改变了商品的生产方式，还重新定义了产品的本质，有望带来深远的社会影响。然而，尽管有预测称，到2025年全球数字化制造平台的市场规模将达到142.1亿美元，到2032年还将增长至423.9亿美元，1企业仍因供应商与终端用户之间存在持续的信息不对称而难以充分发挥其潜力。尤其是复杂的技术规格往往让非专业消费者难以理解（Rust等人，2006年），这就造成了产品感知价值与实际价值之间的巨大差距，进而导致定价错误、采购不足或过度，以及运营效率低下，从而损害企业和消费者的利益。这种估值差距源于数字化制造产品与传统商品之间的本质差异。这类产品通常属于信息密集型产品，其核心价值体现在复杂的软件、固件和数据接口上，而非单纯的物理属性（如3D打印机、无人机和可定制的电子元件）。它们往往具有模块化和可配置性，允许高度定制化，虽然这创造了价值，但也极大地增加了消费者选择的复杂性。此外，它们的实用性往往与生态系统和网络效应相关（例如与特定软件套件、材料库或数据格式的兼容性），并且由于持续的软件更新和技术进步，这些产品的过时周期也相当短。正是这些特性——信息密集性、可配置性和对生态系统的依赖性——为非专业消费者带来了巨大的认知障碍，使得技术规格显得过于复杂，真实价值难以确定，缺乏专业知识的消费者可能会严重低估或高估产品的功能（Meyer等人，2008年）。这类偏见会扭曲线上线下渠道的需求，导致产品之间的竞争，迫使企业在不同的零售模式之间做出艰难抉择。实际上，线下零售商可以通过现场演示和详细的产品说明来减轻消费者的不确定性，比如在实体展厅中提供的服务（Zhang等人，2020年；Hao和Kumar，2024年）；然而，他们的描述往往侧重于强调自身产品的优势，而非真正阐述产品的价值所在。相反，虽然数字平台在客观上不会刻意对消费者施加主观影响，且在交易便捷性方面明显优于线下零售商，但它们往往因为提供过多复杂且繁琐的产品描述而让消费者感到困惑。尽管有一些研究提出了诸如增强现实和区块链等技术来帮助消费者理解产品（Tan等人，2022年；Zhang等人，2024年），但这些方法的适用范围有限，所能解决的认知障碍类型也较为有限。现有的解决信息不对称的技术手段，如增强现实或基于区块链的追溯系统，主要起到提供静态信息的作用。它们提升了产品数据的可用性或真实性，但未能解决核心问题，即非专业消费者在处理和理解复杂技术信息方面的能力不足。增强现实可以叠加视觉数据，区块链可以验证产品来源，但这两者都假设消费者具备正确解读这些信息所需的专业知识——而在数字化制造环境中，这一假设往往不成立。大型语言模型的理论创新之处在于其通过对话式交流进行说服的能力。与被动的技术不同，大型语言模型能够与用户进行动态的、自然语言形式的对话，主动识别用户的知识空白，将技术规格转化为用户容易理解的优势，并提供个性化的、符合上下文的解释。这一互动过程不仅仅是提供信息，更是帮助消费者建立理解，促进其对产品价值的重新认知，从而直接抵消静态展示无法实现的弊端。近年来，大型语言模型的发展为解决这一问题提供了有效的途径，它将产品信息的传递方式从被动展示转变为互动式的解释和咨询体验（Arora等人，2025年）。像GPT-4这样的先进大型语言模型被越来越多地用于解析技术术语、比较不同产品的规格，并根据不同用户的特征提供个性化的、基于对话的推荐（Achiam等人，2023年；P. Li等人，2024年）。业界和学术界都在积极探索由大型语言模型驱动的互动助手来解决这些挑战（Naveed等人，2023年；Chang等人，2024年）。例如，京东在2021年推出了基于Transformer预训练的自动产品描述生成系统，七个月内就产生了253万条产品描述，使得点击率和转化率分别提升了4.22%和3.61%，2021年2月至9月间的商品总值增长了213.42%（X. Zhang等人，2022年）。类似地，亚马逊推出了其AI大型语言模型智能搜索工具“Rufus”，3淘宝也在大型语言模型的支持下推出了“通义千问”4，这些工具使消费者能够提出复杂的对话式查询，获取详细的产品信息，并获得定制化的产品组合，从而增加购买量并创造更多的交叉销售机会。然而，大型语言模型在重塑消费者产品估值方面的这种变革能力并非在毫无背景的情况下产生的。现有的平台实践提供了具体的案例证据，表明生成式人工智能的应用可以通过供给端和需求端的影响，改变供应商的销售模式选择。在供给端，亚马逊推出了生成式人工智能工具，帮助卖家撰写和优化产品描述及列表详情，其中还包括一种可以从卖家自己的网站URL生成产品详情页的功能5；阿里云表示，淘宝和天猫的人工智能工具可以利用热门关键词和消费者需求来生成产品标题和描述6。在需求端，亚马逊的Rufus是一款生成式人工智能购物助手，旨在回答购物相关问题、提供产品比较和推荐，帮助消费者做出更明智的购买决策。这些发展表明，平台在大型语言模型上的投资不仅改变了消费者面临的信息环境，也影响了商家的内容创作和列表管理任务。在我们的模型中，这些变化改变了代理销售与转售之间的相对收益：当大型语言模型带来的搜索、推荐和列表生成功能提升了产品可见度和消费者转化率，从而创造了额外价值时，这种价值的分配取决于相关的合同条款。在代理销售模式下，供应商对定价和客户关系有更大的控制权，能够获得更多额外价值；而在转售模式下，平台对交易和利润率的控制力更强，能够占据更大份额的价值。因此，平台在大型语言模型上的投资应被视为一种战略性的需求塑造投资，能够内在地影响供应商的最佳销售模式选择。通过将平台的信息传递机制从被动展示转变为主动解释和互动，大型语言模型不仅传递信息，还能通过自然语言对话重塑消费者的理解（Praveen等人，2024年）。因此，大型语言模型可以帮助消费者降低对高科技数字产品的认知障碍，减少估值误差。不过，这些好处也伴随着一定的代价。虽然大型语言模型倾向于纠正产品估值偏低的问题，激发那些风险厌恶或信息不足的消费者的购买意愿，但它们也可能让那些原本可能会做出不明智购买决定的高估产品价值的消费者重新考虑或放弃购买。因此，大型语言模型应用对总体需求和供应链盈利能力的净效应仍然不确定，人工智能大型语言模型所提供的信息的准确性可能会根据消费者偏见的性质，要么推动销售，要么抑制销售。这一矛盾在人工智能与供应链管理交叉领域引发了几个关键但尚未得到充分研究的問題。在存在普遍估值偏差和多样化高科技数字产品的市场中，究竟在何种条件下，对大型语言模型的投资才能真正提升企业绩效？大型语言模型的应用又如何改变双渠道供应链中线下与线上渠道之间的竞争关系，尤其是对于供应商在转售和代理销售两种模式之间的最佳选择而言？尽管这些问题在高科技和数字化产业中的重要性日益凸显，但现有关于平台运营和人工智能大型语言模型驱动的营销研究的文献中却鲜有涉及。基于上述讨论，我们提出了三个核心研究问题：研究问题1：大型语言模型的应用如何影响数字产品供应链各参与方的最佳决策，以及如何影响它们的盈利能力？研究问题2：在何种条件下平台零售商应该采用大型语言模型，其最佳投资策略是什么？研究问题3：大型语言模型的应用如何影响数字产品供应商在转售和代理销售两种模式之间的最佳选择？为了解答这些问题，我们构建了一个去中心化的双渠道数字产品供应链模型，该模型包括一个数字产品供应商以及两个竞争性零售商：一个是由供应商拥有和经营的线下零售商，另一个是在线平台零售商。我们分析了在双渠道竞争环境下的运营决策过程。具体来说，我们重点研究了在线平台零售商在不同销售模式下是否投资采用大型语言模型的决策。首先，我们考虑平台零售商不投资大型语言模型的情况。在这个基准场景中，我们分析了零售商在通过转售合同或代理销售合同进行销售时的最佳运营决策。以此为基础，我们进一步研究了平台零售商在两种销售模式下的大型语言模型投资决策。我们探讨了大型语言模型的应用如何影响双渠道市场中的竞争态势，并确定了平台零售商投资大型语言模型达到最优的条件。最后，我们分析了在平台零售商采用大型语言模型的情况下，数字产品供应商的最佳销售策略选择。我们的主要研究发现如下：首先，我们发现，当消费者对数字产品的估值偏差超过某个临界值时，在转售模式下引入大型语言模型可以保持线下价格的稳定，同时提高线上零售价和批发价；而在代理销售模式下，数字产品供应商会降低线下价格，而平台零售商则会提高线上价格。此外，随着消费者估值的进一步偏低，线下需求会下降，线上需求会上升，但总体需求依然会上升，这说明额外的线上销售足以弥补线下渠道的损失。我们进一步发现，无论是在哪种情况下，供应商和平台零售商的均衡收入都会随着消费者估值偏低的程度而增加，而且只要消费者没有显著高估数字产品的价值，所有供应链参与者都能从投资大型语言模型中获益。尽管看起来平台零售商采用这种模式会削弱供应商的利润，但我们的研究结果表明，在超过偏差临界值之后，供应商可以利用跨渠道外部性，借助平台的建模能力来提升自身的盈利能力。最后，我们研究了在平台零售商已投资于大语言模型时，数字产品供应商应在转售与代理销售模式之间做出最优选择的条件。我们发现，这一决策不仅取决于代理销售合同中约定的佣金率，还极大程度上取决于消费者对数字产品的估值偏差程度。从管理角度而言，本研究强调了大语言模型投资、消费者行为与销售模式选择之间的动态互动关系，并为双渠道数字产品供应链提供了可操作的指导建议。首先，数字产品供应商应仔细评估与具备先进大语言模型功能的平台零售商合作可能对传统线下渠道竞争力的影响，同时需严格评估大语言模型在纠正消费者估值偏差方面的边际价值。其次，对于那些高度复杂或专业化的产品，与拥有成熟大语言模型的平台零售商建立战略联盟，可作为一种有效的免费搭车策略，用以拓展市场覆盖范围并提升盈利能力。通过将销售模式决策与约定的佣金率以及当前的消费者估值偏差相结合，供应商便能在大语言模型赋能的环境中优化整体渠道绩效。对企业而言，当平台零售商投资于大语言模型时，若消费者的产品估值严重偏高，转售模式将成为实现供应链帕累托最优结果的主流策略；而当消费者的估值偏差处于中等水平且佣金率较低时，代理销售模式更有可能为供应链带来双赢局面。本文的其余部分结构如下：第2节将对相关文献进行简要综述；第3节介绍核心模型及其关键假设；第4节在四种不同场景下推导出数字产品供应商与平台零售商的最优定价策略及收益结果；第5节详细分析第4节中的均衡状态，包括深入探讨大语言模型应用对数字产品供应链的影响、最优的大语言模型投资决策以及最优销售模式选择；第6节则总结研究结论，强调管理启示，并指出未来研究的潜在方向。