01 触发事件

Bloomberg 2026 年 10 月 7 日的 newsletter 报道了一项研究: 当 Claude 和 ChatGPT 作为购物助手为用户比价、推荐商品时, 不同用户看到的价格不同, 差异与用户财富/消费能力正相关。研究的样本和方法论我没有逐字看到, 但 Bloomberg 用 "offer different shopping prices based on wealth" 作为标题, 措辞相当直接。

这本身是一条轻量的研究新闻。但它指向的结构性现象, 比标题重要得多。

02 这事的真正含义

问题不在 "AI 是否在歧视", 而在 "AI 代理已经成为新的分发层"。

过去十年, 电商比价的分发权在 Google Shopping、Amazon Search、Affiliate network 手里。这些平台已经被监管反复锤过 - 欧盟的 Geo-blocking 条例、美国各州的 price transparency law。LLM 时代的比价/购物代理, 是一个绕开这些既有规则的新通道:

  • 平台对最终用户不可见 (没有 Amazon search results 那种可视化对比)
  • 决策路径不透明 (用户不知道 LLM 内部如何排序和过滤)
  • 模型的 "建议" 对用户有更高的信任权重 (相比搜索结果, 用户更愿意接受 AI 推荐的单一答案)

这意味着, 当 AI 代理具备成交能力 (ChatGPT Instant Checkout、Anthropic 的 browser use、各种 MCP shopping server), 价格歧视不再是 "算法在后台运行", 而是 "代理主动呈现给用户"。

Bloomberg 标题里有个词被低估了: "based on wealth"。这暗示研究里用了某种用户分层 (account history、inference from context、第三方数据 append)。这意味着模型本身可能在 system prompt 层被注入 wealth signal, 也可能在 tool 调用阶段根据 user metadata 调整返回价格。我倾向后者, 因为前者更接近 alignment 议题, 会引发更剧烈的反应; 后者可以归因到 "tool 设计" 而非 "模型价值观", 推卸空间更大。

03 历史类比 / 结构对照

最近的结构对标是 2012 年 Orbitz 的 Mac vs PC 案例: Orbitz 发现 Mac 用户平均订酒店价格比 PC 用户高, 因为 Mac 用户对价格敏感度统计上更低, 平台就自动呈现更贵的选项。被 NYT 曝光后公众反弹, 最后道歉并改算法。当时是 OTA 时代。今天是 LLM 时代。

更深的对照是 2000 年 Amazon 的动态定价丑闻 - 同款 DVD 给不同用户标价不同, 被发现是测试个性化定价的残留, 引发了国会听证和 FTC 关注。

共同点很清晰:

  • 数据可被用于差异化定价
  • 公司发现可以从中提取更多 consumer surplus
  • 媒体曝光 → 监管介入 → 平台被迫透明化或回滚

Bloomberg 这篇研究的真正价值, 不是告诉我们 AI 在歧视, 而是告诉我们: 监管链条上的第一颗棋子已经被放上了棋盘。

欧盟 AI Act 已经把 "high-risk AI system" 扩展到了影响经济决策的系统。美国 FTC 已经在公开场合发过关于 AI in commerce 的预警。下一步是具体执法 - 而执法需要的素材, 就是 Bloomberg 这类报道。

04 对 AI builder 意味着什么

短期的几条:

a. 如果你在做 shopping agent / commerce agent, 你的 pricing logic 不能是黑盒了。需要在 agent 返回价格时, 标注这是 "系统默认价格" 还是 "针对你的优化价格"。这不是产品建议, 是合规预期。

b. 如果你在做 model gateway (像 opcx.ai 这样的角色), 你会开始被客户问: "你们的 router 是否会根据 user tier 切换到不同模型导致价格差异?" 答案是, 这本身没问题 (因为是 routing 决策), 但需要在 metadata 里诚实标注价格构成。

c. 如果你在做 MCP server / commerce tool, 调用时的定价策略是 regulated surface。这周还看不到 enforcement, 但 6-12 个月内 FTC 会出 guidance。这点我可能误判时间线。

d. 更广义的应用层套利: 在 agent 时代, 你的应用层 product 如果还依赖 "前台显示统一价格", 你会失去 gameable AI 在比价环节提供的部分边际。可以考虑: 你的产品成为 agent 友好的价格透明层 (统一 API 返回 + 价格构成标注), 这是新形式的 moat。

e. agent 协议 (MCP / A2A / OpenAI Apps SDK) 的设计会开始考虑 "pricing transparency" 作为一个 first-class concern。这是从 IETF 时代 email protocol 就有的老问题, 在 AI 时代的新版本。

05 反方观点 / 风险

我可能错在以下几点。

第一, 这项研究本身的可信度。Bloomberg 报道的是 "a study", 我没看到原文。研究的样本量、测试场景、是否真的 "based on wealth" 还是媒体解读的简化版本, 都未知。如果只是几位研究员在 50 次测试中观察到的 pattern, 噪声可能远大于信号。

第二, "shopping agent" 的市场份额还太小。ChatGPT Instant Checkout 上线不久, Claude 的 commerce 路径还在早期。监管通常针对 "影响几千万消费者" 的市场行为出手。今天 AI shopping 还没有这个体量。监管可能比预期晚 2-3 年, 或者根本不针对 LLM, 而是针对底层 e-commerce platform。

第三, 反方向是 agent 可能不是 price discriminator, 而是 price equalizer。一个 LLM 助手如果被训练为 "为用户争取最低价", 它实际上会压缩 e-commerce 的差异化定价空间, 对消费者是好事。Bloomberg 的研究如果只看 rich user 看到高价, 没看 poor user 看到什么, 叙事就不完整。

第四, 也是最关键的反方: 这事可能不是 "AI 的问题", 而是 "agent 的问题"。传统 SaaS 在 B2B 早就这么干 (基于客户 ARR 的折扣阶梯)。把同样的现象套到 AI 上, 可能只是媒体在制造监管套利的契机, 不一定真有技术或产品拐点。

但我倾向认为: 即便这是噪声, 它把 "agent + commerce + regulation" 推到了讨论桌面上, 这本身就是一个 distribution 事件。Bloomberg 把它放进 newsletter 头部位置, 本身就是给监管者的信号。监管的形成路径, 永远不是从 "研究" 到 "执法", 而是从 "媒体可见的研究" 到 "国会听证" 到 "执法"。

我可能错在: 这件事最终不会影响任何产品决策, 它只是 2026 年众多 AI news cycle 里的一个 noise spike。但如果是真的, 它影响的是可观测的 moat 转移 - 从平台层 (Amazon / Google) 到 agent 层 (Anthropic / OpenAI / 各种 shopping-focused agent startup)。

博弈才刚开始。