Кто воспитывает вкус модели

Как ИИ решает, какие товары и бренды вообще попадут в выбор

Мы привыкли считать, что выбор начинается с появления нескольких вариантов. Человек открывает поисковик или маркетплейс, сравнивает предложения и выбирает среди того, что ему предоставила площадка.

Разговорные ИИ-интерфейсы незаметно меняют эту последовательность. Пользователь может сразу попросить систему подобрать ноутбук или кроссовки по заданным условиям. Но главный отбор к этому моменту уже произошёл: прежде чем что-либо ранжировать, система должна решить, что вообще попадёт в сравнение.

Невидимость возникает до выдачи

Старая модель рекомендательной системы начиналась с рейтинга. Алгоритм оценивал товары в соответствие запросу и поднимал подходящие выше. Современная архитектура часто устроена иначе. До финального ранжирования система формирует ограниченный набор кандидатов. Поэтому отсутствие бренда в рекомендации ещё не означает поражение в сравнении: возможно, продукт вообще не дошёл до этой стадии. Для бренда это означает простую вещь. Он может не проиграть конкуренту, а вообще не попасть в соревнование.

LLMRank демонстрирует как языковая модель получает уже сформированный список кандидатов и только меняет порядок внутри него. Авторы LLMRank также обнаружили смещение в пользу объектов, которые изначально находились выше и тенденцию чаще выбирать популярные товары. Бренд конкурирует за машинный отбор.

Сначала товар должен стать понятен машине

Раньше компания создавала страницу для человека, а поисковая система пыталась извлечь из неё свойства товара. Агентная инфраструктура меняет процесс: продавец всё чаще создаёт демонстрацию продукта для машины.

В проекте спецификации Agentic Commerce Protocol Product Feeds описываются как поверхность поиска до покупки. Продавец передаёт название, описание, категорию и изображения. Система также получает цену, наличие и идентификаторы конкретных вариантов. Возникает машинная версия продукта. Она не равна самому товару. Это набор свойств и идентификаторов, которые система способна получить и использовать. Если такая версия неполна или устарела, продукт может потерять видимость ещё до человеческой оценки.

Особенно ясно различие между ранжированием и исключением видно в Shopify ucp-cli. Намерение покупателя работает как сигнал и способно изменить порядок результатов. Но основной фильтр действует иначе: цена, наличие или доставка могут полностью удалить объект из выдачи.

ИИ моделирует покупателя

Чтобы подобрать товар для человека, системе требуется каким-то образом представить самого пользователя.

Работа исследователей Sber AI Lab и соавторов Pre-trained LLMs Meet Sequential Recommenders: Efficient User-Centric Knowledge Distillation показывает одну из таких архитектур. Языковая модель получает историю взаимодействий и текстовую информацию об объектах, после чего формирует пользовательский профиль.

Сначала разработчик определяет, какие признаки считать значимыми, и только затем модель интерпретирует поведение внутри этой системы понятий. Для набора Beauty модель просят анализировать человека через заранее заданные категории. Среди них проблемы кожи, предпочтения в ингредиентах и цели ухода за собой. Другие инструкции учитывают отношение к брендам, чувствительность к цене и эстетические предпочтения. Эти категории зафиксированы в открытых prompt-файлах проектаПерсонализация зависит не только от того, что человек делал. Она зависит и от того, каким языком система решила это поведение описывать..

Управляемая потребность

В обычном поиске человек рассматривает ограниченное число объектов и может обнаруживать собственные предпочтения в процессе. До встречи с вещью ему не обязательно понимать, почему одна кажется правильной, а другая нет.

Агент способен просматривать значительно больший каталог, но для этого ему требуется представление о человеческом желании. В модели агентной коммерции дефицит смещается. Ограничением становится уже не количество товаров, которые человек способен посмотреть, а количество предпочтений, которые он способен выразить.

Это теоретический результат, а не установленный психологический эффект. Но изменение интерфейса заметно и без него: человеку всё чаще приходится переводить неявное желание в формулировку, которую сможет обработать машина.

Невыразимое при этом не исчезает. Пользователь всё ещё может отвергнуть рекомендацию без ясной причины или изменить желание после первого результата. Но свойства, которые удалось превратить в слова и параметры, получают инфраструктурное преимущество.

ИИ сравнивает не человека и товар

Обычно рекомендацию представляют как встречу человека и товара. Есть потребность и есть объект, а алгоритм помогает соединить одно с другим.

Внутри современной системы сначала встречаются другие сущности. С одной стороны находится машинная версия продукта — набор признаков и идентификаторов. С другой находится машинная версия пользователя — история действий, параметры запроса и интерпретированный профиль. Сначала система сопоставляет именно их. Реальный человек сталкивается уже с результатом этого сопоставления.

Это не просто техническая деталь, поскольку любое представление является сокращением. Описание товара не содержит весь опыт вещи, фотография не передаёт материал полностью, а категория неизбежно упрощает назначение. Профиль человека устроен так же.

Алгоритм поэтому сопоставляет не две реальности, а две редуцированные модели реальности. Автоматизация выбора не устраняет неопределённость. Она переносит её внутрь системы представления.

Кто определяет, что модель считает релевантным

У модели нет вкуса в человеческом смысле, потому что у неё нет тела и личной биографии. Вместо вкуса существует архитектура: данные и схема товара, модель пользователя, поиск, формирование кандидатов и ранжирование.

Поэтому выражение «вкус модели» полезно только как метафора. Точнее говорить о распределённой инфраструктуре отбора.

AutoGEO, принятый на ICLR 2026, показывает следующий шаг. Авторы предлагают реконструировать рабочие правила конкретной генеративной поисковой системы, а затем менять документы так, чтобы повысить вероятность их появления в ответе.

Возникает необычная петля: одна машина производит выбор, другая изучает закономерности этого выбора, после чего текст переписывается уже с учётом машинного способа чтения. У сообщения появляется новый адресат. Им становится не только человек, но и другая вычислительная система.

Посредник ошибается, но всё равно решает

Здесь возникает главное противоречие. Инфраструктурная роль ИИ растёт быстрее, чем надёжность самих агентов.

ShopSimulator создан для оценки торговых ИИ-помощников в длинных сценариях. Авторы сообщают, что даже лучшие протестированные модели не достигают 40% полного успеха. Основные проблемы возникают при глубоком поиске, выборе между похожими товарами и длинных последовательностях действий.

Важно здесь не очередное доказательство несовершенства AI. Машина получает инфраструктурную власть не потому, что становится идеальным экспертом, а потому, что занимает критическую точку архитектуры.

Система может ошибаться и всё равно определять, какие варианты будут рассмотрены. Релевантный объект может не попасть в поле сравнения, пользователь может быть неверно описан, а жёсткий фильтр способен исключить вариант, который человек при непосредственной встрече всё же выбрал бы.

До выбора уже сделан выбор

Сначала объект должен стать машиночитаемым и попасть в набор возможного. После этого он проходит фильтры и ранжирование, пока параллельно система формирует представление пользователя.

Только после этой последовательности возникает пространство, которое человек воспринимает как собственный выбор.

Статья Роберто Писарро Контрераса, Чжитуна Чжао и Гуйхуна Чжана Just in time: the algorithmic capture of truth and opportunity in AI-reconfigured judgment описывает генеративные и рекомендательные системы как участников самой конфигурации человеческого суждения.

После разбора технической инфраструктуры эта философская рамка становится почти буквальной. Product Feed создаёт машинную версию товара, профилирование формирует машинную версию человека, candidate generation определяет множество возможного, а фильтры исключают варианты ещё до сравнения.

Человек остаётся последней инстанцией и может отвергнуть рекомендацию, изменить запрос или открыть другой сервис. Но к моменту этого решения значительная часть пространства уже была организована до него.

Мы привыкли считать внимание главным дефицитом цифровой среды. ИИ создаёт дефицит раньше внимания: дефицитным становится право попасть в пространство, где выбор вообще происходит.