사용자가 질문하고 플랫폼이 경쟁한다: 능동적 추천 시장의 형성과정

The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape

온라인 추천은 전통적으로 사용자가 특정 플랫폼에 진입한 후에 이루어지며, 이때 플랫폼은 후보 항목 풀을 결정하고 사용자에게 표시할 순위를 정합니다. 그러나 LLM 기반 사용자 에이전트는 다른 추천 프로세스를 가능하게 합니다: 사용자는 플랫폼 선택 전에 요구 사항을 명시하며, 이는 플랫폼들이 사용자의 관심을 얻기 위해 경쟁하도록 유도합니다. 우리는 이를 '능동적 추천 시장'이라고 부릅니다. 세 가지 제품 영역에 걸쳐 진행된 LLM 기반 실험에서, 이러한 새로운 추천 방식은 접근성과 관심 사이의 긴장을 야기하는 것으로 나타났습니다. 전통적인 플랫폼 중심 추천과 비교했을 때, 사용자 중심 추천은 관련 항목이 비교 대상에 포함될 가능성을 크게 확장하지만, 더 넓은 참여가 반드시 효과적인 노출로 이어지지는 않습니다. 경쟁은 직접적으로 플랫폼들의 전략적 행동을 유발하며, 긍정적인 설명이 최상위 순위에 있는 경우의 비율은 73~78%에 달합니다. 사용자가 에이전트를 통해 플랫폼의 행동과 후속 사용자 피드백 간의 연관성을 파악하면 이 비율은 36~41%로 감소하지만, 사용자가 관련 항목을 구매할 확률은 증가합니다. 따라서 사용자 에이전트는 단순히 더 큰 후보 풀에서 순위를 매기는 것 이상이며, 검색, 순위 결정 및 피드백 메커니즘은 누가 경쟁에 참여할 수 있는지, 주의가 어떻게 분배되는지, 그리고 이전 결과가 플랫폼 평가에 어떤 영향을 미치는지를 직접적으로 조절하여 사용자 효용에 영향을 미칩니다. 따라서 능동적 추천 시스템 설계는 접근성, 관심, 책임성을 하나의 통합된 설계 문제로 다루어야 합니다.

Online recommendation has traditionally taken place after a user enters a platform, which determines the candidate pool and the ranking shown to the user. LLM-based user agents enable a different recommendation process: a user specifies a need before choosing a platform, leaving platforms to compete for the user's attention, which we refer to as an agentic recommendation market. In our controlled LLM-based experiments across three product domains, we find this new setting of recommendation creates a tension between access and attention. Compared with traditional platform-centric recommendation, user-centric recommendation greatly expands the opportunity for relevant items to enter comparison; yet broader participation does not translate directly into effective exposure. Competition directly triggers platforms' strategic play: selectively positive explanations occupy 73--78% of first-ranked positions. When the user agent relates platforms' actions to subsequent user feedback, this share falls to 36--41%, while the chance of a user purchasing the relevant item increases. A user agent is therefore more than a ranker over a larger pool of candidates: its querying, ranking, and feedback mechanism governing who can compete, how scarce attention is allocated, and how earlier outcomes shape the evaluation of platforms directly affect user utility. Designing agentic recommendation therefore requires treating access, attention, and accountability as a joint mechanism design problem.