📈 economics

Subsidizing Sequential Search

Dieser Artikel zeigt, dass in Märkten, in denen Unternehmen kostspielige Produktinspektionen subventionieren, ein einzigartiges Gleichgewicht entsteht, in dem Anbieter höherer Qualität größere Subventionen anbieten, um Verbraucher zu einer effizienten Suche zu lenken, während die Einführung KI-vermittelter Plattformen zur Preisgestaltung dieser Inspektionen zu übermäßigen Inspektionen führt, die den Überschuss von Verkäufern auf die Plattform und die Verbraucher umverteilen, ohne das Verbrauchernwohl zu beeinträchtigen.

Ursprüngliche Autoren: Salvador Candelas, Nicole Immorlica, Brendan Lucier

Veröffentlicht 2026-05-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Salvador Candelas, Nicole Immorlica, Brendan Lucier

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie gehen durch einen riesigen, lauten Flohmarkt auf der Suche nach einem bestimmten Gegenstand, etwa einer perfekten Vintage-Lampe. Sie wissen, dass die Lampe irgendwo existiert, aber Sie wissen nicht, an welchem Stand sie zu finden ist. Das Überprüfen eines Stands kostet Zeit und Energie (ein „Suchkosten"). Wenn Sie einen Stand überprüfen und die Lampe dort nicht ist, haben Sie diese Energie verschwendet.

Dieser Beitrag untersucht, was passiert, wenn die Standinhaber (Unternehmen) versuchen, Sie davon zu überzeugen, zuerst ihren Stand zu besuchen. Sie können nicht einfach rufen „Ich habe die beste Lampe!", weil sie möglicherweise lügen. Stattdessen bieten sie Ihnen ein Subsidium an: Sie bezahlen Sie dafür, dass Sie sich Ihre Lampe ansehen. Vielleicht geben sie Ihnen einen kostenlosen Kaffee, oder in der digitalen Welt bezahlen sie Ihr „Datentoken", damit Sie nicht Ihre eigenen ausgeben müssen.

Hier ist die Geschichte des Beitrags, aufgeteilt in einfache Konzepte:

1. Das „Pay-to-Play"-Signal

Auf diesem Markt kennen die Standinhaber, wie gut ihre Lampen sind, aber Sie nicht.

Der schlechte Stand: Wenn ein Stand eine kaputte Lampe hat, wissen sie, dass Sie sie hassen werden. Wenn sie Sie bezahlen, um sie anzusehen, verlieren sie Geld, weil Sie weggehen. Daher bieten sie kein Subsidium an.
Der gute Stand: Wenn ein Stand eine perfekte Lampe hat, sind sie zuversichtlich, dass Sie sie kaufen werden. Sie sind bereit, Ihnen ein Subsidium zu zahlen, weil der Verkauf sich lohnt.

Die große Entdeckung: Der Beitrag beweist ein „Subsidium-Sortier-Prinzip". In einem stabilen Markt ist das Produkt umso besser, desto mehr ist der Verkäufer bereit, Ihnen zu zahlen, um es anzusehen.

Das Ergebnis: Sie als Käufer lernen eine einfache Regel: „Schauen Sie zuerst die Stände mit den größten Gratisangeboten an." Sie ignorieren die Stände, die nichts anbieten. Sie überprüfen die „kostenloser Kaffee"-Stände vor den „keine Gratisangebote"-Ständen.

2. Die drei Arten von Ständen (Das Gleichgewicht)

Die Autoren verwenden Mathematik, um zu zeigen, dass es nur eine logische Weise gibt, wie sich dieser Markt einpendelt. Die Stände landen in drei distincten Gruppen:

Die „Junk"-Gruppe (Niedrige Qualität): Diese Stände bieten null Subsidium an. Sie sind so schlecht, dass sie selbst dann Geld verlieren würden, wenn sie einen kostenlosen Kaffee anbieten würden. Sie schauen sie sich nie einmal an. Sie sind unsichtbar.
Die „Mitte"-Gruppe (Mittlere Qualität): Diese Stände bieten unterschiedliche Mengen an Subsidien an. Die etwas besseren bieten ein wenig mehr Kaffee an als die etwas schlechteren. Dies erzeugt eine perfekte Leiter, bei der Sie genau erkennen können, wie gut jede Lampe ist, indem Sie nur das Subsidium betrachten. Sie „trennen" sich selbst.
Die „Superstars"-Gruppe (Hohe Qualität): Dies sind die absolut besten Lampen. Sie alle bieten das maximal mögliche Subsidium an (z. B. ein kostenloses Mittagessen).
- Die Wendung: Da sie alle dasselbe Maximum anbieten, können Sie nicht unterscheiden, welcher Superstar besser ist als der andere. Sie „poolen" sich zusammen.
- Der Trade-off: Sie können alle diese Top-Lampen kostenlos inspizieren (oder werden sogar bezahlt), was großartig für Sie ist! Aber da sie alle zusammengefasst sind, verschwenden Sie möglicherweise Zeit damit, eine „gute" Lampe zu überprüfen, obwohl Sie die „perfekte" schneller hätten finden können. Der Markt verliert hier ein wenig an Effizienz, aber Sie als Konsument gewinnen.

3. Die KI-Agenten-Wendung (Die „Token"-Ökonomie)

Der Beitrag stellt sich dann eine Zukunft vor, in der Sie nicht selbst suchen. Stattdessen haben Sie einen KI-Assistenten (wie einen Roboter-Käufer), der für Sie sucht.

Jedes Mal, wenn die KI einen Stand überprüft, verwendet sie ein „Token" (eine digitale Arbeitseinheit).
Die KI hat Kosten für diese Tokens.
Die Standinhaber können Tokens von einer Plattform (wie einem riesigen Mall-Besitzer) kaufen und sie der KI geben, um die Suche zu subventionieren.

Das Problem der Plattform: Der Mall-Besitzer möchte das meiste Geld verdienen.

Wenn der Mall-Besitzer den Token-Preis zu hoch festlegt, können die Standinhaber es sich nicht leisten, der KI zu zahlen, damit sie hinschaut.
Wenn der Mall-Besitzer den Token-Preis zu niedrig festlegt, gehen die Standinhaber völlig über Bord. Sie bieten alle riesige Subsidien an. Die KI überprüft jeden einzelnen Stand, sogar die schrecklichen, weil es so billig ist.

Das schockierende Ergebnis: Der Mall-Besitzer verdient am meisten Geld, wenn die KI zu viel sucht.

Indem der Mall-Besitzer den Token-Preis senkt, bringt er die KI dazu, einen riesigen „Pool" von Top-Qualitäts-Ständen (und einige schlechte, die darunter gemischt sind) zu überprüfen.
Die KI überprüft weit mehr Optionen, als gesellschaftlich notwendig wäre.
Wer gewinnt? Sie (der Konsument) erhalten ein großartiges Angebot, weil die KI schnell eine Übereinstimmung findet und die Inspektionen billig sind. Die Standinhaber zahlen viel an die Plattform.
Wer verliert? Die Gesellschaft verliert ein wenig an Effizienz, weil die KI Zeit damit verschwendet, Optionen zu überprüfen, die sie nicht benötigte. Die Plattform extrahiert diese „verschwendete Zeit" als Gewinn.

Zusammenfassung

Subsidien sind Signale: Verkäufer zahlen Ihnen, um hinzusehen, und je besser sie sind, desto mehr zahlen sie.
Sie folgen dem Geld: Sie schauen sich zuerst die Angebote mit den höchsten Zahlungen an.
Der „perfekte" Markt: Schlechte Verkäufer verschwinden, mittlere Verkäufer zeigen ihre Qualität, und die besten Verkäufer zahlen alle das Maximum, wodurch die Inspektionen für Sie kostenlos werden.
Die KI-Gefahr: Wenn eine Plattform die Kosten der Suche kontrolliert, wird sie die Preise senken, um Sie (oder Ihre KI) dazu zu bringen, mehr zu suchen, als notwendig ist, nur um mehr Gebühren von den Verkäufern zu kassieren. Das macht Sie kurzfristig glücklich, erzeugt aber ein wenig Verschwendung im System.

Der Beitrag sagt im Wesentlichen: Wenn Verkäufer um Ihre Aufmerksamkeit konkurrieren, indem sie für Ihre Zeit bezahlen, sortiert sich der Markt effizient selbst, aber ein Zwischenhändler (wie eine Plattform) könnte Sie dazu ermutigen, sich zu viele Dinge anzusehen, nur um Gewinn zu machen.

Technisches Fazit: Subventionierung sequenzieller Suche

1. Problemstellung

Die Arbeit untersucht Märkte, auf denen Unternehmen um die Aufmerksamkeit von Verbrauchern konkurrieren, indem sie den kostspieligen Prozess der Produktprüfung subventionieren. Im Gegensatz zu traditionellen Modellen, in denen Suchkosten feste Lasten sind, die ausschließlich von Verbrauchern getragen werden, behandelt dieses Rahmenwerk Suchkosten als vertraglich vereinbar. Unternehmen können Subventionen $s_j \in [0, c]$ anbieten, um die effektiven Inspektionskosten des Verbrauchers von $c$ auf $c - s_j$ zu senken.

Der Kernkonflikt liegt in der dualen Rolle von Subventionen:

Instrumentell: Sie senken die Netto-Kosten der Bewertung und erweitern die Menge an Produkten, die ein Verbraucher bereit ist zu untersuchen.
Informativ: Da Subventionen kostspielig zu gewähren sind, fungieren sie als Signale für Qualität. Nur Unternehmen, die von einer hohen Trefferwahrscheinlichkeit überzeugt sind, finden es profitabel, die Inspektion zu subventionieren.

Die Autoren formalisieren dies als ein gerichteter Suchspiel mit vertikaler Unsicherheit bezüglich der Übereinstimmung. Ein Verbraucher sucht ein Produkt von $n$ Unternehmen. Die Firmentypen $t_j \in [0, 1]$ (die die Wahrscheinlichkeit einer Übereinstimmung repräsentieren) sind private Informationen. Der Verbraucher beobachtet ein Profil von Subventionen, aktualisiert seine Überzeugungen und wählt eine sequenzielle Inspektionsreihenfolge, um den erwarteten Nutzen zu maximieren.

2. Methodik

Die Analyse verwendet einen Rahmen des Perfekten Bayesschen Gleichgewichts (PBE) innerhalb eines Modells zur sequenziellen Suche.

Spielstruktur: Unternehmen wählen gleichzeitig Subventionspolitiken $\sigma(t)$ , nachdem sie ihre privaten Typen beobachtet haben. Der Verbraucher beobachtet das Subventionsprofil und implementiert eine Inspektionsregel (eine Permutation der Unternehmen mit einer Stoppregel).
Gleichgewichtsverfeinerung: Um die Gleichgewichtsmultiplizität zu adressieren, wenden die Autoren eine Forward-Induction-Verfeinerung an (insbesondere die equilibrium-dominance-Einschränkung im Geiste von Cho und Kreps, 1987, sowie Banks und Sobel, 1987). Diese Verfeinerung eliminiert Gleichgewichte, die auf unplausiblen Off-Path-Überzeugungen basieren, und verlangt, dass Off-Path-Subventionen nicht Typen zugeschrieben werden, für die eine solche Abweichung strikt dominiert ist.
Erweiterung auf Agenten-Ökonomien: Das Modell wird auf eine Plattformumgebung erweitert, in der ein Monopolist „Inspektions-Token" (Recheneinheiten) an Unternehmen verkauft. Die Plattform setzt einen Preis $p$ pro Token fest, den Unternehmen nutzen, um die Suchkosten des Verbrauchers zu subventionieren.

3. Hauptbeiträge und Ergebnisse

A. Das Subventions-Sortierungsprinzip

Die Arbeit etabliert ein fundamentales strukturelles Ergebnis für jedes PBE:

Monotonie: Unternehmen mit höherer Qualität (höhere Typen) bieten schwach größere Subventionen an.
Absteigende-Subventions-Index-Regel (DSIR): Verbraucher inspizieren Unternehmen in absteigender Reihenfolge ihrer realisierten Subventionen.
Mechanismus: Höhere Subventionen signalisieren höhere Trefferwahrscheinlichkeiten und senken gleichzeitig die Netto-Inspektionskosten. Folglich ist die optimale Strategie des Verbrauchers, Unternehmen mit höheren Subventionen zu priorisieren und erst dann zu stoppen, wenn eine Übereinstimmung gefunden wurde oder der erwartete Überschuss der nächsten Inspektion negativ wird.

B. Eindeutigkeit des Gleichgewichts und das „Vernünftige" Ergebnis

Obwohl multiple Gleichgewichte existieren, selektiert die Forward-Induction-Verfeinerung ein einzigartiges Gleichgewichtsergebnis, das als Vernünftiges Gleichgewicht (Reasonable Equilibrium) bezeichnet wird. Dieses Ergebnis ist durch eine Stufenweise-steigende-Stufen (SIS) Subventionsstruktur gekennzeichnet:

Niedrige Typen ( $t < \underline{t}$ ): Diese Unternehmen bieten keine Subventionen an und werden niemals inspiziert. Die Schwelle $\underline{t} = \frac{pc}{1+p}$ wird durch den Schnittpunkt der Teilnahmebedingung des Unternehmens (nicht-negativer Gewinn) und der Inspektionswürdigkeitsbedingung des Verbrauchers (nicht-negativer erwarteter Überschuss) bestimmt.
Intermediäre Typen ( $\underline{t} \le t < \bar{t}$ ): Diese Unternehmen trennen sich strikt. Sie bieten streng steigende Subventionen an, die ihre Typen offenbaren und dem Verbraucher die Unterscheidung zwischen ihnen ermöglichen.
Hohe Typen ( $t \ge \bar{t}$ ): Diese Unternehmen bündeln sich beim maximalen Subventionsdeckel ( $s = c$ $s = c$ ). Sie erstatten die Inspektionskosten vollständig.
- Zielkonflikt: Das Bündeln am Deckel macht die Inspektion für den Verbraucher kostenlos, verschleiert jedoch Qualitätsunterschiede zwischen den besten Unternehmen. Dies führt zu „Staus", bei denen hochwertige Unternehmen aufgrund zufälliger Tie-Breaking-Verfahren innerhalb des Bündels mit geringerer Wahrscheinlichkeit inspiziert werden.

C. Wohlfahrt und komparative Statik

Unter dem Vernünftigen Gleichgewicht:

Verbraucherüberschuss: Steigt mit der Anzahl der Unternehmen ( $n$ ) und sinkt mit den Suchkosten ( $c$ ) sowie den Subventionspreisen ( $p$ ).
Gesamtsozialer Überschuss: Während der Verbraucherüberschuss im Vernünftigen Gleichgewicht unter allen PBEs maximiert wird, leidet der soziale Überschuss unter der Ineffizienz, die durch das Bündeln hoher Typen verursacht wird. Der Informationsverlust an der Spitze führt zu übermäßiger Suche (Inspektion zu vieler Optionen) im Verhältnis zum ersten-besten sozialen Optimum.
Komparative Statik: Höhere Suchkosten oder Subventionspreise erhöhen die Eintrittsschwelle und schließen mehr niedrigqualitative Unternehmen aus. Intensivierter Wettbewerb ( $n$ ) verschärft das Rennen um Aufmerksamkeit und führt zu steileren Trennungsplänen.

D. Plattformpreise und agentische Suche

Die Arbeit erweitert das Modell auf eine Plattform, die Inspektions-Token zum Preis $p$ verkauft.

Plattformoptimierung: Die Plattform maximiert ihren Umsatz, indem sie einen Preis $p^*$ festlegt, der übermäßige Suche induziert.
Mechanismus der Verzerrung: Der optimale Preis verdickt den oberen Bündelbereich. Durch die Senkung des Preises veranlasst die Plattform mehr Unternehmen, in den Bündelblock einzutreten (wo sie die volle Subvention $c$ zahlen). Obwohl dies das Gesamtvolumen der Inspektionen (und damit den Token-Verkauf) erhöht, verzerrt es die Zuweisung von Aufmerksamkeit.
Wohlfahrtsimplikationen:
- Verbraucherwohlfahrt: Verbraucher profitieren von den niedrigeren Kosten pro Inspektion und einer höheren Trefferwahrscheinlichkeit, sodass der Verbraucherüberschuss nicht reduziert wird.
- Soziale Wohlfahrt: Der soziale Überschuss sinkt, da der Markt mehr sucht als sozial optimal ist (Inspektion von Unternehmen mit negativen virtuellen Werten).
- Umverteilung des Überschusses: Die Plattform extrahiert Renten aus der von ihr geschaffenen Intransparenz und verteilt den Überschuss von Verkäufern auf die Plattform und die Verbraucher um, wobei gleichzeitig ein Wohlfahrtsverlust in der Gesamteffizienz entsteht.

4. Bedeutung und Behauptungen

Die Arbeit beansprucht, ein neues theoretisches Fundament für das Verständnis von gerichteter Suche zu liefern, bei der Suchfrictionen endogen und vertraglich vereinbar sind.

Theoretischer Beitrag: Sie schließt die Lücke zwischen der klassischen Literatur zur „Pandora's-Box"-Suche (Weitzman, 1979) und der strategischen Informationsbereitstellung. Sie zeigt, dass Subventionen, und nicht nur Preise oder Anzeigenplatzierungen, ein primärer Mechanismus für Sortierung und Zuweisung von Aufmerksamkeit sind.
Verfeinerungskraft: Die Autoren zeigen, dass Forward-Induction-Logik entscheidend ist, um ein einzigartiges, informatives Gleichgewicht in Signalisierungsspielen mit Suchkosten auszuwählen, und Gleichgewichte ausschließt, in denen niedrigqualitative Unternehmen hochqualitative imitieren oder in denen ineffizientes Bündeln auftritt.
Relevanz für die Agenten-Ökonomie: Die Arbeit positioniert sich als mikroskopische Fundierung der aufkommenden „Agenten-Ökonomie" (KI-Assistenten). Sie argumentiert, dass, da KI-Agenten die Suche automatisieren, der Mechanismus der „Subventionierung der Inspektion" explizit wird (z. B. durch Token-Preise). Die Analyse warnt davor, dass, obwohl Plattformen durch die Förderung übermäßiger Suche ihren Umsatz optimieren können, dies eine Kluft zwischen Verbraucherwohlfahrt und sozialer Effizienz schafft, was einen Bedarf an politischen Eingriffen oder Plattformdesigns nahelegt, die Anreize mit dem sozialen Überschuss in Einklang bringen.

Die Arbeit schließt, dass Subventionen die Zuweisung von Aufmerksamkeit effektiv dezentralisieren, ohne komplexe Auktionen zu benötigen, dass das resultierende Gleichgewicht jedoch inhärent anfällig für Ineffizienzen (Bündelung und übermäßige Suche) ist, wenn es von gewinnmaximierenden Intermediären getrieben wird.