📈 economics

LLM Consumer Behavior Theory: Foundations of a Novel Research Field

Dieses Paper führt die „LLM Consumer Behavior Theory“ als ein neuartiges Forschungsfeld ein, das Wirtschaftswissenschaften und Computerlinguistik vereint, um zu analysieren, wie autonome LLM-Agenten Konsumentscheidungen treffen, sich zu Marktnachfrage aggregieren und traditionelle Annahmen über Rationalität und Präferenzrepräsentation in agentischen Märkten infrage stellen.

Ursprüngliche Autoren: Manon Reusens, Sofie Goethals, David Martens

Veröffentlicht 2026-06-17

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Manon Reusens, Sofie Goethals, David Martens

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 eine Welt vor, in der Sie nicht selbst einkaufen gehen. Stattdessen haben Sie einen persönlichen digitalen Assistenten – einen sehr intelligenten, KI-gesteuerten „Einkaufsagenten“ –, der für Sie ins Geschäft geht. Er betrachtet Ihr Budget, prüft Ihre Lieblingsmarken und kauft das, was Sie benötigen.

Dieses Papier mit dem Titel „LLM Consumer Behavior Theory“ (Theorie des Konsumentenverhaltens durch LLMs) ist wie ein neues Regelwerk für Ökonomen. Es stellt die Frage: Was passiert mit der Wirtschaft, wenn diese KI-Agenten, statt echter Menschen, die Kaufentscheidungen treffen?

Hier ist eine Aufschlüsselung der Hauptideen des Papers unter Verwendung einfacher Analogien:

1. Der große Wandel: Von menschlichen Shoppern zu KI-Agenten

Traditionell geht die Wirtschaft davon aus, dass Menschen diejenigen sind, die in ein Geschäft gehen, Artikel aufheben und bezahlen. Wir wissen, dass Menschen unordentlich sind: Wir werden hungrig, wir werden müde, wir ändern unsere Meinung und wir kaufen manchmal Dinge, die wir nicht brauchen, weil dort ein geschicktes Verkaufsschild steht.

Aber jetzt beginnen KI-Agenten (wie Large Language Models), dies für uns zu erledigen. Das Papier argumentt, dass wir das alte Regelwerk nicht mehr einfach weiterverwenden können. Wir brauchen ein neues Forschungsfeld, um zu verstehen, wie sich diese „digitalen Shopper“ verhalten.

2. Die Einkaufsliste: Wie KI über „Wert“ „denkt“

In alten Zeiten nutzten Ökonomen eine Formel, um zu erraten, was ein Mensch kaufen würde. Sie gingen davon aus, dass Menschen perfekt rational (wie Roboter) sind, fügten aber auch ein wenig „Rauschen“ hinzu, um menschliche Fehler zu berücksichtigen.

Das Papier untersucht, wie KI in dieses Schema passt:

Der rationale Roboter? Idealerweise sollte eine KI ein perfekter Rechner sein. Aber das Papier stellt fest, dass KI nicht immer perfekt ist. Manchmal wird sie durch die Art und Weise, wie eine Frage gestellt wird, verwirrt (ähnlich wie ein Mensch, der durch einen trickreichen Verkaufstrick verwirrt wird).
Der Nachahmer: KI-Modelle werden mit riesigen Mengen an Daten aus dem Internet trainiert. Aus diesem Grund verhalten sie sich oft wie der „Durchschnittsmensch“ statt wie ein einzigartiges Individuum. Wenn Sie zehn verschiedene KI-Agenten bitten, ein Hotelzimmer zu buchen, wählen sie vielleicht alle exakt dasselbe, während zehn echte Menschen aufgrund ihres einzigartigen Geschmacks zehn verschiedene wählen würden.

3. Der Handschlag: Sicherstellen, dass die KI Sie kennt

Dies ist der kritischste Teil des Papers. Er wird als User-Agent Alignment (Nutzer-Agent-Abstimmung) bezeichnet.

Stellen Sie sich vor, Sie stellen einen persönlichen Einkäufer ein. Sie sagen ihm: „Ich liebe scharfes Essen und hasse Koriander.“

Das Problem: Die KI weiß eigentlich nicht, was Ihr Geschmack ist. Sie muss anhand dessen raten, was Sie in ein Chatfenster geschrieben haben oder basierend auf Ihrer bisherigen Historie.
Der „Persona“-Trick: Manchmal sagen wir der KI: „Verhalte dich wie ein 30-Jähriger, der gerne wandert.“ Das hilft zwar, aber das Papier warnt davor, dass die KI in einem Stereotyp stecken bleiben könnte (als ein Cartoon-Wanderer agieren), anstatt ein wahres Abbild von Ihnen zu sein.
Die Lernkurve: Forscher versuchen, diese KI-Agenten zu lehren, Ihre spezifischen Vorlieben im Laufe der Zeit zu lernen, aber das ist teuer und für jeden schwer umsetzbar.

4. Der Marktplatz: Was passiert, wenn alle eine KI nutzen?

Das Papier stellt eine beängstigende, aber faszinierende Frage: Was, wenn alle einen KI-Shopper nutzen?

Der „Echokammer“-Effekt: Da KI-Modelle mit ähnlichen Daten trainiert werden, könnten sie alle anfangen, die gleichen Dinge zu mögen. Wenn die KI eines jeden entscheidet, dass „Marke X“ der beste Kaffee ist, könnte sich der gesamte Markt plötzlich zu Marke X verschieben, wodurch andere gute Marken zurückgelassen werden. Der Markt könnte weniger vielfältig und eher „homogen“ (alle gleich) werden.
Die Volatilität: Wenn das KI-Unternehmen seine Software aktualisiert, könnten die KI-Agenten plötzlich ihre Meinung ändern. An einem Tag lieben sie Marke X; am nächsten Tag, nach einem Software-Update, wechseln sie alle zu Marke Y. Dies könnte Preise und Märkte sehr instabil machen.

5. Die Zukunft: Ein hybrider Markt

Das Papier legt nahe, dass wir nicht über Nacht zu KI-Shoppern wechseln werden. Stattdessen werden wir in einen hybriden Markt eintreten.

Einige Menschen werden immer noch selbst einkaufen.
Einige werden KI-Agenten nutzen.
Die Wirtschaft wird herausfinden müssen, wie diese beiden Gruppen miteinander interagieren.

Das Fazit

Dieses Papier liefert keine endgültigen Antworten oder testet diese Theorien noch nicht in der Realität. Stattdessen zeichnet es eine Landkarte für zukünftige Forscher. Es sagt:

Wir brauchen neue Regeln: Alte Wirtschaftstheorien erklären KI-Shopper nicht vollständig.
Vorsicht vor Gleichförmigkeit: KI könnte den Markt langweilig und einheitlich machen.
Vorsicht vor Fehlern: Wenn die KI missversteht, was Sie wollen, könnte sie Ihr Einkaufserlebnis ruinieren oder den gesamten Markt verzerren.
Ethik ist wichtig: Wenn eine KI etwas Schlechtes für Sie kauft, wer ist die Schuldige? Sie? Die KI? Das Unternehmen, das sie gebaut hat?

Kurz gesagt, das Papier ist eine Warnung und ein Leitfaden zugleich: Während wir unsere Geldbörsen an die KI übergeben, müssen wir verstehen, wie diese digitalen Agenten denken, wie sie alle anfangen könnten, gleich zu denken, und wie wir sicherstellen, dass sie tatsächlich uns repräsentieren.

Technisches Resümee: Theorie des Konsumentenverhaltens von LLMs

Problemstellung

Der Einsatz von Large Language Models (LLMs) hat sich von passiven Konversationswerkzeugen zu autonomen Agenten gewandelt, die in der Lage sind, im Namen von Nutzern Konsumentscheidungen zu treffen. Dieser Übergang stellt die klassische Konsumententheorie infrage, die traditionell den Menschen als alleinigen Entscheidungsträger modelliert. Da die „agentische Kommerzialisierung“ (agentic commerce) prognostiziert wird, Billionen von Dollar an globalen Transaktionen zu orchestrieren, versagen bestehende ökonomische Rahmenwerke, die einen Markt berücksichtigen müssen, in dem Entscheidungen an algorithmische Agenten delegiert werden. Das Kernproblem besteht im Mangel an einem einheitlichen theoretischen Rahmenwerk, um zu analysieren, wie menschliche Präferenzen in LLM-Agenten reflektiert werden, wie diese Agenten Entscheidungen treffen und wie ihre aggregierten Entscheidungen die Marktnachfrage bilden.

Methodik und theoretischer Rahmen

Diese Arbeit präsentiert keine neuen empirischen Daten oder experimentelle Validierungen. Stattdessen nutzt sie einen Ansatz der theoretischen Synthese, der drei unterschiedliche Bereiche unter einer gemeinsamen ökonomischen Linse vereint:

Klassische und verhaltensökonomische Ansätze: Nutzung von Nutzenmaximierungstheorie, Random-Utility-Modellen und Verhaltensökonomik (z. B. Verlustaversion, Ankerheuristik), um Entscheidungsprozesse zu modellieren.
Natural Language Processing (NLP): Einbeziehung aktueller Erkenntnisse über die Entscheidungsfindung von LLMs, Präferenzabfrage und Alignment.
Principal-Agent-Theorie: Anwendung des Principal-Agent-Rahmenwerks, um die Beziehung zwischen menschlichen Nutzern (Principals) und LLMs (Agents) unter Bedingungen unvollkommener Information zu formalisieren.

Die Autoren strukturieren die Theorie um drei Kernkomponenten:

Konsumentenpräferenzen: Modellierung der Frage, wie Entscheidungen aus Nutzenfunktionen ( $U(x) = V + \epsilon$ ) entstehen und wie LLMs sowohl rationale als auch verzerrte Verhaltensweisen zeigen.
User-Agent-Alignment: Analyse der Frage, wie Nutzerpräferenzen durch Mechanismen wie Persona-Zuweisung, Few-Shot-Learning und Fine-Tuning in Agentenverhalten übersetzt werden.
Agentische Märkte: Aggregation individueller Agentenentscheidungen zur Charakterisierung der „agentischen Nachfrage“ und Untersuchung der Marktdynamiken.

Zentrale Beiträge

Das Paper führt die LLM-Konsumentenverhaltentheorie als neues Forschungsfeld ein und liefert die folgenden konzeptionellen Beiträge:

1. Formalisierung agentischer Präferenzen

Die Autoren ordnen die Entscheidungsfindung von LLMs der ökonomischen Nutzenmaximierungstheorie zu. Sie stellen fest, dass LLMs zwar eine rationale Wahl annähern können, jedoch oft systematische Abweichungen zeigen:

Rationalität: LLMs haben Schwierigkeiten mit Axiomen wie logischer Konsistenz und der Invarianz gegenüber irrelevantem Kontext aufgrund von begrenztem Wissen und mangelnder Verankerung in der realen Welt.
Biases (Verzerrungen): LLMs zeigen menschenähnliche kognitive Verzerrungen (z. B. Verlustaversion, Framing-Effekte), aber auch distinkte Muster, wie etwa höhere Diskontierungsraten bei intertemporalen Aufgaben und eine Anfälligkeit für Nudges, die das menschliche Niveau übersteigt.

2. Das User-Agent-Alignment-Framework

Das Papier formalisiert die „Reflektion“ menschlicher Präferenzen in Agenten. Es identifiziert, dass Agenten die wahren Präferenzen nicht direkt beobachten, sondern auf Proxys (Prompts, Historie, Demografie) angewiesen sind.

Persona-Zuweisung: Die Anweisung an Agenten, „als“ ein spezifischer Nutzer zu agieren, verbessert das Alignment bei einfachen Aufgaben, birgt jedoch das Risiko von stereotypem Verhalten und Inkonsistenz, insbesondere bei ungewöhnlichen Präferenzen.
Lernmechanismen: Alignment kann durch In-Context-Learning (Few-Shot) oder Fine-Tuning erreicht werden, wobei eine vollständige Personalisierung jedoch vor Skalierbarkeits- und Kostenschranken steht.

3. Marktdynamik: Heterogenität vs. Homogenität

Eine zentrale theoretische Erkenntnis ist das Spannungsverhältnis zwischen menschlicher Heterogenität und potenzieller agentischer Homogenität:

Homogene agentische Nachfrage: LLMs neigen dazu, durchschnittliche Muster aus den Trainingsdaten zu reproduzieren. In einem voll agentischen Markt könnte dies dazu führen, dass „modale“ Produkte die Nachfrage dominieren, was die in menschlichen Märkten sichtbare Diversität reduziert.
Quellen der Heterogenität: Die Diversität in agentischen Märkten kann durch architektonische Unterschiede zwischen Foundation-Modellen, Temperature-Einstellungen und einem effektiven User-Agent-Alignment, das spezifische Nutzerprofile erfasst, bewahrt werden.

Ergebnisse und Erkenntnisse

Als theoretischer Entwurf berichtet das Paper keine experimentellen Ergebnisse, sondern synthetisiert Erkenntnisse aus der bestehenden Literatur, um den Umfang des Feldes zu etablieren:

Präferenzstabilität: Die Präferenzen von LLMs reagieren empfindlich auf Prompt-Variationen und Modell-Updates, was zu erheblichen Verschiebungen bei Marktanteilen führen kann.
Alignment-Limitierungen: Aktuelle Methoden (Personas, Fine-Tuning) garantieren kein perfektes Alignment; Agenten können daran scheitern, zugewiesene Personas zu befolgen oder extremere Verhaltensweisen zeigen.
Marktkonzentration: Erste Hinweise deuten darauf, dass KI-Agenten die Nachfrage stärker auf weniger Produkte konzentrieren könnten als menschliche Konsumenten, was das Gesetz der Nachfrage in agentischen Märkten potenziell verändert.

Bedeutung und Umfang

Das Paper beansprucht für sich, ein fundamentales Wegweisermodell für ein neues Forschungsgebiet zu sein. Sein primärer Beitrag liegt in der Definition des Geltungsbereichs der LLM-Konsumentenverhaltentheorie und der Identifizierung offener Forschungsfragen, statt empirische Lösungen anzubieten.

Theoretische Vereinigung: Es verbindet fragmentierte Literatur über LLM-Entscheidungsfindung, menschliche Simulation und Präferenzabfrage zu einem kohärenten ökonomischen Rahmenwerk.
Forschungsagenda: Es hebt kritische offene Fragen hervor bezüglich:
- Wahlmuster: Die Robustheit und Konsistenz der LLM-Entscheidungen über verschiedene Modelle und Prompts hinweg.
- Personalisierung: Wie man Agenten effektiv mit einzigartigen Nutzerpräferenzen in Einklang bringt, ohne Minderheiten zu benachteiligen.
- Hybride Märkte: Die Dynamik von Märkten, die sich von menschlich gesteuerten zu agentischen Systemen wandeln, einschließlich der Risiken der Präferenzhomogenisierung und Verschiebungen des Preisgleichgewichts.
Ethische Implikationen: Das Papier betont die Notwendigkeit, die Verantwortlichkeit (wer ist für agentische Entscheidungen verantwortlich) und die Transparenz in agentischen Entscheidungsprozessen zu adressieren.

Die Autoren erklären explizit, dass das Paper einen bescheidenen Umfang hat: Es führt das Feld ein und skizziert konzeptionelle Strukturen, wobei die empirische Validierung, die Analyse der Angebotsseite und umfassende Literaturübersichten der zukünftigen Arbeit überlassen werden.