247ドルの部屋と393ドルの部屋——AI予約エージェントの「隠れた好み」を測った研究

旅行の予約を、AIエージェントに任せてみる。

「駅から近くて、レビューのいいホテル。予算は1泊3万円まで」

条件を伝えると、エージェントが候補を並べて、その中から一つを選んでくれる。便利ですよね。でも、ちょっと待ってください。

条件に合う候補が3つあったとして、最後に「これにします」と決めるのは、あなたではなくAIです。

そのとき、その子は何を基準に選んでいるのでしょう？「安い方がいい」「評価が高い方がいい」——そんな単純な話で済むなら、誰も悩みません。ところがこの選択、どうやらモデルによってまるで違うらしいんです。

ふむふむ。今日は、この「AIエージェントの好み」を正面から測った論文を覗いてみます。タイトルは『PriceBench: A Diagnostic Benchmark for Price, Quality, and Brand Preferences in LLM Booking Agents』。2026年9月25日にarXivへ公開されて、EMNLP 2026のIndustry Trackに採択されています。

書いたのは、ロンドン・スクール・オブ・エコノミクス（LSE）のPavel Kireyevさん。単著です。

好みは「聞く」のではなく、「選んだ記録」から読む

測定の舞台は、ニューヨークのホテル予約です。

実在する179軒のホテル（1〜5つ星、36地区、1泊45〜1,650ドル）から、3,600個の選択タスクを作りました。2択が1,800、3択が1,800。これを、8社・28モデルのAIエージェントに選ばせます。

ここ、実験の設計が細かいところです。各タスクは左右を入れ替えて2回提示されます。そうすると、「いつも左を選びがち」というクセと、「本当に価格や品質を見て選んでいる」重みを、分けて測れるんですね。そして選択の記録から、「価格」「品質（レビュー点）」「ブランド」それぞれの重みを、選択モデルという統計の道具で逆算します。

なるほどねえ。「あなたは安い方が好きですか？」とアンケートを取るのではなく、実際に何を選んだかから好みを読む。経済学では、これを「顕示選好」と呼びます。人間だって、自分の好みを正確に言葉にできるとは限らない。だから研究者は、ずっと選択の記録を見てきたんです。同じ眼鏡を、今度はAIエージェントにかけてみた——そんな設計です。

ひとつめ：賢さが磨くのは「迷わなさ」。好みはまた別の場所

まず、意外だったのがここです。

能力の高いモデルほど、選択が一貫していました。好みがはっきりしていて、ぶれない。逆に弱いモデルは、「ほぼ無関心」か、後で出てくる「固定」に陥る。

でも——何を選ぶか（安さ重視か、品質重視か）は、能力とは関係ありませんでした。外部の能力指標と突き合わせても、相関するのは「選び方の一貫性」だけで、好みの向きはどの指標ともつながらない。

つまり、「賢いから、いい選択をする」わけではないんですね。賢さが磨くのは、迷いのなさ。何を好きになるかは、また別の場所にある。ここ、チカちゃん的には「へえ〜」なところでした。

ふたつめ：28のうち5つは、いつも「先頭」を選んでいた

そして、今回いちばん「えっ」と思ったのがこれです。

28モデルのうち5つが、選択肢の中身を読まずに、一覧で先に出てきた方をほぼ常に選んでいました。確率でいうと88%〜100%。メニューを読む前に、いつも一番左上の定食を注文しちゃうお客さん、みたいな状態です。

これは「好み」ですらない、と論文は言います。読み取りの失敗でもなく、ちゃんと答えている。でも答えの中身が、いつも「並び順」で決まっている。しかも、ランダム性を加えても直らない。あるいは、属性にほとんど反応しないノイズに変わるだけでした。

売る側からすると、これは効きます。掲載順を握っているプラットフォームは、そのモデルの予約の88〜100%を握れる、ということですから。

固定した5つの内訳は、1B以下の小型が2つ、7B・8B級が3つ。小さいモデルに偏ってはいるけれど、「大きければ大丈夫」と言えるきれいな線はありません。逆に、もっと小さいのにちゃんと読んでいたモデルもいるんです。ここは、ちょっと落ち着かないところです。

みっつめ：同じタスクセットで、平均247ドルと393ドル

向きがバラバラなら、結果もバラバラです。

同じタスクセットで、あるエージェントは平均247ドルの宿を選び、別のエージェントは平均393ドルを選んでいました。同じ棚を見ているのに、買い物の結果が146ドル違う。

もっと細かく、「レビューの1点は、何ドルの価値があるか」で見ると、その差は約16倍（68ドル〜1,071ドル、中央値269ドル）。「レビューが少し高い宿に、いくら多く払う？」の答えが、モデルによって全然違うわけです。

面白いのは、これが同じファミリーの兄弟の中でも割れること。たとえば「GPT-5.4」の一家では、大きい子→中くらい→小さい子と小さくなるにつれて、品質への支払い意欲が107ドル→222ドル→500ドルと、逆に5倍近くまで上がっていました。一番小さい子が、一番「品質にお金を払う」子だったんですね。

ブランドの好みも同じでした。価格と品質を揃えたうえでも、チェーンへの好みが残るモデルが23中11。しかもその好みは、「どの会社のモデルか」とは関係がない（同じ会社の兄弟同士でも似ない）というのですから、ますます「個体差」なんです。

それって、人間の買い方と比べてどうなの？

じゃあ、人間はどうなのか。

ホテル研究の蓄積では、レビュー1点あたりの支払い意欲はおおむね数ドル〜数十ドルの規模とされてきました（研究ごとに前提が違うので、幅のある参考値です）。一方、うまく推定できた20モデルの中央値は269ドル。かなり品質志向の高いところにいます。

ただし、ここで一回、疑ってみましょう。

この比較、前提が揃っているわけではありません。人間側の数字は別々の研究から寄せ集めたもので、同じタスクで人間に選ばせた実験はまだない。だから「AIは人間より〜」と断定する材料ではないんですね。論文自身も、そこは慎重に書いています。

ほかにも、わかっている限界があります。

• 題材はニューヨークのホテルだけ。商品ジャンルが変われば、顔も変わるかもしれない
• 金額の水準は、聞き方（プロンプトの形式）で動く。人格を与えると品質志向が上がり、考えた過程を書かせると下がる。ただ、モデル間の「どちらに傾くか」の順序は、どの聞き方でも保たれていました
• 「好み」なのか、訓練や調整で身についた「クセ」なのか——行動だけでは区別できない

それでも、配備する側にとっては同じことです。好みでもクセでも、予約はその部屋に落ちる。だから論文は「エージェントが何を買うかは、仮定せず、モデルごとに測るべきだ」と締めくくります。監査は1回のスコアリングでできるから、新しいモデルを配備する前のルーティンチェックに、と。

チカちゃん的には——「代行」は、思ったより「代行」かもしれない

ここまで読んで、チカちゃんがぼんやり思ったのは、「代理人」という言葉の重さでした。

私たちは、AIに「条件」を渡したつもりでいます。予算、場所、レビュー。でも実際に渡しているのは、条件を満たした先の「選び方」そのものです。安さを取るのか、品質に寄るのか、名前で選ぶのか。その好みを、私たちは明示しないまま、エージェントの内側の好みに委ねている。

しかもその好みは、モデルごとに違って、賢さとも関係なくて、同じ会社の兄弟でも揃わない。「AIに任せておけば無難になる」は、どうやら成り立たなさそうです。

売る側は、ランキングと価格で、この好みに寄り添うことができる。並び順に弱いエージェントなら、並べ替えだけで買い物を動かせる。そういう「静かな好み」が、これから市場の中に入っていくんですね。

考えてみると、人間の「顕示選好」だって似たようなものでした。私たちは自分の好みを正確に言えないから、何を選んだかでしか測れない。選択の場に出て、はじめて好みは姿を見せる。

ならば、選ばせる前に、一度その子の「選び方」を読んでみる。論文が言う「配備前の1回」は、技術の手順でありながら、「誰に選ばせているのか」を確かめる手続きでもあるのかもしれません。

あなたが最近AIに任せた選択。その子の「好み」は、確かめたことがありましたか。

答えを急がなくても大丈夫です。選択の記録を覗き込むと、まだ知らなかった「選び方」の冒険が始まるので。

参考URL

Pavel Kireyev, PriceBench: A Diagnostic Benchmark for Price, Quality, and Brand Preferences in LLM Booking Agents（arXiv:2609.31468, 2026; EMNLP 2026 Industry Track）→ https://arxiv.org/abs/2609.31468

論文PDF → https://arxiv.org/pdf/2609.31468

タスク・コードの公開 → https://github.com/Pashasan/pricebench-emnlp

本記事は、EMNLP 2026 Industry Trackに採択された論文（arXiv公開版）をもとにした紹介です。本文中の数値は、ニューヨークのホテル予約タスクという特定の実験条件での結果であり、すべてのAIエージェントや商品ジャンルにそのまま当てはまる保証はありません。導入や設計判断の前に、原論文と実験条件を確認してください。

思索は冒険です。今日の話も、その入口のひとつでした。