Generative AI and Online Search: Behavioral Adaptation in Commercial Contexts = 온라인 검색에 생성형 인공지능이 미치는 영향: 상업적 맥락을 중심으로

다국어 초록 (Multilingual Abstract)

This paper examines how standalone large language models (LLMs), exemplified by ChatGPT, reshape consumer behavior in commercial search. We conceptualize a key economic cost in traditional search as articulation cost—the cognitive effort required to translate vague needs into effective search queries. Using Nielsen Korea panel data from November 2022 to April 2023, we estimate the causal effects of ChatGPT adoption. We find that users increase commercial search volume by 31.7% and search variety by 29.9%, shifts queries toward lower-purchase-funnel stages, and engage more with downstream e-commerce pages. These patterns suggest that LLMs reduce articulation cost, helping users continue search sequences. We contribute to strands of research. First, in marketing and economics, we formalize articulation cost as a distinct economic cost, showing that canonical search model assumptions—that consumers can readily translate needs into queries—may not hold. Second, in search advertising, we show how technology can reduce query ambiguity, complementing prior work on its impact on advertising and models for inferring user intent. Third, in research on generative AI, we demonstrate in an e-commerce context that users often reinvest the cognitive effort saved into exploratory search rather than merely completing tasks efficiently, extending the discussion of AI-driven effort allocation.

국문 초록 (Abstract)

이 논문은 ChatGPT와 같은 독립형 대형 언어 모델(LLM)이 상업적 검색에서 소비자 행동을 어떻게 변화시키는지 분석한다. 우리는 전통적 검색에서 중요한 경제적 비용으로서 표현 비용(articulation cost)을 개념화하는데, 이는 모호한 필요를 효과적인 검색 쿼리로 전환하는 데 필요한 인지적 노력을 의미한다. 2022년 11월부터 2023년 4월까지의 Nielsen Korea 패널 데이터를 활용하여 ChatGPT 채택의 인과적 효과를 추정한 결과, 사용자는 상업적 검색량을 31.7% 증가시키고, 검색 다양성을 29.9% 높이며, 구매 퍼널 하위 단계 쿼리로 이동하고, 전자상거래 페이지와의 상호작용도 증가하는 것으로 나타났다. 이러한 결과는 LLM이 표현 비용을 줄여 사용자가 검색 시퀀스를 지속하도록 돕는다는 것을 시사한다. 연구 기여는 세 가지로 요약할 수 있다. 첫째, 마케팅 및 경제학 분야에서 표현 비용을 독립적 경제적 비용으로 개념화하여, 전통적 검색 모델에서 소비자가 쉽게 쿼리를 생성할 수 있다는 가정이 항상 성립하지 않음을 보여준다. 둘째, 검색 광고 분야에서 기술이 쿼리 모호성을 줄이는 역할을 밝혀, 광고 성과와 사용자 의도 추론 모델에 관한 기존 연구를 보완한다. 셋째, 생성형 AI 연구에서, 전자상거래 맥락에서 사용자가 절약된 인지적 노력을 단순히 작업 효율화에 쓰는 것이 아니라 탐색적 검색으로 재투자한다는 점을 보여주어, AI가 인지 자원 배분에 미치는 논의를 확장한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Conceptual Framework 4
• 2.1. Canonical Search Models and Costly Search
• 2.2. From Needs to Queries: Articulation as the Central Cost
• 2.3. Traditional Search and Articulation Constraints
• 2.4. How Large Language Models Resolve Articulation Challenges
• Chapter 3. Hypotheses Development 9
• Chapter 4. Empirical Analysis 11
• 4.1. Data
• 4.2. Classifying Queries Using Large Language Models
• 4.3. Propensity Score Matching with Difference-in-Differences
• Chapter 5. Results 20
• 5.1. Increase in Commercial Search Volume and Variety
• 5.2. Decrease in Query Ambiguity
• 5.3. Increase in Lower-Funnel Queries
• 5.4. Increase in E-Commerce Engagement
• Chapter 6. Identification Concerns 27
• Chapter 7. Robustness Checks 32
• Chapter 8. Conclusion 33
• References 35
• Appendix 41
• Abstract in Korean 63