近年來，人工智慧智慧體（如推薦系統）通常假設使用者是“專家使用者”，即擁有明確且成形的偏好。當任務描述不完整時，這類智慧體會預設透過追問來澄清需求。然而，一項新研究指出這一假設並不現實。使用者往往缺乏足夠的領域知識來形成完整的偏好；當被問及對某個特徵的偏好時，如果沒有智慧體幫助學習必要的知識（例如透過示例或解釋），使用者可能根本無法回答。
為了形式化這一原則，研究人員借鑑資訊經濟學中的“搜尋-體驗-信任”框架，提出了CoPref模型。該模型描述了使用者如何基於智慧體的對話行為構建偏好。CoPref將使用者偏好分為三類：搜尋品（可事先評估）、體驗品（需使用後評估）和信任品（即使使用後也難以評估）。透過這一分類，智慧體可以識別使用者缺乏知識的環節，並主動提供資訊。例如，當使用者對某種產品的技術引數不熟悉時，智慧體可以提供對比示例來幫助理解。
在此基礎上，研究團隊構建了名為CoShop的互動式基準測試。在CoShop中，智慧體需要與遵循CoPref模型的使用者對話並提供推薦。智慧體的表現取決於它能否幫助使用者獲得準確描述任務所需的知識。實驗評估了五種前沿模型（如GPT-4、Claude等），結果發現沒有任何模型在五輪互動後準確率超過56%。進一步分析表明，失敗並非源於智慧體搜尋物品的能力，而是因為互動過程未能有效擴充套件使用者對自身需求的認知。智慧體往往過於依賴使用者的初始表述，而沒有主動提供教育性資訊。
這項研究對AI系統設計具有重要啟示：未來的智慧體不應僅僅被動地詢問使用者偏好，而應主動幫助使用者構建和發現偏好。透過提供領域知識、示例和對比，智慧體可以降低使用者的認知負擔，從而做出更精準的推薦。論文作者強調，真正的個性化服務需要從“挖掘偏好”轉向“構建偏好”。這一轉變對於醫療、金融等專業領域尤為重要，因為使用者往往缺乏關鍵概念知識。