题目：Bad News? Send an AI. Good News? Send a Human
作者：Aaron M. Garvey, TaeWoo Kim, Adam Duhachek
发表期刊: Journal of Marketing
发表时间: 2023年
引用格式：Garvey, A. M., Kim, T., & Duhachek, A. (2023). Bad News? Send an AI. Good News? Send a Human. Journal of Marketing, 87(1), 10–25. (211 ). /10.1177/00222429211066972
一、摘要
差于预期(worse-than-expected)：消费者面对AI给出的负面报价，反而更容易接受、满意度更高。
好于预期(better-than-expected)：消费者对人类给出的正面报价反应更积极。
关键机制：相较人类，消费者认为AI在给报价时意图（intentions）更弱。当报价对卖方更有利（负面报价）时，AI被认为缺少自利自私意图，负面反应被钝化；当报价对消费者更有利（正面报价）时，AI被认为缺少善意、利他意图，正面反应也被钝化。
调节变量：营销者可通过拟人化AI来增强被感知意图，从而在正面报价时获得应得的善意 credit，在负面报价时减轻责怪；同时作者也提示用AI绕开消费者对负面报价的抵触存在伦理风险。
二、研究背景
AI agents已在大量消费领域被用于处理面对面与远程交易，涵盖零售、旅行、出行与住宿分享，甚至法律与医疗服务；加之其信息处理能力与劳动力成本优势，企业用AI替代人工来传递报价在管理上看似更有利。
三、研究缺口
1）期望差距理论默认报价管理员是人，几乎未研究AI作为交易管理员。虽然期望差距不一致结果在许多人际销售交易中被广泛研究，但尚无研究考察AI agents作为transaction administrators的含义；而既有期望差距研究通常默认由人类执行报价。
2）尽管 AI 部署广泛，关于消费者如何评价AI 系统相对于人类提供的等价报价/服务仍然研究稀缺，缺少对同一结果由谁传递这一关键因素的系统检验。
3）既有人机偏好、厌恶研究忽视结果差距的正负性这一交易关键维度，既有研究常发现人类代理更受喜欢/信任，从而可能推测AI不论好坏都会更差；但这些研究没有考虑交易情境中结果差距的正负性（worse vs better-than-expected）会如何改变模式，而作者认为在这一点上会出现不同于既有直觉的结果。
核心问题：当消费者收到比预期更差或比预期更好的交易报价时，报价由AI vs 人类来给出会不会系统性改变消费者的购买、满意度与后续关系维护（复购/再互动）？
四、理论基础与研究假设
（一）理论基础
1.期望差异理论(Expectations Discrepancy Theory)
消费者在进行消费活动之前存在一系列预期，而报价会引发消费者与预期参照物的比较。低于预期的报价会导致购买意愿、满意度和再互动意愿的降低；而高于预期则会产生积极的消费者反应。
举例：Uber乘客可能基于过往经验预期价格为20美元，但随后收到的报价可能是30美元（低于预期）或 10 美元（高于预期）。
2.意向性理论(Intentionality models)
人们能够从他人的行为中推断其意向，当一个行为包含三个关键要素：基于自身动机的期望结果、相信该行为会导致该结果的信念，以及自主采取该行为的决定时，会被认为具有更强的意向性。
由于人工智能代理是由人类制造并服务于人类的非人类机器，人们普遍认为人工智能代理的行为服务于人类目标并满足人类的外在欲望。根据意向性理论，人工智能代理缺乏意向性的主要要素，即自我驱动的期望结果，因此，它们不能被视为拥有自身意向的代理。
3.社会信息加工理论
在人际互动中，人们高度依赖对对方意图的推断，尤其重要的是推断对方决策背后的意图是自私的（即以自我为中心）还是仁慈的（即顾及他人）。推断出的自私（仁慈）意图会降低（提高）人们对行为者的正面评价。
在营销情境中，当人类代理人提供低于预期的优惠时，如果推断出的意图是自私的，消费者会对这些优惠做出更负面的评价；但如果是无意的，评价则较低。对于由人工智能代理人提供的同一笔交易，消费者不太可能推断出其出于善意（在优惠优于预期的情况下）或自私（在优惠低于预期的情况下）的意图，而不太可能推断出其出于恶意。
（二）研究假设
推断意图的差异会影响消费者的购买反应，例如购买可能性和满意度。对于低于预期的报价（而非高于预期的报价），消费者会推断出其行为者的意图更多地受到自私动机（而非善意动机）的驱动，这反过来会降低（而非提高）接受报价的可能性以及随后的客户满意度。
H1：相较于人类代理人，由人工智能代理人提出比预期更差（或更好）的价格报价时，该报价降低（或提高）购买可能性与满意度的效应会被削弱。
H2：假设H1中提出的效应受到报价代理人意图推断的中介作用。具体而言，当价格报价比预期更好（相对于更差）时，推断出的更大善意（相对于自私）意图会改善（相对于损害）对报价的反应。当报价由人工智能代理人（相对于人类代理人）提出时，这两条中介意图路径的效应均会弱化。
图1 理论框架
人类与人工智能并非只有二元对立，也可以通过拟人化的方式呈现，使其更像人类（而非机器），从而展现出与人类代理更一致的行为模式。赋予人工智能类人特征通常会提升人们对人工智能的积极看法。随着人工智能代理的类人程度提高，其感知到的意向能力也应随之提高。人们会认为拟人化的AI代理拥有更强的意图能力，从而产生更强烈的推断意图，并越来越能引发类似于人类代理的反应。
通过赋予人工智能代理类人（而非机器）属性来使其拟人化，会对用户对差异性报价的反应产生不对称的影响。对于超出预期的报价，拟人化的人工智能代理会带来更积极的后续结果（例如，接受报价、感到满意）。相反，当人工智能代理被赋予类人（而非机器）属性时，其对低于预期报价的反应会变得更加消极。具体而言，
H3：AI 代理的拟人化会调节其对价格报价好于或差于预期的反应：类人的 AI 代理会使比预期更差的报价反应更消极，但会使比预期更好的报价反应更积极。
五、研究概述
Study1a：人工智能代理与人类代理对低于预期报价的反应
1）实验目的：验证假设，与人类代理相比，人工智能代理提供的报价更能提高消费者接受低于预期报价的概率。
2）实验设计类型：2 (agent type: human, AI) × 2 (offer type: worse than expected, expected) between-subjects design
3）样本与对象：174名本科生（平均年龄 21.2岁；56%为女性），课程学分激励。
4）实验操纵：被试进入票务转售（ticket resale）场景，先形成一个市场基准和预期，随后看到最终报价，并被告知报价由 AI 或人类代理给出。
操纵检验：在阅读了票务场景后，受访者回答了Oliver (1980)的两项期望不符量表（根据情境进行了调整）。检验结果“差于预期”确实显著低于“符合预期”。
5) 因变量（测量）：是否购买/接受报价（yes/no）。
6) 主要结果（效应方向 + 统计）
二项Logit 回归显示显著交互；进一步卡方检验表明：差于预期时，AI 条件接受率 49%，人类条件 19%（χ²=8.39, p=.004）。符合预期时，AI 与人类无差异。
7) 结论：在坏消息条件下，AI 报价更容易被接受，为后续机制检验打下基准（H1一侧得到支持）。
Study 1b：对人工智能代理和人类代理提供的超出预期的报价的反应
1) 实验目的：验证当报价比预期更好（better-than-expected）时，为什么人类代理反而更占优势（H1另一侧）。
2) 实验设计类型： 2 (agent type: AI, human) × 2 (offer type: expected, better than expected) between-subjects design
3) 样本与对象：299 名 Amazon Mechanical Turk 被试（平均 41.9岁；女性 53%）。
4) 实验操纵：沿用 Study 1a 的票务转售框架，只是把差于预期替换为好于预期：好于预期：告诉近期类似票卖170美元，但你被报140；符合预期：告诉近期卖140，你被报140。操纵检验：好于预期的感知显著高于符合预期（两题合成 r=.72）。
5）因变量（测量）：是否购买/接受报价（yes/no）。
6）结果：二项Logit 显示显著交互；进一步卡方检验表明，好于预期时，人类条件接受率 89%，AI 条件 76%（χ²=6.30, p=.01）。符合预期时无差异。
7) 结论：在好消息条件下，人类报价更容易被接受（H1 得到支持）。
Study 2: 推断出的人工智能意图会改变报价接受情况
1）实验目的：同时考虑低于预期和高于预期的报价，并检验假设 H2 。检验包括怪异感在内的几种替代解释。
2）实验设计类型：2 (agent type: human, AI) × 3 (offer type: worse than expected, expected, better than expected) between-subjects design
3）样本与对象：698 名商学院本科生（平均 21.2；女性 59%），课程学分激励。
4）实验操纵：Uber 打车往返就餐。被试先看到去程价格，形成参考点，再看到返程报价（不同条件操纵好/坏/符合预期），并被告知价格由 AI 或人类代理决定。
5）因变量（核心）：报价接受可能性（likelihood）：
6）中介机制：推断的自私意图、善意意图。
7) 替代解释排除：AI 只在符合预期时更诡异，但关键交互不显著，无法解释主效应模式。去程是否被高估、代理是否善于追踪市场价、是否由他人控制报价等，均没有出现能替代解释主效应的交互模式。
8）结果：报价类型的主效应显著，而代理类型的主效应不显著，两者均被显著的双向交互作用所掩盖。分析表明，不同类型智能体对预期报价的接受度没有显著差异。相反，人类智能体对优于预期报价的接受度显著高于人工智能智能体。在人工智能（与人类相比）条件下，接受比预期更差的提议的比例明显更高。
Study 3a：消费者特质拟人化的调节作用
1）实验目的：将研究结果扩展到人工智能代理的拟人化对低于预期报价的影响。
2）实验设计：2 (agent type: human, AI) × 2 (offer type: worse than expected, expected) between-subjects design
3）实验操纵：采用最后通牒博弈（ultimatum game），因为人们对公平分配有稳定强预期，适合做差于预期操纵。测量个体差异：技术拟人化倾向（technology anthropomorphism）。
4）样本与对象：共有403名来自MTurk在线小组的成员（平均年龄 34.9岁；64%为女性）参与了这项研究，获得经济补偿。
5) 因变量：是否接受分配（expected 50/50 vs worse-than-expected 非公平分配）。
6）结果：在符合预期（50/50）下，接受率基本 100%。在差于预期分配下，AI 条件接受率 78.6%，人类条件 60.4%（χ²=7.73, p=.005）。
Johnson–Neyman 调节分析：当技术拟人化得分低于 JN 点 2.59（占样本 79.4%）时，AI 相对人类的接受优势显著；当得分 ≥2.59（占样本 20.6%）时，AI 与人类差异不显著。
7) 结论
当人工智能（而非人类）代理提出低于预期的提议时，人们更容易接受这些提议，这支持了假设 H1。个体对人工智能拟人化的感知会改变这种反应模式；技术拟人化程度越低（即人工智能被认为越不像人类），人们接受人工智能代理提出的低于预期的提议的可能性就越大；而技术拟人化程度越高（即人工智能被认为越像人类），人们的反应就越类似于接受真人提出的提议。
Study 3b：拟人化、满意度和重新参与
1）实验目的：进一步探讨了客户满意度和与营销代理保持关系的意愿如何随人工智能代理的拟人化程度而变化，尤其是在人工智能代理提供与预期不符的产品或服务时。
2）实验设计：2 (agent type: machinelike AI, humanlike AI) × 2 (offer type: better than expected, worse than expected) between-subjects design
3）样本与对象：400名MTurk参与者（平均年龄 36.7岁，女性占48%）完成了这项研究并获得报酬。
4）实验流程：场景继续用 Uber 往返：去程 20 美元；返程报价，差于预期30美元；好于预期10美元。两个 AI 形象来自 ABOT database，并在预实验中确保：humanlike 形象被感知为更像人；但uncanniness 不显著差异（避免恐怖谷替代解释）。
5）因变量（测量）：满意度，三题（satisfied / appreciative / grateful），α=.93；再互动意愿，愿不愿意未来继续与同一Uber代理互动；关系维持 vs 替换，二元选择，继续使用当前代理 or 换一个代理。
6) 结果：满意度2×2 ANOVA，报价类型主效应显著；AI 形象主效应不显著；交互显著。好于预期humanlike AI 的满意度更高（M=5.79）> machinelike（M=5.29）。差于预期：出现相反方向，machinelike 更高（M=3.15）> humanlike（M=2.69）。替换决策（关系维持）二项Logit，报价主效应、形象主效应、以及交互均显著。差于预期：humanlike AI 更容易被换掉（替换 83%）> machinelike（替换 63%）。好于预期：humanlike AI 更不容易被换掉（替换 28%）< machinelike（替换 40%）。
六、理论意义
1）本文揭示消费者对好于/差于预期结果的反应不仅取决于结果本身，还系统性地受到AI vs 人类代理的影响，填补了期望差距理论在人机交互中的空白。
2）提出意图推断去极化这一关键机制。相较人类，AI被感知为意图更弱，从而弱化了对坏消息的自私归因与对好消息的善意归因，解释了消费者反应的非对称性。
3）为拟人化研究提供重要边界条件。在交易情境中，AI拟人化并非普遍正向，而是会放大对不一致结果的反应，使坏于预期更负面、好于预期更正面。
七、实践意义
1）明确沟通分配原则。坏消息更适合由AI传递，好消息更适合由人类传递。
2）提出选择性拟人化策略。在好于预期时提高AI的类人程度以放大积极反应，在差于预期时保持AI的机器化以降低负面反应。
3）该规律可应用于定价、补偿、升级、延误等多种客户触点，同时需警惕AI被用于削弱消费者合理抵触的伦理风险。
资料来源：中国智能管理研究院