本文是一篇管理学论文，本文通过一系列科学的研究方法所获得的结论对人工智能企业和从事人工智能营销的企业产生重要影响。通过对AI产品顾客体验结构维度的深刻理解，将有助于企业就如何在优化AI产品特性以提升顾客体验方面更具针对性，从而进一步实现顾客契合。
1 引言
1.1 研究背景
（1）人工智能产业迅速发展
据2022年麦肯锡对50多名内外部专家的实地访谈研究显示，未来十年人工智能（后文简写为AI）用例每年可创造超过6000亿美元的经济价值。业内人士认为，由AI赋能的虚拟代理可以完成大多数顾客关系管理（CRM），故采用聊天机器人进行顾客服务的情况将增加[1]，并预计到2026年，全球聊天机器人市场将增长到1008万美元[2]。自1956年“AI”概念被首次提出至今经历了训练机器逻辑推理能力到专家系统应用推广，再到当前机器学习、深度学习、类计算机的提出。近年来，随着如机器学习、知识图谱、计算机视觉、自然语言处理、VR/AR等AI核心技术的广泛应用，由数以亿计的联网汽车、声控数字助手、智能家居、可穿戴设备等其他设备通过相互连接组成的物联网，其生态系统规模庞大且发展迅速。如今移动互联网、万物物联网使人与人、人与产品、人与信息之间实现“瞬连”和“续连”成为可能[3]。AI系统现在可以轻松完成以往需要人类在场的任务，如驾驶车辆、人类语言处理、人脸识别、大数据分析或进行在线搜索[10]。
（2）AI技术带来不同于传统的顾客体验
近年来，关于顾客体验的研究出现了新的趋势，一些学者开始将研究范围扩展到AI背景下更广泛的顾客体验领域[11,12]。传统的顾客体验研究集中于人与产品交互的时刻作为体验形成的交汇点[4]，然而，在人工智能时代，顾客体验不仅可以由人与产品之间的互动来塑造，还可以由顾客与产品之间以及产品本身之间形成的错综复杂的联系网络来塑造。同时，消费者购物和互动的方式已经被新的数字、移动和社交媒体技术的进步所改变，他们不再只是被动地接受企业传递的价值，顾客在寻求和创造他们自己的体验或与企业共同创造体验方面的联系越来越紧密，信息越来越丰富，权力越来越大，态度越来越积极[5]。并在与客体的交互过程中，顾客可以对客体进行分类并利用它们来扩展自我，使其成为超越物理自我界限的人[6]，智能客体在与顾客和其他智能客体的交互过程中，其工艺性能使它有能力影响或被影响，从而形成网状的体验集合。以非顾客中心视角，顾客-客体集合内包含自我延伸体验、自我扩展体验、自我限制体验与自我减少体验[7]。
1.2 研究意义
1.2.1 理论意义
本文的理论意义主要包括以下几个方面：
第一，开发了AI产品顾客体验量表。以对Puntoni（2021）[13]提出的AI技术背景下顾客体验文本定义为基础，给出了AI产品体验的操作性定义。
第二，验证了AI产品顾客体验与顾客行为契合的相关关系。本文以Brodie（2011）提出的论点为基础（即顾客契合是在特定服务关系中凭借与客体的交互式顾客体验中产生），发现即使是在AI情境下，良好的产品体验也会导致高顾客行为契合。也是对Brodie（2011）提出的“探索不同背景下互动契合体验的基本性质”研究建议的有益响应。
第三，发现了AI产品顾客体验影响顾客契合的新解释机制。已有研究表明用户对智能客体的连接感将在人与物联网互动的各种结果之间的关系中发挥中介作用[11]。本文依据集合理论，从自我延伸视角阐释AI产品顾客体验作用顾客行为契合行为的内在机理。
第四，发现个体尝新能力是AI产品顾客体验作用顾客契合行为的调节变量。这一发现为企业如何在竞争激烈的市场中如何更好地识别目标顾客群体提供了重要参考指标，同时丰富了AI技术背景下顾客个体特质对行为影响的相关研究。
2 理论基础与文献综述
2.1 集合理论
Deleuze和Guattari于1980年在《A Thousand Plateaus: Capitalism and Schizophrenia》中提出了外部性关系的概念，这些概念定义了他们称之为“集合”的整体[12]。之后Manuel DeLanda（2006）通过进一步研究，构想出集合的属性与能力以发展全面的“集合本体论”。他认为由于所有集合都是奇特、历史性的且单独的，因此不是“一般类别中的特殊成员”[14]。与Bruno Latour的行为者网络理论（Actor network theory）中所描述的关系主义本体论不同，即每个实体都是由其与其他实体的互动来定义的，Delanda提出的集合是由关系网络中保持自主独立的部分组成，每个部分都能够分离形成新的关系，故集合的特点是“外部性的关系”。简单地说，集合理论的主要功能是映射出产生集合的个性化过程。在营销领域，现有文献多将集合理论应用到消费者行为研究中，如顾客体验、消费者旅程等。目前国内相关研究较为匮乏，国外学者Hoffman（2018）基于集合理论与对象本体论详细说明了顾客体验和客体体验如何在物联网中产生，并通过其在互动中表现出来的突发属性、能力以及代理和公共角色来定义顾客体验。他认为物联网的集合创造了一个混合空间，其特点是物理和数字环境的融合、不同技术的整合以及顾客体验以全新的形式出现，顾客与客体在集合体中共存并相互作用[7]。之后，Novak（2019）基于集合理论提出了新的顾客-客体关系框架，该框架通过集合理论中的部分-整体互动的概念，将消费者和对象的代理和表达角色与延伸和扩展以及限制和减少的体验联系起来，有助于预测与不同关系风格相对应的顾客体验的类型[15]。
基于Hoffman（2018）提供用于理解物联网背景下消费者、客体和技术之间复杂关系的理论框架，结合本文研究内容，考虑到顾客与多个人工智能产品进行实时交互的情景，故本文关于物联网背景下人工智能产品顾客体验的研究符合集合理论的作用机理。
2.2 刺激—机体—反应（S-O-R）理论
SOR理论在心理学中的研究始于Thorndike（1898）的刺激-反应（S-R）理论，该理论解释了能带来满意结果的行为反应（R）极有可能维持并对类似的刺激（S）做出反应[16]。然而该理论忽略了例如对刺激或反应的思考以及从心理学角度的逻辑推理。Berlo和Gulley（1957）且简单的S-R模型不足以解释连接的关系[17]。后来，Woodworth（1918）在批判S-R理论时提出：“如果所有的行为都是这种简单的反射类型，并且由对当前刺激的直接反应组成，那么驱动和机体之间的区别就没有很大的意义，其中驱动是外部刺激，而机体则是整个有机体”。Woodworth（1918）在他的书中将S-R理论改进为S-O-R理论，即“动态心理”与“动态行为”，并把它定义为一种功能性方法[18]。后来，Mehrabian和Russell（1974）以环境心理学视角，将环境刺激与唤醒-非唤醒、快乐-不快乐和支配-服从的行为反应联系起来[19]。简单地说，S-R模型是一种条件学习方法，解释了对刺激的反应；然而S-O-R模型解释了如何以及何时对刺激做出反应[20]。SOR模型在各种消费者行为背景下得到了实证检验，国内学者钟琦（2022）基于SOR模型的理论框架提出了解释O2O外卖价格促销策略对消费者购买意向的影响机制[21]。赵大伟（2021）基于SOR模型研究了消费者的购买意愿如何被关键意见领袖的电商主播的特征影响[22]。潘涛涛（2022）探究了社会支持如何通过情感机制影响在线健康社区的用户参与[23]。国外学者对此展开相关的实证研究，例如网站质量和名声对购买意向的影响[24]，价格、食品来源和生产过程对有机食品偏好的影响[25]，移动拍卖平台的情境因素对冲动购买行为的影响[26]，在线品牌社区的特征对顾客契合的影响等[27]。
因此，本文建立在S-O-R框架之上，顾客在与AI产品交互过程中产生体验（刺激-S），产生相应的态度和情感反应（机体-O），进一步产生顾客行为契合（反应-R）。因此，本文关于顾客体验的研究符合S-O-R理论的作用机理。
3 AI产品顾客体验量表开发 .............................. 25
3.1 问题提出 ........................................... 25
3.2 量表开发方法 ....................................... 25
4 研究假设与研究框架 ............................. 37
4.1 假设提出 .................................... 37
4.1.1 AI产品体验与顾客行为契合 ................................... 37
4.1.2 自我延伸的中介作用 ......................................... 37
5 研究设计与数据采集 ........................................... 40
5.1 研究设计 .......................................... 40
5.1.1 问卷调查程序 ...................................... 40
5.1.2 变量操作性定义 ......................................... 40
6 数据分析与假设检验
6.1 信效度检验
6.1.1 效度检验
（1）结构效度检验
本文采用因子分析方法对AI产品顾客体验、顾客行为契合、自我延伸和个体尝新能力四个量表的结构效度进行了分析。具体而言，本文采用了主成分分析法来提取主成分因子，并采用最大方差法对因子进行旋转；分析时对载荷值低于0.5的语句进行了删除。表6-1展示了这个提取过程的结果：被分析变量共包括7个：分类体验、授权体验、拟人化体验、社交体验、顾客行为契合、自我延伸和个体尝新能力。
最后结果显示，KMO值均超过阈值0.7，球形检验P值小于0.0001，说明样本量充足，且数据适合开展因子分析。通过因子分析法抽取了7变量，与预期结果一样；测量题项的载荷值均在0.6以上，且变量之间的载荷互不交叉，表明测量量表具有良好的结构效度。
7 研究结论与展望
7.1 研究结论
（1）AI产品顾客体验量表具有良好的信效度。本文通过抓取社交平台的用户评论数据，以Puntoni（2021）的研究为基础，采用扎根理论的编码技术对文本数据进行编码，并形成量表。通过探索性分析和验证性分析，量表具有较好的信效度。最后确定的AI产品体验量表包括4个维度：分类体验、授权体验、拟人化体验和社交体验。
（2）AI产品顾客体验有助于促进顾客行为契合。具体而言，顾客在与AI产品交互过程中产生的分类体验、授权体验、拟人化体验和社交体验，均分别有助于提升顾客对AI产品的行为契合水平。说明如果AI产品具备精准区分顾客、被顾客授权完成任务、良好的拟人化表现和与顾客自然交流的能力，都会成为顾客对企业产生超越购买行为（非购买性质）的动机来源。其中顾客行为契合主要包含三个方面：对企业的建议、反馈与投诉等行为；对顾客的口碑、写评论、问答等行为；影响其他人对企业的态度和行为并改变其他人对该企业的看法等。
（3）自我延伸在AI产品顾客体验和顾客行为契合之间起到中介作用。本文的自变量AI产品顾客体验对顾客行为契合的影响被自我延伸部分中介。说明良好的AI产品顾客体验促进顾客对企业或品牌的契合可以由自我延伸来解释，该结果是对AI产品顾客体验对顾客行为契合的影响作用提出的新机制。
（4）个体尝新能力的调节作用。相较于低个体尝新能力的消费者，在相同的AI产品顾客体验情况下，高个体尝新能力的顾客行为契合更低——即低尝新能力的顾客在感知AI产品顾客体验后产生的顾客行为契合更为强烈。本文认为这可能是高尝新能力的消费者对科技变化比较敏感，测试的AI产品技术早已熟悉；如果没有进一步的技术创新，当前的AI产品技术已经不能够吸引这一类消费者。
参考文献（略）