服務補救中如何設計 AI 贏得好口碑

1. 基本資訊

這篇文章由 Byron W. Keating、Rory Mulcahy、Aimee Riedel、Amanda Beatson 與 Kate Letheren 發表於 2025 年的 International Journal of Information Management，題目是〈Designing AI to elicit positive word-of-mouth in service recovery: The role of stress, anthropomorphism, and personal resources〉，DOI 為 10.1016/j.ijinfomgt.2025.102916。文章關心的是一個很實務但也很理論化的問題：當服務失誤發生後，若第一線不是人，而是 GenAI agent 來做說明、安撫與補救，顧客是否會因此更願意留下正向口碑。

2. 研究問題

作者的核心問題可整理成三層。第一，AI 在 service failure recovery 中，是否真的能把負面事件扭轉成正向口碑。第二，若可以，這個效果是否來自顧客壓力感受的下降，也就是 stress appraisal 的改變。第三，這個效果何時成立、何時失效，特別是會不會受到 service failure severity 與顧客自身 personal resource constraints 的影響。這個問題設定很關鍵，因為它讓 AI recovery 不再只是效率工具，而是被當成一種社會性、心理性的調節介面。

3. 理論基礎

本文主要建立在 Transactional Model of Stress and Coping (TMSC) 上，主張服務失誤之所以會傷害後續反應，是因為顧客先把事件評估為威脅、損失或難以應付的情境。若 recovery 設計能降低這種威脅評估，就可能把原本的負面感受轉成較願意接受、甚至願意幫品牌說好話的結果。另一條理論線則來自 anthropomorphism 與 CASA 脈絡，也就是人會把社會規則投射到電腦與 AI 上；因此當 AI 展現較高的 warmth 與 competence 時，使用者可能把它視為較像真人的支持來源，進而獲得情緒上的 coping support。

4. 研究架構

整體架構可概括成：AI anthropomorphism / service failure context → stress appraisal → positive word-of-mouth (PWOM)。其中 Study 1 先檢驗在高、低 service failure severity 下，顧客對 AI recovery 的反應是否不同，並看 stress 是否為中介。Study 2 再聚焦於低 severity failure，檢驗個人資源受限時，anthropomorphic AI 是否更能降低壓力並促成 PWOM。Study 3 則把同樣邏輯從航空情境複製到零售配送情境，確認模型不是只侷限在單一服務場景。

5. 假設邏輯

作者提出的邏輯相當清楚。首先，高 severity 失誤通常意味著較大的實質損失與更高的威脅感，因此不容易只靠 AI 的互動設計就挽回；相反地，低 severity 失誤較可能因為回應方式得體而被重新評價，所以更容易產生 PWOM。其次，anthropomorphic AI 透過較具 warmth 與 competence 的回應，可能降低顧客的 stress appraisal，使他們覺得這個問題較可被理解與處理。最後，若顧客本身 personal resources 較弱，例如時間、控制感或應對資源有限，那麼一個更有人味、更具支持感的 AI 會更像補充性 coping resource，因此效果應該更強。

6. 方法

研究先用一個 pilot study 蒐集 109 份 critical incident data，確認 AI anthropomorphism 與 stress 之間的初步關聯。正式 Study 1 採 2（高 vs 低 failure severity）× 2（anthropomorphism 有 vs 無）的 scenario-based experiment，樣本為 273 位美國成年人，情境是航空班機延誤或取消後由 GenAI agent 出面處理。Study 2 使用 285 位美國成年人，鎖定低 severity failure，操弄 anthropomorphism 與 personal resource constraints。Study 3 再以 290 位美國成年人，把情境改成零售配送失誤，複驗 Study 2 的結果。主要變項包括 stress appraisal 與 PWOM，分析方法包含 ANOVA 與 Hayes PROCESS moderated mediation。

7. 結果

結果相當一致。第一，Study 1 支持 H1：低 severity failure 比高 severity failure 更能產生 PWOM。第二，在低 severity 情境下，anthropomorphic AI 確實帶來更高 PWOM；但到了高 severity failure，這種優勢基本消失，代表實質損失太大時，互動設計救不了太多。第三，stress appraisal 對這條路徑具有中介作用，支持 H2，也就是 AI 的 recovery 表現之所以有效，是因為它降低了顧客的壓力威脅評估。第四，Study 2 與 Study 3 都顯示，當 personal resources 受限時，anthropomorphic AI 降低 stress、進而提升 PWOM 的效果更強；這支持 H4。換言之，AI recovery 最有用的地方不是「所有情境都有效」，而是「在低嚴重度且顧客資源不足時特別有效」。

8. 理論貢獻

這篇最重要的理論貢獻有三個。第一，它把 AI 從 service failure 的來源，轉成 service recovery 的主動行動者，這是文獻定位上的明顯推進。第二，它把 stress appraisal 正式放進 AI recovery 的作用機制中，不再只說 anthropomorphism 會讓人比較喜歡 AI，而是指出它透過降低威脅感來改變後續行為。第三，它補上非常重要的邊界條件：failure severity 與 personal resources。這讓 anthropomorphic AI 的效果不會被誤解成萬靈丹，而是被定位為一種在特定脈絡下特別有用的 coping-support design。

9. 實務意涵

對企業來說，這篇的訊息很務實。若是低 severity 的服務失誤，例如小幅延誤、配送稍晚、流程摩擦，讓具有 warmth 與 competence 語氣的 GenAI agent 第一時間出面，可能不只節省成本，還真的有機會把負面事件轉成正向口碑。但若是高 severity failure，例如重大取消、重大損失、關鍵交易受阻，就不該迷信 AI fronting，因為顧客更在意實質補償與人類判斷。對設計者來說，關鍵不是一味把 AI 做得很像人，而是針對低風險 recovery touchpoint，設計能提供理解感、控制感與支持感的互動腳本。

10. 研究限制

限制也很清楚。第一，三個正式研究都以 scenario-based experiments 為主，雖然有助於識別因果，但與真實平台上的長期顧客關係仍有差距。第二，anthropomorphism 在實證上最後較接近單一構念處理，warmth 與 competence 沒有被穩定區分開來，後續仍可細拆。第三，本文處理的是 PWOM，而非實際留存、重購或申訴升級，因此結果更偏向態度與意向層次。第四，作者也提醒高 severity 情境下可能需要其他理論，例如風險、損失與公平感知框架來補強。

11. 對我研究的啟發

這篇對我很有用，因為它可以直接接到我最近正在累積的 anthropomorphism → empathy / trust / dependency / engagement 線，但多加了一個我可以反覆借用的中介機制：stress appraisal。如果我後面要做 human-GenAI collaboration，不一定只能看 performance 或 knowledge creation，也可以問 AI 的社會性設計是否透過降低我的威脅感、焦慮感或 coping burden，來改善合作品質。另一個很值得保留的點，是它把效果條件講得很細：不是「AI 越像人越好」，而是要看任務嚴重度與我資源狀態。這對我之後做 boundary condition 設計非常有參考價值。

12. 整體評價

我認為這篇很值得在 backlog 中優先讀，因為它把一個看似很行銷實務的 service recovery 問題，做成可遷移到更廣泛 human-AI interaction 的心理機制模型。它的強項是理論線乾淨、設計完整、三個研究之間的銜接也很穩。若要挑剔，主要是 outcome 還停在 PWOM，而且真實場域驗證仍不足；但作為我文獻池裡關於 AI 社會性回應、壓力調節與互動邊界條件的代表文，這篇很夠用。