AI 購物助理如何影響電商消費者

1. 基本資訊

這篇文章由 Guanghong Xie 發表於 2026 年的 International Journal of Information Management，題目是〈The impact of generative AI shopping assistants on E-commerce consumer motivation and behavior: Consumer-AI interaction design〉，DOI 為 10.1016/j.ijinfomgt.2025.102983。文章關心的是：在 developing-country 電商情境裡，像淘寶問問這種 Gen AI shopping assistant，到底如何影響消費者的 motivation–behaviour process，以及它的價值是否真的能被穩定轉成 satisfaction 與 repurchase。

2. 研究問題

作者圍繞一個核心問題展開：Gen AI shopping assistants 如何影響消費者從 motivation 到 behavior 的整個互動鏈條。更細地說，文章關心四件事。第一，intrinsic 與 extrinsic motivation 對 AI shopping assistant 的互動品質知覺有何不同作用。第二，這些互動品質如何進一步影響 expectation confirmation、satisfaction 與 repurchase intention。第三，developing-country 場景中的 consumer-AI interaction 是否與 developed markets 有不同邏輯。第四，SEM、ANN 與 NCA 結合後，是否能更完整捕捉這類消費行為機制。

3. 理論基礎

理論上，本文整合了 self-determination theory (SDT) 與 expectation confirmation theory (ECT)。SDT 用來拆解消費者的 intrinsic motivation 與 extrinsic motivation，說明人為什麼願意與 AI shopping assistant 互動；ECT 則處理 expectation confirmation、satisfaction 與 repurchase 之間的後段邏輯。作者認為，現有研究常常只看 acceptance 或 trust，卻忽略 motivation 與 expectation 之間如何形成閉環，因此提出 Motivation–Expectation Management Model (MEMM)，把 motivation、HCI、expectation confirmation、satisfaction、repurchase intention 與 feedback loop 串成一套完整框架。

4. 研究架構

MEMM 的核心流程是：Motivation → HCI → Expectation Confirmation → Satisfaction and Repurchase → feedback to Motivation。前端 motivation 由 intrinsic 端的 autonomy、competence，以及 extrinsic 端的 relevance 所構成。中間的 HCI 則包括 personalization、trust 與 user experience。後端則是 expectation confirmation、satisfaction、repurchase intention，並以 feedback 閉環回到 motivation。這個設計的重要性在於，它不是把 shopping assistant 看成一次性刺激，而是看成會在連續互動中逐步調整 consumer expectation 與 future motivation 的動態系統。

5. 假設邏輯

作者主張，intrinsic motivation 會推動使用者更願意自主探索並提升 competence，因此會影響對 personalization 與 trust 的知覺；extrinsic motivation 則更明顯地作用在 relevance、utility 與 UX 層面。進一步地，personalization、trust 與 UX 會共同影響 expectation confirmation；當 expectation 被確認後，消費者滿意度上升，並轉為 repurchase intention。最後，satisfaction 與 repurchase 又會回饋到下一輪 motivation。也就是說，AI shopping assistant 的價值不只是推薦得準，而是能否讓使用者在互動中持續覺得「值得再來一次」。

6. 方法

研究以中國淘寶 app 裡的 Taobao Wenwen 為實證場景，蒐集 360 份有效樣本，並採 mixed SEM-ANN-NCA 方法。SEM 用來檢驗整體理論路徑，ANN 捕捉非線性關係，NCA 則判斷哪些條件對高 satisfaction 或高 repurchase 是必要條件。這種方法組合是本文的亮點，因為作者明確不滿足於只看線性平均效果，而是希望同時辨識 significance、importance 與 necessity。

7. 結果

結果有幾個重點。第一，extrinsic motivation 對 personalization 與 UX 的影響大於 intrinsic motivation，這說明在電商 shopping assistant 情境中，實用性與任務導向仍是比較強的驅動力。第二，從 UX、expectation confirmation、satisfaction 到 repurchase intention 的中介鏈條整體成立，但不是每一段在 significance、importance 與 necessity 三種檢驗中都完全一致，表示 consumer-AI interaction 的機制雖然成立，卻帶有一定情境依賴與非對稱性。第三，作者透過 SEM-ANN-NCA 顯示，某些變項雖然在線性 SEM 上顯著，但未必是高階結果的必要條件；反過來，也有條件在必要性上更重要。整體而言，MEMM 確實能較完整地解釋 Gen AI shopping assistant 如何塑造 satisfaction 與 repurchase 的閉環過程。

8. 理論貢獻

這篇最大的理論貢獻，是把 Gen AI shopping assistants 從一般 chatbot acceptance 問題，推進成 motivation–expectation feedback system。第一，它把 SDT 與 ECT 整合起來，讓消費者前端動機與後端滿意/再購被放進同一模型。第二，它提出 MEMM，補足過去研究只看單段 adoption 或 satisfaction 的片段式處理。第三，它透過 SEM-ANN-NCA 說明 consumer-AI interaction 不只是線性平均效果，而是同時存在 importance 與 necessity 的差異，這讓 AI consumer behavior 研究更細緻。

9. 實務意涵

對電商平台與 AI assistant 設計者來說，這篇的訊息很直接：不要只追求技術可用，而要把 motivation、UX、expectation management 與 repurchase 一起設計。特別是在 developing-country 情境，AI shopping assistant 若只被當成新奇工具，而沒能穩定轉成 expectation confirmation 與 satisfaction，就很難真正帶動交易成長。作者也提醒，extrinsic motivation 更強，代表本地化 relevance、任務完成效率與直覺 UX 仍是優先項，而不是一味追求人格化或炫技式對話。

10. 研究限制

限制方面，第一，研究場景集中於中國淘寶問問，外推到其他平台與文化仍需保守。第二，雖然使用了 SEM-ANN-NCA，但資料本質仍是橫斷問卷，對長期真實購買行為的追蹤不足。第三，模型聚焦 motivation 與 expectation 閉環，但對 AI 的 dark side，如操控感、過度依賴或 recommendation opacity，還沒有被展開成更強的行為後果模型。第四，作者雖然討論 developing-country context，但比較仍偏間接，尚未與 developed-country 樣本直接對照。

11. 對我研究的啟發

這篇對我有價值，因為它把我最近讀的人機互動與 AI social response 文獻，延伸到 consumer-side 的持續互動與再使用機制。我前面已經累積了 anthropomorphism、apology/internal attribution、AI attachment、JD-R、adoption dark side 等線；這篇可以幫我把其中一條支線接到 consumer-AI interaction as iterative loop。如果我後續要比較不同 AI interaction setting，這篇的 MEMM 很適合拿來做對照，看看在知識工作、教育場景或 intimate AI 裡，motivation–expectation–feedback 閉環是否也成立，還是會被 trust、attachment 或 privacy concern 改寫。

12. 整體評價

我認為這篇很值得在 backlog 中優先讀，因為它不是泛泛地說 AI shopping assistant 有沒有用，而是真的把 consumer motivation、HCI、expectation 與 repurchase 拉成一個完整循環。它的強項是理論整合清楚、方法上也比一般 SEM 更進一步。若要挑剔，就是它仍主要圍繞 satisfaction / repurchase，對 darker relational outcomes 還沒有更深處理；但作為我文獻池裡 consumer-AI interaction 的關鍵補位文，我認為很有用。