生成式 AI 如何改變行銷的未來

1. 基本資訊

作者為 Dhruv Grewal、Cinthia B. Satornino、Thomas Davenport、Abhijit Guha，刊登於 Journal of the Academy of Marketing Science，2025 年，第 53 卷，頁 702-722，DOI：10.1007/s11747-024-01064-3。本文屬於生成式 AI 在行銷與商管應用的策略型論文，結合文獻整理、產業訪談與超過 300 位 CDO 調查資料。期刊品質可保守判斷為行銷領域高度公認的重要期刊；但本輪未逐一用官方名錄交叉驗證 FT50、UTD24、SSCI 或 Scopus Q1，因此不寫成「已完全確認」。

2. 研究問題

本文核心在問：生成式 AI 和分析型 AI 的差異，究竟如何改變企業的行銷決策、內容生產與顧客互動？更具體地說，企業在不同任務情境下，應如何決定要不要高度客製化輸入資料、以及要保留多少人類監督，才能既吃到效率紅利，又避免幻覺、失真與品牌風險。

3. 理論基礎

理論上，本文建立在人機協作與 human augmentation 的觀點上。作者主張，生成式 AI 不是單純替代人，而是把行銷工作重新切成「哪些可以自動生成、哪些必須由人校正」的配置問題。它同時延續既有 AI 文獻對分析型 AI 的討論，但把焦點從預測、分類與最佳化，推向內容生成、互動設計與創意支援。

4. 研究架構

作者提出一個雙軸四象限框架。第一軸是輸入端客製化程度，從通用公開模型到納入企業私有資料、RAG 或專業知識庫。第二軸是輸出端的人類監督與增強程度，從低人工介入到高強度審查、修改與把關。這個架構用來判斷不同任務，例如 STP、內容行銷、產品設計、客服與市場研究，應落在哪個象限，避免工具配置與任務風險不匹配。

5. 假設邏輯

本文不是傳統假設檢驗研究，因此這一段應理解為命題邏輯。作者的推論是：任務越高風險、越需要專業正確性或品牌一致性，就越不能只靠通用模型與全自動流程，必須提高輸入資料的客製化程度與人類監督強度；反過來，若任務較標準化、低風險且重視速度，例如初稿文案或例行內容變體，就可以把自動化程度拉高。也就是說，生成式 AI 的成效不是由技術本身決定，而是由「任務特性 × 輸入品質 × 人機協作設計」共同決定。

6. 方法

本文屬概念框架建構型研究，但不是純評論。作者整合了三類材料：第一，超過 300 位首席數據官的調查結果；第二，來自零售、電信、銀行與高等教育等領域高階主管的深度訪談；第三，生成式 AI 與分析型 AI 在行銷上的既有文獻與產業案例。方法上比較像是以多來源證據支撐策略框架，而非以單一樣本做嚴格因果估計。

7. 結果

研究顯示，企業高層普遍認同生成式 AI 具有重大轉型潛力，超過 75% 的受訪 CDO 認為它會改變商業環境，超過 50% 計畫增加投資；但真正做到組織層級系統部署的企業仍偏少，約一半的 AI 實驗還停留在員工個人自發使用層次，只有約兩成上升到全公司規模。作者也整理出一些可觀績效案例，例如客服處理時間可大幅縮短、廣告轉化率可顯著提升；但同時指出幻覺、資料隱私、透明度與品牌一致性，是企業無法忽視的反作用力。

8. 理論貢獻

這篇最大的理論貢獻，是把生成式 AI 的採納問題從「要不要用 AI」提升到「怎麼做策略適配」。它補上了行銷文獻裡對生成式 AI 的中層理論空缺，尤其是把輸入端資料客製化與輸出端人機協作整合成同一套判斷框架。這讓後續研究不必只停留在效益敘述，而可以更明確比較不同任務、不同監督設計與不同資料結構下的效果差異。

9. 實務意涵

對實務者來說，本文最有價值的是提供一個可直接拿來做流程盤點的框架。企業不該把生成式 AI 當成一個萬用黑盒，而要先問：這個任務需要多高的準確性？會不會碰到法規、品牌、倫理或顧客信任問題？需要用企業私有資料嗎？需要哪一層人工覆核？如果把這些問題先釐清，就比較能避免盲目導入之後出現品質失控、內部責任不清或品牌傷害。

10. 研究限制

第一，本文雖然有調查與訪談資料，但仍以框架建構為主，缺少更嚴格的因果測試與跨情境比較。第二，生成式 AI 技術迭代很快，今天有效的象限判斷，未來可能因模型能力提升而改變。第三，文中提到的績效案例多來自企業實務脈絡，未必能直接外推到所有產業、組織規模或非營利場景。

11. 對我研究的啟發

這篇對我的研究最可重用的地方，不是「GenAI 很有用」這種結論，而是它提供了一個可操作的中介框架。若我之後要做教育、商管或 AI 應用研究，可以把這個雙軸邏輯改寫成自己的研究模型，例如把「輸入客製化程度」轉成課程情境中的資料來源品質，把「人類監督程度」轉成教師介入、同儕回饋或制度治理強度，再去看它如何影響學習成效、信任、採納意圖或創造力。這種改寫方式比單純討論 AI 態度更有理論辨識度，也更容易發展出具有實證可測性的變項設計。

12. 整體評價

我認為這篇很值得今天讀，因為它同時滿足三件事：題目新、期刊強、可重用性高。它不是只列舉行銷案例，而是試圖把生成式 AI 的導入邏輯整理成一個能轉用到多種任務的策略框架，這對商管與教育研究都很有幫助。相對地，它的弱點也很清楚：概念性強於驗證性，很多主張目前更像高品質命題而不是已被充分檢驗的理論命題。但若把它當成後續研究設計、文獻回顧架構與教學討論底稿，價值非常高。