AI 科技如何引發消費者投入：系統性回顧

1. 基本資訊

作者為 Linda D. Hollebeek、Choukri Menidjel、Marko Sarstedt、Johan Jansson、Sigitas Urbonavicius。文章發表於 Psychology & Marketing，2024 年，第 41 卷，頁 880-898，DOI 為 10.1002/mar.21957。研究類型是系統性文獻回顧加上概念模型建構，不是單一樣本的實證檢驗。

2. 研究問題

這篇文章要回答的核心問題是：當消費者互動對象從傳統品牌、員工或平台，轉向聊天機器人、智慧產品、語音助理、自駕系統等 AI 技術時，消費者參與（consumer engagement, CE）的驅動因素、作用機制與結果究竟如何改變。作者認為相關研究快速增加，但各自使用不同理論與變數，導致目前難以形成一致可累積的知識。

因此，文章試圖先把零散研究整理成較清楚的結構，再提出一個可供後續實證研究直接接上的整合框架。對行銷與 AI 應用研究來說，這個問題很重要，因為企業若要透過 AI 提升顧客互動，不能只看技術好不好用，還要理解消費者為何願意投入注意力、信任、情感與行動。

3. 理論基礎

理論上，作者以 consumer engagement 作為核心，並把它理解為消費者在互動中投入認知、情感與行為資源的狀態與過程。文章也借用服務主導邏輯（service-dominant logic）與價值共創觀點，把 AI 看成不是單純工具，而是會重塑價值生產與互動安排的參與者。

另外，作者沒有只依賴單一理論，而是回顧現有文獻最常見的理論來源，例如 S-O-R、TAM、擬人化、社會臨場感等。這反映出此領域目前仍在理論匯流期，作者的目標不是宣稱某一理論勝出，而是嘗試把不同理論放進同一個可對話的結構裡。

4. 研究架構

文章最重要的產出是一個前因到結果的概念架構。前因被整理成五大類：個人因素、技術因素、互動因素、社會因素、情境因素；這些條件共同形塑 AI-based CE，也就是消費者在 AI 互動中的投入程度與互動品質。

在結果端，作者整理出三大後果：第一是更準確或更有效率的服務提供，第二是消費者感知價值與共創價值的提升，第三是消費者任務努力的降低。除此之外，文章也強調 AI-based CE 不只影響消費者個人結果，還會外溢到企業績效與人機協作成果。

5. 假設邏輯

這篇不是假設檢驗型研究，所以沒有傳統 H1、H2 的形式。較合適的理解方式是：作者從既有文獻中萃取出一套命題邏輯，認為不同類型的 AI 互動特徵會透過影響感知便利性、社會感、控制感、信任與價值知覺，進一步改變消費者參與。

更具體地說，當 AI 提供較高準確性、較低摩擦、較好的回應速度與較適度的人性化線索時，消費者更可能投入認知與情感資源，並對品牌或服務形成更正向的後續反應。但如果擬人化、透明度或控制感配置不當，也可能造成不信任、反感或角色混亂，這也是作者特別提醒後續研究要細分的部分。

6. 方法

研究方法採 PRISMA 系統性文獻回顧流程。

納入文獻主要來自行銷、商管、心理與決策相關領域，且多為近年研究。最終樣本中大多數是實證研究，也包含少數概念性文章，因此本文的方法不是做統計式 meta-analysis，而是透過系統性篩選加上主題綜整，建立一個概念上更完整的知識地圖。

7. 結果

文章整理出三個最核心的發現。第一，AI 能透過更高準確性、即時性與個人化能力，提升服務提供品質，這是許多研究共同指向的主要價值。第二，AI 互動可促進消費者感知價值與共創，尤其當系統不只是回覆工具，而是能支援互動、建議與共同完成任務時，參與效果更明顯。

第三，AI 也常被消費者視為節省 effort 的裝置，能降低搜尋、比較、決策與執行任務的成本。另一方面，作者也點出現有研究過度集中在特定技術場景，例如對話式 AI 與機器人，對生成式 AI 的細緻研究仍相對早期，這表示現在看到的結論有其階段性。

8. 理論貢獻

這篇最大的理論貢獻，不是提出一個全新單一理論，而是把 AI-based consumer engagement 這個正在快速擴張的研究主題先做乾淨整理，讓後續研究者可以站在較一致的問題意識上累積。它把原本散落在不同研究中的前因、機制與結果拉到同一個架構內，降低了理論碎片化的問題。

另一個貢獻是，它把 AI 互動放回「參與」而不只是「採用」的視角。很多 AI 研究容易停在 acceptance、intention 或 satisfaction，但這篇提醒我們，真正更有價值的問題是消費者如何在 AI 互動中持續投入、共創與延伸品牌關係，這對行銷理論的解釋力更強。

9. 實務意涵

對企業來說，這篇文章的實務訊息很直接：AI 不該只追求自動化，而要設計成能提升參與品質的互動介面。也就是說，品牌若部署聊天機器人、推薦系統、語音助理或店內智慧代理人，應同時管理準確性、互動流暢度、社會感與使用者控制感，而不是只追求成本下降。

此外，文章也提示管理者，AI 的價值不只在節省人力，而在於能否同時讓消費者感到有幫助、有效率、被理解，進而更願意留下、回來、推薦或共同創造內容。這對 CRM、會員互動、零售服務設計與品牌體驗優化都很有參考價值。

10. 研究限制

作者承認，本文只納入符合條件的英文期刊文章，因此對非英文研究、較新但尚未累積影響力的文章，可能覆蓋不足。再加上 AI 發展太快，文獻回顧所得的分類框架雖然有整合價值，但很可能需要隨生成式 AI、代理型 AI 與多模態互動的興起而持續更新。

另一個限制是，文章雖然建構了整合模型，但本身並未直接實證檢驗各變數之間的因果強弱，因此目前更像是一張高品質研究地圖，而不是已被完全驗證的因果模型。讀者在使用它時，仍需要回到具體情境做細緻操作化。

11. 對我研究的啟發

這篇對我的研究最可重用之處，在於它提供了一個很適合拿來整理「AI 互動變數」的母架構。若我後續要研究生成式 AI、AI agent、AI customer service、AI 在教育或服務場景中的互動效果，可以先把自變數與中介變數放回這五大前因分類，研究設計會更穩，也比較容易對接國際文獻。

另一個啟發是，文章把焦點從單純 adoption 移到 engagement，這對我很有價值。很多研究只問我願不願意用 AI，但更有研究含金量的問題通常是：我在什麼條件下會持續投入、信任、依賴、共創，甚至重新定義與品牌或平台的關係。若我之後想做 AI 與顧客互動、學生互動或人機協作研究，這篇很適合作為前言與理論架構的骨幹文獻。

12. 整體評價

整體來看，這是一篇很值得保留的高重用文獻。它不是那種提供單一驚人因果效果的文章，而是對整個 AI consumer engagement 子領域做了結構化清理，因此對寫文獻回顧、研究動機、變數整理與命題發展都非常實用。

如果要挑缺點，主要是它作為系統性回顧，對具體機制的細節與邊界條件仍不如單篇實證研究那麼銳利，且生成式 AI 爆發後的新情境還沒有完全展開。但就今天要選一篇能兼顧 marketing、AI applications、理論整合與後續可重用性的文章來說，這篇非常划算。