哪個模型最能解釋 AI 理財機器人的採用

1. 基本資訊

Verma, B., Remer, L., Goswami, D., & Sinha, S. K. (2026). Assessing the utility of advanced adoption models for AI-based financial services: insights into automated and hybrid robo-advisors. Frontiers in Artificial Intelligence, 9, 1854196. DOI: 10.3389/frai.2026.1854196。文章為開放取用原創研究；正式期刊、卷期、DOI 與全文可確認，最新 SSCI／SCI／Scopus 索引與排名未明確確認。

2. 研究問題

研究問的是：TPB、UTAUT-2 與自我效能價值採用模型（SVAM）哪一套較能解釋 AI 財務 robo-advisor 的採用意圖與使用行為？不同程度的人類介入——全自動與混合式 robo-advisor——是否會改變採用機制？這個問題重要，因為 robo-advisor 不只是被動工具，而是逐漸參與、甚至代替使用者做決策的演算法行動者。

3. 理論基礎

文章比較三種互補取向：TPB 強調態度、主觀規範與知覺行為控制；UTAUT-2 強調績效期待、努力期待、社會影響、促成條件、享樂動機、價格價值與習慣；SVAM 則補進知覺價值、費用與自我效能。作者的核心判讀是，AI 採用不宜只被當作一般科技「好不好用」的問題；當使用者要把部分決策權交給 AI 時，個人能否理解、評估並駕馭系統，以及系統是否創造足夠價值，會變得更關鍵。

4. 研究架構

研究分三階段：先比較 TPB、UTAUT-2、SVAM 的解釋力與預測力；再以 53 個量測題項進行探索性因素分析，整合概念相近的構念；最後以多群組分析比較全自動與混合式服務。整合模型包含態度、努力期待、享樂自動化、規範控制知覺、績效期待、知覺價值、自我效能、採用意圖與使用行為。其基本路徑是「多重心理／科技評估 → 行為意圖 → 使用行為」，並把 robo-advisor 類型視為重要邊界條件。

5. 假設邏輯

這篇採實證模型比較與路徑檢驗，不是逐條列出傳統假設清單。其命題邏輯是：態度、價值、期待、自我效能、規範控制與習慣性使用都會正向推動採用意圖，而採用意圖會轉化為實際使用；全自動情境因缺少人類補位，應更依賴使用者自我效能，混合式情境則較依賴態度、易用／努力與績效評估。這也把「自動化程度」從背景描述提升為理論上的調節條件。

6. 方法

研究採量化、橫斷面設計，以印度 397 名投資者的有效問卷分析（422 人同意參與，剔除不完整與不一致回覆後保留 397 份）。樣本以 purposive sampling 取得，包含混合式 robo-advisor 使用者 201 人（50.63%）與全自動使用者 196 人（49.37%）。量表改編自 TPB、UTAUT-2、SVAM，使用五點 Likert 量尺；分析包含 PLS-SEM、探索性因素分析、模型解釋／預測力比較、整合模型與多群組分析。作者也檢查非回覆偏誤、Harman 單因子與全共線性，並報告各構念具有可接受信度與收斂效度。

7. 結果

SVAM 的解釋力最高（調整後 R² = .734），優於 UTAUT-2（.708）與 TPB（.582）；三者皆有高預測相關性，SVAM 的 Q² = .641 也高於 UTAUT-2 的 .635 與 TPB 的 .576。整合模型的解釋力進一步達 R² = .828、Q² = .821。整合模型中，態度（β = .249）、享樂自動化（β = .240）、知覺價值（β = .224）、績效期待（β = .188）與自我效能（β = .167）是較重要的採用意圖前因；採用意圖對使用行為的路徑很強（β = .655）。

多群組結果顯示，全自動服務的自我效能效果非常強（β = .663），混合式則不顯著（β = −.013）；反過來，混合式的態度（β = .282）、努力期待（β = .125）與績效期待（β = .236）效果顯著較強。知覺價值、享樂自動化、規範控制與意圖到使用的路徑，在兩類服務間沒有顯著差異。換言之，人類介入程度會重新配置「誰需要更有能力」與「什麼評估最重要」，但不會改變所有採用機制。

8. 理論貢獻

第一，文章以同一情境直接比較多套採用理論，降低不同研究各自套用單一模型造成的碎片化。第二，SVAM 的優勢指出 AI 決策服務的採用，應同時納入價值創造與使用者能力，而不能只沿用效用／易用性框架。第三，整合模型把傳統採用研究推向「AI 介入決策」情境，提醒後續理論處理委派、自主性、控制感與演算法依賴。第四，全自動／混合式的差異證明自動化程度不是產品描述而已，而是會改變採用前因權重的邊界條件。

9. 實務意涵

全自動 robo-advisor 應投資於導覽、情境演練、AI 素養與可理解的推薦解釋，提升使用者理解與評估系統的自我效能；混合式服務則應把 AI 的分析效率與人類專業、信任和互動支援結合。產品設計不宜只增加功能，而要讓使用者理解推薦如何形成、能控制解釋深度，並透過個人化、進度追蹤與順暢操作建立可持續使用習慣。治理上則需重視透明、問責、投資者保護與演算法揭露。

10. 研究限制

橫斷面資料不能支持因果推論，也無法呈現使用者從採用前、初次使用到長期依賴的變化；自陳量測可能有知覺扭曲與共同方法偏誤。印度 purposive sample、且受試者偏向對 FinTech 有接觸者，限制跨國與一般人口的外部效度。理論比較也只涵蓋三套模型，未納入創新抗拒、擴散理論等視角。最後，研究聚焦 robo-advisor，不能直接推廣到教育、醫療、客服或生成式 AI 平台。

11. 對我研究的啟發

這篇最可重用的角度，是把「人類—AI 協作」具體化為自主性配置不同，能力與信任機制也不同。若延伸到旅遊／旅宿服務，可將全自動旅遊推薦、半自動客服或人機共創服務視為不同協作配置，不把 AI 採用當成單一同質結果。研究設計上可比較「AI 單獨建議」與「AI＋員工／導遊補位」兩種情境，檢驗 AI 素養／自我效能、知覺價值、解釋透明度與控制感如何影響採用、信任、體驗與後續共創。對知識創造研究而言，文章也提示：不能只測 AI 使用頻率，應測我是否有能力理解、質疑與重新組合 AI 輸出；否則高採用可能只是委派決策，不等於高品質的人機共同創造。

12. 整體評價

值得收進「AI 採用、服務自動化與人機協作」核心文獻，尤其適合當作 empirical support 與模型比較參考；若研究要建立人機協作的 framing，則可搭配更直接處理信任、代理性或知識創造的理論文章。其優點是把 competing models 放進同一資料集比較，並提出清楚的自動化程度邊界條件；主要疑點是單一國家、非機率樣本與橫斷面自陳資料，使結果較像理論整合的初步證據，不能直接宣稱跨情境因果。期刊品質／索引與排名未明確確認，但正式發表資訊、DOI、開放全文與研究方法均可核對。