Crédit :Pixabay/CC0 domaine public
Des chercheurs de l'Université de Boston et de l'Université de Virginie ont publié un nouvel article dans le Journal du marketing qui examine comment les consommateurs réagissent aux recommandations de l'IA lorsqu'ils se concentrent sur les aspects fonctionnels et pratiques d'un produit (sa valeur utilitaire) par rapport aux aspects expérientiels et sensoriels d'un produit (sa valeur hédonique).
L'étude, à venir dans le Journal du marketing , est intitulé « Intelligence artificielle dans des contextes utilitaires ou hédoniques :l'effet « mot-de-machine » » et est rédigé par Chiara Longoni et Luca Cian.
De plus en plus d'entreprises tirent parti des avancées technologiques de l'IA, apprentissage automatique, et le traitement du langage naturel pour fournir des recommandations aux consommateurs. Alors que ces entreprises évaluent l'assistance basée sur l'IA, une question cruciale doit être posée :à quel moment les consommateurs font-ils confiance à la « mot de machine, " et quand y résistent-ils ?
Un nouveau Journal du marketing étude explore les raisons de la préférence de la source de recommandation (IA vs humain). Le facteur clé pour décider comment intégrer les recommandateurs d'IA est de savoir si les consommateurs se concentrent sur les aspects fonctionnels et pratiques d'un produit (sa valeur utilitaire) ou sur les aspects expérientiels et sensoriels d'un produit (sa valeur hédonique).
S'appuyant sur les données de plus de 3, 000 participants à l'étude, l'équipe de recherche fournit des preuves soutenant un effet de mot-de-machine, défini comme le phénomène par lequel les compromis entre les aspects utilitaires et hédoniques d'un produit déterminent la préférence pour, ou la résistance à, Recommandations d'IA. L'effet mot de machine découle d'une croyance répandue selon laquelle les systèmes d'IA sont plus compétents que les humains pour dispenser des conseils lorsque les qualités fonctionnelles et pratiques (utilitaires) sont souhaitées et moins compétents lorsque les qualités souhaitées sont expérientielles et sensorielles (hédonistes). Par conséquent, l'importance ou l'importance des attributs utilitaires détermine la préférence pour les recommandateurs d'IA par rapport aux humains, tandis que l'importance ou l'importance des attributs hédoniques déterminent la résistance aux recommandateurs de l'IA par rapport aux humains.
Les chercheurs ont testé l'effet du mot-de-machine à l'aide d'expériences conçues pour évaluer la tendance des gens à choisir des produits en fonction des expériences de consommation et de la source de recommandation. Longoni explique que « Nous avons constaté que lorsqu'on leur a présenté des instructions pour choisir des produits basés uniquement sur des attributs utilitaires/fonctionnels, plus de participants ont choisi des produits recommandés par l'IA. Lorsqu'on lui a demandé de ne considérer que les attributs hédoniques/expérientiels, un pourcentage plus élevé de participants ont choisi des recommandataires humains."
Lorsque les caractéristiques utilitaires sont les plus importantes, l'effet mot-de-machine était plus net. Dans une étude, On a demandé aux participants d'imaginer acheter un manteau d'hiver et d'évaluer l'importance des attributs utilitaires/fonctionnels (p. respirabilité) et les attributs hédoniques/expérientiels (p. type de tissu) étaient dans leur prise de décision. Les caractéristiques les plus utilitaires/fonctionnelles ont été très bien notées, plus la préférence est grande pour l'IA par rapport à l'assistance humaine, et les caractéristiques plus hédoniques/expérientielles ont été très appréciées, plus la préférence pour l'assistance humaine par rapport à l'IA est grande.
Une autre étude a indiqué que lorsque les consommateurs voulaient des recommandations correspondant à leurs préférences uniques, ils ont résisté aux recommandations de l'IA et ont préféré les recommandations humaines, quelles que soient leurs préférences hédoniques ou utilitaires. Ces résultats suggèrent que les entreprises dont les clients sont connus pour être satisfaits des recommandations « taille unique » (c. n'ayant pas besoin d'un haut niveau de personnalisation) peuvent s'appuyer sur des systèmes d'IA. Cependant, les entreprises dont les clients sont connus pour souhaiter des recommandations personnalisées devraient s'appuyer sur les humains.
Bien qu'il existe une corrélation claire entre les attributs utilitaires et la confiance des consommateurs dans les recommandations d'IA, entreprises vendant des produits qui promettent des expériences plus sensorielles (par exemple, parfums, nourriture, wine) peut toujours utiliser l'IA pour engager les clients. En réalité, les gens adhèrent aux recommandations de l'IA tant que l'IA travaille en partenariat avec les humains. Lorsque l'IA joue un rôle d'assistance, « augmentant » l'intelligence humaine plutôt que de la remplacer, le recommandateur hybride IA-humain fonctionne aussi bien qu'un assistant humain uniquement.
Globalement, l'effet mot-de-machine a des implications importantes comme le développement et l'adoption de l'IA, apprentissage automatique, et le traitement du langage naturel met les gestionnaires et les décideurs politiques au défi d'exploiter ces technologies transformatrices. Comme dit Cian, « Le marché numérique est encombré et la durée d'attention des consommateurs est courte. Comprendre les conditions dans lesquelles les consommateurs font confiance, et ne fais pas confiance, Les conseils en IA donneront aux entreprises un avantage concurrentiel dans cet espace. »