一项关于人工智能理财顾问采纳行为的中介心理机制研究：消费者技术脆弱性的角色
本学术报告旨在向国内学者介绍一项发表于Journal of Product Innovation Management (2026年，第43卷) 的实证研究。该研究由Zi Wang、Ruizhi Yuan、Boying Li、V. Kumar和Ajay Kumar等学者共同完成，作者机构分别来自法国里尔大学IESEG管理学院、中国宁波诺丁汉大学商学院、加拿大布鲁克大学古德曼商学院、印度WE商学院、中国华中科技大学以及法国里昂商学院。文章题目为《金融情境中通过技术脆弱性研究人工智能理财顾问采纳行为的实证研究》。
一、 研究背景与目的
本研究隶属于技术创新采纳与消费者行为交叉领域，具体聚焦于人工智能（AI）驱动的金融产品创新。随着人工智能技术在金融行业的广泛应用，例如AI理财顾问（AFA），旨在优化金融服务与建议，但消费者对这类新技术产品的采纳意愿却表现出明显的矛盾与犹豫。以往研究多基于技术接受模型（TAM）、整合型技术接受与使用理论（UTAUT）等经典框架，侧重于感知有用性、易用性等理性因素。然而，在涉及高风险的金融服务领域，尤其是AI系统因其复杂性和“黑箱”特性可能带来的不确定性，消费者所经历的微妙心理变化机制尚未得到充分揭示。AI技术的承诺与消费者实际感知到的风险和控制感缺失之间存在着张力。
基于此，本研究旨在填补这一空白。研究核心目标是探究消费者采纳AI金融产品（以AI理财顾问为例）背后的中介心理机制。具体而言，研究者创新性地引入了“消费者技术脆弱性”（Consumer Technology Vulnerability, CTV）这一概念，作为连接AI技术特性（即可供性）与消费者采纳意愿的关键桥梁。同时，研究考察了消费者创新性（Consumer Innovativeness）和自我效能感（Self-efficacy）两种个人特质如何调节上述关系。最终，研究旨在通过美国市场的大样本调查，验证一个整合了技术可供性与约束理论（Technology Affordances and Constraints Theory, TACT）、CTV及个体差异变量的综合模型，从而深化对高风险情境下新技术采纳过程的理解。
二、 研究设计与详细流程
本研究采用理论构建与实证检验相结合的方法，主要流程可分为三个核心阶段：理论框架构建与假设提出、实证调查设计与数据收集、数据分析与假设检验。
第一阶段：理论框架构建与假设提出。 研究团队首先对AI可供性文献进行了系统性梳理，并结合金融服务的具体情境，将AI理财顾问的核心可供性（Affordances）归纳为五个维度：信息优化（Information Optimization，指AI提升信息准确性、完整性、及时性和可理解性的能力）、自动化（Automation）、预测能力（Prediction Ability）、可定制性（Customizability）和拟人化（Human-likeness）。接着，研究者基于TACT理论，正式提出CTV的概念，将其定义为消费者在与高科技产品（如AI驱动的产品）互动时，因感知到资源有限、控制力受限制而体验到的一种无力的心理状态，这种状态会最终影响其采纳意向。在此基础上，研究构建了一个包含直接效应、中介效应和调节效应的综合理论模型（如图1所示），并详细推导出共计22条研究假设（H1a-e, H2a-e, H3a-e, H4a-e）。这些假设的核心思想是：五大AI可供性既可能直接正向影响AFA采纳意向（H1系列），也可能通过引发CTV这一心理状态而间接促进采纳（H2系列，即CTV起中介作用）。而消费者创新性和自我效能感则被假设为会强化AI可供性对CTV的正向影响（H3和H4系列，即起正向调节作用）。
第二阶段：实证调查设计与数据收集。 为检验上述假设，研究者在美国市场进行了一项在线问卷调查。调查对象为对AI理财顾问有知识或经验的个体消费者。为确保样本的相关性，设置了筛选问题（如“您是否曾从AI算法获得过投资建议？”），只有回答“是”的受访者才进入主体问卷。数据收集通过一家专业的市场研究公司进行。最终，在接触的712名个体中，有616人完成了有效问卷，有效回复率较高。样本构成方面，男女比例接近（男50.8%，女49.2%），年龄以26-40岁为主（63.8%），超过半数（54.1%）拥有本科学历，样本具有一定代表性。问卷中所有核心构念均采用成熟的7点李克特量表进行测量。例如，CTV作为一个二阶反映型构念，其一级维度包括产品知识、产品促销、营销与情绪压力、辨别能力和购买能力；信息优化也作为二阶构念，由准确性、完整性、及时性和格式四个一阶维度反映。此外，问卷还纳入了性别、年龄、教育背景、年收入、对AI金融投资的熟悉度以及风险倾向作为控制变量，以排除其他可能的解释。
第三阶段：数据分析与假设检验。 数据分析主要运用结构方程模型（SEM）和基于PROCESS宏的回归分析。首先，进行验证性因子分析（CFA）以评估测量模型的信度和效度。结果显示，模型拟合指标良好（χ²/df=2.494， CFI=0.961， RMSEA=0.049），所有构念的组合信度（CR）和克隆巴赫α系数均高于0.70阈值，平均方差提取量（AVE）的平方根均大于该构念与其他构念的相关系数，表明测量工具具有较好的内部一致性和区分效度。同时，通过哈曼单因子检验和相关标记变量技术检验，共同方法偏差（CMV）问题不严重。
假设检验分步进行： 1. 直接效应检验（H1）： 在不考虑CTV的情况下，回归分析显示信息优化、可定制性和拟人化对AFA采纳意向有显著正向直接影响，支持了H1a、H1d和H1e。然而，自动化和预测能力的直接效应不显著，因此H1b和H1c未获支持。 2. 中介效应检验（H2）： 使用PROCESS宏的Model 4（简单中介模型）进行Bootstrap检验（5000次抽样）。结果证实，CTV显著中介了信息优化、可定制性和拟人化对采纳意向的正向影响，支持了H2a、H2d和H2e。但CTV在自动化、预测能力与采纳意向关系中的中介作用不显著，故H2b和H2c未获支持。 3. 调节效应检验（H3， H4）： 使用PROCESS宏的Model 9（有调节的中介模型）进行分析。结果表明，消费者创新性和自我效能感的调节作用存在分化。具体而言： * 两者均正向调节了信息优化、自动化、预测能力对CTV的影响（即对高创新性或高自我效能感的消费者，这些可供性引发CTV的作用更强），从而间接增强了这些可供性通过CTV对采纳意向的影响。这支持了H3a-c和H4a-c。 * 然而，出人意料的是， 消费者创新性和自我效能感均负向调节了拟人化对CTV的影响（即对高创新性或高自我效能感的消费者，拟人化引发CTV的作用反而更弱），从而间接削弱了拟人化通过CTV对采纳意向的影响。这与原假设H3e和H4e方向相反。 * 可定制性与CTV的关系未受到消费者创新性或自我效能感的显著调节，因此H3d和H4d未获支持。
三、 主要研究发现与逻辑关联
本研究的实证结果揭示了一个远比预设复杂的消费者心理图景。
首先，研究发现AI理财顾问的五种可供性对采纳行为的影响路径不同。信息优化、可定制性和拟人化既能直接激发消费者的采纳意愿，也能通过唤起一种“技术脆弱感”（CTV）来间接推动采纳。这种看似矛盾的结果（脆弱感促进采纳）恰恰是研究的深刻洞见：在面对复杂、不确定的AI金融建议时，消费者感到自身知识、控制力不足（即CTV），这种无力感反而可能促使他们转向并依赖他们眼中更“强大”、“专业”的AI工具来辅助决策，是一种寻求补偿和降低认知负担的心理机制。
其次，自动化和预测能力这两种通常被视为AI核心优势的特性，在本研究的金融消费者情境中，既未显示出直接的吸引力，也未通过引发CTV来间接促进采纳。研究者推测，这可能是因为在涉及个人财富的高风险决策中，消费者对“全权委托”给自动化系统或完全信任其预测结果抱有更大的戒心，其引发的抵触或担忧可能抵消了便利性带来的潜在好处，且这种担忧并未转化为研究中定义的特定心理状态——CTV。
最值得关注的是关于调节效应的发现。 研究证实了个人特质的“双刃剑”作用。对于信息优化、自动化和预测能力，高创新性或高自我效能感的消费者，由于对新事物更开放或对自身能力更自信，可能更容易接受并依赖这些AI特性，从而在不知不觉中更深地陷入因信息过载、控制权让渡而产生的脆弱感（CTV），并最终更倾向于采纳AFA。然而，对于拟人化特性，情况截然相反。 高创新性或高自我效能感的消费者，在面对拟人化的AFA时，感受到的脆弱性（CTV）更低。研究者解释，这可能是因为这类消费者更能欣赏和享受拟人化交互带来的自然和愉悦体验，并将其视为一种友好的辅助，而非构成威胁或引发不确定性的来源；或者他们更有能力区分“拟人化形式”与“决策实质”，从而不易被其分散注意力或产生不切实际的期望。这一发现修正了“拟人化一概增强依赖”的简单认知，强调了消费者主体性的差异。
整个研究流程的逻辑环环相扣：从理论缺口出发定义CTV→构建整合模型并提出具体假设→通过严谨的问卷设计和样本筛选获取数据→运用高级统计方法层层检验假设。每一步的结果都为下一步的分析提供了基础，并最终共同支撑起关于“AI可供性如何通过CTV这一独特心理机制影响采纳，且此过程如何受个体特质调节”的核心结论。
四、 研究结论与价值意义
本研究的主要结论是：在AI金融产品采纳过程中，消费者技术脆弱性（CTV）扮演了关键的中介角色，它连接了特定的AI技术特性（信息优化、可定制性、拟人化）与消费者的最终采纳意愿。同时，消费者的个人特质（创新性和自我效能感）对这一中介路径的前半段（即AI特性对CTV的影响）具有重要的调节作用，且调节方向因AI特性而异。
该研究的价值体现在理论与应用两个层面：
理论价值： 1. 概念创新： 首次明确提出了“消费者技术脆弱性”（CTV）这一情境化于高科技（特别是AI）互动中的心理构念，并成功将其操作化和测量，丰富了消费者脆弱性和技术采纳理论的内涵。 2. 理论整合与拓展： 成功地将技术可供性与约束理论（TACT）的应用从功能层面延伸到心理层面，通过引入CTV作为中介变量，揭示了技术特性影响用户行为的内在心理机制，深化了TACT在解释复杂、高风险技术采纳场景时的解释力。 3. 深化对AI采纳的理解： 研究结果表明，AI采纳并非简单的“利弊权衡”，而是一个涉及情感（如脆弱感、无力感）和认知的复杂过程。消费者可能出于对自身能力不足的认知（CTV）而“被动”依赖AI，这为理解AI时代的消费者决策提供了新视角。 4. 强调个体差异： 研究明确了消费者创新性和自我效能感的关键调节作用，尤其是发现了它们对不同AI特性影响的差异化调节模式，这呼吁未来研究需要更精细地考虑用户异质性。
应用价值（对管理实践的启示）： 1. 对金融机构与AI开发者的启示： 企业应认识到，仅仅提升AI的功能性（如自动化、预测精度）可能不足以打动消费者，有时甚至适得其反。关键在于管理消费者的心理体验。应通过增强系统透明度、提供清晰的AI运作原理教育（降低“黑箱”效应）、设计增强用户控制感的界面（如在定制化服务中保留用户 override 的选项）等方式，主动管理和降低消费者的CTV。 2. 差异化策略： 针对不同特质的消费者群体，应采取不同的沟通和设计策略。对于创新性高、自我效能感强的用户，可以放心地展示信息优化、预测等复杂功能，但同时需要确保拟人化设计的真诚与适度，以避免产生厌烦或不可靠感。对于创新性较低、自我效能感弱的用户，则应侧重于通过清晰、简化的信息呈现和分步指导来建立信任和舒适感，拟人化设计可能更有助于降低他们的使用焦虑。 3. 伦理与社会责任： 研究突显了AI产品设计中的伦理责任。金融机构在部署AFA时，有责任保护消费者免受因技术复杂性而导致的不当风险，致力于提升金融包容性和消费者福祉，这不仅是合规要求，也是建立长期信任和品牌声誉的关键。
五、 研究亮点
六、 其他有价值的探讨
文章在讨论部分还进一步阐述了CTV与类似概念（如技术压力）的区别，强调了CTV源于对潜在伤害的预期而非已发生的实际伤害。研究也坦诚指出了自身的局限性，如采用横截面调查数据、样本局限于美国消费者、测量量表改编自非AI情境等，并据此提出了未来研究方向，包括在不同行业和国家进行对比研究、采用纵向或实验设计验证因果关系、开发更敏感的AI情境专用CTV量表、以及区分新手与专家用户的不同体验等。这些思考为后续研究提供了清晰的路线图。