智能体验下的客户粘性：一项关于人工智能客服聊天机器人亲和力的研究报告
一、 作者、机构与发表信息
本研究由来自澳大利亚皇家墨尔本理工大学商学院和经济学、金融与市场营销学院的研究团队共同完成。主要作者包括Muhammad Ashfaq、Marian Makkar、Ai-Phuong Hoang、Duy Dang-Pham、Mai Hoang Thi Do和Anh T.V. Nguyen。其中，部分成员隶属于该校位于越南胡志明市的商学院，部分成员则来自澳大利亚墨尔本校区。
该研究以论文形式《exploring customer stickiness during “smart” experiences: a study on ai chatbot affinity in online customer services》发表于《Journal of Research in Interactive Marketing》期刊。论文的收稿日期为2024年9月26日，经过数次修订，最终于2025年1月30日被接受发表。
二、 学术背景与研究动因
本研究隶属于市场营销与信息系统的交叉领域，特别聚焦于人工智能在互动营销与在线客户服务中的应用。随着人工智能聊天机器人（AI Chatbot）在商业领域的爆炸式增长，企业投入巨资以期通过提供个性化、便捷的24/7服务来提升客户体验和忠诚度。然而，现有研究也指出，聊天机器人时常在处理复杂或不寻常的查询时表现不佳，导致客户沮丧和不良体验。因此，深入理解如何优化聊天机器人服务以创造积极体验、进而留住客户，成为学术界和业界的共同关切。
研究的理论背景主要基于“技术可供性理论”和“媒体亲和力理论”。技术可供性理论指出，技术的功能属性（可供性）会促使用户产生特定的行为可能。媒体亲和力理论则强调媒体（在此指聊天机器人）在用户生活中的重要性感知。先前研究虽然探讨了聊天机器人的服务质量、拟人化、双元能力等特征对客户体验的影响，但尚未系统地研究聊天机器人的多种“可供性”如何共同塑造客户的“智能体验”，以及这种体验如何通过“亲和力”最终转化为持续的“客户粘性”。
基于此，本研究旨在填补上述空白，构建并验证一个整合模型。其核心目标是回答三个研究问题：聊天机器人的可供性是否会增强客户的智能体验？智能体验如何影响客户对聊天机器人的重要性感知？这种重要性感知又如何促进客户对聊天机器人的持续使用？
三、 详细研究流程与方法
本研究采用量化研究方法，具体流程包括理论模型构建、测量工具设计、数据收集与实证分析三个阶段。
第一阶段：理论模型与假设构建 研究者首先进行了系统的文献回顾，梳理了聊天机器人、智能体验、可供性、亲和力及粘性等相关领域的研究。基于技术可供性理论和媒体亲和力理论，并结合行为推理理论（用于理解采纳行为的正反因素），提出了一个整合的研究框架。该框架将五种聊天机器人可供性作为前因变量，两种维度的智能体验作为中介变量，亲和力作为第二层中介，最终指向客户粘性这一结果变量。五种可供性及其子维度具体为：交互性（双向沟通、主动控制、同步性）、选择性（定制化、本地化）、信息性（论据质量、来源可信度）、关联性（连接性、安全感）和导航性。研究者据此提出了七项具体的研究假设。
第二阶段：测量工具设计与数据收集 所有构念的测量题项均改编自成熟的学术量表，采用7点李克特量表进行测量。智能体验和部分可供性构念被操作化为二阶构念，即它们由多个一阶子维度构成。 数据收集通过在线调查平台Prolific进行。首先，研究者进行了一项筛选研究，从1000名受访者中识别出889名曾经使用过聊天机器人的用户。随后，向这些用户发放正式问卷。在回收的792份问卷中，剔除了31份未通过注意力检查题项的无效问卷，最终获得761份有效样本用于分析。样本的人口统计学特征（如性别、年龄、教育程度、收入）和聊天机器人使用频率等均被详细记录。此外，通过词云分析发现，用户使用聊天机器人主要目的是提问、获取帮助、解决问题和获得快速信息。
第三阶段：数据分析流程 研究采用基于偏最小二乘法的结构方程模型进行数据分析，使用的软件是SmartPLS 4。分析流程严格按照PLS-SEM的规范进行： 1. 共同方法偏差检验：采用了方差膨胀因子法和标记变量法两种方法进行检验。结果表明，所有VIF值均小于5，且标记变量与其他研究变量之间的最大相关系数很低，说明数据中不存在严重的共同方法偏差问题。 2. 测量模型评估：评估了量表的信度和效度。所有测量题项的因子载荷均大于0.70的标准。组合信度和克朗巴赫α系数均高于0.70的门槛，表明量表具有良好信度。平均方差提取值均大于0.50，证明收敛效度达标。采用异质-单质比率法检验判别效度，所有HTMT值均低于0.85的严格标准，表明构念之间具有足够的区分度。 3. 结构模型与假设检验：在验证测量模型良好后，对结构模型进行路径系数估计和显著性检验。使用Bootstrap抽样法（5000次重复抽样）计算t统计量和p值，以判断研究假设是否成立。同时，还评估了模型的解释力（R²）、预测相关性（Q²）和效应量（f²）。此外，研究还将使用频率、性别、年龄等变量作为控制变量纳入模型，检验其对粘性的影响。
四、 主要研究结果
数据分析结果有力地支持了研究者提出的所有七项假设，详细结果如下：
可供性对智能体验的影响：五种聊天机器人可供性均被证实对客户智能体验有显著的正向影响。
这些结果为研究问题一提供了明确的肯定答案。模型的R²值为0.622，表明这五种可供性共同解释了客户智能体验62.2%的变异，解释力很强。
智能体验对亲和力的影响：客户智能体验对聊天机器人亲和力（即感知重要性）具有非常强烈的正向影响（β = 0.566, p < 0.001）。这意味着，当用户在与聊天机器人互动过程中获得了良好的享乐体验（如有趣、愉悦）和认知体验（如感到有效、有帮助）时，他们会认为该聊天机器人在其生活中扮演着更重要的角色。这一路径的发现，明确了积极体验是建立用户对技术工具情感依附和心理依赖的关键桥梁，回答了研究问题二。
亲和力对客户粘性的影响：聊天机器人亲和力对客户粘性（持续使用意向）的影响最为显著（β = 0.690, p < 0.001）。这表明，用户对聊天机器人的重要性感知是驱动其未来反复、持续使用该服务的核心动力。仅仅有好体验可能还不够，只有当用户在内心中认为“这个聊天机器人对我很重要”时，才会产生真正的“粘性”行为。这有力地回答了研究问题三。
整体模型与间接效应：整个模型的路径清晰：聊天机器人可供性 → 客户智能体验 → 聊天机器人亲和力 → 客户粘性。控制变量对粘性的影响均不显著，进一步凸显了核心构念间关系的重要性。模型对亲和力的解释方差为32.0%，对粘性的解释方差高达47.6%，显示了模型强大的预测能力。
五、 研究结论与价值
本研究得出结论：聊天机器人通过其交互性、选择性、信息性、关联性和导航性等多种功能可供性，能够有效塑造客户的智能体验。这种积极的智能体验进而增强了客户对聊天机器人的亲和力（重要性感知），最终导致更高的客户粘性。
理论价值： 1. 拓展了智能体验的研究情境：回应了学者号召，首次在聊天机器人情境下系统探讨了智能体验的前因与后果，丰富了该构念的应用边界。 2. 深化了可供性理论的应用：研究首次在聊天机器人领域整合并验证了五种具体可供性的作用，揭示了它们作为“使能因素”共同影响用户体验的内在机制，为技术可供性研究提供了新的实证证据和细分维度。 3. 建立了新的理论关系：首次实证检验了智能体验对聊天机器人亲和力的驱动作用，以及亲和力对客户粘性的决定性影响。这两条路径的证实，为理解“体验-情感依附-持续行为”链条提供了新的理论视角，弥补了现有文献的缺口。 4. 整合了多元理论视角：成功地将可供性理论、媒体亲和力理论和行为推理理论的视角融合在一个框架内，提供了更全面解释用户与AI交互行为的理论工具。
实践价值： 1. 为聊天机器人设计提供优先清单：研究指出，企业应优先投资于提升聊天机器人的交互性（如自然流畅的对话）、关联性（保证稳定可及的服务）和选择性（个性化与情境化），因为这三者对创造卓越体验的贡献最大。 2. 明确了体验管理的终极目标：提示企业管理层，优化聊天机器人服务不仅是为了获得单次满意，更是为了在用户心中建立“不可或缺”的亲和力，这才是长期留住客户的关键。 3. 提供行业定制化启示：报告建议，不同行业在设计聊天机器人时应有所侧重。例如，零售业可聚焦个性化推荐，而医疗健康领域则需极度重视隐私安全和信息准确性。
六、 研究亮点
七、 其他有价值内容
研究者在讨论部分也指出了本研究的局限性和未来方向，这为后续研究提供了路线图。局限性包括：未按使用目的（交易型、信息型、互动型）对聊天机器人进行分类研究；未考虑潜在的调节变量（如技术熟悉度）；主要关注了促进使用的“使能因素”，而未探讨“抑制因素”（如隐私担忧、技术焦虑）。未来研究可以探索不同行业场景下的差异，引入隐私计算等理论来研究个性化与隐私的权衡，以及考察长期使用中亲和力与粘性的动态演变。这些思考体现了研究的开放性和延续性价值。