AI在营销管理中:是“增强”还是“取代”?管理者如何应对?

作者：Gioia Volkmar, Peter M. Fischer, Sven Reinecke
期刊：Journal of Business Research (2022, Volume 149, pp. 599–614)
分区：SSCI 一区（ABS 3星，商业领域顶级期刊）
英文标题：Artificial Intelligence and Machine Learning: Exploring drivers, barriers, and future developments in marketing management

📌 一句话概括

AI和机器学习在营销中的潜力巨大，但成功的关键不在技术，而在“人”——管理者的认知、组织文化、伦理决策和人机协作。
本文通过德尔菲法+问卷调查+焦点小组的混合研究，识别出AI营销的3大主题、10个维度、13个命题，揭示了管理者对AI的“低失败容忍度”、“算法厌恶”以及“责任与可解释性”等核心挑战。

🧠 研究背景：AI在营销中，管理者为何“爱恨交加”？

AI和机器学习（ML）已广泛应用于营销：个性化推荐、程序化广告、客户细分、定价优化……然而，许多企业并未充分发挥其潜力。原因往往不是技术不成熟，而是管理层的认知、文化和心理障碍。

一方面，管理者对AI期望过高，一旦AI犯错便失去信任（“算法厌恶”）
另一方面，AI的“黑箱”特性引发对责任、伦理、隐私的担忧
此外，人机分工不清晰，导致内部抵触和客户体验下降

现有研究多聚焦技术能力或消费者行为，缺乏对营销管理者视角的系统探索。本文通过混合方法，回答了：
营销管理者如何才能在AI时代蓬勃发展？驱动因素和障碍是什么？未来应关注哪些研究方向？

🧩 理论框架：AI能力分层 + 双重视角

🔹 AI与ML的定义与框架

AI：机器执行人类智能任务
ML：AI的核心方法，通过数据学习而不需严格编程
本文扩展了Daugherty & Wilson (2018)的AI框架，形成漏斗模型：
数据 → AI方法（监督/无监督/强化学习等） → AI能力（理解、推理、学习） → AI应用（用户画像、情感识别、决策支持等）

🔹 双重视角与双重聚焦

战略聚焦 vs. 行为聚焦
内向视角（对组织内部：管理者决策、流程优化）
外向视角（对顾客：客户体验、互动）

🧪 研究方法：三阶段混合设计

阶段	方法	样本	目的
1	德尔菲法（第一轮）	39名专家（学术/营销/技术/咨询）	半结构化访谈，生成30条原始陈述
2	德尔菲法（第二轮）	25名专家（同一批）	量化评分（1-7），共识判定，新增22条陈述
3	定量调查	101名营销管理者（有AI经验）	评估52条陈述，提取10个维度，形成19条初始命题
4	焦点小组	11名营销高管（两场）	验证并精炼命题，最终形成13条命题

📏 测量与统计方法

德尔菲共识标准：≥70%专家评5-7分 + 标准差 < 上四分位数（1.72）
调查问卷：7点李克特量表（1=完全不同意，7=完全同意）
数据分析：均值分类（拒绝/倾向拒绝/倾向接受/接受） + 共识百分比
焦点小组：主题分析（Braun & Clarke, 2006）

📌 本文没有传统意义上的“量表来源”，因为研究是探索性的，陈述均来自专家访谈和文献，而非既有量表。但所有陈述均经过多轮验证和共识检验。

📈 核心结果：三大主题、10个维度、13个命题

主题一：文化、战略与实施（Culture, Strategy & Implementation）

维度	核心命题
失败容忍度	P1：管理者对AI的失败容忍度低于对人类同事的容忍度；将复杂任务委托给AI并建立“试错文化”可提高容忍度
推荐输出与决策框架	P2：AI输出概率估计（而非精确结果）能提高理解度和接受度；P3：AI提供估计而非二选一更受欢迎
客观性与人类偏见	P4：即使AI比人类更客观，人类偏见也难以从任何AI系统中完全排除
期望管理与战略	P5：AI曾引发过高管理期望，现已趋于现实，导向更务实的实施策略；P6：解决伦理问题比技术开发更漫长，但提升伦理意识是关键

主题二：决策与伦理（Decision-Making & Ethics）

维度	核心命题
人在回路	P7：人在决策中扮演多重角色，但最终应由人类拥有最终选择权；P8：决策的道德风险越高，人们越不愿交给AI
可理解性	P9：需要概念框架确保管理者理解AI系统及其影响；P10：管理者应要求AI推理透明
决策可解释性	P11：可解释性是AI接受度的挑战，对确保透明度至关重要
责任与问责	P12：管理者必须能够承担AI的后果，明确责任和问责制对建立可信度至关重要；伦理框架不可或缺

主题三：客户管理（Customer Management）

维度	核心命题
AI与客户体验	P13：若AI与人类未有效结合，会降低客户体验；但透明度是关键——顾客不一定想了解全过程，但要掌控数据
客户数据	P14：通过AI接近客户的企业必须透明处理客户数据，以建立信任；拥有大量（结构化）客户数据是AI时代的竞争优势

💡 所有命题均经过专家和从业者的多轮验证，代表当前AI营销管理中最紧迫的研究方向。

🔍 关键发现解读

✅ 管理者对AI“双标”

对AI的失败容忍度远低于对人类——哪怕AI整体表现优于人类（“算法厌恶”）
原因可能是防御性决策（害怕背锅）而非期望过高

✅ “人在回路”不可少

尤其在高风险、高伦理决策中（如医疗、金融），管理者坚持人类拥有最终选择权
但这不意味着每次都要干预，而是“有能力干预”

✅ 可解释性是信任的基石

管理者不需要成为AI专家，但需要理解AI为何给出某个建议
黑箱AI难以被组织采纳

✅ 客户体验的“双刃剑”

AI可提升个性化，但若用错（如冷冰冰的聊天机器人替代真人服务），会适得其反
顾客对数据隐私的关注与对个性化体验的需求之间存在张力

💡 实践启示（给企业和营销管理者）

1️⃣ 向内视角（组织内部）

管理期望：避免神话AI，开展AI素养培训，让管理者理解技术局限
文化重塑：建立“试错文化”，允许AI犯错并从中学习，而非“一错就弃”
责任明确：谁对AI决策负责？制定清晰的问责框架
可解释性优先：要求AI系统提供可理解的推理（如特征重要性、局部解释）

2️⃣ 向外视角（客户互动）

人机协同：AI处理标准化任务，人类处理情感、复杂、异常情况
透明且克制：告知顾客数据用途，提供选择权，避免“过度个性化”引发不适
体验为王：AI应服务于客户体验，而非企业效率（如用聊天机器人增加等待时间则失败）

3️⃣ 战略层面

先有场景，再有技术：不要“拿着锤子找钉子”，从业务痛点出发选择AI应用
平衡效率与伦理：在成本优化与顾客信任之间找到平衡点

⚠️ 研究局限 & 未来方向

地域局限：样本主要来自欧洲（瑞士），未来需跨文化验证
行业局限：未区分B2B/B2C，不同行业AI应用差异大
命题需实证检验：本文提出的13个命题是“假设”，未来研究应设计实验或大规模调查验证
动态性：AI技术快速发展，命题可能随时间变化，需持续更新

四个最紧迫的研究问题：

给予管理者更多自主权是否能减少“算法厌恶”？
如何从心理学、技术、数据科学多学科联合消除AI中的“人类偏见”？
在不同情境下，AI应扮演“低能动”还是“高能动”角色？
如何同时实现运营效率与卓越客户体验，而不相互冲突？

英文文献阅读全流程：从文献如何“搜”到怎么“管”再到“读”的一站式攻略

END

点击关注，发送 “AIGC” 即可获取全文PDF