AI赋能电商客服：基于UTAUT-ECM整合模型的越南用户满意度与持续使用行为研究

本研究聚焦越南新兴电商市场，创新性地整合UTAUT(技术接受统一理论)与ECM(期望确认模型)，通过552名用户的PLS-SEM分析揭示：AI客服的持续满意度并非由易用性主导，而是取决于价值实现与期望匹配。研究颠覆了传统技术接受模型的认知，为价值敏感型市场的AI优化提供了实证依据，成果发表于《Computers in Human Behavior Reports》。

　　

在电商行业狂飙突进的时代，AI客服系统被寄予厚望——从24小时在线的聊天机器人到精准推荐引擎，科技巨头们承诺这将彻底改变用户体验。然而现实却充满反差：用户常常抱怨AI答非所问，推荐驴唇不对马嘴。这种"承诺与现实"的鸿沟在越南等新兴市场尤为显著，当地消费者既渴望技术红利，又对无效服务极度敏感。更棘手的是，现有研究对AI客服的生命周期认知割裂：要么只关注初期接受度(如UTAUT模型)，要么仅分析后续使用(如ECM模型)，缺乏贯穿用户全旅程的系统洞察。

来自越南的研究团队决心破解这个黑箱。他们创造性地将UTAUT与ECM理论熔铸一炉，构建出涵盖"预期-采纳-确认-持续使用"的完整分析框架。通过552名有AI客服使用经验的越南消费者调查数据，采用偏最小二乘结构方程模型(PLS-SEM)进行验证，得出颠覆性发现：虽然系统易用性(EEP)和响应速度(RSP)会影响初印象，但真正决定用户粘性的，是AI能否持续输出实用价值(PUS)并兑现承诺(EXC)。具体而言，当AI服务超出预期时，用户满意度(CSA)会飙升0.340个路径系数；而每提升1单位感知有用性，满意度就增长0.295。这种满意如同飞轮，带动持续使用意愿(CUI)猛增0.752，并最终转化为在线购买行为(OPI)。

研究采用三阶段混合方法：首先通过文献梳理确定UTAUT的绩效期望(PEP)、努力期望(EEP)和ECM的期望确认(EXC)等9个核心构念；随后对越南18-35岁电商用户进行分层抽样，筛选552名有AI交互经验的受访者完成31项Likert量表问卷；最终运用SmartPLS 3.0进行信效度检验和假设验证，所有构念的Cronbach's α>0.7，AVE>0.5，HTMT<0.9，确保模型稳健性。

【关键发现】

1. 易用性悖论：努力期望(EEP)对绩效期望(PEP)有显著影响(β=0.639)，但直接作用于满意度时路径系数仅-0.057且不显著，颠覆了传统TAM模型认知。
2. 响应速度的阈值效应：虽然RSP能提升感知易用性(PEU)(β=0.673)，但其对CSA的直接影响(β=0.064)同样未达显著，说明在数字原住民眼中，响应速度只是基础门槛。
3. 价值确认链：期望确认(EXC)同时强化感知有用性(β=0.728)和满意度(β=0.340)，形成"预期管理-价值感知-情感认同"的传导机制。
4. 行为转化引擎：满意度(CSA)如同中枢齿轮，同时驱动持续使用(β=0.752)和购买意愿(β=0.449)，而持续使用又进一步刺激消费(β=0.460)。

这项研究犹如投向东南亚电商市场的理论炸弹：它证明在越南这样的价值敏感型市场，消费者更在乎AI"能做什么"而非"多容易用"。这对企业意味着战略转向——与其耗费资源优化界面美观度，不如深耕推荐算法精准度；比起强调7×24小时在线，更应保证每次交互都能解决实际问题。学者们则从中获得方法论启示：在分析AI这类持续演进的技术时，碎片化的阶段模型可能失效，需要UTAUT-ECM这样的整合框架才能捕捉动态用户心理。

正如研究者强调的，这项工作的真正价值在于构建"需求侧"的AI评价体系。当全球电商都在军备竞赛般升级AI时，该研究及时提醒：技术先进≠用户满意，特别是在新兴市场，只有将技术优势转化为可感知的价值增量，才能赢得这场体验之战。未来研究可纵向追踪用户行为演变，或比较不同产品类别中的AI接受度差异，让这幅用户心智地图更加立体。