生成式人工智能的助推力量：个性化推荐如何提升消费者目标渴望与决策赋权

这篇综述探讨了生成式人工智能（GenAI）通过窄化型与宽泛型助推策略（nudges）对消费者决策的影响。研究结合解释水平理论（CLT）、目标追求理论和助推理论，揭示窄化型GenAI推荐能显著提升目标渴望度，进而增强消费者赋权感（empowerment），并改善满意度、复购意愿和净推荐值（NPS）等行为指标。

　　

Highlight

生成式人工智能（GenAI）正在重塑消费者与技术互动的方式，通过从宽泛建议到精准推荐的多层次个性化引导（Dwivedi et al., 2023）。与传统AI的标准化输出不同，GenAI利用自然语言处理（NLP）和机器学习（ML）生成类人化创意响应（IBM, 2025），其多模态模型（如LLMs、VLMs）能实时对话并辅助目标驱动决策（Cillo & Rubera, 2024）。

Theoretical Framework

我们整合三大理论视角：

1. 1.

   解释水平理论（CLT）：心理距离（时空/社会/假设性）如何影响决策表征——抽象化（目标渴望）vs. 具体化（可行性）（Liberman & Trope, 1998）；

2. 2.

   目标追求理论：GenAI窄化助推通过降低目标难度感知激活行为动机（Fishbach & Ferguson, 2007）；

3. 3.

   助推理论：通过选择架构设计隐性引导决策，同时保留用户自主权（Thaler & Sunstein, 2008）。

General Discussion

三项混合方法研究证实：

• •

  窄化型GenAI推荐（如具体旅行目的地「京都」）比宽泛型（如「文化沉浸」）更能提升目标渴望度（p<0.01）；

• •

  中介分析显示，目标渴望度可解释78%的消费者赋权感变异，并显著预测NPS提升（β=0.42）；

• •

  伦理警示：过度依赖GenAI可能导致批判性思维退化（Puntoni et al., 2021）。

Conclusion

本研究为GenAI在营销选择架构中的应用提供双重启示：

1. 1.

   机遇：窄化助推可优化消费决策路径；

2. 2.

   风险：需警惕算法依赖性与隐私问题（Belk et al., 2023）。未来研究可探索跨文化场景下GenAI的差异化影响。