《INDUSTRIAL MARKETING MANAGEMENT》：More than the messenger: Industrial customer inferences and failure severity in AI-enabled B2B service recovery
B2B市场中的服务失败所造成的影响远超初始事件本身，会通过客户自身的下游承诺产生连锁传播。例如，当供应商的系统故障导致客户生产线停摆时，客户可能错过交付期限、承担合同违约金，并需向其自身客户解释中断原因（Zhu & Zolkiewski, 2015）。这种级联效应是B2B交换的标志性特征。与B2C市场通常以交易性交换和较大客户群为特征不同，B2B关系倾向于长期性和跨组织性，单次交换承载着不成比例的高战略与财务风险（Baliga et al., 2021a; Hollebeek, 2019），反映了其高价值。鉴于B2B企业客户群相对较小、每个客户账户对供应商代表重大价值，B2B服务补救传统上通过关系机制实施：指派经验丰富的客户经理，通过直接、个性化互动加以解决（Kaski et al., 2017）。然而，这一关系型补救模式正受到人工智能（AI）进步的挑战——AI日益使企业不仅能够自动化常规服务询问，还能实现服务失败的检测、诊断与解决（Tan et al., 2025）。这一转变对B2B服务补救文献提出了重要问题：AI赋能的补救机制（如AI代理）能否替代对挽回高价值B2B客户至关重要的关系过程？证据显示，全球60%的组织在客户服务中使用某种形式的AI赋能技术，预计到2030年将增至85%（Dzreke & Dzreke, 2025）。聊天机器人已成为B2B客户服务中应用最广泛的AI应用之一，因其能降低成本并基于股票回报提升企业价值（Fotheringham & Wiles, 2023）。虽然补救自动化的效率优势显而易见（如24/7客户支持），但从B2B视角看其合理性仍更值得质疑。具体而言，B2B企业客户群相对较小、每个客户账户价值巨大，使供应商能够负担人工补救。既往AI服务补救研究大多在消费者情境中开展（如Agnihotri & Bhattacharya, 2024; Tan et al., 2025），其中高客户量使自动化成为显而易见的目标，且受访者易于接触。例如，Shu等（2025）表明AI代理的失败比人工代理的失败更可容忍，而Tan等（2025）则指出一旦告知客户由AI处理补救，人工代理表现优于AI代理（但在未披露代理类型时表现相当）。鉴于B2B与B2C市场之间的结构性不对称，工业客户如何响应AI赋能的服务补救仍值得进一步关注（如Ameen et al., 2025）。工业客户数量更少、更难招募、嵌入采购中心，迄今B2B证据基础薄弱。近期研究已开始探索AI在工业服务补救中的应用。例如，Ameen等（2025）描绘了工业管理者如何感知在服务补救中AI与人类智能并用的情形，而Dzreke和Dzreke（2025）比较了人工与AI赋能服务补救的有效性。此外，Naidoo（2026）主张AI参与补救决策会导致信任与参与的侵蚀。然而，尽管有这些初步见解，对工业客户如何解读和响应AI代理的理解仍然滞后，暴露出重要缺口。特别是，既往工作对工业客户在服务补救中与AI聊天机器人互动时的心理过程，以及人工补救代理特征在塑造其投诉意向和补救满意度中的作用，所提供的洞察有限。弥补这一缺口很重要，因为工业客户可能基于代理的感知能动性和意向性，对AI赋能（vs人工）补救做出不同解读。据此，依据心智感知理论，工业客户根据感知体验和能动性来评价人类与非人类代理（Gray et al., 2007）。本研究并非引入新构念，其贡献在于将先前彼此割裂的评价整合为一个统一的心智感知框架，用以解释工业客户如何响应不同代理类型的补救。因此，研究人员认为工业客户也通过不同的心智感知推断间接评价补救代理。研究人员考虑一条社会推断路径——客户基于代理的社会特征进行推断，以及一条以代理对客户情绪的识别评价为特征的调节评价路径。在AI赋能补救中，基于正义理论，研究人员还考察了一条替代性的感知AI正义路径。为回应这些缺口，研究人员提出两个研究问题：1.工业补救代理类型（人工vs AI）如何塑造客户响应？2.哪些心理机制和关键边界条件解释客户对AI赋能服务补救的响应？为回应这些问题，研究人员开展了三项在线实验。研究1考察代理类型（人工vs AI）对工业客户投诉意向和补救满意度的影响。研究2检验情绪能力（高vs低）对上述关系的调节效应，而研究3考察当AI代理执行补救时失败严重性如何通过感知补救正义塑造这些相同响应。研究人员的发现从三个方面拓展了AI赋能B2B服务补救文献。第一，将现有管理焦点（Ameen et al., 2025）转向工业客户在评价B2B服务补救有效性时的评价与心理过程。虽然既往工作考察管理者对AI与人类智能如何结合的感知（Ameen et al., 2025），研究人员则考察工业客户对不同补救代理（即人工vs AI）的响应。此外，在评估代理类型对关系资产影响（Dzreke & Dzreke, 2025）和感知AI参与对信任与参与影响（Naidoo, 2026）的既往工作基础上，研究人员考察代理类型对投诉意向和补救满意度的后果——这两个关键指标分别表明服务失败是否会升级以及客户是否对补救保持满意。第二，本文采用锚定于心智感知理论（Gray et al., 2007）的新颖理论视角，将服务补救代理的社会评价与调节评价整合为单一心智感知框架，用以解释B2B服务补救评价。还考察了第三条以客户归因于AI赋能服务补救的感知AI正义为中心的路径。在三项研究中，代理类型总体上未直接影响客户响应，表明工业客户的评价较少取决于代理是谁，而更多取决于代理引导其推断出什么。第三，研究人员考察失败严重性作为塑造工业客户对AI赋能补救接受度的关键边界条件。这很重要，因为B2B服务失败的后果在量级上可能差异巨大，更严重的失败可能提高客户对能够理解情境并恰当回应的补救代理的期望。通过表明失败严重性制约工业客户对AI赋能补救的响应，研究人员证明AI赋能补救的有效性不仅取决于补救代理如何被感知，还取决于所应对失败的性质与量级。这拓展了对工业客户何时以及为何可能更或更不接受AI赋能补救的理解，并凸显失败严重性作为在B2B服务补救中部署AI的重要边界条件。总体而言，这项工作为寻求在高风险B2B环境中处理服务失败时平衡AI效率优势与有效关系管理的企业提供了实践指导。本文其余部分结构如下。第2节回顾工业市场服务补救及AI在这些市场中作用的关键文献，随后第3节提出概念框架和假设。第4节呈现总体讨论、理论与管理的启示以及未来研究议程。2. 文献综述2.1. 工业服务失败与补救服务失败在工业市场中的破坏性影响已被广泛确立。此类失败通常源于程序或运营问题（如交付延迟、订单不完整），影响核心或外围服务的成功交付（Baliga et al., 2021a）。因此，鉴于工业交换的独特性——长期关系导向、更高的战略风险以及复杂的跨组织流程（Baliga et al., 2021a; Hollebeek, 2019），服务补救在工业交换中尤为重要。因此，服务补救值得在工业情境中进一步研究（Ahmad et al., 2022）。D?scher（2014）将B2B服务补救概念化为“（……）卖方企业为处理产品或服务失败以重获客户满意并实现客户保留而开展的活动的开发、实施与控制”（第18页）。既往文献考察了有效工业服务补救的企业层面驱动因素，包括员工授权、沟通质量和组织支持（Wang et al., 2026）。被授权的员工能更快解决失败，并被买方视为更有能力（Siemieniako et al., 2025; Zhang & Geng, 2020），而及时、清晰、礼貌的沟通则传递供应商对关系的承诺（Kaski et al., 2017; Tax et al., 1998）。补救措施也相对于失败所施加的成本被评价（Smith et al., 1999），组织支持使一线员工能够有效实施这些补救行动（Wang et al., 2026）。B2B文献还考察了B2B服务失败后的恢复后客户响应，包括客户的感知正义、参与、感知补救及时性和响应性等（如Ahmad et al., 2024）。例如，工业买方对服务补救努力更高的感知正义可能提升其对补救的满意度（Oflac et al., 2021），降低其投诉倾向。此外，更投入的客户往往对企业的失败更宽容（Hübner et al., 2018），并报告对其补救努力更高的满意度（Baliga et al., 2021a）。工业企业通常使用运营和战略指标评估服务补救。运营指标包括投诉处理时间、平均解决时间和根因发生率（如Henneberg et al., 2009），战略指标包括失败后客户保留率、流失率和合同续约率等（如Guliyev et al., 2025）。客户层面指标进一步包括补救信心、承诺、对未来失败预防的期望、补救满意度和投诉意向（如Baliga et al., 2021b）。补救满意度和投诉意向是B2B服务补救中最重要的指标之一，因为它们表明失败是否可能升级以及客户在不满意的补救体验后是否可能考虑更换供应商。AI正日益被部署以促进B2B企业的服务补救努力（Ameen et al., 2025; Dzreke & Dzreke, 2025）。随着B2B企业转向AI工具以自动化检测服务失败（如账单错误、系统中断；Dora et al., 2021），AI赋能的工业服务补救已成为提升补救满意度的有前景策略（如Sands et al., 2022）。AI工具可向客户提供即时道歉并指导客户解决服务相关问题，而替代程度（部分或完全）取决于失败固有的复杂性和风险。有趣的是，B2C研究表明AI代理能比其人类对应物开展更有效的服务补救（如Tan et al., 2025; Zhao et al., 2026）。然而，B2B交换在持久关系导向和更功能性的决策过程方面与B2C交换不同（Hollebeek, 2019）。因此，关于工业客户如何响应AI（vs人工）补救代理，或代理类型通过何种心理过程塑造这些响应，所知甚少。2.2. AI在工业服务补救中的作用近期B2C研究探索了采用AI促进服务失败与补救过程以及影响该过程的各种情境因素（如失败类型；Song et al., 2023）。例如，AI赋能（vs人工）服务补救的关键优势包括提高补救速度、24/7可用性、开展预防性行动的能力、个性化补救（如考虑过往账户价值）和成本效率等（如Fürst et al., 2025; Zhao et al., 2026）。然而，尽管AI赋能在维持与工业客户长期关系中很重要，对B2B环境中AI赋能服务补救有效性的洞察仍然有限（Ameen et al., 2025）。初步证据表明，管理者认为不同AI类型在工业客户旅程的不同阶段最有益（Ameen et al., 2025），而其他学者识别了影响AI在更广泛B2B关系阶段中相对有效性的权变因素，但并非在服务补救情境中（Chang, 2022）。总体而言，关于工业客户如何解读AI赋能（vs人工）服务补救、AI代理是否改善B2B补救结果（如Baliga et al., 2021a），或何时它们被视为比人工代理更有能力，所知甚少。附录A表1梳理了B2B市场中AI赋能服务补救的关键研究并凸显了这些缺口。3. 概念框架3.1. 三项研究概述为回应研究问题和缺口，研究人员开展了三项在线实验，评估AI赋能服务补救对工业客户补救满意度和投诉意向的直接与间接效应。三项研究层层递进。研究1借鉴心智感知理论（Gray et al., 2007），操纵代理类型（人工vs AI），并提出一个序列中介模型，其中客户归因于代理的温暖和努力（社会推断路径）解释该效应。研究2操纵代理类型（人工vs AI），检验展示性情绪能力（高vs低）的调节效应，以及通过代理的情绪识别和客户的感知控制（调节评价路径）的第二条序列中介。研究1和研究2表明代理类型本身并不直接影响这些结果。基于这一洞察，研究3保持AI代理不变，操纵失败严重性（短暂vs持续中断），以检验客户是否相对于失败所施加的成本评价AI赋能补救。研究3提出感知补救正义作为工业客户在服务补救中评价AI代理的第三条独立解释机制。所提出的两个序列中介效应代表并行运作的独立评价，而非对同一代理类型线索如何被解读的竞争性解释。研究人员的做法与既往工作一致，后者表明两种过程可在同一关系中并存却朝相反方向拉扯，正如服务—销售双元性在工业服务补救中的作用（Ahmad et al., 2022），这正是单一类别线索能够提升一种评价同时降低另一种评价的原因。研究1和研究2回应第一个研究问题，研究3回应第二个。接下来，研究人员呈现三项研究及其各自假设（见图1）。图1. 概念框架。来源：作者自制。3.2. 研究1：AI赋能服务补救中的社会推断过程由于工业服务补救中部署的代理类型对客户体验至关重要（Siemieniako et al., 2025），研究1考察代理类型（人工vs AI）对投诉意向和补救满意度的影响。这两个代表对服务失败的关键客户响应，因为它们影响企业能否防止升级并避免代价高昂的后果（Ahmad et al., 2024），并反映客户在感知补救表现不足时表达关切和寻求补救的意向。研究1还提出一条由代理的感知温暖和努力激活的社会推断路径，代理类型通过该路径塑造工业客户的投诉意向和补救满意度。3.2.1. 假设推导投诉意向，即工业客户就服务失败和/或企业补救努力表达不满的倾向（Voorhees & Brady, 2005），反映客户意图升级服务失败的程度，如提出正式投诉（Evanschitzky et al., 2011）。客户的补救满意度反映客户对企业补救活动执行情况的总体评估（De Mesquita et al., 2023）。如果工业服务补救执行良好，客户往往更满意（Bakhsh et al., 2023）。反之，如果客户认为服务补救执行不佳，其对补救的满意度往往保持低位，增加其进一步升级投诉的意向（Evanschitzky et al., 2011）。虽然既往研究考察了不同企业主导行动（如流程设计）如何塑造B2B服务补救表现（Ahmad et al., 2024; Behera et al., 2022），但对AI代理在此情境中作用的理解仍然有限（Ameen et al., 2025）。研究人员借鉴心智感知理论来理解工业客户如何将能动性（“心智”）归因于任何（人类或非人类）补救代理，并评价其在服务补救中思考、意图、感受和执行的能力（Gray et al., 2007）。心智感知理论提出，客户的心智归因过程沿两个维度独立构建：体验和能动性。体验指代理感知到的体验积极和消极情绪（如尴尬、愉悦；Gray et al., 2007）的能力。体验归因还决定一个实体是否被视为能够实施意志行为的道德主体。能动性指代理有意行动的能力（如自我控制、道德推理）。能动性归因因而决定一个实体是否被视为能够承担责任和责备的道德主体。心智感知理论还提出，代理类型作为类别线索运作，转变客户对服务补救过程的感知。既往证据表明，客户更可能认为AI代理缺乏主观体验的能力，如感受和情绪（Gray & Wegner, 2012），因为与人类代理相比，其关系线索被视为不太可信（Fürst et al., 2025; Zhao et al., 2026）。因此，AI赋能的服务补救可能发出信号：失败已被委托给一个无法领会其后果的实体。在高风险B2B环境中，客户隐含期望失败应获得严肃的人际关注（Kaski et al., 2017），指派一个被认为缺乏体验心智的代理可能发出供应商问责减弱的信号。此外，由于感知更专注的代理会提升补救满意度（如Meng et al., 2025），AI代理相关的社会临场感降低可能使客户感到较少被理解和较少获得情感支持（Wang et al., 2025）。相应地，当失败源于企业时，客户对人工代理会有更有利的补救体验（Fürst et al., 2025），因为AI代理可能较难传达真实共情或感知责任（Fan et al., 2024）。据此，H1：服务失败后，与AI（vs人工）补救代理互动的工业客户将报告（H1a）更高的投诉意向，以及（H1b）更低的补救满意度。研究人员还提出补救满意度和投诉意向作为社会推断过程的下游结果，该过程包含两个序列评价（即感知温暖和感知努力），并驱动工业客户对不同代理类型处理服务补救的响应。感知温暖反映代理被判断为温暖、友好、真诚和仁慈的程度（Fiske et al., 2007）。从心智感知理论 standpoint，温暖判断以体验为前提；代理只有被认为能够持有意图和感受时，才能展示真诚或仁慈（Gray et al., 2007）。与人工代理互动时，客户假定代理拥有情绪、道德意图和关怀能力（Fiske et al., 2007），因此关系沟通线索（如礼貌）提升感知温暖。相反，AI代理实施的相同行为更多被归因于预编程脚本或算法程序（Peng et al., 2022）。当客户推断AI缺乏能够持有仁慈意图的心智时，他们往往贬低其温暖线索（Gray & Wegner, 2012; Zhang et al., 2026）。因此，使用AI赋能补救代理更可能导致较低的感知温暖，增加负面下游客户响应的可能性，包括降低的感知代理努力，进而导致投诉升级（Han et al., 2026）。依据心智感知理论（Gray et al., 2007），感知努力反映能动性维度，捕捉客户相信代理努力尝试、投入时间并坚持不懈解决失败的程度（Choi et al., 2021）。由于努力是一种意向状态，它要求客户感知代理有能力解决失败。判断代理温暖的客户推断其仁慈动机并给予其努力认可（Fiske et al., 2007）。相反，在低感知温暖下，他们可能认为代理缺乏动力或自私自利，并视其努力不足（Lim et al., 2025）。进而，当客户相信代理付出了大量努力时，他们下调责备并更有利地评价补救（Weiner, 2000）。因此，归因于AI代理的较低温暖应转化为较低的感知努力，进而提高投诉意向并降低补救满意度。因此：H2：代理类型对工业客户（H2a）投诉意向和（H2b）补救满意度的影响由感知温暖、继而感知努力序列中介，即AI（vs人工）代理被归因较低温暖，这降低感知努力，提高投诉意向并降低补救满意度。3.2.2. 方法设计与程序 研究1采用被试间实验设计，代理类型被操纵为两个水平（人工vs AI）。参与者被随机分配到两种条件之一，阅读与ProTech代理的聊天互动，该代理为AI赋能或人工，解决了一个导致运营停摆30分钟的系统缺陷（见附录B）。内容在各条件间保持不变，差异仅限代理的语言。阅读情境后，参与者完成因变量测量和操纵检查。样本 参与者为居住在美国的B2B决策者，通过Prolific招募。招募、筛选和样本构成见附录C。共有273名受访者在两波中完成研究。在将样本限制为符合筛选标准且其企业服务商业客户的受访者后，最终样本包含257名参与者（性别：67.3%男性，32.3%女性，0.4%不愿透露；年龄：M = 43.5岁，S.D. = 12.1）1。参与者获得标准Prolific报酬，中位完成时间为6分56秒。测量 所有构念均使用既有量表测量，采用七点量表评分。所有构念的区分效度和信度均已确立（Cronbach's alpha，0.74至0.95；量表题项和信度见附录D1）。3.2.3. 结果操纵检查 人工代理条件下的参与者显著更可能将代理识别为人工而非AI（MHuman = 2.88，S.D. = 2.37，MAI = 6.77，S.D. = 0.85，F(1,255) = 304.20，p < .001）。现实性检查也按预期表现（见附录F1）。中介结果 研究人员估计了两个Hayes（2013）PROCESS模型6分析，采用5000次bootstrap样本和95%置信区间。在两个模型中，代理类型（人工 = 0，AI = 1）作为自变量，感知温暖为第一中介，感知努力为第二中介。每个因变量——投诉意向和补救满意度——在单独模型中考察。两种结果的结果见表1。表1. 代理类型对投诉意向和补救满意度的直接与间接效应（研究1）。路径投诉意向补救满意度效应SELLCIULCI效应SELLCIULCI路径系数代理类型→温暖?0.930.15?1.23?0.63?0.930.15?1.23?0.63温暖→努力0.470.040.380.550.470.040.380.55代理类型→努力?0.030.11?0.240.19?0.030.11?0.240.19温暖→结果?0.070.08?0.230.090.510.060.400.63努力→结果?0.500.10?0.70?0.310.440.070.310.58代理类型→结果（直接，c'）?0.320.17?0.660.020.490.120.250.73代理类型→结果（总，c）?0.020.18?0.370.32?0.190.16?0.510.13间接效应代理类型→温暖→结果0.060.10?0.120.27?0.480.10?0.70?0.30代理类型→努力→结果0.010.06?0.100.14?0.010.05?0.130.08代理类型→温暖→努力→结果0.220.060.110.35?0.190.05?0.31?0.10注：代理类型编码为人工 = 0，AI = 1。SE = 标准误；LLCI和ULCI为95%置信区间的下限和上限。间接效应的置信区间为基于5000次样本的百分位bootstrap区间。N = 257名参与者。表1结果显示，代理类型未直接影响投诉意向（b = ?0.32，SE = 0.17，95% CI [?0.66; 0.02]），导致H1a被拒绝。然而，结果支持所提出的序列中介（H2a），经由温暖继而努力，为正向且显著（b = 0.22，SE = 0.06，95% CI [0.11; 0.35]）。间接效应显示，仅经由温暖的路径和仅经由努力的路径均不显著。补救满意度的结果（表1）呈现不同模式。代理类型对补救满意度的总效应不显著（c = ?0.19，SE = 0.16，95% CI [?0.51; 0.13]），因此H1b未获支持。然而，该零总效应掩盖了两条符号相反的路径。代理类型产生了显著的正向直接效应（c' = 0.49，SE = 0.12，95% CI [0.25; 0.73]），即在温暖和努力保持不变时，AI代理提高了补救满意度。间接效应考察显示，仅经由温暖的路径显著且为负（b = ?0.48，SE = 0.10，95% CI [?0.70; ?0.30]），而仅经由感知努力的路径不显著。重要的是，所假设的从代理类型经由感知温暖继而感知努力到补救满意度的序列路径也显著且为负（b = ?0.19，SE = 0.05，95% CI [?0.31; ?0.10]），支持H2b。3.2.4. 研究1讨论研究1表明，工业客户对AI赋能服务补救的响应由序列社会推断过程塑造，而非由代理类型本身塑造。对于投诉意向，代理类型的直接效应不显著；然而序列中介路径获得支持。具体而言，AI代理被视为比人工代理更不温暖，这种降低的感知温暖降低了感知努力，进而提高投诉意向。因此，虽然工业客户并不因AI代理的AI本质而在B2B服务补救中惩罚它们，但他们确实因其感知冷淡而惩罚它们，这影响感知补救努力。该链条承载了效应，而任一环节单独均不能承载。仅温暖（b = 0.06，95% CI [?0.12; 0.27]）和仅努力（b = 0.01，95% CI [?0.10; 0.14]）对投诉意向未产生显著间接效应，而序列路径则产生了（b = 0.22，95% CI [0.11; 0.35]）。虽然感知温暖是对代理性情的判断，感知努力是对其行为的判断，而升级投诉的决定响应的是行为。因此，温暖在客户从中得出关于代理在补救努力中投入多少的社会推断之前并不具有诊断性。努力单独不受代理类型影响，因为AI代理与人工对应物一样快速准确地解决了失败；因此，从类别线索到升级的唯一路径经过该转化。间接效应显示，仅经由温暖的路径和仅经由努力的路径均不显著。对于补救满意度，结果呈现不同图景。尽管代理类型未产生总效应，但其直接和间接路径各自达到显著且方向相反，这一模式与研究人员最初期望相反。心智感知理论可以解释原因。由于能动性和体验是解释代理行为的独立维度（Gray et al., 2007），单一类别线索可以提升一个同时降低另一个。例如，工业客户认可AI代理执行的能力，这支持其对解决方案的满意度，同时保留对失败成本的领会，这抑制了供应商已认真对待此事的推断。因此，对供应商的后果主要不是由代理类型驱动，而是由每种失败中哪种评价占主导驱动。延伸这一理据，研究人员接下来考察该评价能否被代理的情绪能力水平所转变，这在研究2中作为调节变量检验。3.3. 研究2：AI赋能服务补救中的调节评价过程研究1检验了代理类型的效应，并揭示了一条社会推断路径，代理通过客户归因于它的心智被评价。然而，心智感知理论提出，线索只被归功于被认为有能力产生它的代理（Gray et al., 2007），而情绪能力的展示可能影响客户对人工（vs AI赋能）代理的评价。因此，研究2采用2×2设计，操纵代理类型（人工vs AI）并评估代理感知情绪能力水平（高vs低）的调节效应。本研究引入一种不同的失败（即重复账单收费）以复制研究1中代理类型的主效应。它检验一种替代理论机制（即调节评价路径），通过序列中介，其中代理类型塑造感知情绪识别，进而塑造客户的感知控制和其补救满意度与投诉意向。3.3.1. 假设推导为复制研究1的发现，研究2首先尝试在不同服务失败情境（即账单失败vs系统中断）中复制H1a和H1b。H3：服务失败后，与AI（vs人工）补救代理互动的工业客户将报告（H3a）更高的投诉意向和（H3b）更低的补救满意度。展示性情绪能力指代理在互动中识别客户情绪状态并恰当回应的程度（Delcourt et al., 2016），反映心智感知理论的体验维度（Zhao et al., 2025）。它区别于任务能力，即代理满足客户期望并有效解决客户问题同时展示专业知识的能力（Zhang et al., 2026），研究2的刺激材料在各条件间保持其不变。既往研究表明，情绪能力降低往往导致对补救更大的不满（Hübner et al., 2018），这在B2B服务补救中尤为重要（Ameen et al., 2025）。展示性情绪能力是否改变工业客户的响应可能取决于传递它的代理。心智感知理论认为，线索只被归功于被认为有能力产生它的代理（Gray et al., 2007）。因此，被否定体验心智的代理从展示其识别客户感受中获益甚微。研究人员因此预期展示性情绪能力的回报是不对称的。对于人工代理，展示高能力应确认已获授予的能力，提高补救满意度并降低投诉意向。对于AI代理，相同展示应被观察到但被贬低，因为客户更可能将其归因于设计（如算法编程）而非性情。因此，H3：展示性情绪能力调节代理类型对工业客户（H3c）投诉意向和（H3d）补救满意度的影响，即展示性情绪能力在人工代理执行补救时降低投诉意向并提高补救满意度，而在AI代理执行时不产生此效果。研究人员还提出一条调节评价路径，主张代理类型（人工vs AI）作为初始线索塑造对代理情绪识别的感知，从而决定客户自身的补救相关控制感（Hazée et al., 2017）。代理的情绪识别是代理在互动中被感知为识别和理解客户情绪状态的程度（Delcourt et al., 2016）。它是心智感知理论能动性维度的关键方面（Gray et al., 2007）。在服务补救中，客户常评估代理是否准确识别其情绪状态并恰当回应（Menon & Dubé, 2000）。当代理展示对其客户情绪状态的高度理解时，客户更可能感到其关切已被承认，增强其感知补救相关控制（Hazée et al., 2017）。由于客户可能认为AI代理因其人工本质而较不 capable 准确识别情绪（Huang & Rust, 2021），这可能随后削弱客户对补救互动的感知控制（即其主导、决断和掌控感；Hazée et al., 2017）。既往服务补救研究表明，客户从因果性和可控性角度解读服务失败（Song et al., 2023）。当代理的情绪识别被感知更高时，客户往往推断代理也理解失败并领会其后果（Fürst et al., 2025）。当代理的情绪识别降低时（如AI代理常见情况），客户推断代理对情绪的理解减弱且解决问题的能力降低。感知控制可塑造补救满意度和投诉意向，因为AI代理的感知智能、真诚和可控性共同影响客户容忍失败的意愿及其对补救过程的满意度（如Li et al., 2025）。研究人员提出，被归因较低情绪识别能力的AI代理（Huang & Rust, 2021）将与较低的客户感知控制相关联，从而提高投诉意向并降低补救满意度（vs人工代理）。研究人员假设：H4：代理类型对工业客户（H4a）投诉意向和（H4b）补救满意度的影响由代理的情绪识别、继而客户的感知控制序列中介，即AI（vs人工）代理被归因较低情绪识别，这降低客户的感知控制，进而提高投诉意向并降低补救满意度。3.3.2. 方法设计与程序 研究人员采用2×2被试间实验设计，操纵代理类型（人工vs AI）和补救中代理的情绪能力（高vs低）。与研究1中两种代理在言语沟通上不同不同，研究2中代理类型仅通过代理身份操纵。打开ProTech客服门户时，参与者被告知他们正在联系名为Jenny的客服代表或名为Clarity的AI聊天机器人代理，代理在视频中相应标注。同时，互动措辞在两种代理类型间保持不变。展示性情绪能力通过代理回应的内容和语气操纵（见附录B2）。参与者被随机分配到四种实验条件之一。他们被指导想象自己是Precision Tech的运营经理，这是一家依赖ProTech Services进行云维护的中型企业。情境描述了一起涉及外部提供商重复账单收费的失败，需要在下一账单周期前迅速解决（见附录B2）。除代理描述外，所有情境信息在各条件间保持不变。参与者随后观看一段补救互动视频（1分50秒），托管以确保参与者间呈现一致（见Fürst et al., 2025；附录B2）。展示性情绪能力通过视频中代理回应的内容和语气操纵。高情绪能力代理识别并回应客户的情绪状态，而低情绪能力代理以交易方式坚持程序性解决（见附录B2）。操纵经过预测试（见附录E1）。样本 与研究1一致，参与者为居住在美国的B2B决策者，使用相同资格标准通过Prolific招募。招募和筛选遵循附录C1概述的共同程序。共有436名受访者完成研究。在将样本限制为符合筛选标准的受访者后，最终样本包含392名参与者（性别：60.7%男性，38.5%女性，0.8%其他或不愿透露；年龄：M = 41.5岁）。参与者获得标准Prolific报酬，研究完成约需7分钟。测量 观看刺激材料后，参与者完成操纵检查、注意力检查和因变量测量，这些均改编自既往文献并采用七点量表捕捉（Cronbach's alpha，0.75至0.97；见附录D1）。3.3.3. 结果操纵检查 人工代理条件下的参与者显著更可能将代理识别为人工而非AI（MHuman = 2.35，S.D. = 1.57，MAI = 4.85，S.D. = 0.50，F(1,390) = 464.91，p < .001），且两种情绪能力条件间存在显著差异（MLow = 4.31，S.D. = 1.73，MHigh = 5.33，S.D. = 1.34，F(1,390) = 40.98，p < .001）。注意力和理解检查也按预期表现（见附录G1）。中介结果 为检验所提出的序列中介模型，研究人员估计了两个单独的Hayes（2013）PROCESS模型6分析，采用5000次bootstrap样本和95%置信区间。在两个模型中，代理类型（人工 = 0，AI = 1）作为自变量；代理的情绪识别被指定为第一中介，感知补救相关控制为第二中介。投诉意向和补救满意度在单独模型中作为因变量考察，因为PROCESS模型6容纳单结果分析（Hayes, 2018）。研究人员还估计了两个中介反向排序的模型（见附录G3）。两种结果的结果见表2。表2. 代理类型对投诉意向和补救满意度的直接与间接效应（研究2）。路径投诉意向补救满意度效应SELLCIULCI效应SELLCIULCI路径系数代理类型→情绪识别?0.610.16?0.93?0.29?0.610.16?0.93?0.29情绪识别→感知控制0.220.040.150.290.220.040.150.29代理类型→感知控制0.350.120.130.580.350.120.130.58情绪识别→结果0.080.05?0.020.180.210.040.140.28感知控制→结果0.080.07?0.060.220.270.050.180.37代理类型→结果（直接，c'）0.230.16?0.090.550.140.11?0.080.36代理类型→结果（总，c）0.200.16?0.110.510.080.12?0.160.31间接效应代理类型→情绪识别→结果?0.050.03?0.130.01?0.130.04?0.20?0.06代理类型→感知控制→结果0.030.03?0.030.100.090.040.030.18代理类型→情绪识别→感知控制→结果?0.010.01?0.040.01?0.040.02?0.07?0.01注：代理类型编码为人工 = 0，AI = 1。SE = 标准误；LLCI和ULCI为95%置信区间的下限和上限。从每个中介到结果的路径在模型中包含代理类型和另一中介进行估计。间接效应的置信区间为基于5000次样本的百分位bootstrap区间。N = 392。表2结果显示，代理类型未直接影响投诉意向（b = 0.23，SE = 0.16，95% CI [?0.09; 0.55]），导致H3a被拒绝。同样，结果不支持所提出的序列中介（H4a）。间接效应考察显示，仅经由情绪识别的路径不显著（b = ?0.05，SE = 0.03，95% CI [?0.13; 0.01]），仅经由感知控制的路径也不显著（b = 0.03，SE = 0.03，95% CI [?0.03; 0.10]）。同样，从代理类型经由情绪识别继而感知控制到投诉意向的序列路径不显著（b = ?0.01，SE = 0.01，95% CI [?0.04; 0.01]），拒绝H4a。这些发现表明调节评价路径不以任何途径将代理类型的效应传递至投诉意向。表2结果显示，代理类型未直接影响补救满意度（b = 0.14，SE = 0.11，95% CI [?0.08; 0.36]），导致H3b被拒绝。然而，结果支持所提出的序列中介（H4b）。间接效应考察显示，仅经由情绪识别的路径显著且为负（b = ?0.13，SE = 0.04，95% CI [?0.20; ?0.06]），仅经由感知控制的路径也显著且为正（b = 0.09，SE = 0.04，95% CI [0.03; 0.18]）。重要的是，所假设的从代理类型经由情绪识别继而感知控制到补救满意度的序列路径显著（b = ?0.04，SE = 0.02，95% CI [?0.07; ?0.01]），支持H4b。这些发现表明代理类型通过序列过程间接影响补救满意度，其中AI代理被认为较不 capable 识别客户情绪，这降低感知控制，进而削弱补救满意度。该路径的两个组成部分符号相反。附录G2报告并解释该结果。调节结果 研究人员接下来检验展示性情绪能力条件和代理类型的效应，如H3c和H3d所提出。两个2（代理类型：人工vs AI）×2（展示性情绪能力：低vs高）ANOVA2得出投诉意向的交互不显著（F(1,388) = 3.04，p = .082，偏η2 = 0.008），补救满意度的交互显著（F(1,388) = 7.74，p = .006，偏η2 = 0.020）。因此H3c未获支持，而H3d获支持。两个交互在形式上相似。展示性能力有益于人工代理，将投诉意向从M = 3.16（S.D. = 1.48）降至M = 2.58（S.D. = 1.43），b = ?0.57，95% CI [?1.00; ?0.15]，并将补救满意度从M = 5.42（S.D. = 1.37）提高至M = 6.08（S.D. = 1.07），b = 0.67，95% CI [0.31; 1.03]。然而，它未影响AI代理的任一结果（投诉意向M = 3.10 vs M = 3.08，b = ?0.02，p = .934；补救满意度M = 5.80 vs M = 5.81，b = 0.01，p = .970）。因此不对称性在两种结果的简单效应中均明显，而交互对比仅在补救满意度上达到常规显著性。敏感性分析阐明了设计能够检测什么。以N = 392和四个单元，研究在0.80功效下能够检测偏η2 = 0.020的交互，这正是补救满意度获得的效应。投诉意向的交互小于设计能够可靠检测的范围，因此H3c的零结果既反映检验的敏感性，也反映效应的缺失。3.3.4. 研究2讨论与假设相反，代理类型对投诉意向和补救满意度的直接效应均不显著，拒绝H3a和H3b，并在不同失败情境中证实研究1的零直接效应。关于感知控制的进一步非假设结果在附录G2中报告和解释。所提出的中介效应得到确认，因为AI代理被归因较低情绪识别，进而降低感知控制。相反，H4a被拒绝，因为两个中介均不预测投诉意向，且无间接效应显著。在研究1结果基础上，升级决定似乎源于社会推断过程，而非研究2考察的调节评价过程。对于补救满意度，出现了更清晰的模式。虽然代理类型的直接效应同样不显著，但所假设的序列中介获得支持。AI代理被认为较不 capable 识别客户情绪，这降低客户对补救互动的感知控制，从而削弱补救满意度。调节效应增加了进一步洞察。情绪能力是服务提供商可为人工代理拉动但不可为AI代理拉动的设计杠杆。这将研究1识别的贬低机制扩展到不同线索（情绪能力），并作为交互（vs中介）检验。研究1中温暖线索在AI代理实施时被贬低，情绪能力线索因同样原因被贬低：理解的展示只被归功于客户认为有能力理解的代理（即人工）。然而，研究1和研究2将失败的后果包含在补救本身内：30分钟中断和重复账单收费在问题解决后未给客户留下任何需承受之物。因此两项研究均未捕捉施加补救后成本的失败的涵义，研究3对此加以处理。3.4. 研究3：AI赋能服务补救中的失败严重性与正义评价研究1和研究2表明工业客户不因AI赋能的补救代理是AI而惩罚它。在两种不同失败情境中，代理类型对任一结果均无直接负面影响，且AI代理仅在研究1中提高补救满意度。虽然这些结果与心智感知理论一致（该理论认为客户将有限能动性归因于AI代理），但服务补救文献（如Baliga et al., 2021a）表明客户响应还取决于感知失败成本。当失败施加少量成本时，执行就是补救所需的全部，体验的否定不带来惩罚，这正是研究1和研究2的情况。当失败施加补救后仍持续的成本时，客户往往相对于其损失量级评价补救（Smith et al., 1999）。当补救低于客户认为公平的标准时，标准化代理回应可能无法记录该损失。因此，研究3通过保持AI代理不变并操纵失败严重性（短暂vs持续中断）来检验这一边界。研究人员提出感知补救正义作为第三条路径，它评价补救本身而非传递补救的代理，失败严重性通过它塑造投诉意向和补救满意度。3.4.1. 假设推导失败严重性指服务失败施加于客户的感知损失量级（De Mesquita et al., 2023），消费者研究者通常对比轻微vs重大服务失败（Smith et al., 1999）。然而，在工业情境中，供应商系统嵌入客户自身运营，客户期望任何失败都被迅速有效解决（Kaski et al., 2017）。研究人员因此通过客户经历的中断规模（短暂vs持续）操作化失败严重性，这既改变停机持续时间，也改变随后的商业后果。既往服务补救研究一致发现，更大失败产生更低补救满意度和更大升级（Smith et al., 1999）。在工业情境中，持续中断施加不可逆成本。与延迟生产的短暂中断不同，持续中断可能导致错过合同期限，并使客户企业对其自身客户负有供应商回应无法撤回的义务（Zhu & Zolkiewski, 2015）。由于这些后果无论供应商如何处理互动都持续存在，研究人员预期失败严重性在补救之外塑造客户响应。研究人员假设：H5：在AI赋能服务补救后，经历持续（vs短暂）服务中断的工业客户将报告（H5a）更高的投诉意向和（H5b）更低的补救满意度。研究人员进一步提出失败严重性通过补救本身的评价性评估运作。感知正义长期作为评价补救努力的关键构念（Smith et al., 1999），近期工作将其扩展到算法决策，客户评估自动化补救过程的感知公平性（Newman et al., 2020）。研究人员聚焦感知AI赋能补救正义，指工业客户判断AI代理处理失败公平的程度，涵盖补救过程及其结果的公平性（Newman et al., 2020）。工业客户相对地评估提供给他们的补救。因此，同一补救可在一种情境中被判断为公平，而在另一情境中不足（Smith et al., 1999）。这种相对性对AI赋能补救具有后果。AI代理执行标准化协议，向客户传递相同的承认、诊断和补救，无论失败后果如何。此外，它缺乏人工代理所拥有的升级案件或提供与损害相称补偿的酌情权。随着失败变得更严重，客户已承受的成本与AI代理所能提供之间的差距扩大。研究人员因此预期持续中断导致更低的感知补救正义，进而提高投诉意向并降低补救满意度。据此：H6：感知补救正义中介失败严重性对（H6a）投诉意向和（H6b）补救满意度的影响，即持续（vs短暂）中断降低感知补救正义，进而提高投诉意向并降低补救满意度。3.4.2. 方法设计与程序 研究3采用被试间在线实验，失败严重性通过失败造成的中断规模（短暂vs持续）操纵。与研究1和研究2不同，代理类型保持不变，所有参与者与AI赋能补救代理互动。鉴于AI聊天机器人在B2B互动中日益使用（Dzreke & Dzreke, 2025），该设计分离出工业客户将AI赋能补救评价为公平的条件。参与者被随机分配到两种条件之一。他们阅读情境，其中外部提供商常规软件更新中的缺陷使公司陷入停顿（见附录B3）。失败严重性通过停机持续时间及其下游后果操纵。在短暂中断条件中，运营停止约30分钟后服务恢复。在持续中断条件中，运营停止两个完整工作日。阅读情境后，参与者完成因变量测量和操纵检查。样本 参与者为居住在美国的B2B决策者，使用与研究1和研究2相同的资格标准通过Prolific招募。招募、筛选和样本构成见附录C。在304名完成研究的受访者中，76名未满足一项或多项标准，另有2名因回应严重不完整被移除，最终样本为226名参与者（性别：64.2%男性，35.8%女性；年龄：M = 39.95岁）。参与者获得标准Prolific报酬，研究完成约需七分钟。测量 所有构念均改编自既往文献并采用七点量表评分（Cronbach's alpha，0.89至0.97；见附录D1）。尽管感知补救正义和补救满意度相关，研究人员在附录D2中报告区分效度证据。3.4.3. 结果持续中断条件的参与者将失败评为比短暂中断条件更严重（M = 6.15，S.D. = 1.20 vs M = 5.65，S.D. = 1.24），F(1,224) = 9.17，p = .003，η2 = 0.039。现实性检查也按预期表现（见附录H1）。中介结果 研究人员估计了两个Hayes（2013）PROCESS模型4分析，采用5000次bootstrap样本和95%置信区间。在两个模型中，失败严重性（短暂 = 0，持续 = 1）作为自变量，感知补救正义作为中介。投诉意向和补救满意度在单独模型中作为因变量考察。中介模型对两次运行相同，显示持续中断显著降低感知补救正义（b = ?0.44，SE = 0.18，t = ?2.44，p = .015，95% CI [?0.80; ?0.09]；R2 = 0.026，F(1,224) = 5.96，p = .015）。两种结果的结果见表3。表3. 失败严重性对投诉意向和补救满意度的直接与间接效应（研究3）。路径投诉意向补救满意度效应SELLCIULCI效应SELLCIULCI路径系数失败严重性→感知补救正义?0.440.18?0.80?0.09?0.440.18?0.80?0.09感知补救正义→结果?0.560.07?0.71?0.420.820.050.720.92失败严重性→结果（直接，c'）0.470.200.070.87?0.380.14?0.66?0.10失败严重性→结果（总，c）0.720.220.281.16?0.740.20?1.14?0.34间接效应失败严重性→感知补救正义→结果0.250.100.050.45?0.360.15?0.64?0.07注：失败严重性编码为短暂 = 0，持续 = 1。SE = 标准误，BootSE为间接效应的bootstrap标准误；LLCI和ULCI为95%置信区间的下限和上限。对于间接效应，SE为bootstrap标准误，界限为基于5000次样本的百分位bootstrap界限。N = 226。表3显示，持续中断提高投诉意向（c = 0.72，SE = 0.22，95% CI [0.28; 1.16]），且当感知补救正义纳入模型时直接效应保持（c' = 0.47，SE = 0.20，95% CI [0.07; 0.87]），支持H5a。经由感知补救正义的间接效应为正且显著（b = 0.25，BootSE = 0.10，95% CI [0.05; 0.45]），支持H6a。中介为互补性（Zhao et al., 2010），正义评价约占总效应的35%。研究人员随后使用补救满意度作为因变量估计相同模型。持续中断降低补救满意度（c = ?0.74，SE = 0.20，95% CI [?1.14; ?0.34]），且中介纳入模型时直接效应保持显著（c' = ?0.38，SE = 0.14，95% CI [?0.66; ?0.10]），支持H5b。经由感知补救正义的间接效应为负且显著（b = ?0.36，BootSE = 0.15，95% CI [?0.64; ?0.07]），支持H6b。与投诉意向一样，中介为互补性，正义评价约占总效应的49%。3.4.4. 研究3讨论研究3表明，失败严重性直接和间接地塑造工业客户对AI赋能补救的响应。持续中断降低对AI赋能补救的公平性感知，进而降低补救满意度并提高投诉意向。经由感知补救正义的间接效应对两种结果均显著。当感知补救正义纳入模型时，失败严重性还对两种结果施加显著直接效应。正义评价路径值得注意，因为两种条件的参与者均遇到AI代理传递相同的承认、诊断、补救和书面确认序列。然而，当失败更严重时，相同脚本被判断为较不公平。因此，工业客户并不以固定标准评价AI赋能补救。他们根据所经历服务失败的严重性校准什么算作感知公平回应。对于短暂中断看似充分的标准化解决方案，在失败使运营停顿并使企业面临下游商业后果时则不充分。中介分析表明，一个额外机制与直接效应并行运作（Zhao et al., 2010）。在工业情境中有两种合理解释。第一种是失败本身的物质后果，补救无法撤销：与主要客户错过的期限具有商业影响，无论供应商如何回应都持续存在。第二种是客户对未来可靠性得出的推断，因为持续中断以短暂中断所没有的方式发出复发风险信号。总体而言，研究1—3将AI赋能补救的成功置于一系列评价之中，而非代理本身。客户从温暖推断努力（研究1），仅将情绪理解的展示归功于他们认为有能力的代理（研究2），并相对于失败使其付出的代价判断补救（研究3）。4. 总体讨论AI处于B2B研究前沿，聊天机器人被报道能提升工业企业的估值。然而，很少有实证工作考察工业服务提供商在服务补救中应如何使用AI赋能（vs人工）代理（Ameen et al., 2025）。本研究通过考察工业客户如何响应AI赋能（vs人工）补救代理以及失败严重性，为新兴的AI赋能B2B服务补救文献（Ameen et al., 2025; Dzreke & Dzreke, 2025; Naidoo, 2026）做出贡献。在三项研究中，十四个假设效应中有八个获得支持（见附录I表I1）。未获支持的效应几乎完全是代理类型的直接效应。它们在两项研究和两种失败情境中的一致性表明，工业客户不是对（人工vs AI赋能）补救代理做出响应，而是对消费者关于代理类型生成的推断做出响应，这一模式与既往工作一致，后者表明客户将服务代理的可观察特征视为判断互动的线索，而非仅对代理类型做出响应（Guo et al., 2016）。当代理类型影响补救满意度时，它沿两条符号相反的路径产生影响，直接提高满意度同时经由感知温暖继而感知努力降低满意度，这源于心智感知理论中能动性与体验的分离。研究3随后表明，AI赋能补救的可接受性取决于失败已使客户付出的代价。研究人员在下文概述对理论和实践的关键启示。4.1. 理论启示研究发现对B2B服务补救的进一步理论发展提出三方面重要启示。第一，研究人员将心智感知理论部署为理解工业客户对B2B服务补救响应的新颖理论透镜。心智感知理论认为，感知者独立地将能动性和体验归因于实体（Gray et al., 2007）。研究人员的结果表明，单一类别线索可使二者朝相反方向移动。被认可执行补救能动性的AI代理在研究1中直接提高补救满意度，但也削弱了感知温暖和情绪识别所预设的体验，从而经由研究1和研究2的中介路径降低满意度。这些发现通过考察AI特定线索如何共同塑造并可能解耦服务互动中的感知能动性和体验，为未来理论发展提供了途径。研究2补充道，即使客户观察到AI代理与人工代理一样清晰地展示情绪能力，他们也不将此能力视为其评价中有意义的。这一发现与Dzreke和Dzreke（2025）形成对比，后者报告AI代理在核心失败中展示拟人化共情会产生厌恶并降低信任。一旦考虑失败严重性，两项发现即可调和。当失败已对客户企业施加成本时，代理的情绪能力必须与它显然无法记录的一项损失相协调，造成客户响应的错配。因此，贬低和厌恶代表同一过程中的不同点，由失败严重性区分。研究3检验严重性作为公平评价的关键边界条件。在一个维度高而另一维度低的代理不能被定位在人工与AI之间的单一点上。因此，将AI简单定位为单一连续体上更少人性的模型可能错误设定其效应。基于能动性和体验的推断需要分别设定，因为它们可将同一结果拉向相反方向。研究2还识别了心智感知理论对工业客户的一个后果。当代理被认为缺乏识别客户感受的能力时，客户可能感到较不能驾驭补救，使体验维度通过其感知控制影响补救满意度（Hazée et al., 2017），这一路径在其他领域由心智感知理论预测但此前未在服务补救中检验。第二，结果表明，对服务补救的两种客户响应通过不同心理路径产生。投诉意向由社会推断路径（感知温暖→感知努力）和正义评价承载，而非由调节评价路径（情绪识别→感知控制）承载，后者仅承载补救满意度。这一划分并非偶然。投诉意向代表升级决定，驱动它们的评价反映责任和感知公平，即代理是否努力（Weiner, 2000）以及补救是否公正（Smith et al., 1999）。然而，补救满意度取决于客户是否感到被理解并能影响补救，凸显经由感知控制的独立调节路径。这些发现表明，服务补救理论应超越将补救响应视为单一评价构念，转而理论化其不同心理路径和边界条件。然而，补救满意度评价补救体验，不仅反映客户如何被对待，还反映其感知控制。将满意度和投诉意向视为共同潜在评价的两种表现的服务补救模型（Evanschitzky et al., 2011）因此可能忽视补救如何能在不降低升级意向的情况下提高满意度，如调节评价路径所观察到的。对于AI赋能补救，这一区分表明未来理论应将满意度和升级建模为相关但不同的补救目标，前者由感知情绪理解和控制塑造，后者由努力和公平推断塑造。这拓展了将满意度和投诉意向概念化为单一补救目标表现的服务补救模型（Evanschitzky et al., 2011）。第三，研究人员还拓展了失败严重性对工业AI赋能服务补救施加的边界。一致性被视为自动化的优势（Hollebeek et al., 2021），研究1和研究2与该观点一致：在短暂中断和重复账单收费中，AI代理在两种结果上至少与人工代理表现一样好。研究3识别了这一优势在何处失效。虽然两种严重性条件的参与者收到相同脚本，但一旦失败使运营停顿并使企业面临下游商业后果，补救被判断为较不公平。因此，工业客户相对于感知失败成本校准补救正义（Pascual-Nebreda et al., 2023; Smith et al., 1999），而来自AI代理的标准化回应随着这些风险上升而不足。感知AI补救正义解释严重性效应约三分之一至二分之一，表明一个实质性机制。剩余效应与两种在工业情境中尤为突出的过程一致：持续失败的物质成本补救无法完全逆转，以及长时间中断发出复发风险信号的推断。因此，未来理论应考察失败严重性如何与补救标准化互动，区分基于正义的评价与关于不可挽回损失和未来风险的推断。总体而言，这些研究的贡献不是引入新构念，而是将先前割裂的社会和评价过程整合为解释工业客户如何响应不同补救代理的心智感知框架。此外，研究人员识别了AI赋能补救预期优势失效的条件——失败严重性和客户对代理的推断。4.2. 管理启示本研究为在服务补救中部署AI和人工代理的工业管理者提供四方面启示。第一，代理类型本身不应决定补救设计。由于工业客户通过不同社会推断和调节评价路径响应AI赋能补救，简单用AI赋能代理替代人工代理可能产生意外的投诉升级或不满。管理者应转而设计AI补救互动以激发积极社会推断（如温暖和努力），并通过客户控制感进行调节评价。例如，AI代理应承认失败、识别客户情绪状态、邀请对如何解决问题的输入（传递客户控制互动的理念），并解释所采取的诊断和补救步骤。解决方案优先的回应和过快解决可能抑制努力线索并发出参与不足的信号。提供补救选择而非强制预定义解决方案可进一步增强客户控制感。第二，不应假定情绪能力线索能补偿AI的关系局限。研究2表明，展示性情绪能力提高人工代理的补救满意度但不提高AI代理的。管理者因此应避免假定简单向AI添加共情导向线索就能复制人工补救的益处。相反，AI应用于其执行一致性提供价值之处，而当关系参与对补救至关重要时应提供人工代理。第三，AI部署应根据失败严重性和持续性校准。对于后果有限的常规失败，如账单错误或短暂中断，AI补救至少与人工补救表现一样好，并可通过可靠执行使客户受益。然而，对于具有持续商业后果的失败，随着风险增加，标准化AI补救被判断为较不公平。此类情况应触发升级至具有酌情权的人工代理，以根据客户企业所承受的成本定制补救。因此，一致性对常规失败是优势，但当标准化回应无法充分应对重大失败的后果时可能成为劣势。最后，管理者应将补救设计与他们寻求优化的结果对齐，而非依赖单一AI补救设计。如果减少投诉升级是优先事项，补救应依赖传递温暖和可见努力的AI代理，即使补救结果高效。如果恢复对补救的满意度是优先事项，AI代理应更强调理解客户情绪状态并提供更强的感知控制感。微型调查可帮助客户体验管理者区分技术补救表现与关系表现，并识别哪条路径需要干预。4.3. 局限与未来研究尽管有贡献，研究人员的工作也包含局限。第一，研究人员测量工业客户在服务补救中的行为意向，但未捕捉其实际行为。此外，每项研究考察单一离散失败，涉及一种产品和一家外部供应商。工业服务失败还可能是长期性和多利益相关方的，在复杂跨组织流程中展开（Baliga et al., 2021a），研究人员的情境未捕捉此复杂性。未来研究可在 such 情境中考察AI赋能补救。第二，研究人员的设计未检验服务补救中AI和人工代理的联合使用，这可能改变工业客户对特定失败的体验。因此，未来研究还可考察混合服务补救模型（同时使用人工和AI代理）如何塑造工业客户的感知，并解包解释意动和情感结果的替代心理机制。最后，研究3改变中断持续时间及随后的商业后果。虽然这反映严重性在工业情境中呈现的方式，但它意味着设计识别的是失败严重性的效应，而非其组成部分的单独贡献。因此，分离这些组成部分是进一步研究的重要任务。CRediT作者贡献声明Cristiana R. Lages：写作—原稿、写作—审阅与编辑、监督、项目管理、方法论、概念化。Sean Sands：写作—原稿、写作—审阅与编辑、方法论、调查、资金获取、形式分析、数据管理。Achilleas Boukis：写作—原稿、写作—审阅与编辑、可视化、方法论、资金获取、概念化。Linda D. Hollebeek：写作—原稿、写作—审阅与编辑。生成式AI和AI辅助技术在写作过程中的使用声明在本工作准备期间，作者使用Grammarly和ChatGPT改进语言和可读性。使用此工具后，作者按需审阅和编辑内容，并对出版物内容承担全部责任。Cristiana R. Lages|Sean Sands|Achilleas Boukis|Linda D. Hollebeek
**研究背景与问题**
B2B市场中的服务失败具有级联效应，其影响远超初始事件本身，会通过客户的下游承诺产生连锁传播，导致交付延误、合同违约金及客户对其自身客户的解释责任（Zhu & Zolkiewski, 2015）。与B2C市场交易性交换和较大客户群不同，B2B关系具有长期性、跨组织性，单次交换承载高战略与财务风险（Baliga et al., 2021a; Hollebeek, 2019）。鉴于B2B客户群相对较小且每个账户价值重大，B2B服务补救传统上通过关系机制实施，即指派经验丰富的客户经理进行直接、个性化互动（Kaski et al., 2017）。然而，人工智能（AI）的进步使企业能够自动化服务失败的检测、诊断与解决（Tan et al., 2025），对传统关系型补救模式构成挑战。全球60%的组织已在客户服务中使用AI赋能技术，预计2030年增至85%（Dzreke & Dzreke, 2025）。虽然效率优势明显，但B2B客户群较小使人工补救可负担，AI补救的B2B合理性存疑。既往AI服务补救研究多在消费者情境开展（如Agnihotri & Bhattacharya, 2024; Tan et al., 2025），工业客户数量少、难招募、嵌入采购中心，B2B证据基础薄弱。近期研究虽开始探索AI在工业补救中的应用（Ameen et al., 2025; Dzreke & Dzreke, 2025; Naidoo, 2026），但对工业客户如何解读和响应AI代理的心理过程理解滞后。据此，研究人员提出两个研究问题：工业补救代理类型（人工vs AI）如何塑造客户响应；哪些心理机制和边界条件解释客户对AI赋能服务补救的响应。
**研究方法**
研究人员开展三项在线实验，均通过Prolific招募居住在美国的B2B决策者。研究1采用被试间设计操纵代理类型（人工vs AI），样本257人，借鉴心智感知理论（Gray et al., 2007）提出经由感知温暖和感知努力的序列中介（社会推断路径）。研究2采用2×2设计操纵代理类型与展示性情绪能力（高vs低），样本392人，提出经由代理情绪识别和客户感知控制的序列中介（调节评价路径）。研究3保持AI代理不变，操纵失败严重性（短暂vs持续中断），样本226人，检验感知补救正义的中介作用。关键技术方法包括：实验情境操纵（聊天互动、视频刺激）、既有七点量表测量（Cronbach's alpha 0.74–0.97）、Hayes PROCESS模型6和模型4中介分析（5000次bootstrap，95%置信区间）、双因素ANOVA检验调节效应及操纵检查与敏感性分析。样本队列来源为美国Prolific平台的B2B决策者。
**研究结果**
**研究1：AI赋能服务补救中的社会推断过程。** 代理类型未直接影响投诉意向（b = ?0.32，95% CI [?0.66; 0.02]）和补救满意度（c = ?0.19，95% CI [?0.51; 0.13]），H1a、H1b被拒。但经由感知温暖继而感知努力的序列中介对投诉意向显著为正（b = 0.22，95% CI [0.11; 0.35]），对补救满意度显著为负（b = ?0.19，95% CI [?0.31; ?0.10]），支持H2a与H2b。AI代理直接提高补救满意度（c' = 0.49，95% CI [0.25; 0.73]），但经由温暖降低满意度（b = ?0.48，95% CI [?0.70; ?0.30]），呈现符号相反的路径。表明工业客户不因AI本质而惩罚AI代理，而因其感知冷淡影响感知努力。
**研究2：AI赋能服务补救中的调节评价过程。** 代理类型未直接影响投诉意向（b = 0.23，95% CI [?0.09; 0.55]）和补救满意度（b = 0.14，95% CI [?0.08; 0.36]），H3a、H3b被拒。经由情绪识别继而感知控制的序列中介对投诉意向不显著（b = ?0.01，95% CI [?0.04; 0.01]），H4a被拒；但对补救满意度显著为负（b = ?0.04，95% CI [?0.07; ?0.01]），支持H4b。展示性情绪能力对补救满意度的交互显著（F(1,388) = 7.74，p = .006，偏η2 = 0.020），对投诉意向的交互不显著（p = .082），H3d获支持而H3c未获支持。展示性情绪能力有益于人工代理（投诉意向b = ?0.57；补救满意度b = 0.67），但不影响AI代理。表明情绪能力线索仅被归功于被认为有能力的代理。
**研究3：AI赋能服务补救中的失败严重性与正义评价。** 持续中断提高投诉意向（c = 0.72，95% CI [0.28; 1.16]）并降低补救满意度（c = ?0.74，95% CI [?1.14; ?0.34]），支持H5a、H5b。经由感知补救正义的间接效应对投诉意向为正（b = 0.25，95% CI [0.05; 0.45]）、对补救满意度为负（b = ?0.36，95% CI [?0.64; ?0.07]），支持H6a、H6b。正义评价约占总效应的35%和49%。相同AI脚本在更严重失败下被判断为较不公平，表明工业客户相对于失败成本校准补救正义。
**讨论与结论**
讨论部分指出，研究发现对B2B服务补救理论有三方面启示。第一，心智感知理论作为新颖理论透镜，表明单一类别线索可使能动性与体验朝相反方向移动——AI代理因执行能动性直接提高满意度，却因削弱体验（感知温暖和情绪识别）经由中介路径降低满意度。研究2表明客户不将AI的情绪能力展示视为有意义，与Dzreke和Dzreke（2025）的厌恶发现可通过失败严重性调和：贬低与厌恶是同一过程的不同点。基于能动性和体验的推断需分别设定，因其可将同一结果拉向相反方向。第二，投诉意向与补救满意度通过不同心理路径产生：投诉意向由社会推断路径和正义评价承载，补救满意度由调节评价路径承载。投诉意向反映责任与公平判断，补救满意度取决于被理解和感知控制，表明服务补救理论应超越单一评价构念。第三，失败严重性界定AI赋能补救优势的边界：常规失败中AI表现至少与人工相当，但持续失败中标准化AI回应被判断为较不公平，感知AI补救正义解释严重性效应约三分之一至二分之一。管理启示包括：代理类型本身不应决定补救设计，应设计AI互动激发积极社会推断和客户控制感；不应假定情绪能力线索能补偿AI关系局限；AI部署应根据失败严重性校准，持续后果失败应升级至人工代理；补救设计应与寻求优化的结果对齐。研究局限包括测量行为意向而非实际行为、单一离散失败、未检验人机联合补救、未分离失败严重性各组成部分。研究结论译为：研究人员的工作通过考察工业客户如何响应AI赋能（vs人工）补救代理及失败严重性，为新兴AI赋能B2B服务补救文献做出贡献；十四个假设效应中八个获支持，未支持效应几乎全为代理类型的直接效应，表明工业客户响应的是关于代理类型的推断而非代理类型本身；AI赋能补救的可接受性取决于失败已使客户付出的代价；研究的贡献在于将先前割裂的社会和评价过程整合为解释工业客户如何响应不同补救代理的心智感知框架，并识别AI赋能补救预期优势失效的条件。
