营销中的人工智能协作框架
2021 年 3 月 9 日在线提供
摘要
我们为人工智能（AI）在市场营销中的协作开发了一个概念框架，为人类营销人员和消费者如何与人工智能合作提供了系统性指导，这对作为营销人员和消费者界面的零售业有着深远的影响。该框架借鉴了多元智能的观点，即
关键词人工智能；协作式人工智能；协作式智能；增强；替代
导言
近年来，人工智能在许多方面推动了零售业的发展，例如提供用于预测的大数据、促进更明智的零售和消费决策、实现可视化展示和商品以及创造客户参与（Grewal、Roggeveen 和 Nordfalt，2017 年）。在更广泛的营销领域，人工智能也正在迅速普及，其重要性也与日俱增。在实践方面，许多营销职能
和店内体验优化，以及用于跟踪客户满意度的情感分析等。
在学术方面，我们同样看到人工智能研究在市场营销领域的激增。例如，店内人工智能对零售业的影响（Grewal、Roggeveen 和 Nordfalt，2017 年；Grewal 等人，2020 年），调查消费者采用自主购物系统的心理和文化障碍（de Bellis 和 Venkataramani Johar，2020 年），开发可解释的自动产品推荐方法（Marchand 和 Marx，2020 年），应用深度卷积神经网络预测零售额（Ma 和 Fildes，2021 年），大数据和非结构化数据在营销中的应用（例如，Balducci 和 Marinova，2018 年；Grewal、Roggeveen 和 Nordfalt，2017 年；Wedel 和 Kannan，2016 年）。Balducci 和 Marinova 2018；Grewal、Roggeveen 和 Nordfalt 2017；Wedel 和 Kannan 2016）；各种机器学习方法的应用，如视频挖掘（Li、Shi 和 Wang 2019）、文本分析（Berger et al.2019；Humphreys 和 Wang 2018）、主题建模（Antons 和 Breidbach 2018）、语义分析（Liu 和 Toubia 2018）、动态在线定价（Misra、Schwartz 和 Abernethy 2019）；以及人工智能应用的影响，如音乐和新闻的自适应个性化（Chung、Rust 和 Wedel，2009 年；Chung、Wedel 和 Rust，2016 年）、物联网和消费体验（Hoffman 和 Novak，2018 年；Novak 和 Hoffman，2019 年）、人工智能对消费者体验的影响（Puntoni et al.2020）、关于
服务（Huang 和 Rust，2018 年）和经济（Huang、Rust 和 Maksimovic，2019 年；Rust 和 Huang，2021 年），以及战略性使用人工智能吸引客户（Huang 和 Rust，2021a）。
尽管人工智能的重要性已在营销实践和研究中得到广泛认可，但关于人工智能是增强人类还是取代人类的争论一直存在（Huang 和 Rust 2018；Davenport 和 Kirby 2015；Frey 和 Osborne 2017；Malone 2018）。反映在市场营销研究中，一些研究发现支持替代，如消费者对拟人化机器人的温情感知和喜爱（Kim、Schmitt 和 Thalmann，2019 年），以及拟人化产品展示与消费者的依恋和支付意愿（Yuan 和 Dennis，2019 年）；而一些研究发现支持增强，如一线员工与
这些分歧引发了人们对人工智能在营销中的作用和影响的持续关注，特别是关于人工智能应在多大程度上用于执行营销任务以替代人类营销人员，以及营销人员和消费者应以何种方式使用人工智能进行增强，以避免不必要的替代。以往的研究已经证实，存在多种人工智能智能（Huang 和 Rust，2018 年；Huang、Rust 和 Maksimovic，2019 年；Rust 和 Huang，2021 年），可以在服务中提供多种益处，吸引客户（Huang 和 Rust，2021a）。Huang 和 Rust（2018）在分析理论的支持下，首次提出了新颖的人工智能多元智能观点，即人工智能从机械智能到思维智能，再到感觉智能（基于人工智能模仿人类智能的难度）。Huang、Rust 和 Maksimovic（2019）根据美国政府数据为人工智能的多元智能观点及其对经济的影响提供了实证证据，预测当人工智能完成思考任务和工作时，人类需要升级到感觉任务和工作。Huang 和 Rust（2021a）阐述了如何利用多种人工智能智能体（单独或集体）在不同的服务阶段吸引客户以获得不同的服务效益，包括标准化、个性化和关系化。Huang 和 Rust（2021b）提供了一个战略框架，利用
在这些现有研究的基础上，我们建立了一个营销协作智能的总体框架，以解决如何利用人工智能增强不同智能水平的营销人员和消费者这一重要问题。该框架认为：1）在执行机械性和分析性营销与消费任务方面，人工智能相对于
本文超越了现有研究，阐述了
总之，本文提供了一个系统的人工智能协作框架，利用人工智能、营销人员和消费者的协作智能，并从营销人员和消费者的角度考虑了人工智能对
多种人工智能智能
什么是人工智能？
多种人工智能智能
各种人工智能定义所揭示的这些不同的人工智能能力表明，存在着多种人工智能智能。这一观点最早由Huang和Rust（2018）提出，他们认为当人类具有多种智能（如加德纳1983），而人工智能是模仿人类智能设计的机器时，就有可能发展出具有多种智能的人工智能。他们的研究表明，人工智能的智能从机械智能、思维智能到感觉智能，按照人工智能处理这些智能的难度排序，机械智能最容易（对人工智能而言），感觉智能最难（Huang 和 Rust 2018；Huang、Rust 和 Maksimovic 2019）。
人工智能的进步往往是累积性的。人工智能一旦发展到较高水平，通常也会拥有（或可能拥有）所有较低水平的智能。Huang 和 Rust（2018，2021）以及 Rust 和 Huang（2021）对多种人工智能智能及其优势进行了详细讨论。
营销中的协作智能
人工智能可以有多种智能，这一观点催生了多种互补的人工智能协作实施方式。我们使用人类智能（HI）一词来指营销人员和消费者的智能。营销人员和消费者都可以使用不同智能水平的人工智能来完成营销和消费任务。在本文中，当我们谈到营销时，我们既包括营销者，也包括消费者。
我们提出了三条一般原则，并分别针对营销者和消费者，阐述了如何在不同智能水平的营销中实现协作智能的子原则。该框架首先确定了
当需要将协作提升到更高的智能水平时，就需要采用这种机制。
具体来说，一般原则 1（GP1）认为，
一般原则 2（GP2）认为，在一般原则 1 的基础上，应使用低级人工智能来增强高级人工智能。三个子原则（GP2a-2c）明确规定了营销人员和消费者如何使用不同的
一般原则 3（GP3）认为，根据历史观察和对人工智能未来的预测，人工智能将从机械、思维到感觉不断进步，当人工智能能够自主执行所有低级智能任务（即自动化）时，将把协作推向更高的智能水平，在每一个智能水平中，人工智能首先增强然后取代高级智能。
总之，这套一般原则构成了市场营销中协作智能动态图景的总体框架，可根据各自的相对优势，确定人工智能和
在接下来的章节中，我们将首先阐述这三项一般原则，然后分别讨论这些一般原则对营销人员、消费者和研究人员的影响。表 1 总结了营销协作智能的一般原则以及对各利益相关者的影响。
GP1：AI-HI 相对强度
在这一一般原则中，我们阐述了
表 1
总结营销协作智能的一般原则以及对各利益相关方的影响。
| 一般原则 | 营销人员 | 消费者 | 研究人员 |
GP1（人工智能与智能的相对优势）。当前的人工智能在机械智能和分析智能方面具有优势，而人类智能在情境智能、直觉智能和感觉智能方面具有优势。 |
优化协作智能，以人工智能-智能互补为条件，考虑任务性质和智能水平 |
了解人工智能与智能互补带来的消费机遇和制约因素 |
- 从经验角度研究人工智能与智能的比较优势，以及人工智能与智能在宏观、中观和微观层面的最佳组合 - 从经验角度研究消费者对人工智能与智能互补带来的机遇和制约因素的反应 - 探索智能多样性可用于协作智能的创新方法 |
GP2（人工智能与智能的合作）。低级人工智能增强高级人工智能 |
根据 GP2a-2c 管理协作智能 |
根据 GP2a-2c 使用正确的人工智能帮助消费 |
- 获取人工智能营销任务和工作数据，并调查任务和工作的性质，以优化人工智能--人工智能联合工作团队 - 管理人工智能--人工智能团队，以提高营销和消费价值 |
GP2a。机械人工智能为理想的营销任务增强语境 |
使用机械人工智能完成人类不喜欢的营销任务 |
利用人工智能节省机械消耗任务的时间和精力 |
- 探索如何更好地捕捉情境数据 - 解决机械人工智能可实现情境化的边界条件 - 研究作为协作基础的任务不可取性 - 探索人工智能与智能在情境中的定性互动 |
GP2b.机械人工智能和分析人工智能增强了直观的人工智能，从而做出更明智的营销决策 |
利用数据和分析进行营销创新 |
增强消费直觉、判断力和决策力 |
- 探索数据和分析支持营销创新和创造力的方法和边界条件 - 研究如何缓解人工智能在营销中的应用无法解释、存在偏见或不了解具体情况的问题 - 研究如何增强消费直觉以提高消费者的效用和福祉 |
GP2c.所有人工智能都能增强感觉 HI，从而在营销中实现更好的情感智能 |
认识到人类情感智慧的价值 |
增强消费体验和情感 |
- 以经验为基础，检验人工智能在情感结果（参与、满意度和体验等）方面的能力 - 探索获取情感数据和模拟情感人工智能的方法 - 通过情景实验了解未来的情感合作 - 将情感融入个性化 - 探索可持续的人工智能，提升人类价值 |
相比之下，人类目前的相对优势取决于三种智能的背景、生物和文化根源。人类的机械智能是情境性的，人类在营销活动（如提供服务）的情境中采取行动和做出反应；人类的思维智能可以是直觉性的，在做出决策时采用启发式方法（如制定营销战略或在财务决策中规避风险）；人类的情感智能是生物性和文化性的，有能力从生物角度 "体验 "情感，并根据文化规范对情感做出适当反应（如在一线互动中感同身受）。
在图 1 中，我们把 AI 和 HI 的智能特点放在括号里，以突出它们各自智能的基础。在下文讨论当前
GP1.当前的人工智能在机械智能和分析智能方面具有优势，而人工智能在情境智能、直觉智能和感觉智能方面具有优势
人工智能的优势
人工智能在机械智能和分析智能方面具有相对优势。在许多常规和重复性营销任务方面，人工智能的机械智能已经超过了人工智能。机械人工智能通常表现为具体化的机器人技术；机器被编程在受控环境中完成特定任务（Cockburn、Henderson 和 Stern，2018 年），有时（但通常是
人工智能的优势
图 1.协作式人工智能：低级人工智能增强高级人工智能。
而不是）具有人形外貌。例如，Rethink Robotics 公司的工业机器人 Baxter 可以实现高度专业化的工业流程自动化，iRobot 公司的 Roomba 真空吸尘器可以在室内进行感知和互动。在营销领域，已经使用了各种形式的机械人工智能；例如，协作机器人（cobots）帮助包装，无人机分发实物商品，自助服务机器人提供服务，以及服务机器人自动在一线开展社交活动（Mende 等人，2019 年；van Doorn 等人，2017 年）。所有这些应用所执行的营销任务都是常规的、重复性的，不需要语境。
人工智能的分析能力已被广泛用于执行营销任务，最常见的是使用基于神经网络的机器学习来 "思考"。这是一种 "狭义人工智能"，旨在很好地完成一项狭义的任务，如下棋或围棋。在这种学习中，机器不需要具备回答问题的知识，只需利用大数据、强大的计算能力以及正确的算法和模型，就能产生看似智能的强大输出。例如，AlphaGo 在下围棋时，会从过去无数的棋局中学习，总结出获胜几率最高的策略。它并不知道为什么这些策略会在某种情况下获胜。这就是在营销领域受到广泛研究关注的人工智能水平，如大数据和营销分析（Chintagunta、Hanssens 和 Hauser，2016 年；Liu、Vir Singh 和 Srinivasan，2016 年；Wedel 和 Kannan，2016 年）、自适应个性化系统（Chung、Rust 和 Wedel，2009 年；Chung、Wedel 和 Rust 2016；Dzyabura 和 Hauser 2019；Liebman、Saar-Tsechansky 和 Stone 2019）、具有解释能力的自动产品推荐（Marchand 和 Marx 2020）、用于个性化兴趣点推荐的深度学习（Guo et al.2018），以及基于视频的自动推荐系统（Lu、Xiao 和 Ding，2016）。所有这些应用都利用了人工智能的分析能力。
人工智能的分析能力还被应用于执行许多情感任务，给人的印象是人工智能拥有与人类一样的情感智能。这种人工智能能力已被用于分析情感数据，这些数据可以是文本（如在线评论中的情感）、音频（如呼叫中心对话中的语气）、视觉（如对电视广告做出反应的面部表情）或生理信号（如智能可穿戴设备感应到的心率和血压）。
分析基于文本的在线评论和社交媒体内容中的情绪在营销文献中很常见（Hartmann 等人，2019 年；Hewett 等人，2016 年；Ordenes 等人，2017 年；Rust 等人，2020 年；Tirunillai 和 Tellis，2012 年）。例如，研究发现消费者生成内容的价值与公司的股市表现有关（Tirunillai 和 Tellis，2012 年）。通过分析消费者在社交媒体上表达的情感，包括显性和隐性语言以及话语模式，可以了解消费者使用自己的语言做出的反应（Hewett 等人，2016 年；Ordenes 等人，2017 年）。品牌可以通过文本和情感分析推文、评论和社交媒体帖子来跟踪其声誉（Rust 等人，2020 年）。
情感语音分析技术被广泛应用于呼叫中心。Shim 等人（2016 年）讨论了许多将语音分析技术应用于呼叫中心的实际案例，这些技术可以识别和分析电话对话和互动，从而帮助回应客户投诉和预测未来购买。Luo 等人（2019）展示了如何利用语音模拟和分析来进行呼出营销。
感知和分析面部表情已被广泛应用于商业领域。大型汽车保险公司利用车载传感器检测驾驶员的情绪状态，从而确定保费。营销人员利用触觉技术来感知消费者的生理信号，从而获得身临其境的营销体验。可口可乐公司使用情绪识别软件，根据消费者的情绪反应调整广告。Li、Shi和Wang（2019）证明，视频内容，如电视和网络视频广告、用户生成的视频、产品视频、电影和视频游戏，可被挖掘用于各种营销目的。
HI 的优势
Autor和Dorn，2013；Frey和Osborne，2017），机器很难单独完成这些任务。服务任务与制造任务之间的区别抓住了这一细微差别：服务提供涉及情境共同生产，而实物商品生产则不涉及情境共同生产（这意味着生产与消费是可分离的）。这种区别导致服务自动化程度远低于制造业自动化程度，因为人类（目前）比机器更能提供情境服务。因此，我们看到，在提供服务方面，有与人类合作的协作机器人，协作机器人执行非情境机械营销任务（如分拣产品以便运输），人类执行情境机械营销任务（如随机检查准确性）。
人类的直觉目前是人类独有的优势（尽管这种优势可能不会一直存在）。直觉是一种能力，能够在人类的明确理解之外进行常识推理（即波兰尼悖论，Autor 2014），或将知识应用于新的情况。人类从周围环境和互动中获取或积累直觉或常识。直觉是一种无需分析推理即可获取知识的能力（Cholle，2011 年；"直觉"，Merriam-Webster 2019 年），而常识则是大多数人无需思考或论证即可掌握的知识（van Holthoorn 和 Olson，1987 年；"常识"，2010 年）。直觉（或常识）是现实世界的知识，是在人的一生经历中获得和积累的；它不是从正规教育中学来的（Davis 和 Marcus，2015 年）。赖特（2002 年）以进化心理学为基础，认为与市场相关的直觉（即其研究中的市场元认知）是消费者在一生中形成的有关市场的日常知识。
直觉与深思熟虑的理性思维不同（例如，Hall、Ahearne 和 Sujan，2015 年），在消费者研究中被认为是一种决策捷径（启发式）。例如，有界理性将风险规避纳入决策中（Kahneman 和 Tversky，1979 年），阐释可能性模型（ELM）将说服的外围路径纳入消费者对广告的反应中（Petty 和 Cacioppo，1986 年）。由于人类的直觉往往不易解释，因此机器很难模仿。因此，我们看到了 "通用人工智能 "的呼声（即人工智能旨在模仿广泛的人类认知，库兹韦尔，2005 年），因为这种智能水平被许多计算机科学家认为是人工智能发展的瓶颈。
创造和创新是直觉的体现。人类通常是凭借直觉和灵感，而不是通过分析数据来创造音乐和艺术。因此，创新是否应该以客户为主导（即以客户数据为基础）已成为市场营销领域的一个争论焦点。过于关注客户当前的需求可能会导致创新能力的丧失（Voss 和 Voss，2000 年）。
人类的情感智能既是生物的，也是文化的。人类的情感具有机器所不具备的生物成分，而情感反应的适当性则取决于环境、社会和文化；两者都构成了机器的生物和文化障碍。在某种环境或文化中适当的反应，在另一种环境或文化中可能并不适当。
情绪是生物性的。生物智能在人类和动物身上都有表现，与对外界刺激的生理反应有关，以适应环境。神经科学就是这样一门研究生物特有的神经系统结构和功能的学科（"神经科学 "2019）。一些著名的心理学原理是由动物心理学家通过实验确立的，如巴甫洛夫（1960 年）的经典条件反射学习和斯金纳（1938 年）的操作性条件反射学习。在消费者行为学中，Hasford、Kidwell 和 Hardesty（2018）发现，心理条件反射可应用于情绪体验以及随后对条件刺激（即研究中的不同啤酒品牌）的态度。
情感体验是情境性的。情商存在于情境之中。Kidwell 等人（2020 年）发现，当服务员工的情绪能力与消费者相似时，消费者对服务互动的满意度更高。Gabbott、Tsarenko 和 Mok（2011 年）发现，顾客的情商，即处理自己和他人情绪的能力，会影响他们对服务失败和服务恢复工作的反应。这些服务研究表明，情绪是在互动过程中体验到的。
情商是指认识、体验并对自己和他人的情绪做出适当反应的能力（戈尔曼，1996 年）。这一定义揭示了情绪反应是社会/文化性的。适当的情绪反应是由社会/文化规范决定的。赖特（Wright，2002 年）使用了 "社会智力 "这一术语，并认为这些反应是消费者在一生中通过功能性的专门进化过程学习到的。这里的 "功能性 "是指适当的反应会增加生存几率，而不适当的反应则会降低生存几率。因此，随着时间的推移，消费者会逐渐了解到什么样的情绪反应是适当的，能够提高他们与社会的契合度。吉尔（Gill，2020 年）发现，自动驾驶汽车比普通汽车的人类驾驶员更允许伤害行人，这一发现意味着什么是对的，什么是错的，也会随着
摘要
人工智能的相对优势是机械智能和分析智能，而
对于营销人员来说，
在这种情况下，仿人机器人被用来增强消费体验和情感，但消费者还没有准备好，因为机器人也不成熟。因此，嵌入式人工智能或非人形人工智能可能更适合这种情况。
对消费者而言，如果他们能更好地了解这些相对优势，就能充分利用人工智能带来的机遇和制约因素（如霍夫曼和诺瓦克，2018；诺瓦克和霍夫曼，2019），并在接受或拒绝人工智能应用方面做出更明智的消费决策。研究发现，由于缺乏了解，许多消费者倾向于拒绝人工智能。例如，Longoni、Bonezzi 和 Morewedge（2019 年）发现，消费者对个人医疗人工智能有抵触情绪，如果这种
GP2：人工智能--人与智能的合作
GP2.低级人工智能增强高级智能
我们认为，较低级的人工智能智能会增强较高级的
GP2a.机械人工智能为不理想的任务增强情境智能
鉴于人工智能的机械智能可以更好地完成非情境任务（如感知、跟踪、记录和检索数据），而人工智能的机械智能则更有能力处理情境任务（如一线服务互动），因此，机械层面的协作最常见于具有一定情境性但不涉及情境的营销任务。
人工智能可以独立完成非语境任务）。情境任务需要
同样，消费者也可以使用各种机械人工智能来完成自己不愿意做的任务。例如，消费者可以使用 Roomba 进行房屋清洁，这虽然是一项不愿意做的工作，但却符合消费者的居住环境；消费者可以使用智能家居应用软件远程开关灯具或电器，这是当消费者不在家时无法完成的任务；消费者还可以向 Alexa 询问天气信息，而无需向任何搜索引擎输入问题以获取答案，这也是机械人工智能可以为消费者节省时间和精力的一项任务。
GP2b.机械人工智能和分析人工智能增强直观人工智能，实现更智能的营销决策
机械
机械人工智能增强了直观的人机交互功能
这种协作方式最适合手动和流程驱动型营销，例如自动执行电子邮件营销、搜索活动、研究关键词或更改社交媒体目标（Sutton 2018）。在营销领域，电子邮件营销是最常见的自动化营销功能。Liedke（2020 年）列出了七种最佳营销自动化应用（定义为为企业自动执行营销任务），它们都集中在电子邮件营销方面，如自动收集电子邮件列表、自动发送电子邮件和自动跟踪电子邮件，有些还包括社交媒体营销，如着陆页自动化。因此，人类营销人员只需制定电子邮件营销策略，电子邮件营销人工智能就能实施。
直觉在许多消费决策中发挥着重要作用。Mende 等人（2019 年）证明，在餐厅与机械服务机器人互动会改变消费者关于吃什么和吃多少的直觉思维（Mende et al.）对于消费者来说，机械人工智能可以通过处理重复性和常规性任务来增强直觉消费，而将直觉任务留给消费者。例如，智能冰箱可以自动更新和补充食品杂货，而
消费者可以集中精力为即将到来的聚会准备什么食物和购买什么食物（这些聚会往往是临时起意）。
分析型人工智能增强了直观的人工智能
由于大数据和分析的普及，这是一种非常常见的协作类型。Malone（2018）将这种合作类型描述为狭义的
在市场营销领域，人们还普遍发现，高层管理者会将市场营销分析用于战略决策、研发和创造。例如，营销人员的创造力可以得到提升。时尚服饰公司 Gap 使用预测分析来预测时尚趋势，帮助人类设计师设计出更符合客户偏好的服装。谷歌利用大数据和分析技术保持其在创新方面的领先地位，同时避免过多依赖数据（如数据挖掘），以免降低营销人员的创新能力（即面向未来的能力）。公司通过数据支持而非仅有数据的创新来实现这一点，因为后者只能实现业绩的逐步提升（Mohr 2020）。在这种合作情景下，人类的创造力（即创新、研发）可以由数据分析提供动力。Fügener 等人（2020 年）发现，利用人工智能辅助人类完成直观任务，可使人类超越人类和人工智能的绩效水平；而单纯听从人工智能的建议，人类则会失去互补优势。这些结果表明，有必要让分析型人工智能增强直觉
对消费者而言，分析型人工智能可用于做出复杂的消费决策，如买房买车，也可用于促进创造力，如创作音乐。Tailor Brand 公司的徽标制作工具将徽标设计可视化，帮助消费者自主设计徽标。这些都是利用人工智能提高创造力的例子，消费者可以应用人工智能做出更明智的决定或产生更多的创造性成果。
GP2c.所有人工智能都能增强感觉 HI，从而提高营销中的情商
所有级别的人工智能都可以用来增强
机械人工智能增强感觉
市场营销中使用和研究了各种类型的机械人工智能，以捕捉情感数据，增强互动和体验。营销人员使用 Fitbit 等智能可穿戴设备捕捉消费者的生物信号，以了解他们的情绪和体验。苹果公司的智能耳塞 AirPods 获得了专利，配备了生物识别传感器，可以记录消费者的心率、体温和运动。当与 Siri 连接时，其音质和定制的佩戴方式能创造出身临其境的使用体验（Golembiewski，2019 年）。餐厅里的服务机器人，无论是否仿人，都被用来与消费者进行简单、重复的互动，以增强他们的感受，无论是积极的还是消极的（Mende 等人，2019 年）。最近的研究已开始探索触觉营销的影响，即利用触觉技术捕捉多模态情感数据，为消费者创造多感官在线体验（Petit、Velasco 和 Spence，2019 年）。
分析型人工智能增强感觉型人工智能
许多营销任务都具有高接触性，因此消费者情绪是关键的过程或结果变量。分析型人工智能可以分析这些任务（如互动和体验）中的认知数据（在线评论、社交媒体帖子、呼叫中心对话）和情感数据（评论和帖子中的情感、电话中的语音语调、互动和对话中的面部表情），并提供基于分析的结果或建议，供人类营销人员和客户采取行动。
当分析型人工智能被用于分析认知数据时，它就会以一种思维方式增强人们对 HI 的感觉。例如，Netflix 的电影推荐器为消费者提供个性化的电影列表，增强了营销人员提高推荐相关性的能力，以及消费者对 Netflix 的满意度和对推荐电影的喜爱程度（Johnston，2019 年）。在零售业，阿里巴巴的时尚人工智能系统会根据顾客带入试衣间的物品分析他们的偏好，然后利用智能镜子显示每位顾客所选的物品并推荐互补物品，通过提供良好的试衣间体验来增强零售商与顾客的关系。
当分析型人工智能被用于分析情感数据时，它就会以一种感觉的方式增强感觉 HI。例如，Cogito 的语音分析可帮助呼叫中心座席人员识别客户情绪，并为座席人员提供指导，以更智能的情感方式处理客户不满。IBM 的情感分析工具 Watson Tone Analyzer 可以让聊天机器人检测客户的语气，从而根据对话内容调整对话策略，为客户提供更满意的服务。Affectiva 为各个领域提供分析感受的人工智能服务，如检测司机是否在开车时睡着并发出警报，以促进安全驾驶；帮助广告商衡量消费者对数字内容等的情绪反应，并相应调整内容，以更有利地影响消费者的态度。Facebook 通过提供对话中的情绪分析结果（开心或不开心、已经恼火或对对话感到厌烦等）来增强消费者的社交网络体验，消费者可以从中更好地了解朋友在互动中的情绪，并做出相应的反应。
图 2.人工智能在每个智能水平上首先增强，然后取代
GP3：人工智能-人机交互增强-替代二元性
GP3.人工智能在每个智能水平上首先增强然后取代人工智能
机器与人的关系可能涉及增强或替代人力。增强是指人工智能根据各自的相对优势（GP1 和 GP2）对
我们认为，在每个智能水平中，随着
现有文献试图解决人工智能是增强还是取代
一般原则 3 对人工智能与智能的关系进行了简洁的阐述。存在多个智能水平的观点捕捉了空间尺度，而机器在每个智能水平上首先增强然后取代人类的观点捕捉了时间尺度。在这里，我们从历史的角度出发，预测未来，说明在特定的智能水平上，机器首先增强人类，然后取代人类。
开发和设计机器的初衷是为了增强人类的能力（例如，在完成特定任务时提高生产力或效率）。然而，历史表明，随着机器在特定智能水平上超越人类，它们最终会变得自主，在没有人类帮助的情况下完成任务。
在 19 世纪的工业革命中，我们看到装配线等制造技术增强了非熟练机械工人将零件组装在一起的能力，大大提高了生产效率。随着这种大规模生产系统不断发展成为机械人工智能，机器往往可以自动完成那些重复性的机械任务，并完全取代非熟练机械工人。因此，我们将看到广泛的纯机器生产，如智能无人工厂。
在 "硬服务"（即思维）经济中，我们看到，思维
在 "软服务"（即感觉）经济中，我们看到，感觉人工智能（如语音分析）可对呼叫中心座席与客户的对话进行实时分析，并提供最佳应对建议。随着自然语言处理技术的发展，这种技术不仅能识别客户情绪，还能模拟人声对客户情绪做出回应，一些公司已经使用这种系统来呼叫潜在客户，取代人工座席（Luo 等，2019 年）。Huang、Rust 和 Maksimovic（2019 年）详细阐述了由于三种人工智能智能的出现，经济从物理、思维到感觉的这种迁移。Rust 和 Huang（2021 年）以不同时代的技术为驱动力，全面阐述了这种经济转型。
这一简短的历史勾勒表明，机器与人的关系可能涉及增强和/或替代：当新一代技术被发明出来时（即颠覆性技术），它往往会增强人的能力，但随着技术的成熟（即成为主流技术），它往往可以在该智能水平上胜过人类，并能自主完成该智能水平上营销功能的所有任务。当这种情况发生时，机器与人类的关系就变成了
这一一般原则提供了一种机制，说明为什么特定水平的人工智能可以增强或取代
讨论
从营销者和消费者的角度来看，这套一般原则为营销者、消费者和研究人员提供了以下启示，以便在不同程度的
对营销人员的影响
根据这三套一般原则来优化、管理和提升协作智能，意味着将人工智能用于营销功能应该是战略性的：不应该以数据或技术为主导，也就是说，在营销人员或消费者可能还没有准备好的时候，使用市场上现有的任何
优化协作智能
GP1 指出，当前的人工智能在机械智能和分析智能方面具有相对优势，而
任何营销职能通常都涉及需要差异智能的任务。一般来说，营销职能中机械性和分析性较强的任务，如提供服务（Huang 和 Rust，2021a；Mende 等人，2019 年）或个性化推荐（如 Chung、Rust 和 Wedel，2009 年；Chung、Wedel 和 Rust，2016 年），就越能使用人工智能。
另外，营销职能中的情境性、直观性和移情性任务越多，如服务互动（Huang 和 Rust 2021a；Kidwell 等 2020）、营销战略制定（Huang 和 Rust 2021b）或个人健康服务（Longoni、Bonezzi 和 Morewedge 2019），就越应该使用 HI。具体来说
在机械层面，人工智能可以自动执行非情境任务，同时支持人工智能执行情境任务。例如，一些餐厅使用智能设备让顾客自己下单。虽然这种方法对于主要关注运营效率的快餐店来说很好，但对于高端餐厅来说可能并不理想，因为在高端餐厅，情境互动和个性化服务是用餐体验的一个组成部分。此外，正如在开发 GP2a 时所讨论的那样，对于人类员工不希望或难以完成的任务，机械人工智能可以提供帮助。
在思维层面，人工智能可以自动进行数据分析，同时支持人工智能的直觉（如创造力）。例如，人工智能可用于细分（细分识别）、定向（细分推荐）和定位（细分共鸣）（Huang 和 Rust，2021b）。然而，有时营销人员却反其道而行之，过分依赖分析，削弱了人类直觉的重要性。例如，雷克萨斯汽车 2018 年的 "直觉驱动"（Driven by Intuition）广告使用了机器学习技术，通过学习 15 年的豪华车广告来制作广告脚本。广告很吸引眼球，感觉很丰富，但消费者细分和汽车的价值主张却显得模糊不清，这说明人类直觉在创作有效广告中的作用可能被低估了。
在感觉层面，人工智能可以自动进行情感分析，同时支持营销人员与客户进行互动和沟通。正如对人工智能-情感智能相对优势的讨论所揭示的那样，感受智能还不是人工智能的强项，但我们经常看到营销人员过于急切地将人工智能用于感受任务，例如让聊天机器人进行呼出营销，劝说客户续订理财计划，结果当客户意识到自己是在与机器人对话时，就会产生不适感（例如，Luo 等人，2019 年）。这表明，与不成熟的将分析型人工智能用于直觉类似，营销人员应认识到人类感觉智能的价值，并使用各级人工智能智能来增强人类感觉智能。
管理协作智能
GP2 原则为如何在特定情报等级和不同情报等级之间管理营销协作情报提供了具体指导。
一般来说，机械人工智能可用于增强不可取任务的情境
在机械层面，利用人工智能完成人类不希望完成的营销任务。GP2a 对零售等服务营销有影响，因为处理实物商品是机械人工智能的强项。并不是所有的机械营销任务都是一样的；有些任务的背景更复杂，机械人工智能更难以完成。由于共同生产的性质，这些任务大多是服务任务。这就造成了一种情况，即使是机械服务任务，只要是非情境性的，机械人工智能都可以应用；最有可能的是让机器去做更危险或不受欢迎的任务，或者是人类做不好的任务。
在思维层面，利用数据和分析进行营销创新。GP2b 对人工创新和创造力有直接影响。数据和分析可以为创新提供动力，例如，快时尚行业的产品生命周期明显较短，需要依靠预测分析来设计新的服装和配饰。营销人员的直觉能力，如开发新的市场定位，也可以由数据分析提供动力。
在感觉层面，认识人类感觉智能的价值。GP2c 意味着人类感觉智能的优越性。营销的各个领域都需要感觉智能，但营销人员有时倾向于强调思维智能（如分析），而不是感觉智能（如与客户感同身受）。这一普遍原则强调，有必要确定那些情感丰富的营销任务，并让具有感觉智能的员工在不同智能水平的
逐步增强协作智能
GP3 提出了 "人工智能在特定智能水平上首先增强然后取代
另一个考虑因素是，在执行营销任务时，
在这两种情况下，当
对消费者的影响
了解人工智能与智能互补带来的消费机遇和制约因素
与营销人员相比，消费者可能不太了解
在这些消费场景中，如果消费者能够更好地理解人工智能
使用正确的人工智能协助消费
消费者可以从使用不同智能水平的
在机械层面，利用人工智能节省机械消费任务的时间和精力。使用机械人工智能可以节省消费者在枯燥、常规或不受欢迎的任务上花费的时间和精力。GP2a 认为，即使是在机械消费方面，消费者也可以从机械人工智能中获益；例如，各种智能自助服务（如自助签到和退房、自助服务终端）可以让消费者控制何时何地享受服务，智能家电可以监测并告知消费者消费状态，从而将消费者从这些日常事务中解放出来，专注于那些与情境相关的机械消费，如健身或在一家不错的餐厅用餐。例如，带有传感器、摄像头和物联网连接的智能冰箱可以自动补充消费者的食品库存，将消费者从枯燥乏味的（在冠状病毒时代可能是危险的）食品购物中解放出来。物联网
节省下来的时间可以用于（情境）机械活动。另一方面，消费者应避免削弱
在思维层面，增强消费直觉、判断和决策。GP2b 意味着消费者可以通过使用机械和分析型人工智能应用来增强消费直觉。在日常生活中，我们已经广泛依赖于这两类人工智能应用，例如使用智能吸尘器打扫房间，使用电脑工作和智能手机生活。相比感觉层面，我们更习惯于这一层面的增强。一个重要的注意事项是，要认识到分析型人工智能和直观型
在感觉层面，增强消费体验和情感。GP2c 显示了消费者使用不同智能水平的人工智能来增强感觉智能的价值。营销人员已经利用各种人工智能应用来了解消费者的情绪，而消费者也可以利用人工智能应用来了解自己的情绪，帮助自己更好地管理情绪。例如，消费者可以使用 VR/AR 来增强消费体验，使用生理设备来更好地了解自己对消费或营销刺激的情绪反应，使用情感分析来监测和指导良好的消费行为，如健康饮食。在现实应用中，消费者正在使用心理助理机器人来获得心理安慰，例如 Replika 人工智能可以模仿消费者的交流风格，几乎就像消费者找到了世界上最了解自己的人一样。
了解人工智能-HI 增强-替代二元性，以委托消费任务
从消费者的角度来看，这种双重性有助于他们决定哪些消费任务委托给
例如，在机械层面，消费者过去使用传统的直立式吸尘器来帮助他们完成家庭清洁工作，而现在他们可以将这些清洁工作完全委托给配备了编程功能的机器人吸尘器来自主完成清洁工作。
例如，在思维层面，在电子营销的早期，许多零售商或第三方供应商提供价格或产品比较服务，帮助消费者以合适的价格选择合适的产品，而现在，许多零售商推进到人工智能推荐引擎，为消费者提供个性化的电影、新闻或歌曲列表，无需消费者输入选择标准（即不只是提供信息供消费者决定）。从这个意义上说，分析产品信息以匹配消费者偏好的任务由推荐引擎自动完成，消费者只需点击即可欣赏电影、新闻或歌曲。
例如，在感觉层面，消费者往往依靠网上的评分，如其他消费者给餐厅打了多少星，或者阅读有关餐厅的评论来决定去哪家餐厅就餐。现在，有了先进的机器学习方法来自动分析消费者的心情，智能手机中的面部表情识别应用就可以根据消费者的心情、天气数据、餐厅偏好、类型和菜单以及地理距离等综合因素，向消费者推荐吃什么，让消费者不用再为有什么可吃的而发愁，尤其是当消费者心情特殊时（比如太难过了，什么都不想吃）。也就是说，结合消费者的心情，食物或餐厅的选择已经委托给了人工智能。
对研究人员的影响
我们的一般原则是营销和消费者研究人员进一步探索如何优化、管理和增强协作智能的起点。
人工智能与智能的相对优势
由于缺乏对多元智能这一事实的关注，这一普遍原则受到的研究关注相对较少。主流观点认为，只有一种智能（思维智能，即智商），而
对消费的影响。Rust 和 Huang（2012 年）在企业层面研究了技术进步带来的劳动力-自动化权衡及其对生产率的长期影响，还需要更多的研究进行不同层面的分析，以了解
研究人员还可以通过实证研究消费者对人工智能与智能互补所带来的机遇和制约因素的反应。消费者对人工智能能为他们做什么的反应可能是理性的，因为他们了解人工智能的优势和制约因素；也可能是非理性的，因为他们误解了人工智能能补充他们的智力能力。通过实证研究消费者在不同互补情景下对使用
探索将多元智能用于协作智能的创新方法也很有价值。
AI-HI 合作
营销研究人员对这类合作进行了更广泛的研究，但往往没有认识到存在多种智能，低级
在机械层面，在解决如何将人工智能用于不受欢迎的员工和消费者任务时，研究人员可以探索如何更好地捕捉情境数据，从而增强人工智能的机械能力，解决机械人工智能可以实现情境化的边界条件，以实证方法研究作为协作基础的营销和消费任务的不可取性，并在情境中定性地探索人工智能与人工智能的交互，以深入了解最佳协作方式。例如，达文波特等人（2020 年）认为，与目前正在开发的任务自动化相比，情境感知是更高层次的人工智能，可能会从根本上改变市场营销。
在思维层面，在解决如何利用数据和分析性人工智能增强直觉
在情感层面，在解决如何利用人工智能提高人类情商的问题时，研究人员可以通过实证研究人工智能实现情感结果的能力，如参与度、满意度和体验；探索捕捉情感数据和情感人工智能建模的方法（如情感大数据和分析）；进行场景实验或模拟，以了解未来的情感合作场景，这应超越测量消费者对人形机器人的反应或对
人工智能-人机交互的增强-替代二元性
这一一般原则在管理学和经济学中得到了最多的研究关注，前者强调增强（例如，如何利用机器提高人类工人和组织的效率和效力），后者强调替代（例如，计算机自动化取代了非熟练的制造业劳动力）。我们指出，真正的决策通常不是在增强或替代之间做出选择，而更多的是何时进行替代（当
因此，对于市场营销研究人员来说，主要的研究问题将集中在管理这种双重性上，并研究这种双重性对市场营销和消费的影响。具体来说就是
人类对人工智能自动化的准备程度可以通过经验进行调查。有些消费者比其他人准备得更充分。例如，年轻一代可能比年长一代在技术上准备得更充分，而有技能的人可能更容易接受 "感觉经济"（Huang 和 Rust，2019 年；Rust 和 Huang，2021 年）。准备程度可以是指
利用面板或时间序列分析，可以了解
技术就绪指数是将这些人工智能时间序列纳入消费者层面调查的一个经验性实例。
人工智能与智能在智能水平、营销条件和消费者之间的差距，可以通过经验来衡量。不同智力水平、营销条件和消费者之间的差距有多小才是可以容忍的，不太可能放之四海而皆准。因此，需要在考虑到这些因素的情况下，根据经验对容忍阈值进行调查。这种调查还有助于决定哪些相对优势对人类来说是贴纸。
贡献和结论
我们以理论、当前和未来的人工智能应用、先前和当前的人工智能营销研究以及多学科文献为基础，为协作智能营销制定了一个框架。该框架连接了战略营销和人工智能技术视角，并平衡了营销人员和消费者的视角。我们探讨了营销人员和消费者在不同智能水平上协同使用人工智能的方式，并为包括营销人员、消费者和研究人员在内的广泛利益相关者提供了启示。
参考资料
Antons、David 和 Christoph F. Breidbach（2018 年），《大数据，大洞察？用机器学习推进服务创新与设计》，《服务研究期刊》，21 (1)，17-39。
Autor, David (2014), Polanyi's Paradox and the Shape of Employment Growth, NBER working paper.
Autor, David H. and David Dorn (2013), "The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market," American Economic Review, 103 (5), 1553-97.
Balducci, Bitty and Detelina Marinova (2018)，"营销中的非结构化数据"，《营销科学学院学报》，46 (4)，557-90。
Berger、Jonah、Ashlee Humphreys、Stephan Ludwig、Wendy W. Moe、Oded Netzer 和 David A. Schweidel (2019)，《团结部落：利用文本获取营销洞察力》，《营销杂志》，84 (1)，1-25。
Chintagunta, Pradeep, Dominique M. Hanssens 和 John R. Hauser (2016)，"社论--营销科学与大数据"，《营销科学》，35 (3)，
Cholle, Francis P. (2011), What is Intuition, and How do We Use It?, (August 31).https://www.psychologytoday.com/us/blog/ the-intuitive-compass/201108/what-is-intuition-and-how-do-we-use-it
Chung、TuckSiong、Michel Wedel 和 Roland T. Rust (2016)，《使用社交网络的自适应个性化》，《营销科学学院学报》，44 (1)，66-87。
Chung、TuckSiong、Roland T. Rust 和 Michel Wedel (2009)，《我的移动音乐：数字音频播放器的自适应个性化系统"，《营销科学》，28 (1)，52-68。
Cockburn, Iain M., Rebecca Henderson and Scott Stern (2018), The Impact of Artificial Intelligence on Innovation, NBER working paper.
达文波特、托马斯-H.和朱莉娅-柯比（2015 年），《超越自动化》，《哈佛商业评论》，6 月刊，59-65 页。
Davenport、Thomas、Abhijit Guha、Dhruv Grewal 和 Timna Bressgott（2020 年），《人工智能将如何改变营销的未来》，《营销科学学会期刊》，48 期，24-42 页。
Davis、Ernest 和 Gary Marcus (2015)，《人工智能中的常识推理和常识知识》，《ACM 通信》，58 (9)，93-103。 de Bellis、Emanuel 和 Gita Venkataramani Johar (2020)，《自主购物系统：识别和克服消费者采用的障碍》，《零售杂志》，96（1），74-87。
Dzyabura、Daria 和 John R. Hauser (2019)，《当消费者了解自己的偏好权重时推荐产品》，《营销科学》，38 (3)、
Frey、CarlBenedikt 和 Michael A. Osborne（2017 年），"就业的未来：How Susceptible Are Jobs to Computerisation?" Technological Forecasting and Social Change, 114 (January), 254-80.
Fügener, Andreas, J.örn Grahl, Alok Gupta and Wolf Ketter (2020), Will Humans-in-the-Loop Become Borgs?与人工智能合作的优点和陷阱》，明尼苏达州周五 IS 研讨会。4月10日
Gabbott、Mark、Yelena Tsarenko 和 Wai Hoe Mok (2011)，《服务失败情况下情绪智力对应对策略和服务结果的调节作用》，《服务研究期刊》，14 (2)，234-48。
加德纳、霍华德（1983 年），《思维框架》：多元智能理论》，纽约：Basic Books.
Gill, Tripat (2020)，《都怪自动驾驶汽车：自动驾驶汽车如何改变消费者道德观》，《消费者研究杂志》，47 (2)，272-91。
戈尔曼，丹尼尔（1996 年），《情商》：Why It Can Matter More than IQ, London: Bloomsbury Publishing.
Golembiewski、Lauren（2019），《可穿戴人工智能将如何放大人类智能》，《哈佛商业评论》，（4 月），https://hbr.org/2019/04/ how-wearable-ai-will-amplify-human-intelligence
Grewal、Dhruv、Anne L. Roggeveen 和 Jens Nordfalt (2017)，《零售业的未来》，《零售杂志》，93 (1)，1-6。
Grewal、Dhruv、John Hulland、Praveen K. Kopalle 和 Elean Karahanna (2020)，《技术与营销的未来：多学科视角》，《营销科学学会期刊》，48，1-8。
Guo、Junpeng、Wenxiang Zhang、Weiguo Fan 和 Wenhua Li (2018)，"Combining Geographical and Social Influences with Deep Learning for Personalized Point-of-Interest Recommendation，" Journal of Management Information Systems，35 (4)，1121-53。
Hall, Zachary R., Michael Ahearne and Harish Sujan (2015)，"The Importance of Starting Right：准确直觉对销售人员与客户互动绩效的影响》，《营销杂志》，79（3），
Hartmann, Jochen, Juliana Huppertz, Christina Patricia Schamp 和 Mark Heitmann (2019)，"自动文本分类方法比较"，《国际营销研究期刊》，36 (1)，20-38。
Hasford、Jonathan、Blair Kidwell 和 David M. Hardesty (2018)，《情感能力与联想学习：体验和推理情绪如何影响评价条件》，《消费者研究杂志》，45，743-60。
Hewett、Kelly、William Rand、Roland T. Rust 和 Harald van Heerde (2016)，"Brand Buzz in the Echoverse"，《营销杂志》，80 (3)，1-24。
Hoffman, Donna L. and Thomas P. Novak (2018)，"物联网中的消费者和物体体验：组装理论方法》，《消费者研究杂志》，44 (6)，1178-204。
Huang, Ming-Hui and Roland T. Rust (2018)，"人工智能在服务中的应用"，《服务研究期刊》，21 (2)，155-72。
和
(2021a), "Engaged to a Robot?人工智能在服务中的作用》，《服务研究期刊》，24 (1)，
和
(2021b), "A Strategic Framework for Artificial Intelligence in Marketing," Journal of the Academy of Marketing Science, 49, 30-50
Huang, Ming-Hui, Roland T. Rust and Vojislav Maksimovic (2019), "The Feeling Economy：下一代人工智能（AI）中的管理》，《加州管理评论》，61（4），43-65。
Humphreys、Ashlee 和 Rebecca Jen-Hui Wang (2018)，《消费者研究的自动文本分析》，《消费者研究期刊》，44 (6)，
Jarrahi，Mohammad Hossein（2018），"人工智能与未来工作：组织决策中的人机共生"，《商业视野》，61（4），577-86。
Johnston，Katie（2019），根据 ACSI，Netflix 和视频流在客户满意度方面扩大了对订阅电视的领先优势，《2018-2019 年 ACSI 电信报告》。
卡尼曼、丹尼尔和阿莫斯-特沃斯基（1979 年），《前景理论：风险下的决策分析》，《计量经济学》，47 (2)，263-92。
Kawaguchi、Kohei、Kosuke Uetake 和 Yasutora Watanabe (2019)，《时间和人群压力下的产品推荐效果》，《营销科学》，38 (2)，253-73。
Kidwell、Blair、Virginie Lopez-Kidwell、Christopher Blocker 和 Erick M. Mas (2020)，"物以类聚，人以群分：消费者互动中的情感能力相似性》，《消费者研究杂志》，47，215-36。
Kim、SeoYoung、Bernd H. Schmitt 和 Nadia M. Thalmann (2019)，《不思议谷中的伊丽莎：将消费机器人拟人化可增加其感知温暖度，但会降低喜爱度，"《营销通讯》，30 (1)，1-12。
Kleinberg, Jon, Himabindu Lakkaraju, Jure Leskovec, Jens Ludwig and Sendhil Mullainathan (2018)，"人类决策与机器预测"，《经济学季刊》，133 (1)，237-93。
Kurzweil, Ray (2005)，《奇点临近》，纽约：维京出版社。
李曦、史梦泽和王昕（2019），《视频挖掘：使用自动方法测量视觉信息》，《国际营销研究期刊》，36，216-31
Liebman, Elad, Maytal Saar-Tsechansky and Peter Stone (2019)，"The Right Music at The Right Time: Adaptive Personalized Playlists based on Sequence Modeling，" MIS Quarterly, 43 (3)，765-86。
Liedke，Lindsay（2020 年），《7 款最佳营销自动化软件和工具助您拓展业务》，4 月 15 日。Bloggingwizard. https://bloggingwizard.com/ marketing-automation-tools/
Liu、Jia 和 Olivier Toubia (2018)，《从在线搜索查询估算消费者内容偏好的语义方法》，《营销科学》，37 (6)，930-52。
Liu、Xiao、Param Vir Singh 和 Kannan Srinivasan（2016），《利用云计算对非结构化大数据进行结构化分析》，《营销科学》，35 (3)，363-88
Longoni, Chiara, Andrea Bonezzi and Carey K. Morewedge (2019), "Resistance to Medical Artificial Intelligence," Journal of Consumer Research,
Lu, Shasha, Li Xiao and Min Ding (2016)，"基于视频的服装自动推荐系统（VAR）"，《营销科学》，35 (3)，484-510。
罗学明、童思良、方正和曲哲（2019），《前沿》：机器与人类：人工智能聊天机器人信息披露对客户购买的影响》，《营销科学》，38（6），937-47。
马绍辉和罗伯特-菲尔德斯（2021 年），《利用 MeataLearning 进行零售销售预测》，《欧洲运筹学报》，288 期，111-28 页
Malone, Thomas W. (2018)，《人机 "超脑 "如何重新定义未来工作》，《麻省理工学院斯隆管理评论》，59 (4)，34-41。
Marchand, Andre 和 Paul Marx (2020)，《基于偏好解释的自动产品推荐》，《零售杂志》，96 (3)，
Mende、Msrtin、Maura L. Scott、Jenny van Doorn、Dhruv Grewal 和 Ilana Shanks (2019)，《服务机器人崛起：仿人机器人如何影响服务体验并引发消费者补偿性反应》，《营销研究期刊》，56（4），535-56。
Misra、Kanishka、Eric M. Schwartz 和 Jacob Abernethy (2019)，《使用多臂匪徒实验的不完全信息动态在线定价》，《营销科学》，38 (2)，226-52。
Mohr，Jakki（2020 年），专栏：创新文化能否与数据驱动的世界共存？https://www.ama.org/marketing-news/column-can-a-culture-ofinnovation-co-exist-with-a-data-driven-world/?MessageRunDetailID= 1462197049&PostID=12403334&utm_medium=email&utm_source= rasa_io
神经科学》（2019 年），《自然》，https://www.nature.com/subjects/neuroscience
诺瓦克、托马斯-P.和唐娜-L.-霍夫曼（2019），《物联网中的关系之旅：A New Framework for Understanding Interactions between Consumers and Smart Objects（理解消费者与智能物体之间互动的新框架），Journal of the Academy of Marketing Science，47，216-37。
Ordenes, F. Villarroel, Stephen Ludwig, Ko De Ruyter, Dhruv Grewal and Martin Wetzels (2017)，"揭开写在星星上的东西：Analyzing Explicit, Implicit, and Discourse Patterns of Sentiment in Social Media," Journal of Consumer Research, 43 (6), 875-94.
Pavlov, Ivan Petrovich (1960)，《条件反射》，纽约：多佛尔出版社。
Petit, Olivia, Carlos Velasco and Charles Spence (2019)，"数字感官营销：将新技术融入多感官在线体验》，《互动营销期刊》，45（2月），42-61。
Petty, Richard E. and John T. Cacioppo (1986)，"The Elaboration Likelihood Model of Persuasion"，Advances in Experimental Social Psychology, 19、
Puntoni, Stefano, Rebecca Walker Reczek, Markus Giesler and Simona Botti (2020)，"消费者与人工智能：市场营销期刊》，http://dx.doi.org/10.1177/0022242970951847
Raisch, Sebastian 和 Sebastian Krakowski (2020)，"人工智能与管理：自动化-增强悖论》，《管理学院评论》，http://dx.doi.org/10.5465/2018.0072
Russell, Stuart J. and Peter Norvig (2009)，《Artificial Intelligence：现代方法》，第 3 版：Prentice Hall.
Rust, Roland T. and Ming-Hui Huang (2014)，"服务革命与营销科学的变革"，《营销科学》，33 (2)，206-21。
(2021), The Feeling Economy: How Artificial Intelligence Is Creating the Era of Empathy, Palgrave-Macmillan.
Rust, Roland T., William Rand, Ming-Hui Huang, Andrew T. Stephen, Gillian Brooks and Timur Chabuk (2020), A Brand Reputation Tracker Using Social Media, Working paper
Shim, Jung P., Joon Koh, Steven Fister and H.Y. Seo (2016)，"语音分析技术与大数据：真实世界案例》，《ACM 通信》，59 (2)，84-90。
斯金纳、布鲁斯-弗雷德里克（1938 年），《生物的行为》：实验分析》，牛津：阿普顿-世纪
萨顿、戴夫（2018 年），《人工智能如何帮助一家零售商拓展新客户》，《哈佛商业评论》，（5 月），https://hbr.org/2018/05/how-aihelped-one-retailer-reach-new-customers
Tirunillai、Seshadri 和 Gerard J. Tellis (2012)，《喋喋不休真的重要吗？用户生成内容的动态性与股票表现》，《营销科学》，31 (2)，198-215。
van Doorn, Jenny, Martin Mende, Stephanie Noble, John Hulland, Amy Ostrom, Dhruv Grewal and A. Petersen (2017)，"Domo Arigato Mr. Roboto：组织前线自动化社交存在的出现与客户的服务体验》，《服务研究期刊》，20 (1)，43-58。
Voss, Glenn B. 和 ZannieGiraud Voss (2000)，《艺术环境中的战略导向和企业绩效》，《营销杂志》，64 (1)，
Wedel、Michel 和 P.K. Kannan (2016)，《数据丰富环境下的营销分析》，《营销杂志》，80 (6)，97-121。
Wirtz, Jochen, Paul G. Patterson, Werner H. Kunz, Thorsten Gruber, Lu Vinh Nhat, Stefanie Paluch and Antje Martins (2018)，"勇敢的新世界：前线服务机器人》，《服务管理杂志》，29 (5)，907-31。
Wright, Peter (2002), "Marketplace Metacognition and Social Intelligence," Journal of Consumer Research, 28 (March), 677-82.
袁玲瑶（常春藤）和艾伦-R-丹尼斯（2019），《像人类一样行动？电子商务中的拟人化与消费者的支付意愿》，《管理信息系统期刊》，36（2），450-77。
本研究得到了台湾科技部的资助（106-2410-H-002-056-MY3 和 1072410-H-002-115-MY3）。- 通讯作者：
电子邮件地址：huangmh @ ntu.edu.tw（M.-H. Huang），rrust@rhsmith.umd.edu（R.T. Rust）。
1 我们将营销职能与任务之间的关系定义为：营销职能包括多项任务，就像消费活动包括多项任务一样。这与工作和任务之间的关系类似，一项工作包含多项任务。人工智能的增强或替代从根本上说发生在任务层面（Huang 和 Rust，2018 年）。
Huang 和 Rust（2018 年）考虑了四种人工智能智能：机械智能、分析智能、直觉智能和移情智能；Huang、Rust 和 Maksimovic（2019 年）将分析智能和直觉智能合并为 "思考 "人工智能。我们遵循三级框架，但也会在必要时提及思维型人工智能的两个子类型。分析型智能和直觉型智能之间的区别有时很重要，因为分析型智能比直觉型智能对人工智能来说 "更容易"，后者需要研究人员称之为一般智能或 "通用人工智能"（Kurzweil，2005 年）。
当人工智能与 HI 几乎一样智能，但成本更低时，人工智能也可以取代 （Rust 和 Huang，2014 年）。