Прошлое, настоящее и будущее искусственного интеллекта в маркетинге и управлении знаниями

Это перевод оригинальной статьи авторов: Реза Марви (Бизнес-школа Астон, Университет Астон, Бирмингем, Великобритания), Пантеа Форуди (Бизнес-школа Брунеля, Лондонский университет Брунеля, Лондон, Великобритания) и Мария Тереза Куомо (факультет экономики и статистики, Университет Салерно, Салерно, Италия).

Цель этой статьи — исследовать, как искусственный интеллект (ИИ) влияет на маркетинг в рамках управления знаниями. Мы рассмотрим, как технологии ИИ помогают принимать решения на основе данных, улучшают коммуникацию в бизнесе, повышают уровень персонализации для клиентов, оптимизируют маркетинговые кампании и увеличивают общую эффективность маркетинга.

В нашем исследовании мы применяем количественные и системные методы. Используются анализ цитирования, интеллектуальный анализ текста и анализ совместного цитирования, чтобы выявить ключевые направления исследований и проследить эволюцию ИИ в маркетинге. Этот комплексный подход помогает устранить недостатки в существующих эмпирических исследованиях о влиянии ИИ на маркетинг и его будущем развитии.

В ходе исследования мы выделили три ключевые модели, которые лежат в основе использования ИИ в маркетинге:

На основе этих моделей мы разработали концептуальную основу для управления, которая определяет направления будущих исследований и расширяет существующую литературу по ИИ и маркетингу в контексте управления знаниями.

Это исследование предлагает новую концептуальную модель, которая объединяет искусственный интеллект и маркетинг в рамках управления знаниями. Мы открываем новые направления для исследований и даем целостное представление о том, как ИИ может улучшить обмен знаниями, стратегическое планирование и принятие решений в области маркетинга.

Искусственный интеллект (ИИ) является важной областью в сфере маркетинга и бизнеса, которая в последнее время привлекает значительное внимание. Хотя Алан Тьюринг в 1950 году начал исследование этой темы, задав вопрос «Может ли машина мыслить?», до недавнего времени она оставалась недостаточно изученной. В последние годы появилось множество статей, посвященных ИИ, каждая из которых имеет свою концептуальную основу и уникальную направленность, но редко рассматривается в контексте управления знаниями (KM) 12.

Исследования, связанные с ИИ, создают разнообразную и сложную картину его применения в быстро меняющейся маркетинговой среде 3. Однако многие из этих исследований проводились независимо друг от друга, с ограниченным взаимодействием между специалистами по маркетингу и исследователями менеджмента. Например, маркетологи редко анализируют социально-экономическое влияние ИИ, тогда как исследователи менеджмента могут быть не знакомы с комплексными моделями внедрения технологий. Это разделение может препятствовать прогрессу в данной области. Цель этой статьи — представить комплексный обзор исследований, связанных с ИИ, и разработать концептуальную карту предметной области в контексте управления знаниями 4.

Рост интереса к ИИ также привел к увеличению числа метаанализов и обзорных статей 5. Эти исследования обобщают эмпирические данные и выявляют общие темы, однако они имеют свои ограничения. Во-первых, они часто фокусируются на узком подмножестве предметной области и используют качественные методы для анализа ограниченного числа статей. Во-вторых, ни метаанализы, ни обзоры литературы не учитывают влияние отдельных научных работ на развитие области, что затрудняет создание более значимого исследования в будущем. Интеграция ИИ в маркетинг может существенно изменить способы обработки и анализа знаний о стратегиях, предпочтениях клиентов и маркетинговых тенденциях 6.

Используя методы цитирования и интеллектуального анализа текста, мы стремимся предоставить подробный обзор литературы по ИИ и предложить концептуальную модель для будущих исследований. Это позволит выявить различные точки зрения, сформировавшие интеллектуальную основу литературы по ИИ. Понимание литературы по ИИ критически важно для формирования новых направлений исследований в области маркетинга и управления знаниями 7.

Таким образом, наше исследование направлено на решение трех взаимосвязанных задач:

В следующих разделах мы подробно рассмотрим эти вопросы и объясним нашу методологию.

Искусственный интеллект (ИИ) в маркетинге становится все более важным инструментом для компаний, стремящихся улучшить свои бизнес-процессы и взаимодействие с клиентами. Исследователи определяют ИИ как совокупность программ и систем, которые имитируют человеческое поведение и познание, используя такие технологии, как машинное обучение, обработка естественного языка и нейронные сети. Эти инструменты позволяют ИИ эффективно анализировать данные, учиться на их основе и адаптироваться к изменениям в окружающей среде.

В области маркетинга ИИ классифицируется на три категории:

ИИ активно используется для решения различных задач в маркетинге:

С развитием технологий ИИ ожидается дальнейшее расширение его применения в маркетинге. Ожидается, что автоматическое распознавание эмоций и более сложные системы анализа данных станут ключевыми направлениями развития. Это позволит компаниям не только лучше понимать своих клиентов, но и предсказывать их потребности, создавая более эффективные маркетинговые стратегии.

Таким образом, искусственный интеллект уже сейчас играет важную роль в трансформации маркетинга, предоставляя компаниям инструменты для повышения эффективности и улучшения взаимодействия с клиентами.

В этом исследовании использовались подходы на основе совместного цитирования и интеллектуального анализа текста для оценки области знаний и выявления когнитивной структуры, чтобы понять, как концепции искусственного интеллекта (ИИ) и маркетинга организованы. Применение этих методов также помогает уменьшить предвзятость исследователей.

Сначала был проведен анализ цитирования, который позволяет измерить влияние и взаимодействие научных дисциплин, изучая историческое развитие области ИИ. Этот анализ показал, как различные исследования интегрировали концепцию ИИ в свои работы. Затем использовался интеллектуальный анализ текста с помощью инструмента Leximancer для выявления ключевых тем и концепций в области ИИ.

Таким образом, сочетание этих методов обеспечивает более глубокое понимание структуры знаний в данной области и способствует выявлению новых направлений для исследований.

Чтобы определить наиболее подходящие ключевые слова для исследования, мы сначала связались с экспертами в области искусственного интеллекта (ИИ) в бизнесе и управлении. Результатом этого этапа, а также тщательного анализа недавних статей об ИИ, стали ключевые слова, которые мы использовали в нашем исследовании. Мы выделили такие термины, как «ИИ», «искусственный интеллект», «интеллектуальная автоматизация», «антропоморфизм», «робототехника», «роботы», «сервисные роботы», «социальные роботы», «чувствующие роботы», «механический ИИ», «мыслящий ИИ» и «чувствующий ИИ».

Все выбранные ключевые слова были проанализированы на основе публикаций в базе данных Web of Science (WOS) за период с 1970 по 2021 год. Несмотря на то что 1950 год часто считается началом исследований в области ИИ, в WOS нет статей, опубликованных до 1970 года, поэтому мы выбрали этот год в качестве отправной точки.

WOS является одним из наиболее полных источников для библиометрических исследований, позволяя одновременно выполнять поиск в различных научных областях. Исследования показывают, что WOS предоставляет более полные данные в области менеджмента и бизнеса по сравнению с другими базами данных, такими как Scopus и Google Scholar.

Мы ограничили поиск статьями, относящимися к бизнесу и управлению, чтобы сосредоточиться на наиболее релевантных публикациях. Мы убедились, что статьи:

В результате было получено 1129 публикаций. Затем мы исключили редакционные заметки, главы книг и менее релевантные тексты, которые не прошли экспертную оценку (N = 141). После этого мы изучили оставшиеся статьи и исключили те, где ИИ упоминается исключительно как методология или где тема не связана с ИИ. В итоге мы определили 502 статьи для дальнейшего анализа.Мы провели анализ цитирования (как исторический, так и кластерный) по основным публикациям, чтобы выявить ключевые направления исследований в области ИИ и маркетинга.

Согласно общепринятой практике, анализ цитирования проводится не по самим основным статьям (т. е. 502 статьям, найденным в Web of Science), а по статьям, на которые они ссылаются (Foroudi и др., 2021; Zupic и Čater, 2015). Основная идея анализа цитирования заключается в том, что цитирование показывает взаимосвязь между цитирующими и цитируемыми статьями (Donthu и др., 2021), предоставляя бумажный след связей между авторами, научными сообществами и идеями, который может помочь визуализировать область исследований (Di Stefano и др., 2010). Совместные цитирования возникают, когда два источника цитируются в третьем документе, при этом частота совместных цитирований указывает на наиболее влиятельные статьи в области исследований.

Поскольку наша выборка состоит из 502 статей с более чем 30 000 цитируемых источников, мы не можем включить все источники в наш анализ. Поэтому, следуя предыдущим исследованиям (Samiee and Chabowski, 2021; Wilden и др., 2017), мы установили пороговое значение количества цитирований для визуализации. В предыдущих исследованиях не было конкретного порогового значения, поэтому для нашего анализа мы определили разные пороговые значения (как низкие, так и высокие). Затем мы использовали эти уровни в качестве отправной точки для проведения нашего анализа. В соответствии с Zupic и Čater (2015), нашей целью было исключить все статьи, которые не были ключевыми для нашей визуализации, но всё же могли дать значимое представление об области исследований. После тестирования различных пороговых значений мы включили в наш исторический анализ все статьи, получившие не менее четырёх цитирований (n = 35). Порог для нашего второго анализа был выше, так как в нашей выборке было больше цитируемых статей с более высоким общим количеством цитирований (n = 66).

Для нашего второго анализа мы использовали метод Лувенской модульности для определения кластеров тесно связанных статей. Согласно Ламбиоттуи др. (2008), коэффициент разрешения может помочь исследователям настроить чувствительность алгоритма. Меньшее значение коэффициента разрешения приведёт к образованию меньшего (по количеству статей) и большего количества кластеров, а большее значение приведёт к образованию меньшего количества кластеров большего размера. Чтобы найти подходящее количество кластеров, мы протестировали различные коэффициенты разрешения, начиная со значения по умолчанию 1,0. Мы оценивали качество результатов по параметру модульности и считали удовлетворительной только кластеризацию с модульностью выше 0,4.

Анализ цитирования и оценка совместного цитирования являются важными методами в исследовательской практике, позволяющими понять взаимосвязи между научными статьями и их влиянием на область знаний. Согласно общепринятой практике, анализ цитирования проводится не по основным статьям (в данном случае 502 статьям, найденным в Web of Science), а по статьям, на которые они ссылаются. Это позволяет визуализировать связи между авторами, научными сообществами и идеями, что в свою очередь помогает выявить наиболее влиятельные работы в исследуемой области.

Совместные цитирования возникают, когда два источника упоминаются в третьем документе. Частота таких совместных цитирований служит индикатором влияния статей в рамках определенной темы. Поскольку наша выборка состоит из 502 статей с более чем 30 000 цитируемых источников, мы установили пороговое значение для включения источников в анализ. В результате тестирования различных пороговых значений мы решили включить статьи, получившие не менее четырех цитирований (n = 35) для исторического анализа и более высокий порог для второго анализа (n = 66).

Для второго анализа мы использовали метод Лувенской модульности для определения кластеров статей с тесными взаимосвязями. Коэффициент разрешения этого метода позволяет настраивать чувствительность алгоритма: меньшие значения приводят к образованию большего количества кластеров меньшего размера, тогда как большие значения создают меньше кластеров, но большего размера. Мы протестировали различные коэффициенты разрешения и оценивали качество результатов по параметру модульности, считая удовлетворительной только кластеризацию с модульностью выше 0,4.

Таким образом, использование анализа цитирования и совместного цитирования позволяет глубже понять структуру знаний в области ИИ и маркетинга, выявляя ключевые исследования и их взаимосвязи.

В ходе нашего исследования был проведен анализ цитирования, который позволил понять историческую эволюцию направлений исследований в области искусственного интеллекта (ИИ). Кроме того, был осуществлен текстовый анализ для выявления основных тем и концепций, связанных с ИИ и маркетингом. Полученные результаты предоставляют полное представление о текущем состоянии сферы ИИ и подтверждают первые два исследовательских вопроса:

Эти результаты демонстрируют, как различные исследования и публикации взаимодействуют друг с другом, а также выявляют ключевые направления и тенденции в области ИИ.В разделе обсуждения мы сосредоточимся на третьем исследовательском вопросе:

Это позволит нам глубже проанализировать полученные данные и предложить рекомендации для будущих исследований.

Давным-давно началось развитие искусственного интеллекта (ИИ), и с тех пор он прошёл несколько этапов. В этой статье мы расскажем, как ИИ развивался в маркетинге и бизнесе, и как он стал важным инструментом для улучшения взаимодействия с клиентами и повышения эффективности компаний.

ИИ прошёл путь от простого инструмента для автоматизации до сложной системы, которая помогает компаниям лучше понимать своих клиентов, оптимизировать процессы и оставаться конкурентоспособными. Каждый этап развития ИИ вносил что-то новое: сначала это была замена человеческого труда, затем — усиление возможностей людей, а сейчас — создание интегрированных решений, которые работают в связке с другими технологиями и людьми.

Таким образом, ИИ стал не просто технологией, а важной частью современного бизнеса, которая продолжает развиваться и открывать новые возможности.

В последние годы наблюдается активное развитие исследований в области искусственного интеллекта (ИИ). Это связано с увеличением количества научных работ и разнообразием тем, которые оказывают влияние на эту область. Исследования в ИИ часто пересекаются с другими научными направлениями, что позволяет заимствовать и развивать существующие теории и методы. Значение исследований в ИИ Изучение того, как распространяются исследования в области ИИ, помогает лучше понять его влияние на маркетинг и управление знаниями. Мы проанализировали статьи, которые упоминают исследования в ИИ, и провели анализ их совместного цитирования. Это дало возможность выделить пять групп статей, каждая из которых представляет отдельную область исследований и показывает связь ИИ с другими направлениями. Структура анализа На рисунке 2 представлена сеть ссылок на исследовательские статьи. Узлы на этом рисунке обозначают отдельные статьи, а связи между ними показывают силу их взаимосвязи на основе количества совместных цитирований. Размер узлов указывает на количество цитирований в выбранных статьях. Сетевой алгоритм помогает определить положение статей в зависимости от силы их связей, а близость кластеров указывает на взаимосвязь между различными направлениями исследований. Будущее исследований На основании проведенного анализа мы выделили множество направлений для будущих исследований, акцентируя внимание на конкретных областях знаний для каждого периода. Это поможет углубить понимание ИИ и его применения в различных сферах.

Исследования в этой группе сосредоточены на факторах, влияющих на принятие или неприятие искусственного интеллекта (ИИ). Антропоморфизм, то есть наделение нечеловеческих объектов человеческими чертами, играет важную роль в том, как потребители взаимодействуют с ИИ. Это явление не ограничивается лишь физическими характеристиками, но также включает в себя приписывание человеческих способностей и эмоций. Например, антропоморфизм может удовлетворить потребность людей в социальных связях и контроле при взаимодействии с ИИ (Эпли и др., 2007).

Однако, несмотря на положительные аспекты антропоморфизма, он может вызывать негативные реакции. Примеры таких реакций включают «теорию сверхъестественного» (Мори, 1970) и «отвращение к алгоритмам» (Дитворст и др., 2015), которые подчеркивают чувство тревоги или неловкости при использовании ИИ.

Направления для будущих исследований

Ранние исследования показывают, что потребители склонны сопротивляться новым технологиям, особенно если они воспринимаются как рискованные или жизненно важные для идентификации (Longoni et al., 2019; Castelo, 2019). Будущие исследования могут сосредоточиться на том, как персонализация может помочь преодолеть это сопротивление и улучшить восприятие ИИ в различных сферах, таких как здравоохранение.Таким образом, кластер 1 подчеркивает важность антропоморфизма в понимании того, как потребители принимают или отвергают технологии ИИ, а также предлагает многообещающие направления для дальнейших исследований.

Кластер 2 включает исследования, посвященные тому, как искусственный интеллект (ИИ) влияет на путь клиента. Эти исследования подчеркивают, что ИИ может значительно улучшить качество клиентского опыта и повысить эффективность компаний, предлагая инновационные возможности (Taghizadeh и др., 2018; Sukumar и др., 2020). Путь клиента формируется через взаимодействие с различными сервисами, и это взаимодействие охватывает процессы, взаимодействия и результаты. Важно понимать, что ожидают потребители от взаимодействия с ИИ и как эти ожидания влияют на их удовлетворенность и принятие решений.

Направления для будущих исследований

В целом, кластер 2 подчеркивает важность использования ИИ для оптимизации пути клиента. Это не только улучшает клиентский опыт, но и создает возможности для более глубокого анализа потребительского поведения и повышения эффективности бизнеса.

Кластер 3 посвящен возможностям, которые предоставляет искусственный интеллект (ИИ) для управления взаимоотношениями с клиентами (CRM). Исследования в этом направлении акцентируют внимание на том, как ИИ может помочь в идентификации, привлечении, удержании и развитии клиентов. Ученые, такие как Tong и др. (2020), подчеркивают, что ИИ способен создавать сверхперсонализированные пути покупателя, что открывает новые горизонты для исследований в области управления знаниями.

Направления для будущих исследований

Таким образом, кластер 3 подчеркивает значимость использования ИИ в CRM для повышения качества обслуживания клиентов и эффективности бизнеса. Однако необходимо дальнейшее изучение как возможностей, так и рисков, связанных с этой технологией.

Кластер 4 включает статьи, посвященные сервисным роботам и их социально-экономическому влиянию, особенно в сфере туризма. Исследования фокусируются на том, как развитие искусственного интеллекта (ИИ) изменяет рынок труда и бизнес-процессы, а также на внедрении автоматизированных систем, которые могут понимать и реагировать на различные ситуации (Мерфии и др., 2019; Тунг и Лоу, 2017). Эти статьи подчеркивают, что с появлением ИИ могут изменяться иерархические структуры компаний и модели коммуникации.

Взаимодействие с сервисными роботамиИсследования в этом кластере анализируют восприятие и убеждения клиентов относительно сервисных роботов, рассматривая их как инструменты взаимодействия. Однако существует путаница в том, как измерять взаимодействие ИИ с клиентами, особенно в контексте антропоморфизма. В некоторых работах антропоморфизм рассматривается как характеристика ИИ, а в других — как реакция потребителя (Choi и др., 2020). Это противоречит традиционному пониманию антропоморфизма как субъективной интерпретации потребителя.

Кластер 4 подчеркивает важность понимания того, как ИИ может служить инструментом для улучшения взаимодействия с клиентами. Однако для этого необходимо устранить существующие теоретические путаницы и разработать более четкие методы оценки взаимодействия между людьми и роботами.

Кластер 5 акцентирует внимание на влиянии различных типов искусственного интеллекта (ИИ) на маркетинговые решения. Исследования в этом направлении рассматривают механический и интеллектуальный ИИ, которые помогают в сборе данных и маркетинговом анализе соответственно. Механический ИИ, например, может автоматизировать процесс сбора данных с использованием Интернета вещей (IoT) (Ng and Wakenshaw, 2017; Wedel and Kannan, 2016), в то время как интеллектуальный ИИ помогает выявлять конкурентные преимущества продуктов.

Теория замещенияХуан и Раст (2018) предложили теорию замещения, согласно которой ИИ может сначала заменять некоторые служебные задачи, а затем полностью брать на себя рабочие функции. Это открывает новые горизонты для адаптивной персонализации, основанной на машинном обучении.

Кластер 5 демонстрирует значительное влияние ИИ на будущее труда и адаптивной персонализации в маркетинге. Исследования в этой области могут помочь компаниям лучше понимать потребности клиентов и адаптировать свои стратегии для повышения вовлеченности и лояльности.

Для анализа влияния искусственного интеллекта (ИИ) на маркетинг и бизнес был применен метод интеллектуального анализа текста с использованием программного обеспечения Leximancer. Результаты показывают взаимосвязь между ИИ и ключевыми темами в литературе, позволяя выявить концептуальные идеи и онтологии (Biesenthal and Wilden, 2014).

Эти направления исследований помогут глубже понять влияние ИИ на маркетинг и бизнес-процессы, а также оптимизировать взаимодействие с клиентами в условиях растущей автоматизации.

Наше исследование расширяет существующие знания об искусственном интеллекте (ИИ) в маркетинге, объединяя библиометрический анализ и методы интеллектуального анализа текста. В отличие от предыдущих работ, таких как исследование Хуанга и Руста (2018), сосредоточенных на улучшении обслуживания клиентов и персонализации, мы выявляем значительное влияние ИИ на управление знаниями и организационную среду (Джафари-Садегхии и др., 2022).

Мы предлагаем комплексную программу исследований, основанную на концептуальной модели, охватывающей новые темы в области ИИ и маркетинга в контексте управления знаниями (RQ3). Основные направления включают:

Таким образом, наше исследование подчеркивает необходимость дальнейшего изучения роли ИИ в маркетинге и управления знаниями. Понимание этих взаимосвязей поможет компаниям более эффективно использовать технологии ИИ для достижения конкурентных преимуществ и улучшения взаимодействия с клиентами.

Определение искусственного интеллекта (ИИ) в литературе о потреблении является сложной задачей, поскольку существует множество интерпретаций этого термина. Исторически, концепция разумной машины начала развиваться с обсуждений Тьюринга о программировании машин для игры в шахматы. С тех пор, несмотря на растущую популярность статей об ИИ, общепринятого определения не существует, что создает фрагментарность в понимании этой концепции.

С учетом стремительного развития технологий и их внедрения в различные сферы жизни, четкое определение ИИ становится особенно важным. Мы предлагаем рассматривать ИИ как совокупность систем, способных обучаться, прогнозировать и действовать независимо. Это включает в себя как аппаратные средства для автоматизации процессов, так и алгоритмы машинного обучения для адаптации к изменениям в окружающей среде.

Таким образом, для последовательного накопления знаний о ИИ в контексте потребления важно разработать ясное и четкое определение этой концепции. Это поможет избежать путаницы и позволит исследователям более эффективно изучать влияние ИИ на маркетинг и потребительское поведение.

Общая цель развития каждой области науки заключается в расширении фундаментальной теории, что также актуально для искусственного интеллекта (ИИ). Для достижения целостного взгляда на теоретическое развитие важно интегрировать три теоретические точки зрения: микро-, мезо- и макро-.

Ключевым выводом из нашего анализа является необходимость интеграции всех трех теоретических основ для раскрытия их полного потенциала. Рекомендуется:

Переход от микро- к мезо- или макроподходу может быть сложным из-за необходимости нахождения реальных примеров использования ИИ. Однако использование экспериментальных методов может облегчить этот процесс, позволяя исследователям выбирать контекст по своему усмотрению. Таким образом, интеграция различных теоретических подходов в изучение ИИ может значительно обогатить понимание его роли в маркетинге и бизнесе.

Комплексный взгляд на развитие искусственного интеллекта (ИИ) в маркетинге и бизнесе включает три основных подхода: посредник, инструмент и система. Эти подходы помогают понять, как ИИ может быть интегрирован в различные аспекты бизнеса, а также предсказать возможные будущие вопросы, с которыми столкнутся специалисты.

Объединение различных точек зрения (система и посредник) с инструментальной точки зрения позволит создать более полное понимание влияния ИИ на бизнес-процессы. Это поможет не только в разработке эффективных стратегий внедрения ИИ, но и в прогнозировании будущих изменений в маркетинге и бизнесе. Важно продолжать исследования в этой области, чтобы адаптироваться к быстро меняющимся технологиям и требованиям рынка.

Ориентация на искусственный интеллект (ИИ) в маркетинге и бизнесе представляет собой важную область исследований, охватывающую различные аспекты влияния ИИ на принятие решений клиентами. В этом контексте выделяются два подхода: комплексный и косвенный.

Согласно комплексному подходу, различные контекстуальные аспекты ИИ, такие как индивидуальные, корпоративные и общественные факторы, влияют на принятие технологий клиентами. Ключевыми аспектами являются:

Предыдущие исследования в основном сосредоточены на индивидуальных аспектах, таких как готовность потребителей, и аспектах ИИ, таких как автономность. Однако они часто игнорируют корпоративные и социальные факторы.

Согласно косвенному подходу, уровень значимости задач может влиять на реакцию клиентов на внедрение ИИ. Задачи с эмоциональной нагрузкой и субъективностью важны для идентичности потребителя. Например:

Исследования могут сосредоточиться на влиянии значимости задач на когнитивные реакции клиентов. Важно различать значимые задачи с измеримыми результатами и несущественные задачи, зависящие от мнений потребителей.

Будущие исследования должны учитывать различия в принятии решений людьми и изучать взаимосвязь между значимостью задачи, антропоморфной реакцией потребителя и типом интеллекта. Это поможет глубже понять влияние ИИ на поведение клиентов и оптимизировать стратегии его внедрения в бизнесе.

Исследование роли видовой дискриминации, идентификации и персонализации в контексте искусственного интеллекта (ИИ) предоставляет интересные перспективы для дальнейших исследований. В частности, с учетом того, что ИИ становится все более человекоподобным, важно изучить, как видовая дискриминация может влиять на взаимодействие клиентов с ИИ.

Кавиолаи и др. (2019) определяют видовое неравенство как «разный моральный статус, присущий по умолчанию, основанный исключительно на принадлежности индивида к определённому виду». Это понятие может быть связано с теорией «зловещей долины», которая объясняет, почему потребители могут испытывать дискомфорт при взаимодействии с ИИ, который выглядит слишком человекоподобно. Исследования в области маркетинга могут сосредоточиться на том, как видовое неравенство влияет на восприятие ИИ и его принятие клиентами, а также на последствия для сферы обслуживания.

Предыдущие исследования не всегда учитывали, как потребители могут идентифицировать себя с ИИ. Согласно классическим теориям межгрупповых отношений, когнитивное сходство играет ключевую роль в формировании социальной идентификации. Будущие исследования могут систематически изучать различные аспекты идентификации с ИИ и проверять их взаимосвязь. Это может включать исследование факторов, способствующих идентификации потребителей с различными типами ИИ (например, механическим или эмоциональным).

Персонализация является важным аспектом взаимодействия между ИИ и потребителями. Предыдущие исследования показали, что персонализация может влиять на принятие клиентами ИИ в таких областях, как здравоохранение (Hoffman and Novak, 2018). Однако в литературе отсутствует комплексное понимание этого влияния. Будущие исследования могут ответить на вопросы о том, как персонализация влияет на принятие клиентами ИИ на разных этапах взаимодействия и как она соотносится со значимостью задач.

Таким образом, исследование ролей видовой дискриминации, идентификации и персонализации в контексте ИИ открывает множество важных вопросов для будущих исследований. Углубленное понимание этих аспектов поможет оптимизировать внедрение технологий ИИ и улучшить взаимодействие с клиентами.

Принятие клиентами искусственного интеллекта (ИИ) является важной темой в исследованиях, охватывающей различные аспекты, такие как тип интеллекта, антропоморфные реакции и путь потребителя. Это можно рассмотреть через три подхода: инструментальный, посреднический и системный.

В рамках инструментального подхода исследуется, как потребители используют различные типы ИИ для выполнения различных задач. Например, ИИ может выступать в роли замещающего инструмента, который помогает клиентам в повседневных задачах, таких как покупки или получение информации. Важно учитывать, как разные типы ИИ (например, чат-боты или голосовые помощники) влияют на принятие решений клиентами.

Посреднический подход фокусируется на антропоморфных реакциях потребителей к ИИ. Исследования могут выявить, почему некоторые индивидуальные реакции более положительны, чем другие. Например, восприятие теплоты или компетентности ИИ может значительно повлиять на уровень доверия клиентов. Будущие исследования должны учитывать не только эмоциональные и когнитивные аспекты, но и сенсорные и социальные реакции на технологии ИИ.

Системный подход рассматривает интеграцию ИИ на разных этапах пути потребителя. Это включает в себя изучение того, как ИИ может улучшить взаимодействие с клиентами на всех этапах — от осведомленности до покупки и послепродажного обслуживания. Важно понять, как технологии ИИ могут оптимизировать клиентский опыт и повысить удовлетворенность.

Таким образом, принятие клиентами искусственного интеллекта требует комплексного анализа с учетом различных подходов. Понимание этих аспектов поможет компаниям более эффективно интегрировать технологии ИИ в свои бизнес-процессы и улучшить взаимодействие с клиентами.

В последнем блоке литературы по искусственному интеллекту (ИИ) рассматривается влияние технологий на макро-, мезо- и микроуровни. Объединяя различные точки зрения, предполагается, что внедрение ИИ должно оказывать влияние на результаты на этих уровнях (Грануло и др., 2021; Гуркайнак и др., 2016; Хуан и др., 2019; Лю и др., 2020; Макридакис, 2017; Сепехри и др., 2021; Сингх и др., 2021; Сохрабпур и др., 2021).

Во многих исследованиях изучалось влияние антропоморфных реакций на результаты, однако комплексный взгляд на влияние принятия потребителями на результаты остается недостаточно исследованным. Для восполнения этого пробела предлагается изучить микропоказатели, такие как удовлетворенность и лояльность, которые связаны с положительными результатами. Для мезорезультатов эффективность компании можно оценить с помощью денежных показателей, таких как доля рынка и рентабельность.

Учитывая развитие методов измерения эффективности ИИ (Samaha и др., 2014), дополнительные показатели, такие как ценность отношений, могут предоставить более полное представление об эффективности на мезоуровне. Исследователи часто сосредоточивались на микро- и мезоуровневых результатах, игнорируя влияние ИИ на макроуровень (Granulo и др., 2021). Влияние ориентации на потребителя на макроуровне было ограничено экономическим масштабом, а другие результаты изучались в меньшей степени.

Мы рекомендуем исследователям рассматривать эффективность как совокупность различных категорий результатов. Для этого необходимо четко определить конструкцию результатов и обосновать выбор. Будущие исследования должны использовать несколько категорий результатов. Например, воспринимаемое качество следует измерять как отдельную переменную результата — прибыль.

Наш обзор литературы показывает, что в исследованиях ИИ не использовались различные категории результатов. Поскольку область исследований ИИ все еще развивается, многие взаимосвязи результатов (например, готовность платить) требуют дальнейшего внимания.

Исследователи могут начать с изучения влияния сервисных роботов на восприятие бренда. Важно отметить, что исследования микрорезультатов должны учитывать как положительные, так и отрицательные взаимосвязи.Таким образом, комплексный подход к исследованию влияния ИИ на различные уровни может привести к более глубокому пониманию его воздействия на бизнес-процессы и клиентское взаимодействие.

Наше первое ограничение связано со статьями, которые мы выбрали для включения в анализ данных. Несмотря на то, что для поиска статей мы использовали хорошо зарекомендовавший себя и заслуживающий доверия источник (список ABS), на наш подход неизбежно будет влиять субъективность научного восприятия. То есть предполагаемые различия могут влиять на то, какие статьи следует включить, а какие исключить. Чтобы решить эту проблему, мы попытались включить все статьи, получившие 4*, 4 или 3 звезды в списке ABS. Мы выбрали этот рейтинг из-за его охвата и с целью включения, при этом он обеспечивает достаточную строгость, чтобы мы могли сделать обоснованные выводы.

Во-вторых, в отличие от метаанализа, библиометрика — это обобщённый метод анализа определённой области литературы. Например, изучение цепочки исследований приведет лишь к широкому пониманию и выявлению только основных тем цепочки исследований. Однако после тщательного изучения цитируемых научных работ может возникнуть более комплексное и полное понимание предметной области. Более того, способность выявлять взаимосвязи между различными переменными на основе различных анализов ограничена. Результаты обычно дают несколько ключевых примеров возможностей, но у ученых также существуют широкие возможности для выбора направления своих исследований. Таким образом, обобщённая схема выявления фундаментальных предпосылок большого объёма работ является уникальной для каждого библиометрического анализа. Эту схему можно считать ограничением самого библиометрического метода.

В заключение, важно отметить, что библиометрические данные следует использовать с осторожностью и не рассматривать в качестве замены экспертного мнения; лучше использовать их для дополнения оценки качества исследовательской деятельности

Искусственный интеллект (ИИ) и маркетинг способны революционизировать многие аспекты бизнеса, включая обслуживание клиентов, разработку продуктов, управление цепочками поставок и многое другое. В предыдущих разделах мы уже рассмотрели, как ИИ влияет на эти процессы, а анализ научных исследований и текстов позволяет глубже понять его роль в управлении знаниями (KM).

Исследования показывают, что компании, эффективно использующие ИИ, могут значительно увеличить свою выручку, прибыльность и рыночную стоимость. Например, они быстрее реагируют на изменения рынка, лучше понимают своих клиентов и оптимизируют внутренние процессы. Всё это делает их более конкурентоспособными в условиях быстро меняющейся бизнес-среды.

Наше исследование предлагает новую концепцию, которая делит историческое развитие ИИ на три этапа:

Эта концепция не только объясняет, как ИИ развивался в маркетинге, но и предлагает направления для будущих исследований. Например, как компании могут лучше интегрировать ИИ в свои процессы, какие преимущества и challenges (вызовы) это принесёт, и как использовать ИИ для создания инновационных решений.

ИИ — это мощный инструмент, который может изменить структуру бизнеса, повысить его эффективность и помочь компаниям оставаться конкурентоспособными. Понимание того, как использовать ИИ, становится ключевым фактором успеха в современном мире. Наше исследование вносит вклад в эту область, предлагая новые идеи и направления для дальнейшего изучения. Эффективное внедрение ИИ позволяет компаниям не только экономить ресурсы, но и создавать уникальные возможности для роста и развития.

Исследование теоретических, практических и социальных последствий ИИ предоставляет ценную информацию для бизнеса, политиков и общества. Это помогает лучше понимать возможности и вызовы, связанные с ИИ, и разрабатывать стратегии, которые максимизируют преимущества технологий, минимизируя при этом их потенциальные риски. Внедрение ИИ с учётом этих аспектов способствует устойчивому развитию бизнеса и общества в целом.

Современные и прошлые исследования формируют будущие научные работы (Kuhn, 1996). Наше исследование является первым, в котором представлена теоретическая основа, основанная на различных распространённых взглядах на искусственный интеллект (ИИ), и в котором подчёркиваются потенциальные направления будущих исследований. Новизна этого исследования заключается в объединении различных тем, изучаемых в литературе по ИИ на сегодняшний день, что обеспечивает основу для будущих исследований.

Это исследование объясняет, что ориентация на ИИ влияет на оценку и результаты, демонстрируя, что в будущих научных работах должен преобладать интегративный подход. Темы, связанные с принятием технологий, технологической готовностью и возможностями предлагаемых компонентов концептуальной модели, служат основой для будущих исследований, расширяющих знания в области управления знаниями.В будущих исследованиях следует глубже изучить конкретные области, в которых ИИ может способствовать дальнейшему развитию маркетинга и управления знаниями. Одной из ключевых областей является персонализация клиентов с помощью ИИ. Исследования могли бы показать, как ИИ может повысить лояльность клиентов в разных сегментах рынка и оценить долгосрочные последствия для поведения потребителей и восприятия бренда. Продольные исследования и эксперименты могли бы измерить эффективность методов персонализации с помощью ИИ.

Ещё одна важная область — интеграция ИИ в управление знаниями для оптимизации процессов принятия решений и повышения эффективности (Олан и др., 2022; Резаи и др., 2023) в организациях. Это можно изучить на примере успешных внедрений ИИ и опросов специалистов по управлению знаниями для выявления проблем и передовых практик.

Этические последствия использования ИИ в маркетинге, такие как конфиденциальность данных и предвзятость алгоритмов, также требуют детального изучения. Исследования могли бы быть сосредоточены на восприятии потребителями этих этических проблем и разработке механизмов для обеспечения ответственного подхода к использованию ИИ. Этого можно было бы добиться с помощью качественных методов, таких как фокус-группы и глубинные интервью, а также разработки и тестирования этических механизмов с использованием методологий исследования действием.

Изучение влияния ИИ на динамику рабочей силы — ещё одно многообещающее направление. Исследования должны быть посвящены новым навыкам, необходимым сотрудникам, работающим с ИИ, и тому, как внедрение ИИ влияет на удовлетворённость работой и производительность. Исследования с использованием смешанных методов, сочетающих количественные опросы и качественные интервью, а также лонгитюдные исследования, могли бы дать полное представление об этой динамике.

Кроме того, изучение роли ИИ в оптимизации различных этапов взаимодействия с клиентами может дать ценные результаты. Для этих исследований подходящими методологиями будут полевые эксперименты и анализ отзывов клиентов и поведенческих данных.

Наконец, межкультурное применение ИИ в маркетинговых стратегиях представляет собой обширную область для будущих исследований. В ходе исследований следует изучить, как культурные различия влияют на принятие и эффективность ИИ в маркетинге, а также определить лучшие практики для внедрения стратегий на основе ИИ в различных культурных контекстах. Сравнительные исследования в разных культурных средах могут дать глубокое представление об этих различиях.

Изучая эти конкретные области с помощью подробных исследовательских вопросов и соответствующих методологий, будущие исследования могут значительно улучшить понимание и применение ИИ в маркетинге и управлении знаниями.

Источник: