《Journal of Service Research》:Managing Critical Frontline Agent–Customer Interactions: The Role of Service Recovery Explanations Across Artificial Intelligence and Human Agents
编辑推荐:
响应服务失败是组织前线面临的一项严峻考验,在这一环节,人类服务代理与日益增多的人工智能(AI)驱动的服务代理共同参与服务补救。尤其是当补救结果仅部分有利时,顾客可能会认为这些决策不明确或难以理解,从而可能损害他们对服务接触的评价。这就引发了一个问题:是否应该提
响应服务失败是组织前线面临的一项严峻考验,在这一环节,人类服务代理与日益增多的人工智能(AI)驱动的服务代理共同参与服务补救。尤其是当补救结果仅部分有利时,顾客可能会认为这些决策不明确或难以理解,从而可能损害他们对服务接触的评价。这就引发了一个问题:是否应该提供服务补救解释,如果是,应如何提供以及由谁来提供。为了解决这一实际需求和相关的研究空白,本文研究了服务补救解释对顾客补救后反应的影响。通过跨越多个服务行业的三项主要研究和三项补充研究,研究人员证明了服务补救解释能够通过培养对代理胜任力和温暖度的感知来提高顾客满意度和选择。然而,这些有益的影响取决于关键的权变因素:理由型解释优于借口型和辩护型解释,特定解释往往比一般解释更有效,且由AI服务代理提供的解释可能比人类服务代理提供的更具影响力。总体而言,本文推进了对服务补救沟通的理解,并为管理AI和人类中介的服务补救提供了可操作的指导。
在组织的前线服务界面中,企业越来越依赖人类代理和人工智能(Artificial Intelligence, AI)驱动的服务代理来管理服务补救等关键互动。当服务出现失败时,代理通常会基于退款政策和相关准则提出补救决策。然而,当补救结果不能完全令顾客满意时,这些决策在顾客看来可能显得模糊或不透明,从而可能削弱他们补救后的反应。同时,监管压力(如欧盟法规和认证标准)也促使部分企业开始解释这些决策的依据。然而,大多数企业在此问题上保持沉默。现有的服务补救文献主要关注对“服务失败”的解释,即探讨服务为何发生故障,却未能深入考察对“服务补救”本身决策的解释,即为何做出特定的补救决定。这一研究空白阻碍了对代理与顾客互动机制的深入理解。因此,开展此项研究对于明确服务补救解释的提供方式及其效果具有重要意义。研究人员开展了相关研究,揭示了服务补救解释对顾客反应的积极影响及其边界条件,该研究推进了对服务补救沟通的理解,并为管理AI和人类中介的服务补救提供了可操作的指导。该论文发表在《Journal of Service Research》。
研究人员为开展研究共进行了六项实验研究,包含三项主要研究和三项补充研究。所有研究均为在线实验,采用基于视频的刺激材料以确保代理与顾客互动的高度真实性。样本队列来源主要通过对Connect(CloudResearch)平台招募的消费者进行数据收集。研究跨越了酒店预订、金融贷款和医疗保健等多个服务行业。实验设计采用了主体间设计,通过操纵服务补救解释的有无、类型(理由型 vs. 借口型 vs. 辩护型)、具体性(低 vs. 高)以及来源(AI vs. 人类代理)等自变量,并测量了顾客满意度、选择意图、感知胜任力和感知温暖度等中介和因变量。研究还测量了初始满意度、失败归因和失败严重程度等控制因素。
研究结果部分如下:
服务补救解释的提供与解释类型的调节作用:在主要研究1中,研究人员在酒店预订场景下考察了提供解释及其类型对顾客满意度的影响。通过单因素方差分析(ANOVA),研究发现提供明确的服务补救解释能够显著提升顾客满意度,且这一效应在解释类型上存在显著差异。具体而言,理由型解释的效果显著优于借口型和辩护型。中介分析进一步表明,理由型解释通过同时增强感知胜任力和感知温暖度来提升满意度,而辩护型仅通过胜任力起作用,借口型仅通过温暖度起作用。这一结果验证了社会认知理论在服务补救沟通中的核心作用。
解释来源的调节作用:在主要研究2中,研究基于金融贷款场景,引入了人类代理和AI代理进行对比。方差分析结果显示,当解释由AI代理提供时,顾客满意度的提升幅度显著大于由人类代理提供。有调节的中介分析表明,这种效应在AI来源下通过感知胜任力和温暖度起作用,而在人类来源下中介效应不显著。这一发现支持了期望违背理论,表明由于顾客对AI代理的基线期望较低,AI提供透明的理由构成了积极的期望违背,从而引发了更有利的推断;而人类代理被默认具备相关能力,解释为其带来的边际诊断价值较低。
解释具体性的调节作用:在主要研究3中,研究同样在金融贷款场景下探究了高具体性与低具体性解释的效果。结果显示,高具体性解释在AI来源下显著提升了顾客满意度,而在人类来源下效果不显著。其内在机制主要通过感知胜任力而非感知温暖度发挥作用。补充研究进一步在医疗保健等高参与度行业验证了这些效应的稳健性,并将结果扩展到了真实的选择可能性测量上。
在讨论与结论部分,研究人员指出,本研究引入并理论化了“服务补救解释”这一新颖概念,将其与传统的“服务失败解释”在对象和功能上进行了明确区分。研究强调了前线代理在传达补救决策背后逻辑时的沟通作用,证明了解释不仅仅是操作上的附加项,而是为顾客创造价值的不可或缺的组成部分。研究结论表明,服务补救解释能够通过感知胜任力和温暖度两条社会认知路径改善顾客反应。然而,其有效性取决于解释的设计和传达者:理由型解释因同时激活胜任力和温暖度感知而最为有效;而借口型和辩护型仅能激活其中单一维度。此外,由于人类代理被默认认为是具备胜任力和温暖度的,解释为其带来的额外诊断价值有限;相反,常被刻板印象认为缺乏这些特质的AI代理(特别是具备机器学习能力的thinking AI)则能从解释中获益更多,甚至机械型AI可能会产生反效果。在管理启示方面,研究者建议管理者应将服务补救解释视为一种战略工具,优先采用理由型解释以提供透明度,并逐步向更具针对性的具体解释过渡。在AI主导的补救服务中嵌入解释,不仅能够改善服务结果,还能提升AI界面的拟人化水平和顾客信任度,从而优化组织前线的整体AI部署。