客户如何看待机器人和真人给予的好消息/坏消息？

许多管理者担心，算法会疏远那些宁愿与真人打交道而不愿与机器人打交道的人。沃顿商学院教授庞托尼（Stefano Puntoni）的最新研究着眼于用户的态度是如何受到算法和人类决策的影响的。

当一家公司的代表做出有利于顾客的决定时，例如批准他们的贷款申请或黄金会员身份，客户会对该公司感觉良好。但当一个算法得出同样有利的结论时，那些温暖而模糊的感觉往往会消失。

这一令人惊讶的差别在一篇新的论文中被揭示出来，该论文研究了顾客对于人类还是电脑程序决定了他们的命运会有如何不同的反应。

在这项研究中，沃顿商学院市场营销教授斯特凡诺·庞托尼（Stefano Puntoni）和他的同事们发现，当客户从一个人那里得到积极的决定时，他们最开心；当通过算法做出积极的决定的时候，他们不太开心；当消息不好时，他们对人和机器都同样不开心。

庞托尼在接受采访时表示：“有趣的是，企业通常会告诉你，他们不愿意让算法来做决定，因为他们担心传递坏消息时会产生问题。但我们在研究中并没有发现这一点。事实上，当你传递的是好消息，但却是用算法来做决策，才会带来负面影响。”庞托尼在SiriusXM上的《沃顿每日商业评论》节目中如是表示。

研究人员认为，这一结果可以通过归因理论（attribution theory）来解释，归因理论是一个心理学术语，指的是人们如何诠释自己的经验和感知，以了解自己在世界上的位置。简单地说，人们有自我感觉良好的心理需求，这有助于将一个好的结果归因内化，将一个坏的结果归因外化。当一个真人代表公司批准客户提出的一项请求时，客户会将其归因于自己的模范行为、社会地位、优秀的信用评分或其对公司的价值。当决策者是机器人时，这就让他们很难如此归因。

“事实上，当你给客户提供好消息时，使用算法却会有负面效果。”—斯特凡诺·庞托尼

“这些公司的决策是对我们自身某些特征的诊断，”庞托尼说，“当一个真人做出决定时，人们会发现更容易将这些好的结果内化归因。现在他们得到了自己想要的东西，如果是真人做出这一决定会比算法更让他们感觉良好。

而当他们得到负面消息时，情况就不同了。消费者会将不良结果外化归因，以保护他们的自我价值感。

“我们发现，客户会责怪决策者为什么他们没有得到想要的东西。在这种情况下，无论是人还是机器做出的决定，他们都会感觉不满。他们只是使用不同的策略将结果归因外化。”

这篇题为《点赞还是抱怨：消费者对算法与人类决策的反应对比》（Thumbs Up or Down: Consumer Reactions to Decisions by Algorithms Versus Humans）的论文发表在8月版的《市场研究杂志》和最近的《麻省理工斯隆管理评论》上。其他共同作者有德克萨斯大学奥斯汀分校的亚尔辛教授（Gizem Yalcin）；伊利诺伊大学厄巴纳-香槟分校吉斯商学院林教授（Sarah Lim）；以及康奈尔大学的营销学教授奥塞莱尔（Stijn M.J. van Osselaer）。

对旧行为的重新审视

这篇论文记录了教授们用来测试他们理论的10项独立研究，其方法新颖。已经有大量的轶事和科学证据表明，客户对算法反感。如果有选择，消费者通常不喜欢机器人来管理服务投诉，也不愿意使用软件来获取医疗建议或预测股价。

但教授们想知道当客户别无选择时会发生什么。这是第一篇研究算法与人类决策如何影响客户态度对比的论文。

作者写道：“我们的研究背景具有管理学上的重要性。随着公司越来越多地部署算法来简化任务、降低成本和提高效率，经理们越来越担心使用算法决策会疏远客户。

“我们发现，客户会责怪决策者为什么他们没有得到自己想要的东西。”—斯特凡诺·庞托尼

庞托尼还指出了研究结果中的讽刺意味：“如果你仔细想想，算法应该比人类更客观、更公正。因此，如果算法说这是你应得的，也许这是你可以对自己做出的更好的推断。但我们发现人们并没有这样想。他们只是对真人给出好消息的反应比算法给出的反应更积极。

人性化机器人

公司可以做什么来减轻算法的负面后果？根据这项研究，一种解决方案是将机器人拟人化。将算法拟人化，使其看起来更像一个人，可能会让客户在收到正面消息时对结果感觉更好。

学者们通过一项研究测试了这一想法。参与者被告知他们正在向一家乡村俱乐部提交申请。根据具体情况，应用程序分别由1）机器人；2）名叫山姆的真人；或3）名叫山姆的卡通人物的算法进行审查。尽管所有应用程序都被接受，但当与真人打交道时，参与者对俱乐部的感觉更好，而与机器人打交道时则感觉更糟糕。但他们对真人和类人机器人的感觉也同样积极。

该论文指出，许多公司已经在尝试将算法和人类决策相结合的策略。但作者认为，仅仅让员工观察这些自动化功能是不够的；如果公司想要更好的客户反馈，真人需要积极地参与其中。

庞托尼还向那些依靠算法执行人力资源任务的公司提供了警示性指导，例如发送求职入围者名单或判断绩效。为这些任务部署算法可能会对整个公司产生影响。

他说：“我们发现，当用一种算法来决定员工的好坏时，人们会感到有点疏远和被物化，这可能会影响员工对公司和同事的感觉。”