1. Pengenalan
Penyebaran Industri 4.0 telah mempercepatkan integrasi Kecerdasan Buatan (AI) merentasi rantaian nilai perniagaan, dengan Pembantu Suara Berkuasa AI (AI VA) menjadi semakin lazim dalam interaksi manusia-sistem. Daripada "Shoebox" IBM pada 1962 kepada sistem moden seperti Siri, Alexa, dan Google Assistant, teknologi suara telah berkembang dengan ketara. Walau bagaimanapun, walaupun keupayaannya semakin meningkat, penerimaan pengguna menghadapi halangan psikologi dan teknologi. Kajian ini menangani jurang ini dengan menyiasat dua kuasa yang mendorong dan merencat penerimaan AI VA.
2. Kerangka Teoretikal
Penyelidikan ini mencadangkan model dua faktor baharu yang menggabungkan dua teori yang mantap: Bias Status Quo (SQB) dan Model Penerimaan Teknologi (TAM). Integrasi ini memberikan pandangan komprehensif tentang kedua-dua pendorong penentangan dan pemangkin penerimaan.
2.1 Faktor Bias Status Quo (SQB)
SQB menerangkan mengapa individu lebih suka mengekalkan tingkah laku semasa. Kajian ini mengkaji enam faktor SQB yang mempengaruhi penentangan:
- Kos Tenggelam: Pelaburan terdahulu dalam teknologi sedia ada.
- Pengelakan Penyesalan: Takut akan hasil negatif daripada pertukaran.
- Inersia: Keselesaan psikologi dengan rutin semasa.
- Nilai Dirasakan: Penilaian subjektif faedah berbanding kos.
- Kos Pertukaran: Usaha, masa, dan sumber yang diperlukan untuk berubah.
- Ancaman Dirasakan: Kebimbangan tentang teknologi baharu yang mengganggu kehidupan.
2.2 Faktor Model Penerimaan Teknologi (TAM)
TAM memberi tumpuan kepada faktor yang mendorong sikap positif terhadap teknologi:
- Kegunaan Dirasakan (PU): Kepercayaan bahawa teknologi meningkatkan prestasi.
- Kemudahan Penggunaan Dirasakan (PEOU): Kepercayaan bahawa menggunakan teknologi itu adalah mudah.
2.3 Integrasi Dua Faktor
Model bersepadu ini mengandaikan bahawa faktor SQB terutamanya mendorong penentangan terhadap AI VA, manakala faktor TAM mendorong sikap positif dan niat untuk menggunakan. Perspektif dua hala ini adalah penting untuk memahami landskap penerimaan yang lengkap.
3. Metodologi Penyelidikan
Pendekatan kuantitatif digunakan untuk menguji hipotesis yang dicadangkan.
3.1 Sampel dan Pengumpulan Data
Data dikumpulkan daripada sampel 420 peserta. Sampel ini bertujuan untuk mewakili asas pengguna yang pelbagai yang berpotensi berinteraksi dengan AI VA.
3.2 Pengukuran dan Analisis
Skala yang mantap daripada literatur terdahulu disesuaikan untuk mengukur konstruk SQB dan TAM. Analisis data dilakukan menggunakan Pemodelan Persamaan Struktur (SEM) dengan perisian seperti AMOS atau SmartPLS untuk menilai kesesuaian model dan kepentingan laluan hipotesis.
4. Keputusan dan Penemuan
Analisis SEM menghasilkan beberapa penemuan utama yang mencabar dan mengesahkan aspek teori sedia ada.
4.1 Keputusan Pemodelan Persamaan Struktur
- Inersia → Penentangan: Hubungan positif yang dihipotesiskan didapati tidak signifikan. Ini mencadangkan bahawa sekadar rutin mungkin bukan halangan kuat kepada penerimaan AI VA, bertentangan dengan beberapa jangkaan SQB.
- Nilai Dirasakan → Penentangan: Menunjukkan hubungan negatif dan signifikan. Nilai dirasakan AI VA yang lebih tinggi secara langsung mengurangkan penentangan, menekankan kepentingan menyampaikan faedah yang jelas.
- Faktor TAM → Sikap: Kedua-dua Kegunaan Dirasakan dan Kemudahan Penggunaan Dirasakan menunjukkan hubungan positif yang kuat dengan sikap terhadap AI VA, mengukuhkan paradigma teras TAM.
- Faktor SQB lain seperti Kos Tenggelam dan Kos Pertukaran menunjukkan hubungan positif signifikan dengan Penentangan, seperti yang dijangkakan.
4.2 Perbezaan Demografi
Kajian mendapati perbezaan signifikan dalam Inersia merentasi kumpulan jantina dan umur. Ini menunjukkan bahawa penentangan yang berakar daripada tabiat tidak seragam dan mesti ditangani dengan strategi tersegmen.
Saiz Sampel
420
Peserta Dianalisis
Penemuan Utama
Inersia Tidak Signifikan
Mencabar andaian SQB
Pendorong Teras
Nilai Dirasakan
Memberi kesan negatif kepada penentangan
5. Wawasan Utama dan Implikasi
Untuk Penyelidik: Kajian ini mengesahkan kekuatan pendekatan dua faktor. Ia menunjukkan bahawa model penerimaan mesti mengambil kira kedua-dua daya penarik (TAM) dan daya tolakan (SQB) secara serentak. Ketidaksignifikanan inersia memerlukan pemeriksaan semula operasionalisasinya dalam konteks digital.
Untuk Pengamal (Syarikat Teknologi): Untuk mengatasi penentangan, pemasaran dan reka bentuk mesti menangani ancaman dirasakan dan kos pertukaran secara agresif sambil memperkasakan nilai dirasakan. Mesej yang disesuaikan secara demografi diperlukan, kerana inersia memberi kesan berbeza kepada kumpulan. Meningkatkan PEOU dan PU kekal tidak boleh dirunding untuk membina sikap positif.
6. Butiran Teknikal dan Kerangka
Model struktur boleh diwakili sebagai sistem persamaan. Konstruk penentangan ($R$) dimodelkan sebagai fungsi faktor SQB, manakala sikap ($A$) adalah fungsi faktor TAM. Niat untuk Menggunakan ($IU$) adalah pemboleh ubah bersandar utama, dipengaruhi oleh kedua-dua $R$ dan $A$.
Persamaan Penentangan:
$R = \beta_1 SC + \beta_2 RA + \beta_3 I + \beta_4 PV + \beta_5 SW + \beta_6 PT + \zeta_1$
Di mana $SC$ ialah Kos Tenggelam, $RA$ ialah Pengelakan Penyesalan, $I$ ialah Inersia, $PV$ ialah Nilai Dirasakan, $SW$ ialah Kos Pertukaran, $PT$ ialah Ancaman Dirasakan, dan $\zeta$ ialah istilah ralat.
Persamaan Sikap:
$A = \beta_7 PU + \beta_8 PEOU + \zeta_2$
Persamaan Niat:
$IU = \beta_9 R + \beta_{10} A + \zeta_3$
Di mana $\beta_9$ dijangka negatif dan $\beta_{10}$ positif.
7. Keputusan Eksperimen dan Carta
Penerangan Carta (Hipotesis berdasarkan penemuan): Satu gambar rajah laluan akan mewakili keputusan SEM secara visual. Laluan signifikan (cth., Nilai Dirasakan → Penentangan) akan ditunjukkan dengan anak panah pejal, tebal dan nilai pekali piawai (cth., -0.35**). Laluan tidak signifikan (Inersia → Penentangan) akan ditunjukkan dengan anak panah putus-putus, kelabu berlabel "n.s." (tidak signifikan). Indeks kesesuaian model seperti CFI (Comparative Fit Index > 0.92), TLI (Tucker-Lewis Index > 0.90), dan RMSEA (Root Mean Square Error of Approximation < 0.08) akan dipaparkan, menunjukkan kesesuaian data yang baik dengan model dua faktor yang dicadangkan.
8. Kerangka Analisis: Contoh Kes
Kes: Melancarkan AI VA Baharu untuk Penjagaan Warga Emas
1. Gunakan Kanta SQB (Perencat):
- Kos Tenggelam: Pengguna mempunyai sistem amaran perubatan sedia ada yang mudah.
- Kos Pertukaran & Ancaman Dirasakan: Ketakutan tinggi terhadap kerumitan dan pencerobohan privasi.
- Inersia: Ikatan kuat dengan rutin biasa (penyelesaian teknologi rendah).
- Kegunaan Dirasakan: Bingkai sebagai peningkatan keselamatan (pengesanan jatuh, peringatan ubat).
- Kemudahan Penggunaan Dirasakan: Reka bentuk untuk arahan suara yang sangat mudah, tiada kebergantungan skrin.
9. Aplikasi dan Hala Tuju Masa Depan
1. Pengesahan Rentas Budaya: Model ini harus diuji dalam konteks budaya berbeza di mana faktor SQB seperti keengganan kerugian mungkin berbeza dengan ketara (dimensi Hofstede).
2. Integrasi dengan Model AI Lanjutan: Penyelidikan masa depan boleh menghubungkan persepsi pengguna dengan atribut teknikal khusus AI, seperti ketelusan (cth., seperti dibincangkan dalam kertas CycleGAN mengenai kebolehinterpretasian model generatif) atau keadilan dalam pembuatan keputusan algoritma. Adakah mengetahui AI menggunakan seni bina GAN atau Transformer mempengaruhi ancaman atau kegunaan dirasakan?
3. Kajian Longitudinal: Menjejaki bagaimana kekuatan faktor SQB dan TAM berubah apabila pengguna beralih daripada pendedahan awal kepada penggunaan biasa AI VA.
4. Aplikasi kepada Antara Muka AI Lain: Memperluas kerangka dua faktor kepada chatbot didorong AI, robot berbadan, atau antara muka realiti tertambah.
10. Rujukan
- Balakrishnan, J., & Dwivedi, Y. K. (2021a). Role of cognitive absorption in AI voice assistant use. Computers in Human Behavior.
- Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340.
- Dwivedi, Y. K., et al. (2021a). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research and practice. International Journal of Information Management.
- Samuelson, W., & Zeckhauser, R. (1988). Status Quo Bias in Decision Making. Journal of Risk and Uncertainty, 1, 7-59.
- Zhu, J.Y., Park, T., Isola, P., & Efros, A.A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). [External Authority - CycleGAN]
- MIT Technology Review. (2019). How voice assistants are changing our relationship with tech. [External Authority - Research Institution]
- Gartner. (2023). Hype Cycle for Artificial Intelligence. [External Authority - Research Firm]
11. Perspektif Penganalisis Industri
Wawasan Teras: Obsesi pasaran dengan perang ciri AI terlepas pandang. Penyelidikan ini menyampaikan kebenaran yang keras: penerimaan tidak dimenangi oleh siapa yang mempunyai algoritma paling pintar, tetapi oleh siapa yang paling baik mengemudi psikologi manusia tentang perubahan. Gergasi teknologi mencurahkan berbilion-bilion ke dalam R&D untuk keuntungan ketepatan marginal, manakala halangan sebenar—penentangan pengguna berakar daripada bias status quo—kekurangan dana dan kurang difahami.
Aliran Logik: Kehebatan kajian ini terletak pada kerangka dua kanta. Ia bukan sekadar bertanya "Apa yang menjadikan AI VA baik?" (sisi TAM), tetapi yang penting, "Apa yang membuatkan orang berpegang kepada cara lama, inferior mereka?" (sisi SQB). Penemuan bahawa inersia bukan penghalang signifikan adalah mengejutkan. Ia membayangkan bahawa pengguna bukan malas; mereka rasional. Jika proposisi nilai dihancurkan oleh kos pertukaran tinggi atau ancaman dirasakan, tiada jumlah kemudahan penggunaan akan menyelamatkan produk. Logiknya kejam: pertama, hapuskan halangan, kemudian perbesarkan faedah.
Kekuatan & Kelemahan:
- Kekuatan: Model ini elegan secara pragmatik. Ia memberi pengurus produk senarai semak yang jelas: untuk setiap faktor SQB, ada strategi mitigasi; untuk setiap faktor TAM, ada strategi peningkatan.
- Kekuatan: Penemuan demografi tentang inersia adalah lombong emas untuk pemasaran sasaran. Ia bergerak melangkaui mesej satu saiz untuk semua.
- Kelemahan: Sampel 420, walaupun mencukupi, mungkin tidak menangkap hujung melampau lengkung penerimaan—penolak keras atau pengguna awal hiper-berminat yang psikologinya berbeza secara radikal.
- Kelemahan Kritikal: Model ini memperlakukan "Ancaman Dirasakan" sebagai monolit. Pada 2024, persepsi ancaman adalah pelbagai dimensi: kebimbangan penggantian pekerjaan, privasi data (menggema perdebatan daripada kertas CycleGAN mengenai asal usul data), bias algoritma, dan juga risiko eksistensi. Pecahan terperinci diperlukan.
Wawasan Boleh Tindak:
- Pusing daripada Peta Jalan Berpusatkan Ciri kepada Berpusatkan Geseran: Peruntukkan "Sprint Pengurangan Geseran" untuk setiap "Sprint Penambahan Ciri". Ukur kejayaan dengan pengurangan dalam kos pertukaran dirasakan, bukan sekadar arahan suara baharu ditambah.
- Kuantifikasi "Nilai Dirasakan" dalam Metrik Keras: Bergerak melangkaui janji kabur. Untuk pembesar suara pintar, jangan katakan "memudahkan kehidupan"; tunjukkan "menjimatkan 15 minit setiap hari pada tugas rutin."
- Reka Bentuk untuk Pendaftaran "Lengkung Pembelajaran Sifar": Ketidaksignifikanan inersia bermakna pengguna akan bertukar jika halangan awal rendah. Labur dalam persediaan proaktif, sedar konteks yang memerlukan input pengguna minimum, memanfaatkan pembelajaran daripada penyelidikan UI adaptif.
- Tangani "Naga" "Ancaman" Berkepala Banyak Secara Awam: Terbitkan laporan ketelusan tentang penggunaan data secara proaktif (seperti label privasi Apple), labur dalam AI yang boleh dijelaskan (XAI) untuk menjelaskan keputusan, dan libatkan dalam wacana AI etika melangkaui PR. Senyap dianggap sebagai rasa bersalah.