1. 引言
工业4.0的普及加速了人工智能在商业价值链中的整合，人工智能语音助手在人机交互中已无处不在。从1962年IBM的“鞋盒”到现代的Siri、Alexa和Google Assistant，语音技术已取得长足发展。然而，尽管其能力不断增强，用户采纳仍面临心理和技术障碍。本研究通过探究促进和抑制AI语音助手采纳的双重力量，来弥补这一研究空白。
2. 理论框架
本研究提出了一种新颖的双因素模型，整合了两个成熟理论：现状偏见和技术接受模型。这种整合为理解抵制驱动因素和采纳激励因素提供了全面的视角。
2.1 现状偏见因素
SQB解释了为何个体倾向于维持现有行为。本研究考察了影响抵制的六个SQB因素：
- 沉没成本：对现有技术的既往投入。
- 后悔规避：对转换技术可能带来负面结果的恐惧。
- 惯性：对当前惯例的心理舒适感。
- 感知价值：对收益与成本的主观评估。
- 转换成本：改变所需付出的努力、时间和资源。
- 感知威胁：对新技术可能扰乱生活的焦虑。
2.2 技术接受模型因素
TAM关注驱动对技术产生积极态度的因素：
- 感知有用性：认为该技术能提升绩效的信念。
- 感知易用性：认为使用该技术不费力的信念。
2.3 双因素整合
整合模型认为，SQB因素主要驱动对AI语音助手的抵制，而TAM因素则驱动积极态度和使用意向。这种双重视角对于理解完整的采纳图景至关重要。
3. 研究方法
采用定量方法来检验所提出的假设。
3.1 样本与数据收集
数据收集自420名参与者样本。该样本旨在代表可能与AI语音助手交互的多样化用户群体。
3.2 测量与分析
研究改编了先前文献中的成熟量表来测量SQB和TAM构念。使用AMOS或SmartPLS等软件进行结构方程建模分析，以评估模型的拟合度以及假设路径的显著性。
4. 结果与发现
SEM分析得出若干关键发现，这些发现挑战并确认了现有理论的某些方面。
4.1 结构方程模型结果
- 惯性 → 抵制：假设的正向关系被发现不显著。这表明，与某些SQB预期相反，单纯的惯例可能并非AI语音助手采纳的强大障碍。
- 感知价值 → 抵制：显示出负向且显著的关系。对AI语音助手更高的感知价值直接降低了抵制，突显了传达清晰收益的重要性。
- TAM因素 → 态度：感知有用性和感知易用性均显示出与对AI语音助手态度的强烈正向关系，强化了TAM核心范式。
- 其他SQB因素，如沉没成本和转换成本，如预期所示，与抵制显示出显著的正向关系。
4.2 人口统计学差异
研究发现，不同性别和年龄组在惯性上存在显著差异。这表明根植于习惯的抵制并非均质的，必须采用细分策略加以应对。
样本量
420
分析参与者数
关键发现
惯性不显著
挑战SQB假设
核心驱动
感知价值
负向影响抵制
5. 核心洞见与启示
对研究者的启示：本研究验证了双因素方法的效力。它表明，采纳模型必须同时考虑吸引力（TAM）和排斥力（SQB）。惯性的不显著性要求重新审视其在数字背景下的操作化定义。
对从业者（科技公司）的启示：为克服抵制，营销和设计必须积极应对感知威胁和转换成本，同时放大感知价值。由于惯性对不同群体的影响不同，需要针对人口统计学特征定制信息传递。增强感知易用性和感知有用性对于建立积极态度仍是不可或缺的。
6. 技术细节与框架
结构模型可以表示为一个方程组。抵制构念（$R$）被建模为SQB因素的函数，而态度（$A$）是TAM因素的函数。使用意向（$IU$）是最终的因变量，受$R$和$A$两者影响。
抵制方程：
$R = \beta_1 SC + \beta_2 RA + \beta_3 I + \beta_4 PV + \beta_5 SW + \beta_6 PT + \zeta_1$
其中$SC$为沉没成本，$RA$为后悔规避，$I$为惯性，$PV$为感知价值，$SW$为转换成本，$PT$为感知威胁，$\zeta$为误差项。
态度方程：
$A = \beta_7 PU + \beta_8 PEOU + \zeta_2$
意向方程：
$IU = \beta_9 R + \beta_{10} A + \zeta_3$
其中$\beta_9$预期为负，$\beta_{10}$预期为正。
7. 实验结果与图表
图表描述（基于研究发现的假设）：路径图将直观展示SEM结果。显著的路径（例如，感知价值 → 抵制）将以实心粗箭头和标准化系数值（例如，-0.35**）显示。不显著的路径（惯性 → 抵制）将以灰色虚线箭头显示，并标注“n.s.”（不显著）。模型拟合指数，如CFI（比较拟合指数 > 0.92）、TLI（Tucker-Lewis指数 > 0.90）和RMSEA（近似误差均方根 < 0.08）将被展示，表明数据与所提出的双因素模型拟合良好。
8. 分析框架：示例案例
案例：推出面向老年护理的新型AI语音助手
1. 应用SQB视角（抑制因素）：
- 沉没成本：用户已有简单的医疗警报系统。
- 转换成本与感知威胁：对复杂性和隐私侵犯的高度恐惧。
- 惯性：对熟悉惯例（低技术解决方案）的强烈依赖。
- 感知有用性：将其定位为安全增强器（跌倒检测、用药提醒）。
- 感知易用性：设计超简单的语音指令，不依赖屏幕。
9. 未来应用与方向
1. 跨文化验证：该模型应在不同的文化背景下进行测试，因为像损失规避这样的SQB因素可能存在显著差异（霍夫斯泰德文化维度）。
2. 与先进AI模型整合：未来的研究可以将用户感知与AI的具体技术属性联系起来，例如透明度（如CycleGAN论文中关于生成模型可解释性的讨论）或算法决策的公平性。了解AI使用GAN或Transformer架构是否会影响感知威胁或有用性？
3. 纵向研究：追踪当用户从初次接触到习惯性使用AI语音助手时，SQB和TAM因素强度的变化。
4. 应用于其他AI界面：将双因素框架扩展到AI驱动的聊天机器人、具身机器人或增强现实界面。
10. 参考文献
- 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). [外部权威 - CycleGAN]
- MIT Technology Review. (2019). How voice assistants are changing our relationship with tech. [外部权威 - 研究机构]
- Gartner. (2023). Hype Cycle for Artificial Intelligence. [外部权威 - 研究机构]
11. 行业分析师视角
核心洞见：市场对AI功能竞赛的痴迷偏离了重点。这项研究揭示了一个残酷的事实：采纳的胜利者并非拥有最智能算法的公司，而是最能驾驭人类变革心理的公司。科技巨头投入数十亿美元用于研发以获取边际精度提升，而真正的瓶颈——根植于现状偏见的用户抵制——却资金不足且被误解。
逻辑脉络：本研究的天才之处在于其双重视角框架。它不仅问“是什么让AI语音助手好用？”（TAM侧），更重要的是问“是什么让人们固守其陈旧、低效的方式？”（SQB侧）。惯性并非显著障碍这一发现是爆炸性的。它意味着用户并非懒惰；他们是理性的。如果价值主张被高转换成本或感知威胁所破坏，再多的易用性也无法拯救产品。其逻辑是无情的：首先消除障碍，然后放大收益。
优势与缺陷：
- 优势：该模型实用且优雅。它为产品经理提供了一个清晰的清单：针对每个SQB因素，制定缓解策略；针对每个TAM因素，制定增强策略。
- 优势：关于惯性的人口统计学发现是定向营销的金矿。它超越了“一刀切”的信息传递方式。
- 缺陷：420的样本量虽然足够，但可能未能捕捉采纳曲线中的极端群体——强烈抵制者或极度热情的早期采用者，他们的心理截然不同。
- 关键缺陷：该模型将“感知威胁”视为一个整体。在2024年，威胁感知是多方面的：工作替代焦虑、数据隐私（呼应CycleGAN论文中关于数据溯源的辩论）、算法偏见，甚至存在性风险。需要进行更细致的分解。
可操作的洞见：
- 从功能中心转向摩擦中心路线图：为每个“功能增加”冲刺分配一个“摩擦减少”冲刺。以感知转换成本的降低来衡量成功，而不仅仅是新增的语音指令数量。
- 用硬指标量化“感知价值”：超越模糊的承诺。对于智能音箱，不要说“让生活更轻松”；要证明“每天在常规任务上节省15分钟”。
- 设计“零学习曲线”的入门流程：惯性的不显著性意味着，如果初始门槛低，用户就会转换。投资于情境感知、主动的设置流程，要求最少的用户输入，并借鉴自适应用户界面研究的成果。
- 公开应对“多头”威胁：主动发布关于数据使用的透明度报告（如苹果的隐私标签），投资于可解释AI以澄清决策逻辑，并超越公关层面参与伦理AI讨论。沉默会被视为有罪。