1. 緒論
工業4.0的普及加速了人工智慧在商業價值鏈中的整合，AI語音助理在人機互動中已無所不在。從1962年IBM的「鞋盒」到現代的Siri、Alexa和Google助理，語音技術已顯著演進。然而，儘管其功能日益強大，用戶採納仍面臨心理與技術障礙。本研究透過探討驅動與抑制AI語音助理採納的雙重力量，來彌補此一缺口。
2. 理論架構
本研究提出一個新穎的雙因子模型，整合了兩個成熟的理論：現狀偏誤與科技接受模型。此整合提供了對抗拒驅動因素與採納動機的全面觀點。
2.1 現狀偏誤因素
SQB解釋了為何個體偏好維持現有行為。本研究檢視了六個影響抗拒的SQB因素：
- 沉沒成本：對現有技術的先前投資。
- 後悔規避：對轉換後產生負面結果的恐懼。
- 慣性：對現有例行公事的心理舒適感。
- 感知價值：對效益與成本的主觀評估。
- 轉換成本：改變所需付出的努力、時間與資源。
- 感知威脅：對新技術擾亂生活的焦慮。
2.2 科技接受模型因素
TAM聚焦於驅動對科技產生正面態度的因素：
- 感知有用性：相信該技術能提升表現。
- 感知易用性：相信使用該技術是輕鬆的。
2.3 雙因子整合
整合模型假定，SQB因素主要驅動對AI語音助理的抗拒，而TAM因素則驅動正面態度與使用意圖。這種雙重視角對於理解完整的採納情境至關重要。
3. 研究方法
採用量化方法來檢驗提出的假設。
3.1 樣本與資料收集
資料收集自420名參與者的樣本。該樣本旨在代表可能與AI語音助理互動的多元用戶群體。
3.2 測量與分析
改編先前文獻中的成熟量表來測量SQB與TAM構念。使用AMOS或SmartPLS等軟體進行結構方程模型分析，以評估模型的適配度及假設路徑的顯著性。
4. 結果與發現
SEM分析產生了數項關鍵發現，挑戰並確認了現有理論的某些面向。
4.1 結構方程模型結果
- 慣性 → 抗拒：假設的正向關係被發現不顯著。這表明單純的例行公事可能並非AI語音助理採納的強大障礙，與某些SQB預期相反。
- 感知價值 → 抗拒：呈現負向且顯著的關係。對AI語音助理的感知價值越高，直接降低了抗拒，凸顯了傳達明確效益的重要性。
- TAM因素 → 態度：感知有用性與感知易用性均顯示與對AI語音助理的態度有強烈的正向關係，強化了TAM的核心典範。
- 其他SQB因素如沉沒成本與轉換成本，如預期所示，與抗拒呈現顯著的正向關係。
4.2 人口統計差異
研究發現慣性在不同性別與年齡群體間存在顯著差異。這表明根植於習慣的抗拒並非一致，必須以分眾策略來應對。
樣本數
420
分析參與者
關鍵發現
慣性不顯著
挑戰SQB假設
核心驅動因素
感知價值
負向影響抗拒
5. 關鍵洞察與意涵
對研究人員：本研究驗證了雙因子方法的效力。它證明採納模型必須同時考量吸引力與排斥力。慣性的不顯著性，呼籲在數位情境中重新檢視其操作化定義。
對實務工作者：為克服抗拒，行銷與設計必須積極處理感知威脅與轉換成本，同時放大感知價值。需要針對人口統計特徵量身訂製訊息，因為慣性對不同群體的影響各異。提升感知易用性與感知有用性，對於建立正面態度仍是不可或缺的。
6. 技術細節與架構
結構模型可以表示為一個方程式系統。抗拒構念是SQB因素的函數，而態度則是TAM因素的函數。使用意圖是最終的依變數，同時受到抗拒與態度的影響。
抗拒方程式：
$R = \beta_1 SC + \beta_2 RA + \beta_3 I + \beta_4 PV + \beta_5 SW + \beta_6 PT + \zeta_1$
其中 $SC$ 是沉沒成本，$RA$ 是後悔規避，$I$ 是慣性，$PV$ 是感知價值，$SW$ 是轉換成本，$PT$ 是感知威脅，$\zeta$ 是誤差項。
態度方程式：
$A = \beta_7 PU + \beta_8 PEOU + \zeta_2$
意圖方程式：
$IU = \beta_9 R + \beta_{10} A + \zeta_3$
其中 $\beta_9$ 預期為負值，$\beta_{10}$ 為正值。
7. 實驗結果與圖表
圖表描述：路徑圖將以視覺化方式呈現SEM結果。顯著路徑會以實心粗箭頭及標準化係數值標示。不顯著的路徑則以灰色虛線箭頭標示「n.s.」。模型適配度指標如CFI、TLI和RMSEA會顯示，表明資料與提出的雙因子模型具有良好的適配度。
8. 分析框架：範例個案
個案：為長照推出新的AI語音助理
1. 應用SQB視角：
- 沉沒成本：用戶已有現有的簡易醫療警報系統。
- 轉換成本與感知威脅：對複雜性與隱私侵犯的高度恐懼。
- 慣性：對熟悉例行公事的強烈依戀。
- 感知有用性：定位為安全增強器。
- 感知易用性：設計超簡易語音指令，不依賴螢幕。
9. 未來應用與方向
1. 跨文化驗證：應在不同文化背景下測試此模型。
2. 與先進AI模型整合：未來研究可將用戶感知連結到AI的特定技術屬性。
3. 縱貫性研究：追蹤SQB與TAM因素的強度如何隨用戶從初次接觸到習慣性使用AI語音助理而變化。
4. 應用於其他AI介面：將雙因子框架擴展到AI驅動的聊天機器人、實體機器人或擴增實境介面。
10. 參考文獻
- 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). [外部權威 - CycleGAN]
- MIT Technology Review. (2019). How voice assistants are changing our relationship with tech. [外部權威 - 研究機構]
- Gartner. (2023). Hype Cycle for Artificial Intelligence. [外部權威 - 研究機構]
11. 產業分析師觀點
核心洞察：市場對AI功能競賽的執著錯失了重點。這項研究揭示了一個殘酷的事實：採納的勝負關鍵不在於誰擁有最聰明的演算法，而在於誰最能駕馭人類面對改變的心理。科技巨頭投入數十億研發資金追求邊際的準確度提升，而真正的瓶頸——根植於現狀偏誤的用戶抗拒——卻資金不足且被誤解。
邏輯脈絡：本研究的天才之處在於其雙重視角框架。它不僅問「什麼讓AI語音助理好用？」，更關鍵地問「什麼讓人們緊抓著舊的、較差的方式不放？」。慣性並非顯著障礙的發現具有爆炸性。這意味著用戶並非懶惰，而是理性的。如果價值主張被高轉換成本或感知威脅所粉碎，再多的易用性也無法拯救產品。邏輯是無情的：先拆除障礙，再放大效益。
優點與缺陷：
- 優點：模型實用且優雅。它為產品經理提供了清晰的檢查清單：針對每個SQB因素，制定緩解策略；針對每個TAM因素，制定強化策略。
- 優點：關於慣性的人口統計發現是目標行銷的金礦。它超越了單一通用的訊息傳遞方式。
- 缺陷：420人的樣本雖足夠，但可能未能捕捉採納曲線的極端兩端——強烈拒絕者或極度熱情的早期採用者，他們的心理截然不同。
- 關鍵缺陷：模型將「感知威脅」視為單一整體。在2024年，威脅感知是多面向的：工作取代焦慮、資料隱私、演算法偏見，甚至存在性風險。需要更細緻的分解。
可行動洞察：
- 從功能中心轉向摩擦中心的路線圖：為每個「功能新增」衝刺分配一個「摩擦降低」衝刺。以感知轉換成本的降低來衡量成功，而非僅新增語音指令。
- 以硬指標量化「感知價值」：超越模糊的承諾。對於智慧音箱，不要說「讓生活更輕鬆」；要展示「每天在例行任務上節省15分鐘」。
- 設計「零學習曲線」的入門流程：慣性的不顯著性意味著，如果初始門檻低，用戶就會轉換。投資於情境感知、主動式的設定，要求最少的用戶輸入，並運用自適應使用者介面研究的成果。
- 公開應對多頭「威脅」巨龍：主動發布關於資料使用的透明度報告，投資於可解釋AI以澄清決策過程，並超越公關層面參與倫理AI論述。沉默會被視為心虛。