AI文献选读| AI (人工智能) 对客户参与和广告参与的影响—— 综述与未来研究议程
作者：微信文章当今是Artificial Intelligence(人工智能)时代。人工智能极大地改变了环境和商业世界，AI营销模式的来临也对传统的营销模式进行了彻底的改造和变革。能否更好地利用AI技术来构建全新的营销模式，将决定企业是否能够持续地生存和发展。
为了加快中国在AI营销理论研究和企业的应用性操作实践，本期选取国际消费者研究领域权威期刊International Journal of Consumer Studies2024年的一篇综述性文献Impact of artificial intelligence on customer engagement and advertising engagement: A review and future research agenda进行批判性解读，希望能够给学界和实业界人士以全新启迪，更好地掌握在人工智能时代下如何利用AI技术提高客户参与、广告参与，从而更好地服务于企业的市场营销工作。
一、文献信息
项目
内容
文章标题
Impact of artificial intelligence on customer engagement and advertising engagement: A review and future research agenda
作者
Clara Suraña-Sánchez（西班牙纳瓦拉公立大学企业管理系）；Maria Elena Aramendia-Muneta（西班牙纳瓦拉公立大学商业与经济高级研究所）
发表期刊
International Journal of Consumer Studies（Wiley 出版，SSCI 收录，消费者研究领域重要期刊）
发表年份
2024 年
卷/ 期/ 页码
Volume 48, Issue 2, Article e13027
DOI
10.1111/ijcs.13027
APA
引用格式
Suraña-Sánchez, C., & Aramendia-Muneta, M. E. (2024). Impact of artificial intelligence on customer engagement and advertising engagement: A review and future research agenda. International Journal of Consumer Studies, 48(2), e13027. https://doi.org/10.1111/ijcs.13027
基金支持
西班牙纳瓦拉公立大学（MCIN/AEI/10.13039/501100011033）及欧盟NextGenerationEU/PRTR 项目（资助编号：TED2021-129513BC21）
二、研究背景
1. 技术革命与营销领域的变革
1)第四次工业革命的推动：近几十年，第四次工业革命（Faruk et al., 2021）催生了人工智能（AI）等颠覆性技术，其在营销、B2B 营销模式、品牌建设、产品管理及社交媒体推广等领域的应用引发学界和业界广泛关注（如Abhishek & Srivastava, 2021; Chen et al., 2022）。
2)AI 的独特价值：AI 通过减少人类干预实现机器自主决策，在营销中可实时收集并分析数据，精准满足客户需求（Chintalapati & Pandey, 2021），成为连接企业与客户的核心工具。
2. 客户参与（CE）与广告参与（AE）的重要性凸显
1)客户参与（CE）的定义与目标：CE 是超越交易本身的企业- 客户关系培育，通过增值互动提升客户忠诚度，最终形成情感联结（Gambetti & Graffigna, 2010）；数字场景下，CE 可通过点击、点赞、评论等行为量化（Trunfio & Rossi, 2021）。
2)广告参与（AE）的定义与特点：AE 以吸引客户关注品牌为目标，依赖宣传推广而非长期关系建设，类似“短期吸引”（Kaczorowska-Spychalska, 2019）；社交媒体广告可快速引发消费者响应，并对CE 产生中介效应（Anubha & Shome, 2021），AI 网红更能增强消费者信任（Alboqami, 2023）。
3. 现有研究的缺口
1)COVID-19 的催化作用：疫情后，利用AI 提升CE 的需求显著增加（So et al., 2021; Hentzen et al., 2022），但学界对AI 如何同时影响CE 和AE 的系统性研究不足。
2)研究碎片化：现有文献多为概念框架（如Hagen et al., 2020）或非特定领域的简要提及（如Chintalapati & Pandey, 2021），缺乏1991-2022 年长期跨度的全面梳理，且未明确AI、CE、AE 三者的关联机制。
3)实践与理论脱节：企业虽意识到AI 在CE 策略中的潜力，但尚未广泛落地（Paschen et al., 2019），亟需系统性综述为实践提供指导。
三、研究问题
基于上述背景，作者提出3 个核心研究问题（Research Questions, RQ），旨在填补理论缺口并指导实践：
1.RQ1：人工智能（AI）如何用于提升客户参与（CE）和广告参与（AE）？
a)核心目标：明确AI 工具（如机器学习、聊天机器人）与CE/AE 的具体关联路径。
2.RQ2：当客户被视为“已参与” 企业时，企业希望从客户那里获得何种反馈？
a)核心目标：厘清企业通过AI 提升CE 后，关注的关键反馈维度（如满意度、忠诚度、隐私顾虑）。
3.RQ3：社交媒体（SM）和社交媒体网红（SM influencers）是否能提升广告参与（AE）？
a)核心目标：验证社交媒体生态（尤其是AI 网红）对AE 的影响机制，回应业界对网红营销有效性的疑问。
四、研究方法
本研究采用文献计量分析（Bibliometric Analysis），遵循Feng et al. (2017)、Guo et al. (2019) 提出的四步法框架，具体流程如下：
1. 数据库选择
1)选取3 个主流数据库以确保样本全面性：
a)Web of Science（核心合集）：全球认可度最高的学术数据库，覆盖高质量同行评审文献；
b)Scopus：收录2 万+ 同行评审期刊，学科覆盖广（Verma et al., 2021）；
c)Google Scholar：补充前两个数据库未收录的灰色文献或跨学科研究（Akbari & Do, 2021）。
2. 关键词定义与组合
1)核心关键词：围绕“AI-CE-AE - 营销” 构建组合，涵盖同义词以扩大样本（如表1）：
a)核心术语：“artificial intelligence”“customer engagement”“advertising engagement”；
b)关联术语：“marketing”“digital marketing”“machine learning”“chatbots”“robots”；
c)组合策略：如“artificial intelligence AND customer engagement”“chatbots AND customer engagement” 等。
2)初步检索结果：2022 年3 月检索共获得54,139 篇文献（Web of Science 584 篇、Scopus 33,553 篇、Google Scholar 20,002 篇）。
3. 样本筛选（遵循PRISMA 协议）
3)筛选标准（表2）：
纳入标准（Inclusion Criteria）
排除标准（Exclusion Criteria）
1. AI 在营销领域的应用
1. AI 与商业、经济领域无关（如医疗、工程领域的AI 研究）
2. 机器学习、聊天机器人、机器人在CE 中的应用
2. 非英文文献
3. AI 在广告中的应用
-
4)筛选步骤：
a)第一步：保留“同行评审期刊文章”，排除书籍、会议论文等，获得1,242 篇；
b)第二步：去重（654 篇重复），保留588 篇；
c)第三步：人工筛选标题和摘要（排除无关主题、非英文），最终获得190 篇有效样本；
d)信度检验：两位作者独立筛选，分歧率<10%，剩余分歧通过讨论解决；编码一致性> 90%。
4. 数据分析工具与方法
1)VOSviewer 1.6.18：用于关键词共现分析和聚类可视化，具体参数：
a)关键词阈值：最少出现2 次（632 个总关键词中100 个达标）；
b)术语清理：合并同义词（如“artificial intelligence/AI” “chatbot/chatbots”），删除无关术语（如“bibliometric” “systematic”）；
c)可视化类型：以“网络可视化（Network Visualization）” 呈现聚类关系，“叠加可视化（Overlay Visualization）” 呈现关键词平均发表年份。
2)Leximancer 4.5：用于内容分析，通过贝叶斯方法识别文献主题关联，生成概念图谱，辅助识别未来研究方向。
3)绩效分析：从“年度发表趋势”“国家贡献”“期刊表现” 三个维度描述研究现状。
五、主题框架
本研究为综述类研究，无传统实证研究的“假设- 检验” 模型，而是通过VOSviewer 聚类分析构建“AI-CE-AE” 研究领域的主题框架，共识别出10 个核心聚类（Cluster），各聚类的关联与定位如图4（关键词可视化）、图5（聚类占比）所示，具体聚类信息如下：
聚类
编号
聚类主题
核心关键词
平均发表
年份
核心内容概述
1
数字营销聚焦
数字营销、移动营销、社交媒体营销、电子商务
2019.59
数字营销的演进（2010s 兴起，2014 年后加速），移动营销、社交媒体营销对CE 的驱动作用
2
广告参与：网红与社交媒体的应用
社交媒体、网红、情感分析、广告效果
2020-2021
社交媒体广告提升AE，网红通过点赞、评论量化参与，AI 网红增强消费者信任
3
营销中的人工智能
人工智能、机器学习、大数据、增强现实
2019.91-2020.09
AI 是营销颠覆性技术，可预测市场反应、优化客户细分，与增强现实结合提升体验
4
客户参与的基础
客户体验、忠诚度、隐私、颠覆性技术
2021
AI 通过提升服务质量、隐私保护增强CE，但服务行业（如酒店）仍需人类互动
5
机器人吸引客户的应用
B2B 数字营销、机器人、自动化
2011-2020
机器人（如搜索引擎、酒店服务机器人）作为客户吸引工具，提升B2B/B2C 互动效率
6
客户吸引策略
营销、客户参与、品牌参与、客户忠诚度
2018.48-2020.5
客户参与→情感联结→忠诚度，AI 聊天机器人强化客户- 品牌关系
7
数字沟通工具对B2B 市场的影响
B2B 营销、自然语言处理、数字中介
2019-2020
自然语言处理（NLP）等数字工具优化B2B 客户需求识别，提升跨企业协作效率
8
聊天机器人：客户服务新工具
聊天机器人、客户服务、新兴市场
2020.45
聊天机器人提升客户满意度，助力品牌认知，在新兴市场是CE 的关键工具
9
最新技术工具
区块链、数据分析、大数据
2021
区块链保障数据安全，数据分析驱动第四次工业革命，支撑AI 营销决策
10
编程范式聚焦
数据驱动、决策支持系统
2020
数据驱动工具与AI 结合优化营销决策，但侧重技术实现，与核心主题关联较弱
4)聚类关联逻辑：聚类3（AI 核心）为中心，连接聚类1（数字营销）、聚类2（AE）、聚类4（CE 基础）、聚类8（聊天机器人），形成“AI→营销工具→CE/AE” 的核心路径；聚类5（机器人）、聚类7（B2B）、聚类9（新技术）为延伸应用，聚类10 为技术支撑。
六、研究结论
1. 研究演进趋势（1991-2022）
1)1990s（1991-2002）：萌芽期，仅3 篇文献，未明确提及“AI”，但Blattberg & Deighton (1991) 首次提出“AI 可通过学习改进客户关系”，奠定理论基础；
2)2000s（2003-2012）：探索期，研究聚焦“AI 在消费者行为中的应用”，开始关注技术落地可能性；
3)2010s（2013-2022）：爆发期，2018 年后文献激增，2021 年达峰值（81 篇），研究覆盖AI 工具（聊天机器人、大数据）、社交媒体营销、B2B 应用等全领域。
2. 研究贡献分布
1)国家贡献：41 个国家参与，美国（39 篇，占比20.5%）、印度（17 篇，8.9%）、英国（15 篇，7.9%）为前三，美国贡献量是第二名的2 倍以上（表3）；
2)期刊贡献：190 篇文献分布于120 种期刊，集中度低但领域聚焦，前两位期刊为《Journal of Business Research》（12 篇）、《Journal of Advertising》（8 篇），均为营销领域顶刊（表4）。
3. 核心研究发现（对RQ 的回答）
1. RQ1：AI 提升CE 和AE 的路径
1)工具层面：
a)聊天机器人：比无经验员工高效4 倍，可提升CE 和忠诚度（Luo et al., 2019; Rajaobelina et al., 2021）；
b)大数据与机器学习：优化客户细分（Brei, 2020）、预测市场反应（Fernández-Rovira et al., 2021），实现个性化推荐；
c)增强现实（AR）与混合现实：如零售场景的AI 嵌入混合现实展览，显著提升CE 和忠诚度（Sung et al., 2021）。
2)机制层面：AI 通过“实时数据收集→需求分析→个性化互动→情感联结” 提升CE，通过“精准广告投放→网红信任背书→快速响应” 提升AE。
（2）RQ2：企业期望的客户反馈
1)核心反馈维度：客户满意度、品牌忠诚度、隐私顾虑、服务质量评价；
2)反馈价值：通过AI 收集反馈可优化服务（如酒店行业的人类- 机器互动平衡）、调整营销策略（如B2B 领域的数字中介优化）。
（3）RQ3：社交媒体与网红对AE 的影响
1)社交媒体：是AE 的关键载体，通过点赞、评论等实时互动提升广告效果（Yang et al., 2016），对CE 有中介作用；
2)网红营销：传统网红通过情感分析优化内容（Abhishek & Srivastava, 2021），AI 网红可增强消费者信任并驱动购买行为（Alboqami, 2023; Sands et al., 2022）。
4. 未来研究议程（基于Leximancer 分析）
1)数据与客户的关系：探索大数据如何改变客户决策逻辑，尤其是旅游、零售等行业的应用；
2)AI 伦理与社会责任：研究AI 在数据隐私、算法偏见中的伦理边界（如Grinbaum, 2018）；
3)新兴技术融合：区块链在广告溯源中的应用、生成式AI 对广告内容创作的影响；
4)行业与文化差异：不同行业（金融、医疗）、不同文化背景下AI 对CE/AE 的影响对比；
5)实证验证：通过实验或调研检验AI 与CE/AE 的因果关系，弥补当前综述研究的不足。
七、创新与不足
1. 主要创新点
1)理论填补空白：首次对1991-2022 年AI、CE、AE 三者关系进行全面文献计量分析，厘清了研究演进脉络，解决了现有研究碎片化问题；
2)方法创新：结合VOSviewer（聚类可视化）与Leximancer（内容分析），从“量化趋势+ 质性主题” 双重视角呈现研究现状，提升结论可信度；
3)实践指导价值：明确CE 与AE 的本质区别（长期关系vs 短期吸引），为企业提供“AI 工具选择→社交媒体运营→客户反馈优化” 的完整路径；
4)未来议程明确：基于聚类缺口和Leximancer 概念图谱，提出可操作的未来研究方向，避免学者重复研究。
2. 关键不足（批判性评价）
1)样本筛选偏差：
a)排除非英文文献，遗漏非英语国家（如日本、德国）的重要研究，可能导致“西方中心主义” 偏差；
b)Google Scholar 检索结果虽多（20,002 篇），但筛选依赖人工，可能遗漏低被引但有创新的文献；
2)分析深度不足：
a)文献计量侧重“数量- 关键词- 聚类”，未对文献的研究方法（实证vs 概念）、结论矛盾点（如AI 在服务行业的人类替代争议）进行深度分析；
b)未区分“AI 类型”（如弱AI、强AI）对CE/AE 的差异化影响，分析颗粒度较粗；
3)时效性局限：研究截止到2022 年2 月，未涵盖2023-2024 年生成式AI（如ChatGPT）在营销中的应用，错失最新趋势；
4)行业与文化视角缺失：未探讨零售、金融、医疗等行业的差异，也未分析文化维度（如集体主义vs 个人主义）对AI 接受度的影响，结论普适性受限；
5)实证缺失：作为综述研究，仅梳理现有文献，未通过实证数据验证“AI→CE/AE” 的因果关系，无法回答“AI 投入与CE 提升的投入产出比” 等实践关键问题。
八、心得感悟
1. 理论层面：为AI 营销研究提供“地图式” 指引
本研究的核心价值在于构建了AI与CE/AE研究的“系统性文献地图”——10个聚类不仅呈现了当前研究的核心领域，更揭示了“技术（AI）→工具（聊天机器人/大数据）→结果（CE/AE）”的逻辑链条。这对学者的启示在于：若要开展后续研究，可从“聚类缺口”切入（如聚类9的区块链与AI融合、聚类10的数据驱动决策在营销中的落地），避免陷入“碎片化探索”。
同时，研究明确了CE与AE的本质差异（长期关系vs短期吸引），纠正了现有文献中“将两者混为一谈”的误区。例如，企业若目标是提升客户忠诚度（CE），应优先布局AI聊天机器人和个性化服务；若目标是短期品牌曝光（AE），则可侧重AI网红和社交媒体广告——这种“目标-工具”匹配的理论框架，为后续实证研究提供了清晰的变量定义。
2. 实践层面：企业AI 营销的“决策清单”
对企业而言，本研究的实践价值体现在三个方面：
1)工具选择：根据行业特性选择AI 工具（如零售行业用AR 混合现实，金融行业用聊天机器人提升服务效率）；
2)网红营销优化：不仅要关注传统网红的粉丝量，更需利用AI 进行情感分析（如分析网红内容的正面情绪占比），并尝试AI 网红以增强信任；
3)风险规避：重视客户隐私反馈，避免因AI 算法的“黑箱特性” 引发客户抵触（如服务行业需平衡人类互动与机器服务的比例）。
尤其值得注意的是，研究指出“美国在AI 营销研究中占主导地位”，但印度、中国等新兴市场的研究增速较快。这提示中国企业：可结合本土文化（如微信、抖音等社交媒体生态）探索“本土化AI 营销模式”，例如利用AI 分析短视频内容偏好，提升AE 的精准度。
3. 未来趋势：AI 营销的“跨学科” 与“精细化” 方向
从研究演进看，AI 营销已从“技术可行性探讨”（1990s）转向“行业应用与伦理规范”（2020s 后），未来将呈现两大趋势：
1)跨学科融合：AI 营销需结合计算机科学（算法优化）、心理学（消费者信任机制）、伦理学（数据隐私）—— 例如，如何通过算法透明化提升客户对AI 推荐的信任，需心理学与计算机科学的交叉研究；
2)精细化落地：企业将从“泛化AI 投入” 转向“精准场景应用”，例如医疗行业用AI 聊天机器人进行患者随访（提升CE），文旅行业用AI 生成个性化旅游广告（提升AE）。
此外，生成式AI（如ChatGPT、MidJourney）的兴起为AI 营销带来新机遇—— 如何利用生成式AI 自动创作广告文案、设计产品推荐话术，将成为未来研究与实践的核心议题。而本研究因时效性局限未涵盖这一领域，也为后续学者提供了重要的研究缺口。
4. 反思：AI 营销的“人文关怀” 不可缺失
研究中提到“服务行业（如酒店、医疗）仍需人类互动”，这一结论具有深刻启示：AI虽能提升效率和个性化，但无法完全替代人类的情感联结。例如，酒店客户对“人类前台服务”的满意度仍高于机器人（Pasca et al., 2021），这提示企业在AI营销中需保持“技术工具性”与“人文关怀”的平衡——AI是“增强人类互动”的工具，而非“替代人类”的手段。
这种“平衡思维” 对管理学研究也有启发：未来AI 营销研究不应仅关注“技术效果”，更需关注“人机互动的边界”“消费者对AI 的情感接受度” 等人文议题，唯有如此，才能实现“技术驱动” 与“客户价值” 的双赢。
参考文献（APA 格式）
1)Abhishek, & Srivastava, M. (2021). Mapping the influence of influencer marketing: A bibliometric analysis. Marketing Intelligence and Planning, 39(7), 979–1003. https://doi.org/10.1108/MIP-03-2021-0085
2)Alboqami, H. (2023). Trust me, I'm an influencer!-Causal recipes for customer trust in artificial intelligence influencers in the retail industry. Journal of Retailing and Consumer Services, 72, 103242. https://doi.org/10.1016/j.jretconser.2022.103242
3)Blattberg, R. C., & Deighton, J. (1991). Interactive marketing: Exploiting the age of addressability. Sloan Management Review, 33(1), 5–14.
4)Feng, Y., Zhu, Q., & Lai, K. H. (2017). Corporate social responsibility for supply chain management: A literature review and bibliometric analysis. Journal of Cleaner Production, 158, 296–307. https://doi.org/10.1016/j.jclepro.2017.05.018
5)Gambetti, R. C., & Graffigna, G. (2010). The concept of engagement: A systematic analysis of the ongoing marketing debate. International Journal of Market Research, 52(6), 801–826. https://doi.org/10.2501/s147078531020166
6)Guo, F., Ye, G., Hudders, L., Lv, W., Li, M., & Duffy, V. G. (2019). Product placement in mass media: A review and bibliometric analysis. Journal of Advertising, 48(2), 215–231. https://doi.org/10.1080/00913367.2019.1567409
7)Kaczorowska-Spychalska, D. (2019). How chatbots influence marketing. Management, 23(1), 251–270.https://doi.org/10.2478/manment-2019-0015
8)Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke, M., Devereaux, P. J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: Explanation and elaboration. PLoS Medicine, 6(7), e1000100. https://doi.org/10.1371/journal.pmed.1000100
9)Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines vs. humans: The impact of artificial intelligence chatbot disclosure on customer purchases. Marketing Science, 38(6), 937–947. https://doi.org/10.1287/mksc.2019.1192
10)Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019). Artificial intelligence (AI) and its implications for market knowledge in B2B marketing. Journal of Business and Industrial Marketing, 34(7), 1410–1419. https://doi.org/10.1108/JBIM-10-2018-0295
11)Suraña-Sánchez, C., & Aramendia-Muneta, M. E. (2024). Impact of artificial intelligence on customer engagement and advertising engagement: A review and future research agenda. International Journal of Consumer Studies, 48(2), e13027. https://doi.org/10.1111/ijcs.13027
12)Sung, E., Bae, S., Han, D.-I., & Kwon, O. (2021). Consumer engagement via interactive artificial intelligence and mixed reality. International Journal of Information Management, 60, 102382. https://doi.org/10.1016/j.ijinfomgt.2021.102382
13)Verma, S., Sharma, R., Deb, S., & Maitra, D. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights, 1(1), 100002. https://doi.org/10.1016/j.jjimei.2020.100002
14)Yang, S., Lin, S., Carlson, J. R., & Ross, W. T. (2016). Brand engagement on social media: Will firms' social media efforts influence search engine advertising effectiveness? Journal of Marketing Management, 32(5–6), 526–557. https://doi.org/10.1080/0267257X.2016.1143863
页:
[1]