维克·奈杜
澳大利亚悉尼大学
**摘要**
人工智能（AI）越来越多地被应用于工业服务恢复流程中。然而，其在工业环境中的使用，特别是其对客户关系可能产生的负面影响，仍被忽视。本文通过三项研究来探讨这一空白。第一项研究（实地调查）表明，AI的深度参与会增加客户的过度依赖，进而降低信任度和客户参与度。第二项研究（实验）显示，客户对由AI导致的故障的惩罚比对人为故障的惩罚更为严厉。我们的分析表明，当存在治理机制时，这种惩罚可以减轻，尤其是在人类监督可见的情况下（例如，人类参与干预），算法解释对客户行为的影响虽然类似但较小。第三项研究（为期24个月的两个阶段的实地调查）显示，过度依赖会逐渐演变为自满，进而削弱信任和参与度，而治理措施可以减弱这一负面趋势。这些发现将自动化偏见、对算法的厌恶以及关系治理整合到了一个统一的AI驱动服务恢复模型中，表明AI通过行为和归因两种途径影响客户关系。对于管理者来说，研究结果提醒他们，AI并不会自动提升关系质量；相反，企业必须主动设计治理机制，以维持监督、透明度和问责制。
**1. 引言**
服务故障是工业市场的不可避免现象，包括任何服务提供中的错误、失误、缺陷或中断（Koc, 2018）。作为回应，组织会采取服务恢复措施，即诊断、处理和修复这些服务中断的行为（Sahaf & Fazili, 2024）。在本文中，我们将服务恢复定义为包括检测、诊断和补救行动的多阶段过程。传统上，恢复工作是由人类干预完成的，员工依靠礼节和同理心等人际技能以及技术专长和解决问题的能力来恢复客户满意度（Mostafa et al., 2015; Radu et al., 2019）。
人工智能（AI）在服务领域的日益整合正在重塑这些恢复过程（Saunila et al., 2025）。基于AI的恢复工具，如聊天机器人、预测分析和服务机器人，越来越多地被用来支持或甚至替代人类代理来管理服务故障（Ameen et al., 2025）。这些系统能够分析大量数据，从过去的事故中学习，并根据新问题调整响应（Kaplan & Haenlein, 2019），从而实现更快、更一致，有时甚至是主动的干预（Agnihotri & Bhattacharya, 2024）。然而，重要的是，AI并不能消除服务恢复的必要性。即使它被用来预测中断或提前识别风险，这些洞察也只是为更广泛的服务恢复过程提供信息，而不能完全取代它（Kumar et al., 2021; Rai, 2020）。
因此，变化不在于是否进行恢复，而在于恢复的体验方式。随着AI在恢复过程中的深入嵌入，它改变了行为主体的认知（例如，从人类员工转移到AI系统），改变了恢复发生的时间（例如，实现预防性或近乎实时的干预），以及恢复决策的理解和评估方式（例如，在诊断和解决过程中引入了不确定性）。恢复不再仅仅被视为人类互动，而是一个涉及人类和算法的行为技术过程。因此，客户不仅需要解释恢复的结果，还需要理解AI在其中的角色。这些解释对确定关系结果（如信任度和参与度）至关重要，因为它们关系到长期客户关系的持续性，这是管理者的核心优先事项。
这一变化在工业市场中尤为显著。迄今为止，关于AI驱动服务恢复的学术研究主要集中在企业对消费者（B2C）的背景下（Agnihotri & Bhattacharya, 2024; Ameen et al., 2025; Baliga et al., 2021）。这些研究强调了AI的优势，如效率、个性化和可扩展性（Agnihotri & Bhattacharya, 2024; Ameen et al., 2025）。相比之下，对企业对企业（B2B）或工业环境的关注较少，在这些环境中，服务故障往往是高风险的事件，可能导致数百万美元的合同受损，危及运营连续性，并侵蚀长期合作伙伴之间的信任和参与度（Baliga et al., 2021）。鉴于工业公司处于采用AI进行预测性维护、物流优化和故障恢复的前沿，这种忽视令人惊讶。实际上，与B2C环境不同，工业服务恢复是在具有合同约束、技术依赖性和多利益相关者条件的情况下进行的。这些特征放大了AI在工业市场中的关系风险。
此外，文献尚未充分探讨高风险工业环境中AI的潜在负面影响（Keegan et al., 2023; Pantano et al., 2024; Papagiannidis et al., 2023）。尽管AI常被视为效率的驱动力，但自动化研究强调了过度依赖的风险（即客户在没有充分验证或批判性评估的情况下立即接受AI驱动的结果）和自满（即过度依赖的结果，表现为长期警惕性降低和监控任务的疏离）（Dzindolet et al., 2002; Logg et al., 2019; Rai, 2020）。类似地，关于对算法厌恶的研究表明，客户对由AI导致的故障的惩罚比对人为错误的惩罚更为严厉（Crolic et al., 2021; Dietvorst et al., 2015），这引发了人们对工业市场中AI驱动故障感知的担忧。然而，之前关于因AI导致错误而产生的不同惩罚的实证研究几乎都来自消费或低风险环境（Agnihotri & Bhattacharya, 2024），而这些研究并未考虑到工业市场的合同、运营和关系依赖性。因此，理解工业客户如何解释和应对由AI引起的故障在理论上仍是必要的，但在实证上尚未得到解决。
此外，尽管人类参与（HITL）和可解释AI（XAI：允许审计和透明度的算法解释）等治理机制在服务恢复和AI治理文献中已有成熟研究（Ghazawneh & Henfridsson, 2013; Van Vaerenbergh et al., 2018），但它们尚未被整合到AI驱动的恢复模型中，尽管这些机制有可能随着时间的积累缓解关系风险。在工业环境中，AI系统在包括人类监督的正式治理架构内运行，提供升级路径和决策权结构，从而确定恢复过程中的问责制和透明度（Homburg et al., 2002; Mayer et al., 1995; Rai, 2020）。因此，这些机制并非边缘化，而是客户体验AI驱动恢复的核心。然而，它们的作用在理论上仍被忽视（Ameen et al., 2025; Burrell, 2016）。
综上所述，这些观察揭示了三个关键的理论空白：首先，关于工业服务环境中AI驱动恢复的文献较少，其中的关系和财务风险与消费者市场不同；其次，关于AI驱动恢复的负面影响知之甚少，特别是它如何促进过度依赖、加剧对故障的惩罚以及削弱信任/参与度；第三，以往的研究尚未充分探讨治理措施在缓解这些风险和维持长期客户参与度方面的作用。
本文通过三个关键贡献来填补这些空白：首先，我们开发了一个基于过程的模型，展示了AI在工业服务恢复中的参与方式，表明AI对客户关系的影响不是统一的，而是通过不同时间阶段的机制来发挥作用，包括即时过度依赖、基于归因的公平性评估和长期自满。因此，本文将文献从静态描述AI在服务环境中的作用扩展为动态理解AI作为恢复过程各个阶段的动态关系力量。其次，我们将自动化偏见和对算法的厌恶整合到一个统一的关系框架中，表明这两种现象不是竞争性的解释，而是取决于AI参与时间（决策与故障归因）的顺序反应。这解决了文献中的一个关键矛盾，即在高风险的工业环境中，对算法的赞赏先于对算法的厌恶。具体来说，本文将感知到AI导致错误视为一个多方面的概念，在服务恢复的不同阶段表现出来。在之前关于AI adoption和自动化在服务环境中的研究基础上（例如，Ameen et al., 2025; Rai, 2020），我们区分了：（a）AI系统在诊断和执行恢复决策中的参与程度，以及（b）AI系统被视为服务故障原因的程度。这些方面在分析上是独立的，但在理论上是一致的，反映了AI在恢复过程中不同阶段影响客户评价的不同点。虽然之前的研究通常分别探讨这些维度（例如，Ameen et al., 2025; Crolic et al., 2021; Dzindolet et al., 2002; Rai, 2020），但我们将其整合到一个框架中，以捕捉AI在恢复过程中不同阶段的客户评价。这种区分使得自动化驱动的依赖效应与基于归因的客户评价能够相互协调。第三，本文提出了一个基于治理的视角来理解AI驱动的服务恢复，将人类参与监督和算法解释视为关系边界条件，而不仅仅是技术特征。这将组织正义和关系营销文献扩展为系统层面的判断，这些判断受到问责制和透明度的结构影响，而不仅仅是人际互动。接下来，我们为提出的概念模型和假设发展了理论基础，然后描述了实证研究、结果，并讨论了理论和管理意义。
**2. 文献综述**
AI正在不断改变工业市场，并被视为创新、韧性和可靠性的工具，能够解释复杂数据集、从过去的事故中学习，并适应性指导纠正措施（Kaplan & Haenlein, 2019; Meier et al., 2026; Moradi & Dass, 2022）。例如，在制造业中，AI使基于条件的机器监控成为可能，以预防昂贵的中断（Kumar et al., 2021）。在物流领域，它有助于路线优化和需求预测（Ivanov et al., 2019）。在能源和公用事业领域，AI有助于电网稳定和预测性停电管理（Wang et al., 2019）。在医疗技术领域，AI支持预测性设备维护（Topol, 2019）。尽管AI应用广泛，但在工业环境中，AI的服务恢复维度的理论研究相对较少，相较于其运营和生产应用（Ameen et al., 2025; Rai, 2020）。现有文献大多关注AI的技术性能和效率提升（Agnihotri & Bhattacharya, 2024），而忽视了其对工业客户的行为和关系影响。这令人意外，因为即使是在技术先进的系统中，服务故障也是不可避免的。设备故障、物流延迟和软件故障仍然存在，尽管有预测性AI分析和监控工具。在这种情况下，客户评价不仅取决于问题是否得到解决，还取决于他们如何参与恢复过程。
为了解释这些行为机制，本文主要借鉴了自动化偏见和自满理论（Dzindolet et al., 2002; Parasuraman & Riley, 1997），这些理论共同提供了客户在服务恢复过程中与AI驱动过程互动的连贯解释。具体来说，自动化偏见理论为理解客户对AI结果的过度依赖提供了基础，而自满理论解释了这种过度依赖导致的警惕性降低的后续后果，进而影响关系结果。这些理论构成了我们模型的核心解释框架，其中关系构建（如信任和参与度）被视为自动化引发行为的下游后果。以下部分将详细阐述这些基础。
**2.1. 自动化偏见理论**
自动化偏见描述了系统性地过度依赖自动化系统并接受其结果的倾向，而缺乏足够的审查（Dzindolet et al., 2002）。早期的研究表明，自动化系统会引发两种典型的决策错误：委托错误，即用户跟随错误的计算机化建议；以及遗漏错误，即用户假设系统会自动识别异常而未能发现它们（Parasuraman & Riley, 1997）。最近的研究表明，在AI驱动的环境中，这种现象更为明显，因为系统被描绘为数据驱动的、智能的和自我改进的（Logg et al., 2019; Rai, 2020）。用户经常将这些属性视为更高客观性和诊断能力的信号，从而进一步增加了行为上的依赖。
当代研究表明，随着AI系统获得自主性、预测能力和适应学习能力，自动化偏见变得更加明显（Agnihotri & Bhattacharya, 2024; Topol, 2019）。在工业环境中，当AI驱动的工具常规地解释传感器数据、生成故障预测或启动恢复程序时，用户可能会将技术复杂性误认为是无误性（Ivanov et al., 2019; Wang et al., 2019）。对于工业客户而言，这带来了一个独特的挑战：恢复决策往往带来重大的财务和运营后果，然而在没有充分验证的情况下接受人工智能的输出可能导致不适当的纠正措施、延迟的升级服务解决过程，或在服务恢复过程中忽视异常情况。尽管自动化偏见具有相关性，但在工业营销领域却很少被研究。现有的工业营销研究主要关注服务质量、恢复策略和关系构建（Baliga等人，2021年；Mostafa等人，2015年），但基本上忽略了由 automation 引发的认知偏见。这一差距具有重大意义，因为 B2B 服务恢复不仅仅是一个诊断过程，它还是一种建立在沟通、透明度、共同解决问题和责任性之上的关系实践。当客户过度依赖人工智能时，这些关系机制可能会被削弱。供应商可能显得不太可接近或不够负责任，客户可能会感到对恢复过程的 kontrol 或可见度降低，而这些情况会损害 B2B 交易中的信任（Mayer等人，1995年；Morgan & Hunt，1994年）。最近的研究表明，自动化偏见还可能重塑对供应商责任的期望。例如，反复接触自动化推荐的用户倾向于将决策权归因于系统而非服务提供者（Ameen等人，2025年；Burrell，2016年）。在工业背景下，这对合同治理、升级协议和组织间风险分担都有影响，而这些都是工业供应商-客户关系的核心。
在这项研究中，我们通过“客户过度依赖”这一概念来 operationalize 自动化偏见，将其定义为客户在没有充分验证或独立评估的情况下，对由人工智能驱动的恢复结果依赖的程度。这一概念捕捉了自动化偏见在关系服务环境中的行为表现，其中决策委托不仅影响任务执行，还影响客户-供应商的关系动态。
2.2. 自满理论
自满理论通过考察对自动化的过度依赖如何随时间演变来扩展自动化偏见。虽然自动化偏见捕捉了即时的认知捷径，但自满描述的是在与被认为始终可靠的系统进行多次互动后，警惕性逐渐降低的现象（Parasuraman & Riley，1997年）。随着用户逐渐习惯于自动化的监控、异常检测或故障预测，他们逐渐不再参与监督任务，假设系统会在没有人工干预的情况下发出偏差信号。最近的研究表明，人工智能加速了自满现象，因为人工智能系统可以持续、无声地运行，并且其规模超出了人类的能力范围（Kaplan & Haenlein，2019年；Lee等人，2015年）。随着系统变得更加隐蔽和高效，用户越来越认为主动监控是多余的。这种效应现在出现在能源、智能制造、铁路调度和工业物联网等领域，其中人工智能工具越来越多地介入系统的可见性和运营决策（Kumar等人，2021年；Wang等人，2019年）。在 B2B 服务关系中，自满会产生工业营销文献中尚未充分探索的关系后果。例如，客户警惕性的降低可能会削弱合作解决问题的能力，将责任归属从共同监督转向供应商的自动化，掩盖客户本应提出的早期警告信号，并侵蚀支持高信任度合作伙伴关系的共同监控规范。
工业营销研究强调，信任是通过反复展示可靠性、透明度和共同解决问题的意愿来建立的（Brodie等人，2011年；Morgan & Hunt，1994年）。自满通过减少客户在关系中的积极作用来扰乱这些互动。随着时间的推移，这可能会削弱客户在 B2B 市场中的心理投入、运营参与度和关系互惠性。尽管在自动化研究中已有充分记录，但自满对 B2B 治理和长期服务合作伙伴关系的影响仍然大体上未被探索。根据这一理论视角，我们将客户的自满概念化为对人工智能的反复过度依赖的下游表现，表现为随着时间的推移，对监控、警惕性和服务恢复过程中的积极参与的持续减少。这一概念捕捉了由自动化导致的分离的时间维度，从而将之前的研究扩展到持续进行的工业关系中，而不仅仅是孤立的任务环境中。
2.3. 工业背景下的自动化偏见、自满和关系营销
虽然自动化偏见和自满描述了客户如何认知和行为上与人工智能支持的系统互动，但它们在工业市场中的重要性在于它们能够重塑交换的关系架构。工业服务关系不仅仅由结果决定，还由持续的对话、共同监控和共同责任等过程维持，这些过程随着时间的推移支持信任和参与（Brodie等人，2011年；Morgan & Hunt，1994年）。当人工智能系统在恢复和运营决策中扮演更重要的角色时，这些关系过程不仅仅是补充，而是得到了根本性的重新配置。从关系营销的角度来看，人工智能支持的恢复改变了客户和供应商在服务故障后进行意义构建的条件。传统的恢复互动提供了澄清、协商和共同解释问题及责任分配的机会（Mostafa等人，2015年；Radu等人，2019年）。随着恢复过程越来越多地由人工智能系统中介，这些互动被压缩或取代，从而减少了共同创造理解和关系强化的机会。结果不仅仅是更快的恢复，而是从人际治理转向系统主导的协调。这种转变对工业市场中的关系质量有重要影响，因为信任依赖于明确界定的角色边界、可理解的决策过程以及在必要时争议或升级恢复结果的能力（Homburg等人，2002年；Mayer等人，1995年）。当人工智能系统被视为恢复过程中的主要决策权威时，客户可能会对责任所在以及如何挑战或修订纠正措施感到更加困惑。这种模糊性增加了关系距离——即使在没有技术故障的情况下——通过削弱对可控性和共同责任的感知。此外，人工智能支持的恢复关系后果因工业交换的高风险和相互依赖性而加剧。与消费者环境不同，B2B 市场中的恢复结果影响生产连续性、合同合规性和下游风险暴露。因此，恢复过程中嵌入的关系信号（如透明度、响应能力和责任感）具有重要性。当这些信号因人工智能主导的恢复而减弱时，即使运营表现完好，信任和客户参与度也会变得更加脆弱。最后，这种关系重构有助于调和自动化文献中看似对立的两个观点。自动化偏见和自满解释了客户最初为何会依赖人工智能驱动的恢复过程。相比之下，算法厌恶解释了当故障归因于人工智能参与时，客户为何会有更负面的反应。从关系营销的角度来看，这些不是竞争性的反应，而是阶段依赖的关系反应：在常规恢复期间，尊重占主导地位；而在故障发生时，审查会加剧。这两种反应都以不同的关系路径塑造了信任和参与度。
总的来说，这种综合将自动化偏见和自满不仅仅视为个体层面的认知现象，而是视为重塑工业服务关系中信任和参与的关系机制。这一视角为将人工智能支持的服务恢复视为一个关键环境提供了基础，在这个环境中，这些机制变得可观察并对长期客户-供应商伙伴关系的演变具有影响。
2.4. 服务恢复、过度依赖和信任/参与
服务恢复研究提供了一个关键背景，在这个背景下，人工智能参与的行为和关系后果变得可见。在消费者和工业环境中，恢复事件都是客户在故障后重新评估供应商能力、责任感和关系承诺的诊断时刻（Mostafa等人，2015年；Radu等人，2019年）。在工业市场中，这些重新评估尤为重要，因为恢复结果影响生产连续性、合同风险和长期交换的可行性，而不仅仅是孤立的满意度判断。人工智能在工业服务恢复中的日益广泛应用，通过预测性维护、自动化诊断和算法决策支持，从根本上改变了恢复的展开方式（Ameen等人，2025年）。人工智能系统不仅参与故障的识别，还参与推荐或执行恢复措施，尽管对其底层逻辑的可见性有限。虽然这些系统提供了速度、一致性和可扩展性，但也将决策重心从人际互动转向了自动化过程。从关系的角度来看，这种转变很重要，因为服务恢复不仅仅是一个技术过程，也是一个治理和意义构建的过程，在这个过程中，客户寻求确保故障得到理解、可控和适当处理的保证。当人工智能系统深度参与恢复决策时，客户可能会减少自身的审查、升级行为或监控努力，而是依赖系统被认为的能力。正如第2.1节和第2.3节所建立的，自动化偏见提供了解释这种即时行为依赖的理论机制，我们将其概念化为客户在恢复情境中的过度依赖。如前所述，自动化偏见理论的一个核心原则是，当用户认为系统有能力、数据驱动且可靠时，他们会表现出对自动化系统的行为尊重（Dzindolet等人，2002年；Parasuraman & Riley，1997年）。这表现为对系统输出的审查减少以及倾向于在没有独立验证的情况下接受建议。在人工智能支持的服务恢复背景下，系统诊断故障并指导纠正措施时，这种机制意味着更大的人工智能参与感会增加客户对人工智能输出的依赖。因此，我们提出：
H1a：在服务恢复决策中感知到的人工智能参与与客户的过度依赖呈正相关。
此外，过度依赖对工业营销中的关系结果有直接影响。信任，定义为对合作伙伴的可靠性、诚信和能力的信心（Mayer等人，1995年），部分取决于客户认为恢复过程是可理解的、可争议的，并且受到适当的人类监督。同样，客户参与反映了在关系中的持续认知、情感和行为投入（Brodie等人，2011年）。由于工业市场中的信任和客户参与是通过积极参与诊断、升级和解决过程来维持的（Brodie等人，2011年；Mayer等人，1995年），过度依赖预计会削弱这些关系结果。自动化偏见的一个关键影响是它减少了用户在决策过程中的积极参与。当客户过度依赖人工智能时，对话、验证和共同创造理解的机会就会减少。这种参与度的削弱削弱了控制感和共同责任的感知，从而损害了信任和客户参与度。随着恢复从人际治理活动转向系统主导的过程，客户的监督感和共同责任感相应减少，导致信任和参与度随时间下降。此外，对不透明人工智能系统的过度依赖会削弱客户在恢复过程中的感知控制和代理作用，从而侵蚀关系信心（Burrell，2016年；Rai，2020年）。因此，客户对人工智能的更高程度依赖预计会对信任和参与度产生负面影响。
H1b：在服务恢复中对人工智能的过度依赖与（a）信任和（b）客户参与度呈负相关。此外，在工业市场中，采用人工智能通常被视为一种增强韧性的方式：它能够持续监控生产系统、预测和防止故障，并在发生中断时迅速恢复正常运营（Ameen等人，2025年；Lee等人，2015年）。这些承诺在停机时间成本高昂且合同绩效依赖于可靠性的行业中特别有吸引力。然而，人工智能系统的效率和一致性可能会产生意外的行为后果。如上所述，自满理论的一个核心原则是，反复接触可靠的自动化会降低警惕性，因为用户会内化监控不必要的信念（Parasuraman & Riley，1997年）。在工业服务恢复中，对人工智能驱动系统的反复依赖预计会产生这种效应，客户逐渐不再参与监督和监控活动。因此，过度依赖是随着时间推移出现自满的行为前兆。基于这一逻辑，我们认为，在恢复事件期间，过度依赖是自满逐渐出现的直接机制，特别是在人工智能系统持续可靠运行的工业环境中。因此，我们假设：
H1c：在服务恢复中对人工智能的过度依赖与随时间发展的客户自满呈正相关。这种自满在工业背景下带来了严重的风险。如果客户停止监控输出或未能升级异常情况，错误可能直到演变成严重事故才被发现。这可能会延长停机时间，增加服务故障的财务和运营后果，并最终损害与供应商的信任和参与度。与治理文献一致，降低警惕性会削弱对可控性的感知，掩盖供应商责任的线索，并减少支持 B2B 关系中信任和客户参与度的合作互动机会（Brodie等人，2011年；Mayer等人，1995年；Morgan & Hunt，1994年）。因此，尽管过度依赖反映了最初对人工智能采用的反应，但自满代表了其下游后果，直接影响信任和参与度等关系结果。通过这种方式，信任和参与度成为持续降低警戒心的行为结果，这与自满理论的核心原则一致。H1d 客户的自满与（a）信任和（b）客户参与度呈负相关。2.5. 算法厌恶、错误和正义此外，自动化偏见的研究表明，用户对系统可靠性的期望会提高，特别是当AI系统被认为具有高度能力、数据驱动和分析优势时（Dzindolet等人，2003年；Logg等人，2019年；Afroogh等人，2024年）。这些感知增强了人们对AI输出的信心，并增加了对自动化推荐的依赖，即使在不确定或高风险的情境中也是如此（Klingbeil等人，2024年）。当这些系统失败时，对这种期望的违反会导致不成比例的负面反应，因为失败与系统假设的可靠性相矛盾。在服务恢复的情境中，这些反应表现为对恢复过程的更负面评价，尤其是在公平性方面（Colquitt，2001年；Crolic等人，2021年；Van Vaerenbergh等人，2018年）。虽然公平性常被用作此类评价的广泛描述符，但先前的研究通过正义感知的概念更精确地分析了这些评价，它涵盖了程序性、互动性和分配性方面的公平性评估（Colquitt，2001年）。因此，在这项研究中，我们将公平性评价视为通过正义感知来操作的，这使我们能够在统一的框架内捕捉基于结果和基于过程的评估。这种解释与更广泛的AI和人机交互文献的发现一致，这些文献表明用户对机器错误的评价与对人类错误的评价不同。具体来说，当算法失败时，客户通常较少宽容，即使错误率并不高于人类决策者的错误率（Crolic等人，2021年；Dietvorst等人，2015年）。这种现象被称为算法厌恶，与算法欣赏的证据形成对比，即在系统被认为可靠、客观或诊断上优越时，用户更倾向于依赖算法判决（Logg等人，2019年）。重要的是，这些反应并不是相互排斥的，而往往在与自动化系统的不同互动阶段出现（Qin等人，2025年）。在服务恢复中，这些动态尤其显著，因为评价不仅限于技术故障的解决，还包括对公平性的判断，在这里表现为正义感知。当AI决策过程显得不透明或难以审查时，程序公平性可能会受到损害（Burrell，2016年）。由于AI缺乏同情心、道歉或安慰的能力，互动公平性也会减弱（Van Doorn等人，2017年）。当AI生成的恢复结果被认为过于通用或对情境或合同考虑不够敏感时，分配公平性也可能受到质疑（Grewal等人，2017年）。来自消费市场的进一步证据表明，客户对归因于AI的故障的惩罚比人为造成的故障更为严厉（Cai等人，2025年；Crolic等人，2021年）。在工业市场中，由于故障发生的条件，包括长期的合同依赖性、高度的操作相互依赖性以及重大的财务或安全后果，这些惩罚可能会被放大。这些特征加剧了对归属感的敏感性，使得当故障与AI有关时，正义感知变得更加重要和脆弱。基于这一推理，我们提出：H2a 对归因于AI的故障的正义感知低于归因于人为原因的故障。此外，正义感知在塑造下游关系结果方面起着核心作用。关系营销研究长期以来一直将信任视为评价转化为长期关系行为的关键机制（Morgan & Hunt，1994年）。当客户认为恢复过程和结果公平时，他们更有可能重建对供应商的信任，这反映了他们对供应商可靠性和诚信的信心（Mayer等人，1995年）。同时，客户参与度代表了超越信任的更广泛的关系结果。参与度包括客户在关系中的认知、情感和行为投入（Brodie等人，2011年；Hollebeek等人，2019年），并体现在诸如愿意共同开发解决方案、共享运营数据以及在国内和外部为供应商发声等行为中。虽然这些行为可能与信任同时发生，但它们不能完全归结为信任。信任反映了客户对供应商可靠性和诚信的信心（Mayer等人，1995年），而参与度则捕捉了关系中的更广泛的认知、情感和行为投入（Brodie等人，2011年）。基于这一观点，我们将信任和客户参与度视为正义感知的不同但互补的结果，每种结果都捕捉了关系反应的不同方面。正义感知通过让客户了解供应商的诚信、能力和责任来塑造信任，同时通过影响他们保持认知、情感和行为上的投入来影响客户参与度。因此，正义感知不仅影响对即时恢复事件的评价，还影响客户长期维护和加强供应商关系的承诺。H2b 正义感知与（a）信任和（b）客户参与度呈正相关。2.6. 治理保障和长期关系结果尽管在工业环境中归因于AI的故障往往会导致正义感知下降、信任减弱和客户参与度降低，但这些结果并非不可避免。先前的研究表明，诸如人在回路（HITL）流程和算法解释等治理保障可以缓解公平性的缺失（McKay，2024年）。HITL机制通过建立升级路径并确保人类专家验证或审查AI建议，提供了责任仍由供应商承担的保证（McKay，2024年）。同样，即使简短的，对AI决策如何达成的解释也能增强透明度和程序公平性（Doshi-Velez & Kim，2017年；Ribeiro等人，2016年）。治理文献认为，这些机制减少了不确定性，明确了责任，并规范了相互依赖者之间的互动（Ghazawneh & Henfridsson，2013年；Gregory等人，2021年）。在工业服务恢复中，由于责任、可靠性和可预测性对于维持信任至关重要，这些机制起着关键作用，因为客户依赖于一致、可理解和可审计的过程来评估供应商的诚信和能力（Homburg等人，2002年；Mayer等人，1995年）。虽然这些机制通常在AI和信息系统治理文献中讨论，但在工业背景下，HITL监督和算法解释可以更精确地理解为已建立的B2B合同治理机制的扩展。具体来说，HITL监督类似于合同控制结构，如升级条款、审批层次和异常处理协议，在关键决策实施之前需要人类干预。同样，算法解释与服务级别协议（SLAs）中嵌入的可审计性和透明度条款一致，使客户能够质疑、验证和挑战决策的产生方式。更广泛地说，这两种机制都加强了问责制、监控和控制等核心治理功能，这些功能是工业交换关系的基础，而不是引入全新的治理形式。在这个框架内，HITL监督和算法解释可以被视为信任校准的保障，积极影响客户对正义的评估。HITL机制提供了可见的人类责任形式和纠正控制，确保专家验证或审查AI生成的结果，防止责任完全 delegating 给算法（McKay，2024年；Rahwan等人，2019年）。先前的研究表明，人类监督减少了决策权的不确定性，加强了组织责任的感知，并增强了人们对技术中介过程的信任（Benbasat & Wang，2005年）。同样，可解释AI（XAI）文献将算法解释不仅视为信息线索，还视为通过揭示决策生成方式来校准用户对自动化系统信任的机制，从而增加了感知的正义性（即公平性），减少了疏忽的归属，并减轻了对算法失败的负面反应（Doshi-Velez & Kim，2017年；Ribeiro等人，2016年；Shin，2021年）。透明度机制长期以来一直被认为是关系治理的核心，因为它们减少了信息不对称性，并支持对合作伙伴行为更有利的解释（Ghazawneh & Henfridsson，2013年；Heide & John，1992年；Van Vaerenbergh等人，2018年）。从自动化的角度来看，引入人类监督或增加透明度的机制可以通过重新引入审查和验证的机会来中断盲目依赖。通过这样做，这些干预减少了用户将决策权完全委托给系统的程度，从而减轻了与AI相关的失败所带来的负面反应。总的来说，这些保障明确了角色边界，减少了关于决策权的不确定性，并恢复了对于在高风险工业交换中管理合作伙伴脆弱性的控制机制的感知。因此，这一讨论得出：H3a 治理保障（人在回路监督和算法解释）调节了故障归属（AI vs. 人类）与正义感知之间的关系，使得当治理保障更强时，AI导致的故障对正义感知的负面影响较弱。同样，治理保障通过明确决策责任并帮助客户保持对恢复过程的控制感而发挥着重要作用。当客户知道有人监督AI系统、决策可以审查，并且有明确的方法来质疑或升级结果时，他们就不太可能不加批判地依赖技术（Hoff & Bashir，2015年；Parasuraman & Riley，1997年）。这种监督和控制感鼓励了更加有节制的AI使用，而不是盲目的依赖（Rai，2020年）。算法解释通过使AI决策更加透明和易于理解来补充这一作用。即使是对系统为何给出特定建议或结果的简短解释，也可以增加感知的理解、程序公平性和控制性（Doshi-Velez & Kim，2017年；Ribeiro等人，2016年；Shin，2021年）。人类监督和解释共同支持对AI的更有节制的依赖，鼓励客户保持参与，而不是退出监督和评估（Hoff & Bashir，2015年；Rai，2020年）。通过加强问责制和透明度，这些保障有助于防止从最初的AI依赖逐渐转变为自满，用户不再积极监控或完全脱离监督（Parasuraman & Riley，1997年；Rahwan等人，2019年）。从这个意义上说，如人在回路监督和算法解释这样的治理机制在服务系统中起到了保护作用（Ghazawneh & Henfridsson，2013年；Van Vaerenbergh等人，2018年）。它们中断了过度依赖可能导致长期脱节的心理过程，从而减轻了对AI依赖与客户自满之间的关系。H3b 治理保障（人在回路监督和算法解释）调节了过度依赖与自满之间的关系，使得当保障更强时，积极的关联减弱。总之，所提出的框架（见图1）解释了AI支持的工业服务恢复的风险和边界条件。一个核心前提是，AI在服务恢复中的效应不是通过单一机制起作用的，而是通过两个理论上不同的路径出现的，这两个路径都基于自动化偏见和自满理论。下载：下载高分辨率图像（283KB）下载：下载全尺寸图像图1. 概念框架。* 感知到的AI参与被构想为一个在不同服务恢复阶段表现出来的高级概念：恢复决策和故障归属。首先，当AI参与恢复决策时，自动化偏见预测行为上的顺从，即用户依赖系统输出而不加审查（Dzindolet等人，2002年）。随着反复互动，这种依赖演变为自满，其特征是警戒心减弱和脱离参与（Parasuraman & Riley，1997年）。这种行为路径展示了AI参与如何通过监控和参与的变化间接影响关系结果。其次，自动化研究还表明，用户对系统可靠性的期望会提高，特别是对于智能、数据驱动的系统。当发生故障并归因于AI时，这些期望受到违反，导致比同等人为原因造成的故障更强烈的负面评价。这种评价路径反映了AI参与如何影响对恢复结果的解释，而不是决策的执行。重要的是，这两种路径不是相互竞争的解释，而是服务恢复过程中不同阶段的机制。行为路径（过度依赖 → 自满）在与AI支持的恢复系统的持续互动中起作用，而评价路径（AI导致的故障 → 负面评价）是在特定故障归因于AI时激活的。在恢复决策过程中，AI参与被视为程度问题，反映AI在指导和纠正行动中的影响力。相比之下，当发生故障时，AI参与成为责任来源，导致分类归属（AI vs. 人类）。尽管存在这些差异，这两种表现都反映了共同的基本逻辑：服务系统中决策权和责任的感知位置。因此，它们不是独立的预测因子，而是单一结构在恢复过程中具体情境下的表达。然而，由于这些机制在不同的心理条件下产生，它们不会在同一互动中同时被激活，也不能在单一的实证设计中清晰地识别出来，而不引入混淆效应。因此，我们接下来采用了一种多研究方法，其中每项研究都分离出一个特定的机制，然后将其整合到一个统一的理论解释中。这种方法与理论驱动研究中的既定实践一致，在这种研究中，过程模型的不同组成部分需要不同的识别策略。
3. 方法论
研究设计遵循了人工智能参与的双重路径理论，每项研究都分离出一个特定的机制进行实证测试。研究1（一项横断面实地调查）通过关注人工智能在恢复决策中的参与来检验行为路径，并确定自动化路径是否存在于真实的工业环境中。研究2（一项基于小故事的实验）通过关注人工智能在故障归因中的参与来检验评估路径。研究3（一项两波纵向设计）揭示了时间动态，显示了短期过度依赖如何转变为长期自满和关系侵蚀。如前所述，这种多研究设计旨在反映理论化机制的阶段依赖性，而不是测试独立或竞争的路径。因此，多研究设计作为一种与理论一致的识别策略，允许在每个机制理论上预期运行的条件下对其进行测试，然后再将其整合到一个连贯的过程模型中。本文还附有一份方法附录，报告了所有补充分析、稳健性检验和替代模型规范的结果，但由于编辑字数限制，这些内容没有包含在主文中。
3.1. 研究1（实地调查）
第一项研究测试了人工智能在工业服务恢复中的参与是否会导致客户过度依赖，从而通过这种机制破坏对重点供应商的信任和参与度，这与H1a和H1b的假设一致。数据来自美国的452位工业决策者，通过Lucid Marketplace（现为Cint）收集。Lucid通过第三方来源和数字指纹验证了参与者的身份，确保受访者具有相关的角色和责任。为了确保概念的有效性，参与仅限于经历过服务故障并随后与供应商进行恢复互动的受访者。这一条件通过在调查开始时的一个明确筛选问题来执行，要求受访者回忆一个具体的恢复事件。
样本来自四个人工智能支持的服务恢复突出的行业：制造业（38%）、物流和供应链（24%）、能源和公用事业（20%）以及医疗技术（18%）。职能角色分布在采购和采购经理（41%）、工程师和技术负责人（36%）和服务或运营经理（23%）之间，从而在商业监督和技术专长之间取得了平衡。参与者报告与他们的重点供应商的平均关系持续时间为4.7年，年度合同价值通常在165,000美元到660,000美元之间。
构念是用为工业恢复环境调整的验证过的量表来测量的（见附录A）。与概念上关注感知的人工智能参与程度而不是客观的技术部署一致，人工智能参与量表捕捉了受访者对人工智能系统在诊断故障、推荐恢复措施和指导决策过程中的参与频率和自主性的看法。人工智能参与度是通过改编自Ameen等人（2025年）的条目来测量的，评估了人工智能工具在服务恢复中的频率、范围和自主性（α = 0.82）。过度依赖是通过改编自Dzindolet等人（2002年）和Logg等人（2019年）的条目集合来测量的，这些条目捕捉了客户对人工智能输出的行为顺从性以及即使在没有独立判断的情况下也倾向于依赖算法建议的倾向（α = 0.85）。信任是使用Mayer等人（1995年）广泛应用的组织信任量表来评估的，该量表捕捉了能力、善意和诚信的感知（α = 0.92）。客户参与度是使用Hollebeek等人（2019年）的多维客户参与度量表来测量的，该量表评估了在组织关系中的认知、情感和行为参与度（α = 0.89）。所有条目都是在7点李克特型量表上测量的。
在进行结构关系测试之前，进行了验证性因子分析（CFA）来评估测量模型。测量模型显示出良好的拟合度（χ2/df = 2.01，CFI = 0.97，TLI = 0.96，RMSEA = 0.048）。所有标准化因子载荷都是显著的，并且超过了0.70。复合可靠性从0.84到0.93不等，表明内部一致性很强。平均提取方差（AVE）值在各个构念中从0.56到0.78不等，超过了推荐的0.50阈值，支持了收敛有效性。区分效度得到了Fornell-Larcker标准和HTMT比率的支持，这些比率低于保守阈值（HTMT <0.85；见方法附录）。
此外，为了评估共同方法偏差的潜在影响，将单因素模型与提出的多因素测量模型（Podsakoff等人，2003年）进行了比较。在单因素模型中，所有观察到的指标都被限制在一个潜在构念上，代表了一个共同方法因子。该模型对数据的拟合度较差。相比之下，提出的测量模型指定了条目加载到它们理论上不同的构念上，并显示出显著更好的拟合度。χ2差异测试确认提出的模型比单因素模型更适合数据（Δχ2(6) = 1284.6，p < .0001），表明测量之间的协方差不能归因于单一的共同来源，共同方法偏差不太可能解释观察到的关系。
除了Harman的单因素测试外，我们还使用标记变量法和潜在方法因子进行了补充诊断；这些分析没有实质性改变参数估计，进一步证明了共同方法方差不太可能对结果产生偏差（详见方法附录）。
在确定了测量模型的充分性并缓解了关于共同方法偏差的担忧后，然后估计了假设的结构关系。结构模型也显示出良好的拟合度（χ2/df = 2.14，CFI = 0.96，TLI = 0.95，RMSEA = 0.05），支持了所提出的因果结构的合理性。与H1a一致，感知的人工智能参与显著预测了客户过度依赖（β = 0.28，SE = 0.04，p = .0002）。支持H1b，过度依赖负向预测了信任（β = −0.31，SE = 0.05，p = .0001）和客户参与度（β = −0.27，SE = 0.05，p = .0004）。自举中介分析揭示了感知的人工智能参与通过过度依赖对信任（ab = −0.09，95% CI [−0.14，−0.05]，p = .0003）和参与度（ab = −0.08，95% CI [−0.13，−0.04]，p = .0006）的显著间接效应（见表1）。
表1. 研究1（实地调查）的发现总结。
假设
理论路径
关键结果
标准化效应
统计支持
支持
H1a
感知的人工智能参与 → 客户过度依赖
在服务恢复决策中较高的感知人工智能参与显著增加了客户的过度依赖
β = 0.28
p = .0002
是
H1b（信任）
客户过度依赖 → 信任
对人工智能的过度依赖显著降低了了对供应商的信任
β = −0.31
p = .0001
是
H1b（参与度）
客户过度依赖 → 客户参与度
对人工智能的过度依赖显著降低了客户参与度
β = −0.27
p = .0004
是
间接效应（信任）
人工智能参与 → 过度依赖 → 信任
过度依赖中介了人工智能参与对信任的负面影响
ab = −0.09
95% CI [−0.14，−0.05]
是
间接效应（参与度）
人工智能参与 → 过度依赖 → 参与度
过度依赖中介了人工智能参与对参与度的负面影响
ab = −0.08
95% CI [−0.13，−0.04]
是
注意。标准化系数（β）报告了直接效应。间接效应是使用自举置信区间（95% CI）估计的。当置信区间不包含零时，推断出间接效应的统计显著性。
总体而言，研究1表明，在真实的服务恢复事件中感知的人工智能参与增加了客户的过度依赖，这反过来又破坏了信任和客户参与度。这些发现共同为H1a和H1b提供了实证支持，并确立了过度依赖作为人工智能支持的服务恢复重塑工业客户-供应商关系的核心机制。
3.2. 研究2（小故事实验）
虽然研究1确立了在真实工业服务恢复环境中存在自动化驱动的路径，但它无法区分在分配故障责任时人工智能参与的因果作用。在实地情境中，对人工智能参与的感知、恢复结果和关系评估是必然交织的，这使得难以区分观察到的关系惩罚是由于人工智能驱动的决策过程本身还是由于客户对故障来源的归因。研究2通过采用一个受控的小故事实验来解决这一限制，旨在分离归因效应并测试无法从横断面调查数据中推断出的因果机制。
此外，如第3.0节所述，研究1将感知的人工智能参与视为恢复决策中的一个程度问题，而研究2则关注同一潜在结构的另一种表现形式：人工智能在故障归因中的作用。这反映了人工智能参与在整个恢复过程中的阶段依赖性。在常规恢复过程中，人工智能体现在它对决策的影响程度上；当故障发生时，它成为责任的来源。因此，研究2并不检验一个不同的构念，而是分离了在故障归因时刻感知的人工智能参与的一个独特表现形式。
具体来说，研究2关注的是在故障归因时刻的感知人工智能参与，而不是在恢复决策过程中。借鉴了关于算法厌恶和组织正义的文献，这项研究检查了将故障归因于人工智能参与是否比同等的人类引起的故障受到更严厉的评估，即使在客观结果保持不变的情况下也是如此。实验设计允许对人工智能引起的人类引起的错误进行清晰/受控制的比较，并直接测试人工智能参与是否引发了削弱工业环境中关系评估的不同正义关切（例如，公平性）。
我们考虑使用高-低设计来操纵人工智能参与；然而，这样的方法无法清晰地识别归因效应。先前的研究表明，对自动化的反应从根本上取决于人工智能是被视为影响决策还是对错误的负责（Crolic等人，2021年；Rai，2020年）。后者需要一个分类操纵（人工智能 vs. 人类）来分离基于归因的反应。因此，实验设计反映了基于程度的参与和基于归因的参与之间的理论区别，而不是概念焦点的转变。
数据来自通过Lucid Marketplace招募的612位工业决策者。与研究1一样，参与者经过了筛选，以确保他们是负责供应商关系和服务恢复过程的组织决策者，但研究1中的参与者没有包括在研究2的样本中，以避免携带效应。涉及的行业包括制造业（34%）、物流和供应链（27%）、能源和公用事业（21%）以及医疗技术（18%）。参与者担任的职位包括采购经理（50%）、工程师和技术负责人（18%）和服务或运营经理（32%）。平均供应商关系持续时间为9.3年，合同价值高于研究1，其中21%的合同每年超过100万美元，反映了这一样本中恢复过程的战略重要性。
参与者被随机分配到四个条件中的一个，采用2（故障来源：归因于人工智能参与 vs. 人为引起）× 2（治理保障机制：缺乏 vs. 存在）的被试内设计（每种条件的单元格大小见在线方法附录 - 见补充表A8）。治理保障措施被实现为人类参与（HITL）监督或算法解释的存在，这些被合并为单一的存在-缺乏因子进行主要分析。与研究1类似，所有构念都从已建立的量表中进行了调整和测量（见附录A）。假设检验分为两个阶段进行。首先，使用2 × 2因子结构进行了主要分析，以估计H2a、H2b和H3a所需的效应。其次，补充分析将保障措施存在的条件拆分开来，分别检验HITL和算法解释。
结果强烈支持H2a。归因于人工智能参与的故障与人类引起的故障相比，正义感知显著较低（M_AI = 3.42 vs. M_Human = 4.11；F(1, 608) = 34.6，p = .0002，η2 = .05）。支持H2b，正义感知与信任（β = 0.46，p = .0001）和客户参与度（β = 0.39，p = .0004）正相关，证实了公平性评估是将故障归因与下游关系结果联系起来的关键机制。
转向H3a，治理保障措施总体上显著改善了正义感知（M_Safeguard = 3.65 vs. M_No safeguard = 3.12；ΔM = +0.53，p = .006）。然而，在2 × 2设计中估计的故障来源 × 保障措施交互作用并不具有统计学意义，表明H3a在总体层面没有得到支持。
为了进一步检验这种效应的形式，补充分析拆分了保障措施存在的条件。这些分析显示，两种治理机制都减轻了与人工智能归因的故障相关的正义惩罚。具体来说，HITL监督显著改善了与无保障措施条件相比的正义感知（ΔM = +0.62，p = .004），而算法解释也产生了显著的、尽管较小的改善（ΔM = +0.49，p = .031）。直接比较表明，HITL监督比算法解释具有更强的公平性恢复效果（ΔΔM = +0.18，p = .038）。
额外的分析进一步澄清了公平性惩罚最明显的情况。在没有治理保障的情况下，归因于人工智能（AI）的故障评价明显比人为造成的故障更为负面（M_ai = 3.12 对比 M_Human = 4.03；ΔM = −0.91，p = .0001），这表明在治理水平较低的情况下，与AI相关的惩罚更为严重。补充的回归分析提供了与这一模式一致的额外证据（β = 0.21，p = .008），表明治理保障可能会影响故障归因与公正感知之间的关系，尤其是在使用不同模型规格进行评估时。下游分析显示，公正感知显著预测了信任（β = 0.46，p < .001）和客户参与度（β = 0.39，p < .001），这与H2b假设一致。进一步的间接效应分析表明，治理保障通过公正感知影响关系结果。与算法解释相比，人类在决策过程中的监督（HITL）对信任的间接影响更强（ab = 0.14，95%置信区间 [0.07, 0.22]），而两种机制对客户参与度的间接影响相当（HITL：ab = 0.11；XAI：ab = 0.09）。总体而言，这些发现表明，归因于AI的故障会降低公正感知，进而削弱信任和客户参与度。治理保障总体上提高了公正感知，并在特定条件下减轻了与AI相关故障带来的公平惩罚。尽管总体交互作用不显著，但补充分析显示，不同保障机制的缓冲效果并不均匀，其中人类在决策过程中的监督效果更明显。因此，研究2为H2a和H2b假设提供了强有力支持，并通过特定机制和补充分析为H3a假设提供了部分支持。
表2. 研究2的发现总结（案例实验）。
| 类别 | 假设 / 分析 | 理论预测 / 目的 | 关键比较 / 测试 | 结果 |
|------------------|------------------|-------------------|-----------------------------|--------------------------|
| H2a | 归因于AI的故障导致的公正感知低于人为造成的故障 | AI归因 vs. 人为造成的故障 | M.AI = 3.42 对比 M_Human = 4.11；F(1, 608) = 34.6，p = .0002，η2 = .05 | 支持 |
| H2b (信任) | 公正感知与信任呈正相关 | Justice → Trust | β = 0.46，p = .0001 | 支持 |
| H2b (参与度) | 公正感知与客户参与度呈正相关 | Justice → Engagement | β = 0.39，p = .0004 | 支持 |
| H3a | 治理保障减轻了与AI相关故障的公平惩罚 | 有治理保障 vs. 无治理保障 | M_Safeguard = 3.65 对比 M_No_safeguard = 3.12；ΔM = +0.53，p = .006 | 支持 |
| H3a (综合交互作用) | 故障来源对公正感知的影响取决于治理保障的存在 | Failure Source × Safeguard (2 × 2设计) | ns | 不支持 |
| HITL缓冲效应 | 测试HITL是否减轻了AI相关故障的公平惩罚 | HITL vs. 无保障（AI故障） | ΔM = +0.62，p = .004 | 支持 |
| 算法解释缓冲效应 | 测试解释是否减轻了AI相关故障的公平惩罚 | Explanation vs. 无保障（AI故障） | ΔM = +0.49，p = .031 | 支持 |
| 无保障下的AI惩罚 | 测试在没有保障的情况下，AI故障是否受到更严厉的惩罚 | No safeguards：M.AI = 3.12 对比 M_Human = 4.03；ΔM = −0.91 | 支持 |
| HITL与解释的对比 | 比较不同保障机制的强度 | HITL vs. Explanation | ΔΔM = +0.18，p = .038 | 支持 |
| 补充调节作用 | 基于回归的稳健性检查 | Failure Source × Safeguard | β = 0.21，p = .008 | 支持 |
| HITL → 信任 | HITL通过公正对信任的间接影响 | Indirect effect ab = 0.14，95% CI [0.07, 0.22] | 支持 |
| 解释 → 信任 | 解释通过公正对信任的间接影响 | Indirect effect ab = 0.08，95% CI [0.02, 0.15] | 支持 |
| HITL → 参与度 | HITL通过公正对参与度的间接影响 | Indirect effect ab = 0.11，p = .004 | 支持 |
| 解释 → 参与度 | 解释通过公正对参与度的间接影响 | Indirect effect ab = 0.09，p = .012 | 支持 |
图2显示，与H2a假设一致，当没有治理保障时，归因于AI的故障被认为比人为造成的故障更不公平。与H3a假设一致，算法解释和人类在决策过程中的监督都能减轻这种不公平惩罚，其中HITL的缓冲效果最强。因此，研究2通过提供与AI参与相关的归因惩罚的因果证据，并识别可以缓解这些影响的治理机制，补充了研究1的发现。这些发现共同揭示了AI通过故障归因和公平评估重塑工业服务恢复的另一种途径，而非仅仅通过决策阶段的依赖性。
**研究3（双波纵向面板研究）**
研究1和2确定了AI参与对工业服务恢复的两种互补性影响：首先，增加了客户对AI支持的恢复决策的即时过度依赖（研究1）；其次，当故障被认为是由AI引起时，会产生基于归因的公平惩罚，而治理保障在特定条件下改善了公正感知并部分减轻了这些惩罚（研究2）。然而，这两项研究都在有限的时间窗口内考察了这些效应。它们没有探讨在恢复事件中反复过度依赖AI是否会产生持久的关联后果，因为客户-供应商关系会随着时间发展。研究3通过考察对AI的依赖性的下游长期表现——即自满，来弥补这一局限性。基于研究1的发现，该研究测试了这种依赖性是否变得制度化，并转变为自满，即客户对供应商的警惕性、监督和积极参与的持续减少。这种时间上的区别在理论上很重要：过度依赖反映了在特定恢复事件中对AI建议的暂时性顺从，而自满则代表了客户管理和监督供应商关系的结构性转变。为了将这种时间逻辑与研究2中确定的归因机制整合起来，研究3采用了一种统一的概念框架，区分了AI在恢复决策中的参与（导致行为上的过度依赖和随后的自满）和AI在故障原因中的参与（触发公正评估和基于归因的惩罚）。尽管这些维度出现在恢复过程的不同阶段，但它们代表了同一潜在机制在不同时间的表现。在这种框架下，治理保障作为边界条件，影响AI相关故障后的即时公平评估（如研究2所考察的）以及长期持续的依赖性驱动的自满（如研究3所考察的），而不是作为孤立的干预措施。由于识别基于归因的调节作用需要实验性操控的故障条件，因此研究3没有重新测试H3a假设。相反，研究3专注于H3b假设，探讨治理保障如何调节过度依赖与自满之间的时间关系。
因此，研究3采用双波纵向面板设计，测试在时间1（基线）的过度依赖是否预测了时间2（24个月后）的自满，以及自满是否随后侵蚀了长期工业关系中的信任和客户参与度。选择24个月的时间窗口是有意为之，以捕捉工业市场的缓慢关系动态特征，其中高转换成本和长合同周期使得自满既有可能也存在实际后果。这种时间分离的设计另一个方法学优势是大幅减少了关于共同方法偏差的担忧。因为关键前因（AI参与、过度依赖和治理保障）是在时间1测量的，而焦点结果（自满、公正感知、信任和客户参与度）是在24个月后评估的，这种设计在预测变量和结果之间引入了强时间分离，从而限制了观察到的关系可归因于同一来源或同一时间测量误差的可能性。此外，研究3还考察了治理保障是否随时间继续调节过度依赖与自满之间的关系，将研究2中的缓冲逻辑扩展到长期的关系治理中。 longitudinally measurement invariance tests表明，配置不变性和度量不变性得到了支持（ΔCFI = 0.004；ΔRMSEA = 0.002），并且在经过少量调整后，部分标量不变性也得到了实现（ΔCFI = 0.003；ΔRMSEA = 0.002），这支持了不同时间点上构念的可比较性以及从模型中得出的纵向推断的有效性。与H1a一致，较高的感知到的AI在恢复决策中的参与度显著预测了过度依赖（β = 0.29，p = 0.0003）。支持H1b的结论是，过度依赖在AI参与恢复与信任和参与度之间起到了中介作用。对信任的间接效应显著（ab = −0.07，95% CI [−0.12, −0.03]，p = 0.0009），而对参与度的间接效应也显著但略小（ab = −0.05，95% CI [−0.09, −0.02]，p = 0.006）。关于失败归因的结果显示，较高的感知到的AI在导致失败中的作用与较低的公正感知相关（β = −0.26，p = 0.0005）。支持H2b的结论是，公正感知正面预测了信任（β = 0.44，p = 0.0002）和客户参与度（β = 0.37，p = 0.0007）。最后，与H1c和H1d一致，第一次测量时的过度依赖预测了第二次测量时的自满（β = 0.34，p = 0.0004），而自满反过来又负面预测了信任（β = −0.28，p = 0.0006）和参与度（β = −0.22，p = 0.0012）。H3b也得到了支持：治理保护机制调节了过度依赖与自满之间的联系（交互作用β = −0.16，p = 0.008），在有强大保护机制的情况下，过度依赖对自满的影响明显减弱。此外，为了澄清所提出的时间模型的结构和边界条件，我们还进行了额外的分析，以检查是否存在超出假设路径的直接效应。具体来说，我们调查了在考虑了自满之后，感知到的AI参与度或过度依赖是否对信任或客户参与度仍有直接的剩余影响。结果表明，一旦在模型中包含了过度依赖和自满，无论是感知到的AI在恢复决策中的参与度还是过度依赖，都对第二次测量时的信任或客户参与度没有显著的直接影响。相比之下，自满仍然是信任（β = −0.28，p = 0.0006）和客户参与度（β = −0.22，p = 0.0012）的强烈负面预测因素，这表明AI支持的恢复过程主要通过时间嵌入的行为机制来展开，而不是通过即时暴露效应。治理保护机制也没有直接增强信任或参与度（ps > 0.10）；相反，它们通过削弱过度依赖与自满之间的关系来发挥作用（交互作用β = −0.16，p = 0.008）。尽管补充材料中的交叉滞后分析显示第一次测量时的过度依赖与第二次测量时的信任之间存在正相关，但一旦在完整模型中包括了自满，这种关系就不显著了。这种模式表明，过度依赖对关系结果的影响是通过下游行为机制实现的，而不是直接效应。总体而言，研究3的发现（见表3）通过展示两条互补的路径，强化了感知到的AI参与度的核心作用。首先是一条行为路径，其中AI参与度增加了过度依赖，随着时间的推移演变为自满，进而降低了信任和客户参与度。其次是一条基于归因的路径，其中归因于AI的失败降低了公正感知，进而影响了关系结果。重要的是，这些路径在模型中是并行运作的，而不是作为一个单一的顺序链，治理保护机制随时间调节这些过程，而不是直接增强关系结果。因此，研究3提供了纵向证据，表明自满在塑造工业客户-供应商关系中起着核心作用，将之前的发现扩展到了短期或偶发效应之外。
研究3的总体发现（见表3）通过展示两条互补的路径，强化了感知到的AI参与度的核心作用。首先是一条行为路径，其中AI参与度增加了过度依赖，这种依赖随时间演变为自满，进而降低了信任和客户参与度。其次是一条基于归因的路径，其中归因于AI的失败降低了公正感知，进而影响了关系结果。这些路径在模型中是并行运作的，而不是作为一个单一的顺序链，治理保护机制随时间调节这些过程，而不是直接增强关系结果。因此，研究3提供了纵向证据，表明自满在塑造工业客户-供应商关系中起着核心作用，将之前的发现扩展到了短期或偶发效应之外。
**4. 总讨论**
本研究通过追踪感知到的AI参与度如何随时间改变客户-供应商关系的连贯过程，加深了对人工智能如何重塑工业服务恢复的理解。在三项互补的研究中，我们证明了AI支持的恢复不仅影响运营效率或短期评估，还引发了一系列行为、归因和关系后果，这些后果在不同的时间范围内展开。总的来说，这些发现揭示了一个统一而动态的过程，在这个过程中，AI参与度首先促进了行为上的过度依赖，当失败发生时引发了基于归因的公平性惩罚，最终导致了长期的自满，从而侵蚀了信任和参与度，除非受到治理保护的约束。
**研究1**确立了这一过程的初始阶段，表明感知到的AI在服务恢复中的参与度增加会提高客户对算法系统的行为依赖。当AI系统被感知为积极诊断失败、推荐恢复措施或指导决策时，客户会更依赖AI的输出，较少独立判断。这种行为转变反过来削弱了信任和客户参与度，其中过度依赖完全中介了AI参与度与这些关系结果之间的关系。重要的是，这些效应出现在真实的工业恢复情境中，在这些情境中，决策具有后果性，合同是长期的，切换成本很高。人工智能的深度参与似乎重新调整了客户的角色期望，将责任和警觉性从客户转移到了系统上。因此，研究1将过度依赖确定为AI参与度开始重塑工业关系的一个关键行为机制。
**研究2**通过分析客户在错误责任被分配后如何评估失败，隔离了第二个分析上不同的机制。使用一个受控的情景实验，这项研究表明，归因于AI的失败比同等的人为造成的失败受到更严厉的评判，即使客观结果保持不变。这些基于归因的惩罚通过公正感知来发挥作用：归因于AI的失败降低了感知到的公平性，进而削弱了信任和客户参与度。关键的是，研究2表明，治理保护机制可以减轻但不能消除这些公平性惩罚。当有人类在其中的监督和算法解释存在时，相比没有治理保护的情况，公正感知显著改善。然而，它们的效果并不相同。可见的人类问责制在恢复信任方面比单独的算法解释具有更显著的效果。这些发现强调，透明度和问责制是不可互换的：虽然解释提高了程序的清晰度，但人类监督更直接地解决了工业恢复设置中的责任和道德代理问题。值得注意的是，研究2中的分解分析显示，在治理保护不足的情况下，AI惩罚更为严重。当保护措施缺失时，归因于AI的失败被认为比人类失败更为不公平；当保护措施存在时，这种差距显著缩小。这种模式阐明了为什么治理保护机制之所以重要，并不是因为它们普遍增强信任，而是因为它们作为边界条件，影响了客户在出现问题时如何解释AI的参与度。
**研究3**从时间上扩展了分析，表明AI参与度的后果并不止于偶尔的依赖或基于归因的评估。相反，恢复过程中对AI的反复依赖逐渐常态化，演变为自满，导致客户警觉性、监控和与供应商的积极参与的持续下降。使用为期24个月的两个波段的纵向面板数据，研究3表明，基线时的过度依赖预测了两年后的自满，而自满随后侵蚀了信任和客户参与度。与反映特定恢复期间情境性依赖的过度依赖不同，自满代表了客户管理供应商关系方式的结构性转变。一旦客户变得自满，即使在没有新失败的情况下，关系退化也会加速。研究3还表明，治理保护机制随着时间的推移仍然重要。治理机制调节了过度依赖与自满之间的联系，减弱了过度依赖转化为疏远的程度。重要的是，治理并没有直接增加信任或参与度；相反，它限制了使AI支持的便利性演变为关系疏远的行为倾向。这些发现强化了治理作为稳定力量的观点，而不是补偿性力量。
综合来看（见表4），尽管这些是在不同的研究中测试的，但行为和评估路径被概念化为一个单一的、随时间展开的过程的组成部分，而不是独立效应。这三项研究因此阐述了一个统一的AI支持工业服务恢复的过程模型。当AI在恢复决策中深度参与时，客户最初会依赖系统，从而增加了过度依赖（研究1）。当失败发生并被归因于AI时，除非有治理保护措施表明责任和监督，否则客户会施加更强的公平性惩罚（研究2）。随着时间的推移，如果不受控制，反复的过度依赖会固化为自满，从而削弱信任和参与度（研究3）。
**表4. 研究1-3的假设和发现总结**
| 假设 | 假设陈述 | 关键发现 | 统计证据 | 结果 |
|-------| ---------| ----------| --------| -------|
| H1a | AI参与恢复决策 → 过度依赖（T1） | 较高的AI参与度增加了客户的过度依赖 | β = 0.29，p = 0.0003 | 支持 |
| H1b | 过度依赖 → 信任（随时间的间接效应） | 过度依赖通过下游机制间接降低了信任 | ab = −0.07，95% CI [−0.12, −0.03]，p = 0.0009 | 支持 |
| H1b | 过度依赖 → 客户参与度（随时间的间接效应） | 过度依赖间接降低了参与度 | ab = −0.05，95% CI [−0.09, −0.02]，p = 0.006 | 支持 |
| H1c | 过度依赖（T1）→ 自满（T2） | 过度依赖预测了后续的自满 | β = 0.34，p = 0.0004 | 支持 |
| H1d | 自满（T2）→ 信任 | 自满负向影响了信任 | β = −0.28，p = 0.0006 | 支持 |
| H1d | 自满（T2）→ 客户参与度 | 自满负向影响了参与度 | β = −0.22，p = 0.0012 | 支持 |
| H2a | AI参与失败原因 → 公正感知 | 归因于AI的失败降低了公正感知 | β = −0.26，p = 0.0005 | 支持 |
| H2b | 公正感知 → 信任 | 较高的公正感知提高了信任 | β = 0.44，p = 0.0002 | 支持 |
| H2b | 公正感知 → 客户参与度 | 较高的公正感知提高了参与度 | β = 0.37，p = 0.0007 | 支持 |
| H3b | 治理保护机制 × 过度依赖 → 自满 | 保护机制削弱了过度依赖与自满之间的关系 | β = −0.16，p = 0.008 | 支持 |
| H3b | 过度依赖（T1）→ 信任（直接） | 在考虑了自满之后没有直接效应 | n.s. | 不支持 |
| H3b | 过度依赖（T1）→ 参与度（直接） | 在考虑了自满之后没有直接效应 | n.s. | 不支持 |
| H3a | AI参与恢复 → 信任（直接） | 除了间接路径之外没有直接效应 | n.s. | 不支持 |
| H3b | AI参与恢复 → 参与度（直接） | 除了间接路径之外没有直接效应 | n.s. | 不支持 |
| H3b | 治理保护机制 → 信任（直接） | 没有直接的信任增强效应 | n.s. | 不支持 |
| H3b | 治理保护机制 → 参与度（直接） | 没有直接的参与度增强效应 | n.s. | 不支持 |研究1和3表明，人们认为人工智能在恢复决策中的参与增加了行为上的过度依赖，尤其是在认知负荷和操作风险较高的复杂工业环境中（Dzindolet等人，2003年；Logg等人，2019年）。相比之下，研究2和3发现，当故障发生且责任归咎于人工智能时，这种参与会导致比同等人类造成的错误更强烈的公平性惩罚，这与人们对算法的厌恶情绪一致（Crolic等人，2021年；Dietvorst等人，2015年）。因此，关键的理论进展不仅在于识别这些效应，还在于明确它们的顺序：先是对人工智能的认可，然后才是厌恶。过度依赖最初出现是因为人工智能系统被认为能够胜任且可靠；而厌恶情绪则是在这些系统成为责备的焦点时产生的。这种时间顺序有助于解决先前研究中的矛盾，这些研究有时将用户描述为对人工智能过于信任，有时则认为他们对人工智能过于严厉。
第二项贡献将组织正义理论扩展到了由人工智能介导的服务恢复领域。之前的正义研究主要集中在人类行为上，作为程序性、分配性和互动性公平性评估的基础（Colquitt，2001年）。研究2和3表明，当人工智能系统参与其中时，这些评估的重点从人际行为转向了系统层面的属性，如问责性、透明度和治理结构。重要的是，与人工智能相关的正义惩罚并非自动化本身所固有的，而是取决于治理措施是否能够表明责任和控制。这种重新框架将正义视为一种系统层面的评估，而不仅仅是纯粹的人际层面，并强调治理措施是在人工智能导致的故障后重新调整客户评估的机制（Doshi-Velez & Kim，2017年；Ribeiro等人，2016年；Van Vaerenbergh等人，2018年）。同时，研究结果表明，这些措施并不是普遍有效的：人工干预的监督比单纯的算法解释更能恢复公平性，这表明在高风险工业环境中，单纯的信息公开是有局限性的。
第三项贡献引入了“自满”作为一种随时间产生的关系机制。虽然之前的研究主要将过度依赖视为一种情境或任务层面的现象（Hoff & Bashir，2015年），但研究3表明，反复的依赖可能会变得制度化，导致警觉性、监控和积极治理的持续降低。这种从偶发性依赖到结构性自满的转变，在短期自动化效应和长期关系结果之间建立了关键联系。通过证明自满介导了早期依赖与随后信任和参与度下降之间的关系，这项研究将关系营销和承诺-信任理论（Morgan & Hunt，1994年）扩展到了由人工智能支持的情境中。研究结果表明，信任的侵蚀并不需要反复的失败或机会主义行为；即使在技术上成功的合作关系中，当人工智能改变了责任结构并减少了客户的监督时，信任也会受到影响。
在研究2和3中，治理措施并非作为信任或参与的直接驱动因素出现，而是作为调节人工智能参与如何转化为关系结果的边界条件。这与社会正义视角（Hoff & Bashir，2015年）和关系治理理论（Heide & John，1992年）相吻合，将治理措施视为防止盲目依赖和过度责备的机制。重要的是，治理措施在过程的不同阶段发挥作用：它们在责任归属阶段减轻了正义惩罚，并限制了依赖性随时间的转变为自满。这种双重作用强调了在由人工智能支持的关系中，治理必须是动态的、能够及时响应的，而不仅仅是作为一种静态的合规机制来实施。
总体而言，这些发现将人工智能的参与重新定义为一种动态的关系力量，其后果贯穿于决策制定、故障归因和时间之中。通过将自动化偏见、对算法的厌恶、组织正义、关系治理和时间关系动态整合到一个统一的过程模型中，这项研究提供了一个更连贯的理论解释，说明人工智能如何重塑工业客户-供应商关系。研究的重点不是询问人工智能对关系有益还是有害，而是关注人工智能在何种情况下、何时以及在何种治理条件下改变依赖性、责任和警觉性。这种基于过程的视角为未来研究人工智能作为复杂跨组织系统中不断发展的制度行为体提供了基础。
对于工业营销人员和服务管理者来说，研究结果表明，由人工智能支持的服务恢复不仅仅是一种操作上的升级，还是一种关系治理的形式。尽管预测分析和自动化诊断可以显著提高恢复的速度和一致性，但增加人工智能的参与也会改变客户对责任、控制和公平性的看法。这些认知变化会激活行为机制（即过度依赖、自满和对公平性的高度敏感），如果不受管理，这些机制会对信任和客户参与产生直接影响。因此，管理者应当将人工智能支持的服务恢复视为一种可见的决策权分配，而不仅仅是一个看不见的后端工具。研究表明，客户不仅根据结果来评估恢复情况，还根据谁似乎控制着过程。当人工智能的参与广泛但不透明时，客户会停止共同监督和审查，从而导致过度依赖和长期关系的侵蚀。企业应该明确说明人工智能在决策中的参与程度、人类判断的适用范围，以及升级发生的条件。将这些信息嵌入到日常的服务恢复互动中，而不是依赖于事后的解释，可以加强程序性公平性，并保持客户的能动感。换句话说，只有当治理措施对客户可见时，它们才能起到关系保障的作用。人工干预的监督和算法解释不仅仅提高了技术透明度；它们实质上塑造了客户对人工智能导致的故障的反应。结果表明，这些措施减轻了公平性惩罚，并减缓了从过度依赖转变为自满的过程。当这些措施被突出显示时，它们表明责任仍然在于供应商，而不是委托给算法，从而稳定了信任并维持了持续的商业关系。
尽管自动化提高了效率，但研究结果警告不要设计出最大化人工智能自主性的恢复系统。持续且不受限制的人工智能参与会增加行为上的过度依赖，这会演变为自满和长期的脱节。管理者应该通过在小规模的人工参与点（如确认检查点、联合恢复审查或定期的人工主导评估）来寻求有度的相互依赖，这些措施嵌入在人工智能驱动的恢复过程中。这些干预措施维护了共享监控和共同生产的规范，这对工业市场的信任和参与至关重要。此外，由人工智能支持的服务恢复策略应根据故障的严重程度来调整。研究表明，当人工智能涉及影响生产连续性或合同风险的重大故障时，对公平性和关系损害的惩罚会更加严厉。因此，对于低风险事件可以采取高程度的自动化，而对于高风险故障，则应优先采用人工主导的恢复方式，人工智能则发挥决策支持的作用。这种区分在国家最重要的关系资本方面提供了保护，同时保持了效率优势。
此外，人工智能不仅仅建立信任；它还重塑了信任的形成、撤回和重新调整的方式。结果表明，人工智能在常规恢复过程中鼓励行为上的顺从，而在故障发生时则会放大负面反应。管理者应通过设定关于人工智能能力和局限性的现实期望来积极调节客户的依赖性，特别是在高风险恢复背景下。将这些发现结合起来，可以强调人工智能在工业服务恢复中的关系价值更多地取决于治理结构和互动设计，而不是技术复杂性。如果不刻意关注问责性、权威和客户参与度，由人工智能支持的服务恢复可能会侵蚀它旨在保护的信任和参与度。
最后，为了支持管理应用，本文附有一份管理附录，将这些见解转化为实用的治理和设计指南，包括部署人工干预监督和算法解释的决策规则，以及用于由人工智能支持的服务恢复的最低限度可行保障清单。
总之，这项研究表明，由人工智能支持的服务恢复正在重塑工业营销关系的基础。通过结合横断面现场证据、控制实验和纵向面板分析，三项互补的研究表明，尽管人工智能提高了效率和一致性，但它也引入了过度依赖、自满和对公平性的高度敏感等关系风险。这些动态系统地影响了信任和客户参与，这是工业市场中长期供应商-客户合作伙伴关系的两大支柱。尽管提供了收敛的证据，但仍有一些限制需要考虑。方法上，这些研究主要依赖于自我报告的Likert型测量方法，这可能引起关于社会期望和共同方法偏差的担忧。重要的是，研究1使用已建立的统计诊断方法明确评估了共同方法偏差，并未发现单一潜在因素可以解释观察到的关系，从而减少了核心发现是同源测量所带来的偏差的担忧。此外，研究2通过实验操作缓解了共同方法的问题，而研究3通过在24个月的时间间隔内分离预测因子和结果进一步降低了这种风险。然而，未来的研究将从实际的服务恢复平台中进行实地实验，这将使人们能够直接观察实时监控行为、升级决策以及故障发生时的动态信任和参与度反应，从而进一步加强因果推断和生态有效性。
第二个限制是关于研究3中选择的24个月时间间隔，这是为了在理论敏感性和实证可行性之间取得平衡。如前所述，先前的研究表明，较短的时间间隔（例如6-12个月）可能捕捉到对孤立恢复事件的短暂反应，而不是关系取向的持久变化。同时，24个月的时间间隔——这在纵向B2B研究中常用于观察有意义的关系变化（Jap & Ganesan，2000年）——仍然留下了可能性，即其他时间窗口（例如12-18个月或更长时间）可能会揭示人工智能支持的服务恢复后信任、客户参与和自满演变的额外或更细微的动态。因此，未来系统地改变时间间隔的研究将提供对这些关系效应节奏和持久性的更深入见解。
第三个限制是关于感知到的人工智能参与的操作化。研究中使用经过验证的多项尺度来衡量人工智能在恢复决策中的参与，而人工智能在故障原因中的参与则需要通过基于归因的测量或实验操作来捕捉。这种不对称性反映了故障归因的偶发性和事件特异性，但它限制了对统一的高阶测量模型的估计。未来的研究可以开发和验证用于人工智能导致的故障归因的多项尺度，从而更精细地建模感知到的人工智能参与。
此外，所考察的治理保障机制的范围也是一个边界条件。虽然这项研究侧重于两个显著且理论上有根据的保障措施（即人工干预监督和算法解释），但工业服务恢复通常受到更广泛的正式和非正式控制措施的管理。这些可能包括合同升级权、人工智能决策的可审计性和记录、规定问责门槛的服务级别协议（SLAs）、第三方对人工智能系统的认证、监管合规性信号，以及恢复后的审查或申诉机制。未来的研究应该考察这些替代保障措施单独或联合工作的方式，以及它们是否替代、加强或与人工干预和算法解释性一起影响人们对公平性、依赖性校准和长期关系结果的感知。实证背景也提出了重要的边界条件。所有三项研究都是在美国的工业决策者中进行的，并集中在四个行业（即制造业、物流和供应链、能源和公用事业以及医疗技术）。虽然这些行业代表了人工智能支持的服务恢复日益普遍的环境，但这些发现可能并不完全适用于其他制度或文化背景。未来的研究应跨国扩展，考察监管制度、关于问责性的文化规范和制度信任如何影响对治理措施的期望。在某些情况下，正式控制（例如认证或监管）可能比人际监督具有更强的合法性作用，而在其他情况下，关系线索可能更为重要。
除了国家背景之外，行业层面的差异也需要关注。在安全要求高、合规性强或伦理审查严格的行业（如国防或关键基础设施）中，可能对冗余、可审计性和人类问责性有更高的期望。研究这些保障配置如何根据故障的严重性和制度风险而变化，将进一步将人工智能支持的服务恢复置于工业治理的现实中。此外，还有一些理论上具有生成性的扩展。信任和参与是这项研究的重点成果，它们被广泛认为是承诺、合作和关系持续性的前提。未来的研究可以探讨人工智能支持的服务恢复是否重塑了传统的满意-信任-承诺序列，或者即使在恢复结果技术上成功的情况下，过度依赖和自满是否会削弱承诺。这样的研究将明确人工智能（AI）不仅会改变即时的关系反应，还会影响工业关系的持久性和强度。一些特定于工业营销的领域也需要进一步的关注。在孤立的关系对中，恢复情况很少发生；相反，它通常涉及服务合作伙伴、分包商和技术供应商。未来的研究可以探讨AI支持的恢复如何在三方或网络中展开，失败的责任如何在各方之间分配，以及如何在复杂的关系组合中协商责任问题。同样，与关键账户管理（KAM）的整合也值得更多关注。KAM计划强调关系的连续性、信任构建以及为战略客户提供的定制化解决方案。未来的研究可以探索AI支持的恢复与KAM实践是如何协调的，或者是否存在冲突，特别是在标准化的AI流程与关键客户期望的个性化服务相冲突时。最后，这些发现为基于资源优势（R-A）理论的研究开辟了有前景的途径。从R-A的角度来看，AI支持的恢复能力可能作为战略操作资源，提高效率和响应速度。然而，研究结果表明，其价值取决于补充性的治理和关系资源。过度依赖、自满以及公平性问题可能会侵蚀从AI投资中获取价值所需的关系资本，从而限制其对持续竞争优势的贡献。未来的研究可以探讨企业如何将AI恢复技术与合同保障、透明度实践和关系治理能力结合在一起，以及这些资源之间的不匹配如何削弱绩效，即使技术本身非常先进。
总体而言，这项研究通过将自动化偏见、公正认知和治理视角纳入服务恢复文献中，推进了工业营销理论的发展。它强调了一个核心结论：AI必须被作为一个关系治理系统来管理，而不仅仅是一个纯粹的技术解决方案。如果不对责任、升级权、透明度以及客户参与给予深思熟虑的关注，AI支持的服务恢复可能会加剧过度依赖和自满，从而破坏其旨在保护的信任和客户参与度。
作者贡献声明：
Vik Naidoo：撰写——审阅与编辑、撰写——初稿、项目管理、方法论、调查、正式分析、数据整理、概念化。
打赏
