AI voice bots: a services marketing research agenda
Notice bibliographique
Résumé
Purpose This paper aims to document how AI has changed the way consumers make decisions and propose how that change impacts services marketing, service research and service management. Design/methodology/approach A review of the literature, documentation of sales and customer service experiences support the evolution of bot-driven consumer decision-making, proposing the bot-driven service platform as a key component of the service experience. Findings Today the focus is on convenience, the less time and effort, the better. The authors propose that AI has taken convenience to a new level for consumers. By using bots as their service of choice, consumers outsource their decisions to algorithms, hence give little attention to traditional consumer decision-making models and brand emphasis. At the moment, this is especially true for low involvement types of decisions, but high involvement decisions are on the cusp of delegating to AI. Therefore, management needs to change how they view consumers’ decision-making-processes and how services are being managed. Research limitations/implications In an AI-convenience driven service economy, the emphasis needs to be on search ranking or warehouse stock, rather than the traditional drivers of brand values such as service quality. Customer experience management will shift from interaction with products and services toward interactions with new service platforms such as AI, bots. Hence, service marketing, as the authors know it might be in decline and be replaced by an efficient complex attribute computer decision-making model. Originality/value The change in consumer behavior leads to a change in the service marketing approach needed in the world of AI. The bot, the new service platform is now in charge of search and choice for many purchase situations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».