The missing B in AI: why behavioral AI is the missing piece in how we design products, services, and systems
Notice bibliographique
Résumé
Your analytics platform logged the visit. Your dashboard called it engagement. But the system saw only the click; it missed the hesitation, fatigue, frustration, and regret behind it. The Missing B in AI argues that today’s AI systems are often technically impressive yet behaviourally blind. Businesses collect vast amounts of behavioral data, but too often reduce human action to clicks, conversions, dwell time, and churn scores. The result is a generation of tools that predict what people may do next without understanding why they do it, how they feel about it, or what consequences follow. Drawing on behavioural data science, business analytics, and real-world cases from digital platforms, financial services, policy, and enterprise decision support, Ganna Pogrebna shows how apparently successful systems can quietly create misalignment: customers who receive what the model predicted but not what they needed, employees who comply without trusting, and organisations that mistake stable metrics for healthy relationships. At the centre of the book is the Built on Behavior™ framework, a practical approach to designing AI that listens to meaning, context, motivation, and friction—not just observable action. Rigorous, accessible, and deeply practical, The Missing B in AI is a guide to building systems that understand behavior before they optimise it.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,010 | 0,014 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,015 |
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 source (Gemma direct ou Codex distillé), 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 ».