„Word-of-Machine“ – Wann Käufer der Empfehlung einer Maschine folgen

Der „Word-of-Mouth“ Effekt ist weitverbreitet und akzeptiert. Doch gibt es auch einen „Word-of-Machine“ Effekt und wenn ja, wie beeinflusst er die Kaufentscheidungen?

Was ist der „Word-of-Machine“ Effekt und für welche Kaufentscheidungen kann der Vertrieb ihn einsetzen?
Was ist der „Word-of-Machine“ Effekt und für welche Kaufentscheidungen kann der Vertrieb ihn einsetzen? © Poramet/stock.adobe.com

View: 162 Kommentieren: 0

Chiara Longoni und Luca Cian untersuchten im Rahmen einer im renommierten Journal of Marketing erschienenen Studie diesen Zusammenhang. Die Forscher kamen zu der Erkenntnis, dass der „Word-of-Machine“-Effekt tatsächlich existiert und geben Empfehlungen wie dieser optimal eingesetzt werden kann.

Kaufempfehlungen auf Basis künstlicher Intelligenz

Diese sind in der heutigen Zeit eigentlich gar nichts neues mehr. Seit Amazon vor rund zehn Jahren einen Algorithmus für Produktempfehlungen auf Basis der zuletzt gekauften Artikel einführte, nutzen mehr und mehr Unternehmen die Vorteile künstlicher Intelligenz. Netflix oder Spotify zum Beispiel nutzen Ihre KI, um den Nutzern passende Serien oder Musik vorzuschlagen.

Digitaler vertrieb Whitepaper SUXXEED

Digitalisierung im B2B-Vertrieb: So nutzen Sie erfolgreich Sales-Technologien

In diesem Whitepaper stellen wir die wichtigsten Sales-Technologien vor. Erfahren Sie anhand von Use Cases, wie Sie mit dem Einsatz von Big Data Analysen, Webcrawlern und Automation Tools Ihre Vertriebsprozesse effizienter gestalten und erkennen Sie die Potenziale für Ihre Vertriebsorganisation.

Was bedeutet Word-of-Machine?

Die erhöhte Nutzung künstlicher Intelligenz und des Machine Learning in diesem Bereich wird auch „Word-of-Machine“ genannt. Ähnlich wie bei „Word-of-Mouth“ geht es hierbei um Empfehlungen, jedoch nicht von anderen Menschen, sondern von Algorithmen auf Basis künstlicher Intelligenz.

Welchen Einfluss hat der Word-of-Machine-Effekt auf das Entscheidungsverhalten?

Im Rahmen einer Studie untersuchten Chiara Longoni von der Boston University und Luca Cian von der University of Virginia, wann und warum Menschen KI-gestützte Empfehlungen den Empfehlungen anderer Menschen vorziehen – oder auch nicht.

Sie kamen zu der Erkenntnis, dass der „Word-of-Machine“ Effekt existiert und Menschen beeinflusst.

Individuen sind eher geneigt, sich für Empfehlungen auf Basis von Machine Learning zu entscheiden, wenn utilitaristische (funktionaler) Bedürfnisse gestillt werden sollen. Das heißt, wenn es um rein funktionale Produkte geht, die weniger mit Genuss und Emotionen zu tun haben. Im Gegensatz dazu neigen Menschen bei der Befriedigung hedonistischer (genussorientierter) Ziele eher zu Empfehlungen von anderen Menschen.

Die Wissenschaftler erklären diesen Zusammenhang mit der wahrgenommenen Kompetenz der Empfehlungen in den Augen der Menschen.

Bei funktionalen Zielen halten Menschen künstliche Intelligenz für kompetentere Empfehlungsgeber und neigen eher zu diesen Empfehlungen. Bei genussorientierten Zielen wiederum werden Menschen als kompetentere Empfehlungsgeber angesehen. Schließlich sind Emotionen und Genuss Aspekte, die Maschinen im Gegensatz zu Menschen nicht empfinden.

Aber gilt dies für jede Situation?

Die Forscher untersuchten in ihrer Studie auch die Frage, ob die Komplexität der Situation einen Einfluss auf die Entscheidung hat, ob man eher zur KI-gestützten oder der menschlichen Empfehlung neigt. Die Forscher konnten jedoch keinen Zusammenhang zwischen der Komplexität und der bevorzugten Auswahl der Empfehlungsquelle finden.

Im Rahmen der Studie wurde im Übrigen auch untersucht, inwieweit die anfängliche Überzeugung, dass KI-gestützte Empfehlungen weniger kompetent als Menschen sind, untersucht. Dabei kamen die Wissenschaftler zu dem Ergebnis, dass zum Beispiel ein gut eingesetzter Chatbot den Widerstand gegenüber KI-Empfehlungen verändern kann.

So kann man künstliche Intelligenz als Empfehlungsgeber einzusetzen

1 Der richtige Einsatz KI-gestützter Empfehlungen

Trotz des existierenden „Word-of-Machine“ Effekts gilt es, diesen richtig und gewinnbringend einzusetzen. Daher empfehlen die Autoren der Studie den Einsatz KI-gestützter Empfehlungen, wenn funktionale Attribute wichtiger sind. Sollten genussorientierte Attribute wichtiger sein, wird der Einsatz menschlicher Empfehlungsgeber empfohlen.

2 Berücksichtigung der Rahmenbedingungen

Unbedingt sollten die Rahmenbedingungen berücksichtigt werden. Unternehmen mit Kunden, die keine hohe Personalisierung brauchen, sollten eher den Einsatz künstlicher Intelligenz in Betracht ziehen als solche, die ihre Leistungen stark auf den individuellen Kunden zuschneiden.

3 Professionell mit einem anfänglichen Widerstand gegen künstliche Intelligenz umgehen

Durch gezielt eingesetzte Chatbots oder einfache Erläuterungen, dass ein Algorithmus ebenfalls gute Empfehlungen gibt, ist der anfängliche Widerstand gegen die die künstliche Intelligenz leicht abzubauen.

Dadurch kann die Akzeptanz KI-gestützter Empfehlungen vor allem bei hedonistischen Empfehlungen gesteigert werden.

Fazit der Experten

Chiara Longoni und Luca Cian untersuchten in ihrer Studie den Zusammenhang zwischen hedonistischen und funktionalen Attributen und der Akzeptanz von KI-gestützten Empfehlungen. Empfehlungen durch Machine Learning werden vor allem zur Befriedigung funktionalen Ziele bevorzugt, wohingegen Individuen bei Empfehlungen genussorientierter Ziele eher zu menschlichen Empfehlungen neigen.

 

Von Jan Helge Guba, Leon Engelberg und Thomas Marquardt

Information: Der Artikel basiert in Teilen auf der 2022 im Journal of Marketing erschienenen Studie von Chiara Longoni und Luca Cian mit dem Titel „Artificial Intelligence in Utilitarian vs.              Hedonic Contexts: The “Word-of-Machine” Effect“.

Der Vetriebsnewsletter

Das Neuste aus der Vertriebswelt — direkt in Ihrem E-Mail Postfach!

Hier anmelden

Kontakt

Einwilligung
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Dr. Jan Helge Guba

Kommentar hinzufügen

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.