"Word-of-Machine": come l'AI sta rivoluzionando il mondo delle opinioni dei clienti

L’intelligenza artificiale (AI), l’apprendimento automatico e l’elaborazione del linguaggio naturale stanno rapidamente trasformando il modo in cui viviamo e lavoriamo. In questo contesto, manager e politici devono affrontare la sfida di sfruttare al meglio queste tecnologie innovative. In uno studio, gli autori esaminano un fenomeno chiamato “word-of-machine effect”, ovvero come le persone reagiscono alle raccomandazioni fatte da AI rispetto a quelle umane in relazione a attributi utilitari ed edonistici.

Il “Word-of-Machine” Effect

Il “word-of-machine effect” si basa sull’evidenza che i sistemi di raccomandazione basati sull’AI siano più competenti degli esseri umani nel campo utilitaristico, ma meno bravi in quello edonistico. Di conseguenza, l’importanza o la rilevanza di attributi utilitaristici/pratici porta i clienti a preferire le raccomandazioni fatte da AI rispetto a quelle umane, mentre l’importanza o la rilevanza di attributi emotivi/di piacere/edonistici porta a resistere alle raccomandazioni AI in favore di quelle umane.

In modo piuttosto interessante e inedito, questo effetto si manifesta in misura indipendente dalla complessità degli attributi, dal numero di opzioni considerate e dai costi di transazione.

Tuttavia, l’effetto “word-of-machine” si inverte per gli obiettivi utilitaristici se è necessario iper-personale la raccomandazione sulle preferenze uniche di una persona e viene eliminato del tutto nel caso di decision-making ibrido tra umani e AI (cioè intelligenza aumentata piuttosto che artificiale).

Interventi per attenuare l’effetto “Word-of-Machine”

Gli autori hanno identificato un possibile intervento per ridurre l’effetto “word-of-machine”: il protocollo “consider-the-opposite”. Questo approccio consiste nel chiedere alle persone di prendere in considerazione raccomandazioni alternative, sia umane che AI, prima di prendere una decisione. In questo modo, gli individui possono valutare in modo più equilibrato le competenze degli algoritmi di AI e degli esseri umani, riducendo la tendenza a preferire automaticamente le raccomandazioni AI per attributi utilitari e quelle umane per attributi edonistici.