文献：Xie, G. (2026). The impact of generative AI shopping assistants on E-commerce consumer motivation and behavior: Consumer-AI interaction design. International Journal of Information Management, 86, Article 102983. DOI 10.1016/j.ijinfomgt.2025.102983。International Journal of Information Management（Elsevier），官网当前 JIF 27.0；Asta 引用快照 22（2026-09-03）。

研究问题：生成式 AI 正在以“购物助手”形态进入电商——从商品推荐到比价、答疑，消费者与 AI 的对话取代了部分传统搜索与客服流程。但一个关键问题悬而未决：消费者为什么愿意持续使用 AI 购物助手、并最终产生复购？ 是实用性（外在动机）驱动，还是好奇与愉悦（内在动机）驱动？现有研究多聚焦 AI 推荐的技术效果，对“消费者动机如何经交互感知转化为忠诚”的完整链路缺乏整合检验。论文要回答：外在动机与内在动机如何经由个性化感知与用户体验，影响期望确认、满意度与复购意愿？信任在其中扮演什么角色？

论证思路：作者以中国淘宝生成式 AI 购物助手“问问”的真实用户为对象，做了一次“理论整合 + 方法三角”的研究设计。理论层面，整合自我决定理论（区分外在动机与内在动机）与期望确认理论（期望确认→满意度→持续使用），再嵌入人机交互视角（个性化感知、用户体验、信任作为中介/调节机制），构建“动机—交互—期望确认—满意—复购”模型。方法层面，作者没有只跑一套结构方程模型（SEM），而是叠加了**人工神经网络（ANN）用于捕捉非线性关系，并辅以必要条件分析（NCA）**检验哪些条件是复购的“必要条件”——三种方法互为三角验证。

一、核心发现：外在动机强于内在动机，信任是复购的关键链环

研究最值得注意的结论之一是动机权重的倒置：

• 外在动机的作用强于内在动机：相比出于好奇、趣味使用 AI 助手的消费者，那些把助手当作“高效完成任务工具”（如快速找到合意商品、获得准确比价）的消费者，更可能感知到个性化价值与良好体验。对电商设计者而言，这意味着不要把 AI 助手包装成“聊天玩具”，而要强化它在任务完成上的可靠性——购物是目标导向行为，任务价值优先于娱乐价值。
• 信任、期望确认与满意度构成复购的关键链路：消费者先对 AI 助手的表现形成“是否符合预期”的判断（期望确认），进而形成对助手的信任与整体满意度，最后转化为复购意愿。这条链路提示：AI 购物助手的价值不在单次对话的惊艳，而在可预期的稳定表现——每次都能兑现承诺，才会积累信任。

二、设计启示：透明、适应性与信任导向

作者把结论落回交互设计，提出三个可操作方向：

• 透明性：让消费者知道 AI 为什么推荐、推荐依据什么信息（如商品属性、价格比较逻辑），降低“黑箱感”。透明度不足的助手即便推荐精准，也可能因信任缺失而无法转化为复购。
• 适应性：助手应根据消费者类型与任务场景调整交互——对“任务型”用户强调效率与准确，对“探索型”用户保留一定的发现乐趣；千人一面的对话难以让不同动机的用户都感到“被满足预期”。
• 信任导向：信任不是“加分项”而是“必要项”。研究把信任置于期望确认与复购之间，说明任何破坏信任的交互（如过度推销、隐瞒价格劣势、推荐与描述不符）都会直接掐断复购链路。

三、方法亮点与可借鉴处

• SEM+ANN+NCA 三角验证：SEM 擅长检验线性因果路径，ANN 能捕捉复杂非线性，NCA 则回答“哪些条件是结果的必要条件”。对电商研究而言，这种组合比单一 SEM 更能稳健地回答“因素重要吗”与“条件必须具备吗”两个不同问题。
• 真实平台用户：以淘宝“问问”实际用户为样本，生态效度高于实验室模拟。
• 局限与边界：单一平台、单一市场（中国）的样本，结论外推到其他平台与市场需谨慎；横截面数据对“动机→复购”的因果方向判断依赖理论支撑，而非时间上的先后验证。

启示一句话

AI 购物助手要促成复购，靠的不是“更聪明”，而是“更可信、更可预期”——设计者应把资源投向透明性、适应性与稳定的期望兑现，而非单纯堆叠生成能力。

---

收录说明：本文来自“AI 赋能电商研究：近一年高 IF、高被引文献”专题（检索日期 2026-09-03，时间窗 2025-09-03 至 2026-09-03）。摘要与发现为中文概述，详细论证请以论文原文为准。