Agent-Based Data Curation Practices: Customer Responses to Human vs. Algorithmic Data Requesters in Established Business-to-Business Relationships

基于智能体的数据管护实践：既有企业间（B2B）关系中
客户对人类与算法数据请求者的差异化响应

Agent-Based Data Curation Practices: Customer Responses to Human vs. Algorithmic Data Requesters in Established Business-to-Business Relationships

【论文基本信息与出版档案】
【论文作者】 Martin Adam (University of Goettingen), Abhay Nath Mishra (Iowa State University), Alexander Benlian (Technical University of Darmstadt)
【发表期刊】 Information Systems Research, Vol. 37, No. 3, September 2026, pp. 1434–1462 (INFORMS 出版，UTD 24 / FT 50 顶级期刊)
【数字对象标识符 (DOI)】 https://doi.org/10.1287/isre.2023.0478
【JEL 经济学与管理学分类号】
• M31 (Marketing: Customer Relationship Management / B2B Marketing / Service Management)
• O33 (Technological Change: Choices and Consequences; Diffusion Processes: AI & Algorithmic Agents)
• C93 (Field Experiments: Laboratory and Field Experiments in Economics and Management)
• D81 (Criteria for Decision-Making under Risk and Uncertainty: Prospect Theory & Gain-Loss Framing)
• L86 (Information and Internet Services; Computer Software: Data Management & Infrastructure)
【核心关键词】 AI Agents (人工智能智能体); Human-AI Interaction (人机交互); Algorithm Aversion (算法厌恶); Data Enrichment (数据丰富); Data Reconciliation (数据核对); Data Curation Practice (数据管护实践); Field Experiment (现场实验); Gain-Loss Framing (得失框架); Multimethod (多方法研究)

一、全文核心总结与研究背景

1.1 现实痛点与研究动因：数据资产管护与智能体劳动力变革

在以数据驱动为核心的现代商业生态中，数据已从传统的业务支持副产品演变为企业创造客户价值、驱动业务持续增长的关键战略资产（Alaimo and Kallinikos 2022, 2024）。然而，高质量的数字化服务并非一劳永逸。在企业间（Business-to-Business, B2B）商业合作中，客户的运营流程不断迭代、生产设备经历损耗与升级、岗位人员频繁流动，导致企业数据库中存储的客户档案面临严重的数据熵增与质量退化风险。根据权威咨询机构 Gartner (2025) 的最新统计，低劣的数据质量每年给企业造成平均高达 1290 万美元的直接与间接损失；相反，依托高水准、持续更新的客户数据开展个性化服务的领先企业，其定制化业务收入比同类竞争对手高出约 40%（McKinsey & Company 2021）。

为了抵御数据衰变并释放更深层次的商业价值，企业必须在客户关系的全生命周期中开展持续的数据管护（Data Curation）。然而，传统由人类销售或技术支持人员（Human Data Requesters, HDRs）主导的数据维护工作耗费巨大的人力物力，极易受到人员编制紧缺、响应延迟、工作倦怠与日程冲突等人类生理与组织局限性的制约。随着人工智能生成式技术和会话型智能体的爆发式演进，越来越多的企业开始将数据管护职责全面委托给算法数据请求者（Algorithmic Data Requesters, ADRs）（Adam et al. 2025, Wessel et al. 2025）。各类企业普遍预期算法智能体能够以 7×24 小时不间断的可用性、秒级响应和零情绪波动的操作优势全面替代人工。然而，学术界与产业界关于“客户究竟如何看待并响应这种由算法主导的数据管护”却知之甚少。

1.2 理论争议与核心空白：B2C初识与B2B成熟期的断层

回顾以往关于人机互动（Human-AI Interaction）与算法厌恶（Algorithm Aversion）的学术文献（Jussupow et al. 2024），可以发现三个极其显著的研究断层与理论盲区：

第一，关系生命周期与应用场景的严重错配。现有绝大多数文献集中于企业对消费者（B2C）的初期交往阶段（如首次使用在线电商推荐系统，Li and Karahanna 2015）。在B2C初始接触中，交易通常表现为单次博弈（One-shot Game），交易双方尚未建立信任，客户对平台是否存在恶意剥削、信息滥用抱有高度防备。因此，大量研究一致发现人类代表由于具备社会临场感和情感共鸣，更容易赢得信任，呈现出显著的人类天然优势（Human Advantage）。但在长达数年甚至数十年的既有 B2B 合作中，买卖双方经历了无数次真实的商业履约与协同，供应商的诚信与声誉早已得到客观验证，组织间信任已转化为稳定的关系底色。在后信任阶段，阻碍数据流动的首要矛盾不再是“防范恶意欺诈”，而是“如何高效交互”与“如何保障精准”。以往基于B2C初识期得出的结论，无法简单外推至高复杂、强依赖的成熟 B2B 环境。

第二，数据管护任务特性的笼统化与单一化。现有文献大多将数据收集视为均质化的单点事件，往往仅关注获取客户初始偏好这一类“收益型”场景（如分享偏好以获取新产品推荐，Castelo et al. 2019）。然而，在真实的组织实践中，数据管护包含两类具有根本性差异的实践：其一是旨在开拓新价值、提供增量服务的“数据丰富（Data Enrichment）”；其二是旨在纠正现有数据偏差、防止既有核心服务中断的“数据核对（Data Reconciliation）”。这两种实践在客户心智中引发了完全不同的认知评估与得失感知。将性质迥异的数据工作混为一谈，遮蔽了人机协同在不同业务细分领域的真实效能。

第三，底层解释机制的简化。过去文献过分聚焦于信任（Trust）这一单一构念，缺乏从信息加工理论（Information Processing Theory）与前景理论（Prospect Theory）角度，系统解构客户在面对不同请求者与不同数据任务时所经历的努力-准确性权衡（Effort-Accuracy Trade-off）。

1.3 全文核心发现综述

针对上述核心缺口，Martin Adam、Abhay Nath Mishra 与 Alexander Benlian 开展了一项极具开创性的多方法实证研究。通过与一家年营业额超过 50 亿欧元的欧洲领先跨国制药企业（文中化名 DataRequesterCo）深度合作，针对 1,315 家真实 B2B 客户开展随机现场实验（Study 1），并进一步通过 324 名专业商业采购/销售人员的随机在线情景实验（Study 2）以及 37 份质性调查问卷和 5 场深度访谈（Qualitative Follow-up），得出以下奠基性结论：

（1）在数据丰富（Data Enrichment）实践中：数据请求被客户感知为一种增量收益（Gain-Framed）情境。客户在此类非紧急、重在拓展的任务中心智倾向于节约认知资源，优先考虑“努力最小化”。因此，客户对人类数据请求者（HDR）的同意率显著低于算法数据请求者（ADR）（现场实验中同意率下降 37.3%，发生比降低 61%；在线实验中同意率下降 19.5%，发生比降低 56%）。中介效应分析证实，这一效应完全被努力期望（Effort Expectancy）所解释——客户预期与人类代表打交道需要耗费繁复的社交礼节、沟通与协调时间，而算法代表则带来极速、即时、随时可中断的极简体验。

（2）在数据核对（Data Reconciliation）实践中：数据请求被客户感知为一种防范损失（Loss-Framed）情境。由于更新不准确可能导致现有定制化供应链服务降级甚至中断，客户风险厌恶被激活，认知优先级转变为“精准最大化/差错最小化”。因此，客户对 HDR 的同意率显著高于 ADR（现场实验中同意率高出 14.1%，发生比提升 150%；在线实验中高出 19.4%，发生比提升 143%）。中介机制分析证实，这一效应完全被错误顾虑（Error Concerns）所解释——客户认为人类专家更具备上下文推理与复杂语义理解能力，而算法智能体过于死板僵化，极易引发灾难性的系统性数据错误。

（3）事后履约分析与意向-行为差距（Post Hoc Finding & Intention-Behavior Gap）：现场实验的后验完成率数据显示，在数据丰富任务中，ADR 在最终实际履约完成率（Completion Rate）上以 48% 对 22% 彻底碾压 HDR（发生比优势高达 71%）；而在数据核对任务中，尽管客户口头或邮件点击中更偏爱人类请求者，但 HDR 组的最终实际履约完成率仅为 78%，与 ADR 组的 74% 在统计学上并无显著差异。深入质性访谈揭示出深刻的行为学机制：由于客户深知与人类代表交流必须预留大块专属时间以深入讨论，导致大量专业人员选择拖延稍后处理，最终在高压繁杂的日常工作中被更紧急事务打断而彻底遗忘；相反，ADR 极低的履约心理摩擦让不少客户随手当场完成，从而极大地弥合了实际执行缺口。

二、论文核心理论贡献与前沿突破

本研究站在人机协同管理、算法厌恶文献与信息系统数据工作（Data Work Practices）的交叉前沿，对经典管理学与信息系统假定做出了颠覆性拓展。其核心理论贡献集中体现在以下四个维度（详见表 1）：

2.1 突破一：颠覆“人类天然占优”假定，确立算法效能的任务情境依存性

以往算法厌恶（Algorithm Aversion）文献大多默认在复杂、涉及社会互动或高利害关系的场景中，人类始终比算法更受欢迎（Castelo et al. 2019, Luo et al. 2019）。本研究首次证明：算法厌恶绝非一种普遍存在、静态不变的心理偏见，其在成熟 B2B 合作中具有高度的任务情境依存性（Practice-Dependent Effectiveness）。在既有组织间关系中，人类代表并不享有绝对优势，算法智能体完全有能力在特定数据管护实践中超越人类。这一发现直接挑战了“数据工作只能由人类专家承担”的传统社会学观点（Aaltonen and Stelmaszak 2024, Parmiggiani et al. 2024），为以 AI Agents 为代表的数字劳动力进入组织后台数据治理提供了坚实的实证依据。

2.2 突破二：解构后信任时代的决策黑箱，揭示“努力-准确性”双重认知驱动机制

以往探讨人机代理有效性的文献几乎清一色地诉诸初始信任建立（Initial Trust Formation）或社会存在感（Social Presence）（Qiu and Benbasat 2009, Xu et al. 2020）。本研究指出，在成熟的企业间交往中，信任早已退居幕后（Recedes into the background），转变为无须重复验证的背景常数。客户在决定是否配合数据请求时，转向了更为深层的认知信息加工——在有限注意力下权衡所需付出的精力（Effort）与获得结果的精准度（Accuracy）。研究揭示出努力期望与错误顾虑分别在两种数据管护情境中扮演完全排他的关键中介角色，成功揭开了成熟合作关系中客户决策的行为黑箱，极大丰富了信息系统领域的技术接受与采纳理论。

2.3 突破三：将前景理论得失框架内生化于数据工作，开辟数据管护的“认知-执行”双重视角

本研究首次将前景理论（Prospect Theory）的得失信息框架（Gain-Loss Framing）与信息系统中的数据生命周期无缝连接。研究发现，数据丰富天然对应收益框架（Gain Frame），激活了对增量利益的追求与对精力的吝啬；而数据核对天然对应损失框架（Loss Frame），激活了对服务中断的恐惧与对错误的严防死守。通过证实客户能够敏锐感知不同数据实践的心理框架并自适应调整其对人类与算法的偏好，本文确立了数据工作的执行与认知视角（Cognitive and Performative View）——数据并非冰冷的中立符号，而是被客户根据具体情境动态建构的认知表征。

2.4 突破四：揭示真实商业环境下的“意向-行为差距”，重构智能体投产评估体系

在研究方法与组织行为层面，本文超越了以往仅测量主观态度/使用意向的局限，通过现场实验的全流程闭环追踪，捕获了从点击同意（Agreement）到最终履约（Completion）的动态流失过程。研究不仅揭示了客户因预期人类互动过于繁重而导致的履约拖延（Postponement）与记忆衰退/遗忘，而且证明了单纯基于口头意向做出的智能体替代决策极具误导性。这为现代企业评估生成式 AI 与智能体落地的真实投资回报率（ROI）确立了全新的行为学评估标杆。

表 1：本文核心理论突破与传统文献假定对照表 (Table 1: Summary of Challenged Assumptions and Contributions)

传统研究现有假定 (Currently Held Assumptions)	本文修正与拓展假定 (Adapted Assumptions)	核心理论与前沿贡献 (Contributions of this Research)
假定人类代表（HDR）天然全面优于算法代表（ADR）。以往研究主要基于B2C初识阶段，认为在一次性博弈中人类更具说服力、更值得信赖。	将研究纵深拓展至成熟B2B关系阶段。在长期重复博弈与协同流程中，决策环境根本改变，HDR并不必然优于ADR。	打破了算法厌恶的普适性/静态性假定，证实算法厌恶具有高度的任务情境依存性。明确了人类与算法智能体在不同关系阶段与业务类型中的合理生态定位。
主要依赖信任机制（Trust Dynamics）解释客户数据提供决策，认为客户倾向于人类是因为其感知信誉和道德可靠性更高。	在长期成熟合作中，信任沉淀为组织背景底色。客户决策转向基于努力-准确性权衡的纯粹认知成本收益核算。	揭示出后信任时代的双重驱动机制：努力期望主导数据丰富，错误顾虑主导数据核对。跳出了早期B2C以信任为核心的单一范式。
将数据请求普遍视作关系起始时均质化的收益导向事件（如为了获得更好的推荐而透露偏好）。	数据请求是高度情境化的微观实践。客户对请求的响应取决于其在心理上被建构为增量收益（丰富）还是防范损失（核对）。	将前景理论得失框架与数据生命周期深度融合，揭示了数据实践背后的认知构建过程，为组织后台数据工作提供了认知与执行性的微观行为理论基础。

三、核心概念、严谨定义与理论模型符号解析

3.1 核心概念界定与操作化定义

为了确保理论推演与实证检验的严谨性，本文对 12 个核心概念进行了明确的学术界定：

• 数据管护实践 (Data Curation Practices)：指由数据工作者执行的、具有规律性、目标导向的例行程序（Routines）。涵盖在数据全生命周期中识别、请求、丰富、校验、清洗与长期维护数据，旨在持续提升数据质量（如准确性、完整性）并释放深层商业价值的专业活动。

• 基于智能体的数据管护实践 (Agent-Based Data Curation Practices)：指由不同类型的代理实体（人类 HDR 或算法智能体 ADR）具体执行并与客户进行人机交互的数据管护程序。该概念将技术智能体置于数据工作中心，关注不同代理形态对客户响应行为的异质性塑造。

• 人类数据请求者 (Human Data Requester, HDR)：代表供应商企业与客户进行沟通交互的人类专业人员（如传统的客户经理、销售代表、技术支持专家）。其特点是具备高度社会临场感、情感共鸣与非结构化语义理解能力，但受作息时间、生理疲劳及沟通排期等物理约束。

• 算法数据请求者 (Algorithmic Data Requester, ADR)：代表供应商企业向客户发起数据请求的自动化、算法驱动型软件智能体（如AI助手、聊天机器人、自动化邮件代理）。其特征是在初始交互中透明披露算法身份，具备 7×24 小时高并发、快速响应及极简交互界面的优势，但缺乏复杂的社会情感与柔性推理能力。

• 既有企业间关系 (Established B2B Relationships)：指买卖双方已超越初次接触与早期磨合，经历长期、高频的多次交易与战略协同，彼此形成了稳固组织声誉、制度化契约及深厚组织信任的成熟商业合作关系。

• 数据丰富 (Data Enrichment)：一种外延式（Extensional）的数据管护实践。其核心目标是为现有客户数据库追加新属性、增加数据颗粒度或接入新数据源，以便供应商能够为客户定制并提供超越现状的新增或进阶服务（如交叉销售、升级模块推荐），在认知上天然对应增量收益框架。

• 数据核对 (Data Reconciliation)：一种纠错式与稳定式（Corrective & Stabilizing）的数据管护实践。其核心目标是检测、排查和修复数据库中已有数据的缺失、冲突或陈旧错误，确保主数据记录的事实准确性与系统一致性，以维持现有定制化服务的正常运转，在认知上天然对应防范损失框架。

• 努力-准确性权衡框架 (Effort-Accuracy Framework)：源自信息加工理论的经典认知决策模型（Payne et al. 1993）。主张决策者作为认知吝啬鬼（Cognitive Misers），在进行行为决策时会进行内在成本-收益权衡，根据情境优先级在降低心智精力消耗（Effort Saving）与提高决策产出精度（Accuracy Maximization）之间动态分配注意力。

• 得失信息框架 (Gain-Loss Message Framing)：源自前景理论（Tversky and Kahneman 1991）的核心概念。探讨信息呈现方式对决策参考点（Reference Point）的锚定效应。收益框架强调采纳决策带来的增益，损失框架强调未采纳决策导致的既有权益受损。人们对潜在损失的敏感度显著高于同等程度的潜在收益（损失厌恶）。

• 努力期望 (Effort Expectancy)：客户对与某一特定数据请求者进行交互并完成数据共享所需付出的心理认知资源、时间消耗及操作复杂度的预期（Venkatesh et al. 2003）。高努力期望意味着客户预期该互动将是繁琐、耗时且高负荷的。

• 错误顾虑 (Error Concerns)：客户对数据交互过程中因请求者能力不足、系统僵化或沟通误解而产生偶发性/系统性差错，进而危及后续业务正常运转的焦虑与担忧程度（Smith et al. 1996）。

• 客户同意率与完成率 (Customer Agreement Rate vs. Completion Rate)：客户同意率指在所有明确做出回复的客户中，明确点击或表达愿意配合数据请求的比例；客户完成率指在所有做出回复的客户中，实际完整填报并提交了所需数据的比例。二者的背离揭示了意向-行为差距（Intention-Behavior Gap）。

3.2 实证模型数学方程与 Word 原生公式 (OMML)

为严谨刻画直接效应、控制协变量并检验中介路径，论文构建了以下规范的计量经济学模型，公式全部采用 Word 原生数学结构（Office Math Markup Language, OMML）呈现：

（1）客户同意率（Customer Agreement Rate）基准计算公式

在无模型假定（Model-Free）的初步均值比较中，各实验处理组的客户同意率定义为该组内明确表达同意的客户数量与全部做出明确回复（同意或拒绝）的客户总数之比：

$Customer\ Agreement\ Rate = \frac{\sum_{k = 1}^{n}x_{k}}{n}$

公式说明：n 表示该实验组中回复邮件的客户总数（排除未响应、邮件失效等无效样本）；x_k 为二元决策变量，当第 k 个客户明确表示同意配合数据请求时取值为 1，表示拒绝时取值为 0。

（2）客户同意概率（Customer Agreement Likelihood）逻辑斯蒂回归模型

为了在控制客户性别、教育背景、采购合作年限及智能体先验认知等协变量后精准估计主效应，论文构建了二元 Logistic 回归模型。客户 i 同意数据请求的概率为其未观测潜在效用（Latent Utility）U_i 的 Sigmoid 变换：

${Customer\ Agreement\ Likelihood}_{i} = \frac{Exp(U_{i})}{Exp(U_{i})\ + \ 1}$

其中，客户 i 的线性潜变量效用函数 U_i 设定为：

$U_{i} = \ \alpha\ + \ \beta_{1}\ \times \ ({HDR}_{i})\ + \ \Gamma\ \times \ {Controls}_{i}\ + \ \varepsilon_{i}$

（3）中介效应检验模型（Hayes PROCESS Model 4）方程组

在 Study 2 中，为了检验努力期望（M_1 = EE）与错误顾虑（M_2 = EC）在请求者类型对同意概率影响中的平行中介效应，研究设定了以下联立路径分析方程：

$M_{1i}\ = \ i_{1}\ + \ a_{1}\ \times \ ({HDR}_{i})\ + \ \Gamma_{1}\ \times \ {Controls}_{i}\ + \ e_{1i}$

$M_{2i}\ = \ i_{2}\ + \ a_{2}\ \times \ ({HDR}_{i})\ + \ \Gamma_{2}\ \times \ {Controls}_{i}\ + \ e_{2i}$

${logit(P(Y}_{i} = 1))\ = \ i_{3}\ + \ c'\ \times \ ({HDR}_{i})\ + \ b_{1}M_{1i}\ + \ b_{2}M_{2i}\ + \ \Gamma_{3}\ \times \ {Controls}_{i}\ + \ e_{3i}$

（4）事后履约完成率（Customer Completion Likelihood）模型

在 Post Hoc 分析中，研究进一步检验了客户是否实际完整填报并提交了数据（Completion_i = 1）：

${Customer\ Completion\ Likelihood}_{i} = \frac{Exp(V_{i})}{Exp(V_{i})\ + \ 1}$

$V_{i} = \ \alpha_{C}\ + \ \beta_{C1}\ \times \ ({HDR}_{i})\ + \ \Gamma_{C}\ \times \ {Controls}_{i}\ + \ \eta_{i}$

表 2：计量模型关键数学符号与统计参数对照表 (全部采用 Word 原生公式)

模型符号 / 变量	变量学术名称 / 类型	经济学与管理学含义详细解释
$U_{i}$	客户潜在效用 (Latent Utility)	客户 i 针对特定数据请求做出‘同意’决策的内部净收益评估值（连续未观测潜变量）。
${HDR}_{i}$	请求者类型虚拟变量 (Dummy)	核心解释变量。当请求发起者为人类时取 1，当为算法智能体时取 0（基准对照组为 ADR）。
$\beta_{1}$	主效应回归系数	反映在控制其他协变量时，人类请求者相对于算法智能体对客户同意对数优势比（Log-odds）的边际影响。
$Exp(\beta_{1})$	发生比 / 优势比 (Odds Ratio, OR)	量化效应倍数。OR < 1 表示人类请求者降低同意概率；OR > 1 表示人类请求者提升同意概率。
${Controls}_{i}$	控制变量向量	包含客户性别 (Gender)、学历背景 (Education)、初始采购合作年限 (Years Since Sale)、年龄 (Age) 及算法先验认知 (Knowledge) 等。
$\Gamma,\ \alpha,\ \varepsilon_{i}$	协变量系数、截距项与扰动项	Γ 为控制变量参数向量，α 为基础常数截距，ε_i 为不可观测的均值为零的随机残差项。
$M_{1i}\ (EE)$	第一中介变量：努力期望	客户对配合完成该数据请求所需消耗时间、心智、沟通与操作负荷的主观预期值。
$M_{2i}\ (EC)$	第二中介变量：错误顾虑	客户对该请求者可能导致数据误录、逻辑混乱、服务中断等系统差错风险的担忧程度。
$a_{k}\ \times \ b_{k}$	间接中介效应值 (Indirect Effect)	Bootstrap 抽样估计的间接路径效应量。若其 95% 置信区间不包含 0，则表明中介效应在统计上高度显著。

四、核心命题与推论的实例深度解析

为了通俗、透彻地展现论文的理论机制，本部分严格剥离复杂的数学推导，聚焦于现实企业运营，对论文提出的四个核心假设（H1a, H1b, H2a, H2b）及后验推论进行详尽的业务场景推演与实例剖析：

4.1 命题 1a (Hypothesis 1a, 主效应)：数据丰富情境下算法请求者占优

【命题理论表述】在既有 B2B 商业合作关系中，当供应商发起旨在实现数据丰富（Data Enrichment）的数据请求时，客户对人类数据请求者（HDR）的同意概率显著低于对算法数据请求者（ADR）。

【命题 1a 现实业务推演实例：色谱分析云端扩展服务的开通决策】
业务背景：某顶尖制药研发实验室早在五年前从 DataRequesterCo 采购了一台价值数十万欧元的色谱分析仪，双方长期维持着稳定的耗材供给。现在，供应商希望为该实验室推出全新的‘高通量自动化检测云端分析模块’（新增定制化进阶服务）。为此，供应商需要收集该实验室近期的每日实验批次规模、特定的分析试剂偏好以及质控监测频次等全新维度的信息。
不同请求者的客户心理推演：
• 场景 A（遭遇人类销售代表 HDR）：实验室主任收到资深销售经理发来的邮件：‘张主任，为了给贵所开通我们新研发的色谱智能分析云平台，我们需要了解贵所近期的实验安排与新试剂使用偏好，您看本周三是否有空安排一个半小时的电话或视频会议？’——客户心理反应：‘这属于可选的新功能，我们目前的仪器运行很正常，并非燃眉之急。跟销售经理开会太费时间，不仅要应付业务寒暄，还可能被推销其他昂贵的增值服务。算了，直接点拒绝或不回了。’
• 场景 B（遭遇算法智能体 ADR）：实验室主任收到‘自动化数据管护助手（AI Data Agent）’发来的极简邮件：‘尊敬的客户，点击下方链接即可勾选您感兴趣的实验场景与试剂偏好（仅需2分钟，支持随时跳过不确定项），系统将自动为您配置最适配的色谱分析云端推荐算法。’——客户心理反应：‘举手之劳，随时能点开看一眼，甚至在等电梯或实验间隙就能随手勾选两项，不行就关掉，没有任何社交压力和额外推销套路。’
结论印证：在追求‘额外增量利益’的场景中，客户心理门槛是‘千万别给我添麻烦’。ADR 带来的低门槛、轻量化与自主控制权，促成了显著高于人类的同意率。

4.2 命题 1b (Hypothesis 1b, 中介机制)：努力期望的主导解释作用

【命题理论表述】在数据丰富情境下，客户对人类数据请求者的同意意愿之所以显著低于算法请求者，其核心心理传导机制在于客户对与人类交互产生了更高的努力期望（Effort Expectancy，即预期需要耗费更多精力与时间）。

【命题 1b 机制深度解析：职场认知负荷与‘数据摩擦’的心理成本】
机制深度透视：
在既有 B2B 合作中，组织间信任早已建立，客户完全不怀疑人类销售代表会出卖公司商业机密。然而，根据信息加工理论中的努力-准确性权衡，面对‘可有可无’的增量服务扩展，客户的第一直觉不是‘这个服务多精准’，而是‘我得为此搭进去多少精力’。文献称之为‘数据摩擦（Data Friction）’与认知成本。
努力期望维度的微观解构：
1. 时间排期摩擦：与人类互动要求‘时间协同’（找双方都有空的整块时间），而算法互动是完全异步的（Asynchronous），允许客户在碎片化时间完成；
2. 社交互动负担：人类交互附带不可避免的职场寒暄、礼貌回复与拒绝尴尬，而算法界面支持单刀直入、即用即走；
3. 控制权与打断权利：面对算法问卷，客户可以随意跳过不会填的非核心问题，随时关闭窗口下次再来；但面对人类代表逐项询问时，打断对方或直接回答‘我不想回答这个问题’在社交礼仪上被视为极不礼貌，带来巨大的心理压迫感。
实证中介检验印证：Study 2 的中介效应分析显示，努力期望的间接效应值达到 -0.73（95% 置信区间 [-1.64, -0.22]，严格排除零），而错误顾虑的中介效应不显著（包含零）。这强有力地证实：正是人类互动所附加的高努力期望，阻碍了客户对数据丰富的积极响应。

4.3 命题 2a (Hypothesis 2a, 主效应)：数据核对情境下人类请求者占优

【命题理论表述】在既有 B2B 商业合作关系中，当供应商发起旨在实现数据核对（Data Reconciliation）的数据请求时，客户对人类数据请求者（HDR）的同意概率显著高于对算法数据请求者（ADR）。

【命题 2a 现实业务推演实例：关键试剂合规冲突与产线断供危机纠错】
业务背景：该制药实验室运行的一款核心质谱仪所依赖的关键标准校验液面临生产批次切换，且实验室原本登记的技术负责人已调离，系统检测到底层维保协议参数存在合规性冲突与版本不一致。如果数据无法及时纠正，供应商的合规系统将自动暂停相关专用试剂的自动配送与售后巡检服务（直接威胁现有正常生产）。
不同请求者的客户心理推演：
• 场景 A（遭遇算法智能体 ADR）：新任实验室管护员收到自动邮件：‘系统检测到您的账户存在两处资质冲突，原试剂编号已失效。请点击链接按标准化规则进行数据匹配，若7日内未修正，系统将冻结现有试剂自动补给订单。’——客户心理反应：‘这属于重大合规与业务安全问题！我们的实验方案非常特殊，这个替代试剂究竟能不能兼容？算法给出的标准化选项根本没有考虑我们实验室的具体纯度要求。万一在系统上点错一个勾，导致试剂发错甚至产线停机，这个责任我承担不起！这个冷冰冰的算法根本不懂实际情况。’——客户强烈倾向于拒绝算法处理，甚至产生对抗情绪。
• 场景 B（遭遇人类售后专家 HDR）：售后技术经理发来专属邮件：‘王主管，我们发现系统里贵所质谱仪的校验液登记存在批次冲突，且联系人需要变更。考虑到老批次即将停产，我们必须核对一下最新参数以保证供应链合规与供货连续性。我协助您把关，确保平稳过渡。’——客户心理反应：‘太及时了，专业的事情必须有人盯着。人类工程师懂得这里面的行业规范和特殊例外，他能帮我把关，确保不会因为系统抽风而导致我们断货。我必须立刻同意并和他对接！’
结论印证：在涉及‘防止既有核心服务中断/规避重大差错’的损失框架下，客户风险厌恶全面激活，对算法的不信任感急剧上升，展现出强烈的‘算法厌恶’，此时具备经验与责任兜底能力的人类专家成为客户的绝对首选。

4.4 命题 2b (Hypothesis 2b, 中介机制)：错误顾虑的主导解释作用

【命题理论表述】在数据核对情境下，客户对人类数据请求者的同意意愿之所以显著高于算法请求者，其核心心理传导机制在于人类请求者能够显著降低客户对数据处理的错误顾虑（Error Concerns）。

【命题 2b 机制深度解析：损失规避心智与人类专家的专业责任兜底】
机制深度透视：
前景理论表明，面对潜在损失（Losses Loom Larger Than Gains），个体的首要认知目标是消除风险与不确定性，此时‘省力与否’已经变得微不足道，人们愿意付出额外的精力来换取确定性与无差错结果。著名的‘美国运通（American Express）发卡给亡者案’（算法将社会安全号全填 0、雇主填‘上帝’的荒谬申请自动批复）充分说明了自动化程序在处理非结构化、非常规例外数据时的盲区与僵化。
错误顾虑维度的微观解构：
1. 缺乏语境理解能力（Contextual Blindness）：B2B 领域的专业术语、行业行规与定制配置高度复杂，客户极度担忧算法只能机械死板地匹配预设规则，无法识别复杂例外；
2. 责任归属缺失（Lack of Accountability）：若算法在核对过程中误删或覆盖了关键配置数据，客户找不到具体的人承担过错；而人类代表的存在代表着供应商的专业信用与责任担保；
3. 复杂异常处理能力：人类专家拥有常识推理（Common Sense）与情境灵活性，能够协助客户理清模糊字段背后的真实业务逻辑。
实证中介检验印证：Study 2 的中介效应分析显示，错误顾虑的间接效应值达到 0.62（95% 置信区间 [0.15, 1.54]，严格为正且排除零），而努力期望的间接效应在此处完全失效（包含零）。这决定性地证明：客户偏爱人类核对数据，核心动机在于通过人类的专业把关彻底驱散错误顾虑。

4.5 补充发现与重要推论：客户实际完成率与“意向-行为差距”

【推论理论表述】虽然在数据核对中客户主观上更偏好人类请求者，但最终的实际履约完成率（Completion Rate）并未显著超越算法；而在数据丰富中，算法的完成率呈现出决定性优势。这揭示了组织情境中由预期耗时引发的‘履约拖延与遗忘机制’。

【履约推论现实业务推演实例：‘明天再弄’的拖延陷阱与高压职场的记忆衰退】
反常现象的现场捕获：
在现场实验（Study 1）中，数据核对组的客户在第一阶段对 HDR 的点击同意率高达 89%（显著高于 ADR 的 78%）。然而跟踪其实际填报行为却发现：HDR 组最终真正提交更新数据的完成率仅为 78%，与 ADR 组的 74% 几乎持平，统计学差异消失！相反，在数据丰富中，ADR 组不仅同意率高，其最终实际完成率（48%）更是人类组（22%）的两倍以上！
意向-行为差距（Intention-Behavior Gap）的现实业务实例推演：
某制药公司高级质检主管李博士收到人类销售经理关于核对历史数据的邮件，深感责任重大，立刻点击了‘同意更新’按钮（意向达成率 100%）。但由于他深知与人类代表交流需要‘坐下来认真把几套旧设备的参数找出来逐条比对’，他心想：‘今天下午有紧急实验，我明天上午抽一个小时专门找出来和他对’。然而，第二天实验室突发试剂污染事故，第三天接着开集团例会……李博士在质性回访中坦言：‘我心里一直想着这事，甚至把它写进了备忘录，但因为觉得跟人沟通是个大工程，总想找个整块时间弄，结果一忙起来彻底给忘了！’
相反，面对算法智能体发来的轻量化核对表单，许多客户当场花 30 秒顺手核对了两项关键字段，直接点击提交，形成了极高的高效转化。
理论与管理启示：‘心向往之’（态度偏好人类）不等于‘行能至之’（行为落地受阻）。企业在部署智能体与人类劳动力时，必须将履约门槛与拖延心理纳入考量，否则高昂的人工沟通成本换来的可能是一堆‘未履约的空头承诺’。

五、实证研究设计与多方法验证过程概览

为了确保实证结论的高生态效度（Ecological Validity）、内部因果效度（Internal Validity）与机制解释力，本文构建了极其严密的多方法研究体系（Multimethod Approach, Mingers 2003, Fink 2022）：

5.1 研究一：真实企业环境下的随机现场实验 (Study 1)

（1）合作企业与实验样本：研究团队与欧洲某年营收超 50 亿欧元的跨国制药巨头 DataRequesterCo 进行了长达两年的紧密合作。从该企业 2000 年至 2022 年间采购过精密实验仪器的庞大客户池中，采用分层随机抽样抽取了来自德国不同地理区域和行业的 1,315 名专业企业客户。

（2）实验设计与操纵：采用 2（请求者类型：HDR vs. ADR）× 2（数据管护实践：数据丰富 vs. 数据核对）的组间随机实验设计。所有邮件均在正常工作日历周二/周三上午 10 点统一发出，排除季节性波动与工作作息干扰。所有邮件在版式、称谓、落款结构上保持绝对一致，仅在发件人身份标识（人类真实代表名 vs. 明确披露的算法智能体名）及核心诉求（建立新档案扩展服务 vs. 校验既有档案防止服务受损）上进行精准操纵。在正式实验前，通过 407 名受试者进行了操纵有效性预检验（Manipulation Checks）。

（3）测量指标与结果：在发送的 1,315 封邮件中，共有 250 家客户在两周内做出了明确的同意或拒绝答复（有效响应率 19.0%）。实证分析严格基于明确表态客户群体展开以规避非响应偏误。逻辑斯蒂回归结果显示：在数据丰富中，HDR 导致同意发生比显著下降 61%（β = -0.94, p < 0.05）；在数据核对中，HDR 导致同意发生比显著提升 150%（β = 0.92, p < 0.10），主效应假设 H1a 与 H2a 均获得强有力支持。

5.2 研究二：高内部效度的随机在线情景实验 (Study 2)

（1）样本招募与情境构建：通过欧洲专业商业调研机构招募了 400 名具有 B2B 采购与销售管理经验的在职专业人员。严格剔除未通过注意力检查（Attention Checks）的 76 份样本，最终获得 324 份高质有效样本。情境设计引导受试者置身于与长期合作供应商的真实商业交往场景中。

（2）严密的测量与中介检验：采用国际权威成熟量表对努力期望（Venkatesh et al. 2003）和错误顾虑（Smith et al. 1996）进行 7 点 Likert 测量，并引入隐私顾虑（Privacy Concerns, Dinev and Hart 2006）以排除替代解释。验证性因子分析（CFA）证实量表具备极高信度与聚合/区分效度。

（3）Bootstrap 中介分析结果：采用 Hayes (2022) PROCESS Model 4 进行 10,000 次自举抽样。结果显示：在数据丰富中，努力期望的间接效应显著为负（-0.73, 95% CI [-1.64, -0.22]），而错误顾虑间接效应不显著（95% CI 包含 0），H1b 成立；在数据核对中，错误顾虑的间接效应显著为正（0.62, 95% CI [0.15, 1.54]），而努力期望间接效应不显著（95% CI 包含 0），H2b 成立。当引入中介变量后，主效应直接系数均由显著变为不显著，表明完全中介效应成立。引入隐私顾虑作为协变量后，结论高度稳健。

5.3 补充质性研究：编码分析与实地深度访谈

为深入探究数据背后的微观心智与实践细节，研究团队对同一批客户发放了包含开放式问题的深度问卷，最终获得 37 份详尽回复，并对其中 5 名代表性高管开展了平均每场 45 分钟的半结构化深度访谈，累计转录文本逾百页。

研究采用 Braun & Clarke (2021) 的结构化主题编码方法，由两位作者独立双盲编码并达成一致。质性证据不仅深度证实了“长期合作中信任沉淀为背景常数”这一现场假定，更以大量生动口述佐证了受访者对“算法快速省力”与“人类专业保真”的鲜明对比，为定量实验结论提供了坚不可摧的质性三角互证。

六、经济学与管理学启示深度总结

本论文的学术发现不仅对信息系统理论具有重大开创意义，更为数字化时代的微观经济学治理与企业前后台 AI 落地管理提供了深刻的战略启示：

6.1 经济学启示：交易成本、认知有限理性与数据资产治理

（1）新制度经济学与交易成本视角的重构（Transaction Cost Economics）：

传统企业理论往往将组织间数据共享视为纯粹的契约执行问题。本研究表明，数据管护互动本质上是一场精密的交易成本微观权衡：

• 在数据丰富场景中，资产专用性较低，违约或中断风险极小，此时‘搜寻与协调成本（Coordination Costs）’及‘信息交互摩擦’构成了主要交易成本。算法智能体凭借零边际协调成本与标准化通道，大幅压低了信息交换的交易费用，从而实现了经济学意义上的帕累托改进。

• 在数据核对场景中，资产专用性高且沉没成本巨大，数据失真将引发严重的‘契约失效与差错治理成本（Governance & Remediation Costs）’。此时，算法引发的潜在失误风险溢价远远超过了其节约的微小沟通成本；相反，人类专家作为一种‘高成本的治理机制’，凭借非结构化容错能力有效地降低了潜在的系统崩溃预期损失，因而在经济学上具有更高的风险调整后净现值。

（2）行为经济学与注意力配置（Attention Economics & Bounded Rationality）：

诺贝尔经济学奖得主赫伯特·西蒙曾指出：‘信息的丰富产生注意力的贫乏’。本研究证明，B2B 组织中的专业决策者绝非无所不知的理性经济人，而是高度符合有限理性（Bounded Rationality）与‘认知吝啬鬼’特征的经济主体。专业人员在日常高压工作中必须对极度稀缺的认知注意力进行优先级排定。面对不同框架的信息输入，客户自适应地在‘满意准则（Satisficing）’（在数据丰富中寻求低努力的次优解）与‘严格防错’（在数据核对中追求高精度的最优解）之间切换，为行为经济学在人机协同领域的拓展提供了鲜活的实证注脚。

（3）数据资产折旧与动态资本化模型：

从宏观数据要素经济学来看，客户数据具有极强的‘时效折旧率（Time Depreciation）’。缺乏管护的数据资产每年以数十个百分点的速度发生价值衰减。本文揭示了数据要素从静态死数据转变为动态高价值资本的微观动力学路径——企业必须精准测算通过算法自动化扩张资产边界（丰富）与通过人工专家严守资产底线（核对）的投资回报率，实现数据要素全生命周期价值的最大化配置。

6.2 管理学启示：B2B企业数字劳动力与数据管护战略落地方案

基于本文的实证结论，为正在推进数字化转型、客户关系管理（CRM）自动化与生成式 AI 智能体落地的企业提出五条极具实操价值的管理战略法则：

【管理法则 1：摒弃‘一刀切’替代，实施基于‘任务性质’的人机分流路由】
企业管理层绝不可盲目听信‘AI全面取代人工’的技术乌托邦叙事，亦不可因循守旧全面依赖高成本团队。战略关键在于精准分流（Selective Deployment）：对于外延式、增量式、以拓展商机为目标的数据丰富任务，应全面授权给算法数据请求者（ADR）或自动化表单执行；而对于纠错式、校验式、涉及核心服务存续与合规审计的数据核对任务，必须保留人类专业客服或售后工程师（HDR）作为沟通主界面，严防因算法傲慢引发客户抵触。

【管理法则 2：精准匹配沟通话术与信息框架（Framing-Cue Alignment）】
在进行客户交互界面设计与邮件文案策划时，必须确保‘话术信息框架’与‘请求者特性’形成心理契合：
• 当发起数据丰富时，必须在文案中强化‘收益感知’并突出‘极简、快捷、自主’等低努力线索（如标明‘仅需1分钟’、‘3个选项可选’、‘随时可跳过’），强化 ADR 的效率优势；
• 当发起数据核对时，文案应警示‘数据失效导致的潜在损失’，并着力强化‘专家把关、人工审核、精准可靠’等权威线索，凸显人类代表的责任兜底，最大程度消解客户的差错顾虑。

【管理法则 3：重构履约通道，靶向破除‘意向-行为差距’的拖延陷阱】
针对现场实验中暴露出的‘客户点击同意但因预期繁琐而拖延遗忘’的重大痛点，企业必须重构履约流程设计：
• 极简微任务化（Micro-tasking）：将繁重的数据核对任务拆解为单次耗时不超过 30 秒的微型交互模块；
• 智能预填与确认机制（Pre-filling）：利用大模型和过往数据预填绝大部分已知字段，仅向客户呈现‘确认/否认’的高保真选项，使人类发起的核对任务同样具备算法级的极低操作门槛；
• 智能轻量化催办：针对搁置任务建立多模态异步提醒闭环，避免‘高同意率演变为零完成率’的经营悲剧。

【管理法则 4：构建‘人机协同（Human-in-the-Loop）’的动态无缝升级机制】
打破人与算法互斥的传统部署思维，构建智能体前置过滤、人类专家动态接管（Escalation Protocol）的混合协作团队：
• 在常规数据核对中，可由 ADR 先行发起初步扫雷式筛查，一旦客户反馈复杂异议或算法置信度低于阈值，系统必须一键无缝转接至熟悉该客户的人类顾问；
• 人类代表在与客户沟通时，可充分调取后台 AI 整理的数据差异对照表，实现‘人类提供温度与责任保障，算法提供后台算力支撑’的高效共生。

【管理法则 5：基于客户全生命周期的自适应数据治理战略】
数据管护不是静态工程，而是一个伴随组织关系演进的动态系统。企业在设计 CRM 与客户成功体系时，必须根据客户关系成熟度动态切换治理重心：在新客户初识期，重点以高信任的人工渠道建立情感连接；在进入成熟合作期后，大胆切换为效率优先的智能体管护体系；而在关系出现波动或面临合同续签、纠错时，及时重启专家守护模式，确保企业数据资产链条永不中断。