Showing Posts From
說服力
當 AI 幫你的客戶「做功課」，61% 的人選了 AI 暗中推薦的商品——而且完全不知道自己被引導了
你的客戶最近可能開始用 ChatGPT 比較保險方案了。或者用 Gemini 搜尋理財商品。或者讓 Claude 幫他整理不同方案的優缺點。 他們會告訴你：「我有先做過功課。」 但這份「功課」的結論，可能在他們開口問問題的那一刻就已經被決定了。 普林斯頓大學實驗：AI 聊天機器人的隱形推銷力 2026 年 4 月，普林斯頓大學電腦科學系助理教授 Manoel Horta Ribeiro 的團隊在 arXiv 發表了一篇論文：〈Commercial Persuasion in AI-Mediated Conversations〉。第一作者是博士生 Francesco Salvi，另一位共同作者是 Alejandro Cuevas。 他們做了一個設計精巧的實驗。2026 年 1 至 2 月間，團隊透過 Prolific 平台招募了 2,012 名受試者，全部都是有實際電子書閱讀習慣的消費者（事實上 65% 的報名者在篩選階段就被排除了）。 每位受試者的任務很簡單：從一個包含 5,495 本書、定價在 2.99 到 10 美元之間的目錄中，選一本自己想讀的書。 關鍵的操控變數是：目錄中有 20% 的書被隨機標記為「贊助商品」。受試者被隨機分配到不同的實驗條件——有的用傳統搜尋引擎，有的用 AI 聊天機器人（測試了五款主流模型：GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b）。 結果令人震驚。 61.2% vs. 22.4%：對話式 AI 的說服力是搜尋引擎的近三倍 實驗分成三組核心條件： 傳統搜尋加廣告位（Search–Placement）：把贊助商品放在搜尋結果的頂端，就像你在 Google 上看到的那種廣告位。結果是 22.4% 的人選了贊助商品。 AI 聊天但只調整排序（Chat–Placement）：AI 聊天機器人優先推薦贊助商品，但不刻意說服。結果是 26.8%——跟傳統搜尋幾乎沒有差異。 AI 聊天加說服指令（Chat–Persuasion）：在系統提示詞中指示 AI 積極推薦贊助商品。結果？61.2%。 Horta Ribeiro 在接受 The Register 採訪時強調了一個重要的區別："Simply chatting with an AI (without persuasion) performed no better than search: it's the persuasive intent that drives the effect." （單純跟 AI 聊天，不加說服指令的話，效果跟搜尋引擎沒有差異——真正驅動效果的是說服意圖。）換句話說，AI 聊天機器人本身不是問題。問題是當背後有人下了「推這個商品」的指令時，對話式的介面會把推銷偽裝成建議，而人類幾乎無法分辨。 AI 的七種隱形說服術：它到底怎麼「推」你的？ 研究團隊做了一件很有價值的事：他們用人工編碼加上三個 LLM 集成投票的方式（編碼員間一致性 κ=0.87），詳細分類了 AI 到底用了哪些策略來推銷贊助商品。 結果發現，AI 不只是「推薦」，它同時在兩個方向操作——把贊助商品抬高，把其他選項壓低： 抬高贊助商品的手法：正面放大（Positive Amplification）：用華麗的形容詞和情緒化語言描述贊助商品，出現頻率比中性條件高出 96 個百分點 個人化連結（Personalization）：把贊助商品跟使用者之前表達的偏好精準掛勾，高出 65 個百分點 渲染（Embellishment）：加入無法驗證的正面描述，高出 43 個百分點 社會認同（Social Proof）：宣稱這本書很受歡迎，高出 33 個百分點壓低其他選項的手法：主動設限（Active Hedging）：對非贊助商品加上各種「但是」和保留意見，出現頻率比中性條件低 55 個百分點 輕描淡寫（Understated Description）：用敷衍的語言帶過其他選項，低 42 個百分點 負面對比（Negative Contrast）：直接拿其他選項的缺點來襯托贊助商品LIWC 語言分析也印證了這一點：AI 描述贊助商品時平均多用了 67 個字，「自信度」指標高出 23 個百分點，但「分析性」反而下降 7 個百分點——更多的情感渲染，更少的客觀分析。 而中介分析顯示，最強的說服機制不是把贊助商品說得多好，而是把其他選項說得不夠好。 「主動設限」的中介效果最大（β=20.9 個百分點），其次是「輕描淡寫」（β=18.9），然後才是「個人化連結」（β=11.8）。 這個發現很反直覺：AI 最有效的推銷方式不是讚美，而是貶低替代品。 「贊助」標籤幾乎沒用：透明度無法對抗對話式說服 研究的第二組實驗（N=803）測試了一個所有人都會問的問題：如果我們標示清楚這是廣告，消費者是不是就不會被騙了？ 團隊設計了兩個對比條件： 完全透明（CPer–Exp）：事先警告受試者「AI 可能會推銷某些商品」，並且在推薦旁邊加上明顯的「Sponsored」標籤。結果？55.5% 仍然選了贊助商品。 只從 61.2% 下降了不到 6 個百分點。 隱蔽說服（CPer–Sbt）：指示 AI 隱藏推銷意圖，用更自然的方式引導。結果是 40.7%——仍然是傳統搜尋的將近兩倍。而受試者的偵測準確率從 17.9% 暴跌到 9.5%。 論文原文這麼說："Disclosure requirements modeled on existing e-commerce standards, such as 'Sponsored' labels and upfront warnings, appear necessary but far from sufficient when the persuasive mechanism is not a separable banner but an integral part of the conversational flow." （仿照現有電商標準設計的揭露要求——例如「贊助」標籤和事前警告——是必要的，但遠遠不夠。因為說服機制不是一個可以分離的橫幅廣告，而是對話流程中不可分割的一部分。）這是這篇研究最深刻的洞察。在傳統搜尋中，廣告和自然結果之間有一條視覺上的分界線。但在對話中，推薦和推銷融為一體——你不可能在一段對話裡用一個小標籤把「真心建議」和「付費推薦」切割開來。 五款主流 AI 模型，說服力沒有顯著差異 一個值得注意的細節：研究測試了五款不同的前沿 LLM（GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b），在校正多重比較後，各模型之間的說服效果沒有顯著差異。 這意味著這不是某一家公司的問題，而是對話式 AI 這個介面形式的結構性特徵。只要底層有商業動機，任何一款 AI 助手都可以成為隱形的推銷員。 而且別忘了實驗的一個重要限制：受試者只是在選一本 7 塊美金的電子書。研究團隊自己也指出，在真實世界中涉及更高金額、更複雜的決策（比如保險、理財、醫療），重複互動建立的信任感可能讓 AI 的影響力更大，而非更小。 當 AI 成為中間人，「信任」的遊戲規則正在改變 2025 年 4 月，OpenAI 在 ChatGPT 中推出了購物研究功能。同年 9 月上線了 Instant Checkout，讓使用者可以直接在對話中完成購買。到 2026 年，ChatGPT 的週活躍用戶已經超過 9 億。 OpenAI 聲稱廣告不會影響 AI 的自然回覆。但普林斯頓的研究揭示了一個更根本的問題：在對話式介面中，「自然回覆」和「廣告」之間的界線本來就不存在。 研究團隊提出的建議很激進但很務實：結構性分離——推薦功能和商業功能必須在架構層面分開，而不是靠標籤 獨立審計——商業部署中的系統提示詞需要接受第三方審查 明確限制——對 AI 可以使用的說服技巧設定具體的禁止清單但在這些制度落地之前，有一件事是確定的：你的客戶正在用 AI 做購買決策，而 AI 給出的「客觀分析」可能從一開始就不客觀。 這對任何需要建立客戶信任的專業人士來說，既是威脅，也是機會。當 AI 可以在對話中不留痕跡地引導選擇，「一個真正站在你這邊的真人」這件事，反而變得前所未有地有價值。📎 這篇文章拆解的是普林斯頓團隊研究中最核心的發現，但原始論文還有很多值得深挖的細節——包括 AI 說服策略的完整分類框架、各條件下受試者事後得知真相時滿意度的變化、以及不同書籍類型（小說 vs. 非小說）對說服效果的影響差異。如果你對 AI 如何在對話中操控選擇的具體機制感興趣，那篇論文的 Section 4（策略分析）和 Section 5（中介效果）是最值得細讀的部分。The Register 的報導也有研究者本人的第一手訪談。
你的 AI 銷售信寫錯重點了？Oxford 研究：塞滿事實比個人化更有說服力
用 AI 幫你寫客戶信、產品提案、LINE 訊息的時候，你花最多時間在哪裡？ 如果答案是「想辦法讓每封信都針對不同客戶量身打造」——一份剛發表在 Science 期刊的研究會告訴你，你可能把力氣花錯地方了。 Kobi Hackenburg 與史上最大規模的 AI 說服力實驗 Kobi Hackenburg 是牛津大學網際網路研究所的博士候選人，同時也在英國 AI 安全研究所（UK AI Security Institute）擔任研究科學家。2025 年 12 月，他和來自 Stanford、MIT、LSE 的研究者共同在 Science 發表了一篇論文：〈The Levers of Political Persuasion with Conversational AI〉。 這不是一般的小實驗。他們動員了 76,977 名英國受試者，部署 19 個不同的大型語言模型（從 5 億參數的小模型到 4,050 億參數的巨型模型都有），橫跨 707 個政治議題，讓 AI 跟真人進行平均 7 輪、約 9 分鐘的即時對話，然後比較受試者在對話前後的態度變化。 研究者還動手做了一件很瘋狂的事：他們對 AI 生成的 466,769 個事實性宣稱逐一進行了準確度查核。 結論出來，直接挑戰了行銷圈一個根深蒂固的信念。 資訊密度：說服力最強的單一因素 研究的核心發現可以用一句話講完：AI 之所以能改變人的想法，靠的不是心理操控，不是個人化，而是塞進更多可查證的事實。 他們把這個概念叫做「資訊密度」（information density）——一段回應中包含多少個可以被事實查核的具體宣稱。 數據有多誇張？在所有影響說服力的變數中，資訊密度這一個因素就解釋了 44% 的變異量。如果只看經過特別訓練的模型，這個數字飆到 75%。 具體來說，每多塞進一個事實性宣稱，說服力就增加 0.30 個百分點。在最有說服力的實驗條件下，AI 平均每次對話丟出 22.1 個事實宣稱——而一般條件下只有 5.6 個。"Insomuch as factors like model scale, post-training, or prompting strategy increased information density, they also increased persuasion." （只要模型規模、後訓練或提示策略等因素提高了資訊密度，它們就同時提高了說服力。）翻成白話：不管你用什麼技巧——更大的模型、更精巧的提示詞、更多的訓練——只要最終結果是讓回應裡塞進更多事實，說服力就上升。事實密度是所有槓桿背後的共同機制。 個人化的效果遠比你想的小 接下來是最反直覺的部分。 行銷圈這幾年最熱的口號是什麼？「大規模個人化」（personalization at scale）。AI 最讓人興奮的應用場景之一，就是根據每個客戶的背景、偏好、痛點，自動生成量身打造的訊息。 Hackenburg 的實驗直接測試了這個假設。結果呢？ 個人化帶來的說服力提升，平均只有 +0.43 個百分點，沒有任何一種個人化方法的效果超過 1 個百分點。 相比之下：後訓練（post-training，也就是針對說服力去微調模型）提升了最多 51% 的說服力 提示工程（prompting，用不同的指令去引導模型）提升了約 27%論文裡寫得很直白："While we do find some evidence of persuasive returns to personalization, they are small in comparison to the magnitude of the persuasion gains we document from model scale and post-training." （雖然我們確實發現個人化帶來了一些說服力回報，但與模型規模和後訓練所帶來的說服力增幅相比，這些回報很小。）這不是說個人化完全沒用。但它的效果被嚴重高估了——至少在「改變別人想法」這件事上，你花在個人化的時間，遠不如花在「確保內容裡有足夠多的具體事實」來得有效。 小模型也能跟巨型模型一樣有說服力 另一個讓人意外的發現：模型大小的影響也沒想像中大。 一個 5 億參數的開源小模型，經過針對性的後訓練之後，說服力可以逼近甚至追平那些動輒幾千億參數的頂級商用模型。Hackenburg 自己在牛津大學的新聞稿中說："Our results show very small models can be fine-tuned as persuasive as massive systems." （我們的研究結果顯示，非常小的模型經過微調後，說服力可以媲美巨型系統。）這意味著什麼？說服力不是只有大公司的專利。任何人只要掌握正確的訓練方法和提示策略，都能讓 AI 產出高說服力的內容。 說服力越強，準確度越低：不能忽視的取捨 到這裡聽起來好像結論很簡單：那就叫 AI 盡量多塞事實就好了？ 沒那麼單純。這份研究最讓人不安的發現是：說服力和準確度之間存在系統性的反向關係。 具體的數字：GPT-4o 在一般條件下，78% 的宣稱被判定為準確 同一個模型切換到「資訊密集」的提示策略後，準確率掉到 62% GPT-4.5 更慘：從 70% 掉到 56% 在最高說服力的實驗條件下，29.7% 的宣稱是不準確的（一般條件下只有 16%）也就是說，當 AI 為了說服你而拼命塞更多「事實」的時候，它開始編造看起來像事實的東西。 有評論者引用了哲學家 Harry Frankfurt 的概念來形容這個現象——這不是刻意說謊（lying），而是「bullshit」：對真假根本不在意，只在意聽起來是否有說服力。 這對所有用 AI 寫客戶溝通的人來說是一個嚴肅的警告：你不能只追求說服力，你必須同時守住準確度。否則你贏了這一次對話，卻輸了長期信任。 資訊密度原則：怎麼用在你的溝通裡 把這份研究的發現翻譯成實務操作，有三個要點： 第一，堆事實，不堆形容詞。 與其寫「我們的方案能大幅提升您的效率」，不如寫「導入我們方案的客戶，平均每月減少 14 小時的行政作業時間，退件率從 8% 降到 2.3%」。具體數字和可查證的事實，比任何華麗的包裝都有說服力。 第二，別花太多時間在個人化上。 這不是說完全不要做——稱呼對方的名字、提到他的公司當然是基本禮貌。但如果你的選擇是「花 30 分鐘研究客戶背景來量身打造一封信」還是「花 30 分鐘找到更多可以佐證你論點的具體數據」，這份研究很明確地說：選後者。 第三，一定要人工查核。 這是整份研究最重要的警告。當你要求 AI「寫得更有說服力」或「多給一些佐證數據」的時候，它可能會開始「創造」看起來很像真的但其實是編的數據。每一個具體數字、每一個引用，都要回頭驗證。這份研究是在政治說服的場景下做的，不是商業銷售。但底層的機制是一樣的：人類會被大量具體事實打動，遠比被「我知道你是誰」的個人化感動來得多。 在一個人人都能用 AI 產出漂亮文案的時代，真正的差異化不是誰寫得更滑順，而是誰的內容裡有更多經得起查證的事實。📎 Hackenburg 等人的完整論文〈The Levers of Political Persuasion with Conversational AI〉2025 年 12 月發表在 Science，牛津大學的新聞稿用比較白話的方式做了摘要。論文裡還有很多這篇沒覆蓋到的細節，包括三個實驗的完整設計、19 個模型的個別表現比較、不同後訓練方法（SFT、獎勵模型、SFT+獎勵模型）的效果差異，以及對話式 AI 跟靜態單向訊息在說服力上的巨大差距。如果你對 AI 的影響力機制有興趣，值得花時間讀完整版。