编者按

直播电商主播服务能力有限，AI助手能否破局？13万人大规模实地实验揭示答案

本文为 Information Systems Research，原文信息：

Lingli Wang, Ni Huang, Yumei He, De Liu, Xunhua Guo, Yan Sun, Guoqing Chen (2025) Artificial Intelligence (AI) Assistant in Online Shopping: A Randomized Field Experiment on a Livestream Selling Platform. Information Systems Research 36(4):2358-2374.

原文摘要总结如下：

直播技术丰富了消费者的在线购物体验，使主播能够在实时展示产品的同时与大量消费者互动。然而，直播中存在一个核心矛盾：主播的服务能力有限，而消费者期望获得即时、个性化的回应。本文通过一项在亚洲某头部直播电商平台上开展的大规模随机实地实验（132,199名消费者），考察了AI直播助手（通过聊天式交互帮助消费者获取和处理信息）能否缓解这一矛盾。

核心发现：

• AI直播助手使购买量提升了 3.00%，退货率下降了 12.55%

• 机制上，AI助手提升了消费者对"智能信息供给"的感知，降低了决策不确定性；但同时也带来了一定的"打断感"——不过总体而言，信息供给的正面效应大于打断的负面效应

• AI的主动交互（AI识别需求后提供服务）和被动交互（消费者主动点击AI图标）两种模式相互增强，共同促进购买并降低退货率

关键词：直播电商；人工智能（AI）；AI直播助手；人机交互；产品退货；随机实地实验

1. 问题背景

2022年仅中国市场，直播带货就创造了超过5140亿美元的收入；美国约三分之一、英国约四分之一的消费者已经有过直播购物的经历。直播电商之所以区别于传统电商，关键在于它创造了密集的、实时的社交互动——成千上万甚至上百万消费者同时观看主播展示商品，在弹幕区提问、留言。

但问题也随之而来：主播的服务能力是有限的。主播受时间和注意力的约束，只能提供通用的产品信息，无法逐一回应每位消费者的个性化需求。消费者必须自己去各种渠道搜集信息、独立整合，来支撑最终的购买决策。

与此同时，直播带货天然会制造"紧迫感"——主播快速介绍商品、强调限时限量——这往往导致消费者做出冲动购买，事后又大量退货。直播电商的退货率远高于传统电商，这是一个行业痛点。

部分直播平台引入了基于AI的"直播助手"（AI streaming assistant），利用语音识别和自然语言处理技术，能够实时追踪消费者的评论和需求，从多个来源（商品详情页、退换货政策、直播间优惠等）整合信息，通过聊天式交互为消费者提供个性化的信息服务。

但作者也提出了一个"对立面"：AI助手可能会分散消费者的注意力，把消费者从主播的沉浸式直播体验中拉出来，反而打断他们的"心流状态"（flow experience），从而产生负面影响。

因此，论文的核心研究问题非常清晰：

AI直播助手对消费者的购买和退货行为究竟产生了怎样的影响？

2. 文献脉络

文献脉络	前人做了什么	缺什么	本文补充了什么
直播电商与AI	研究了直播的经济价值和消费者参与；AI在后端的应用	没有人研究面向消费者端的AI实时交互	考察前端AI直播助手如何缓解主播能力与消费者需求的矛盾
消费者决策与退货	关注购买漏斗前几个阶段；退货研究不足	缺乏AI视角下对购后退货的研究	用随机实验证明AI助手影响整个决策链条，特别是退货
人机交互	AI的自动化与智能化能力；一对一场景	缺少一对多实时社交场景中的AI辅助研究	区分主动/被动交互模式，揭示两种模式的协同效应

3.  研究假设

主播端的局限： 在直播间里，主播以"一对多"的形式与消费者互动，面对所有观众公开交流。由于时间和注意力有限，主播无法回复每一条消费者评论，只能选择性地回答一些常见问题，而忽略个性化的服务需求。为了优化销售表现，主播往往快节奏地介绍和推广产品，并使用强调产品优势或稀缺性等策略来诱导消费者快速下单。

消费者端的困境： 结果就是，消费者在直播中主要接收的是主播策略性传递的产品信息，如果想要做出更全面的购买决策，他们必须自己去各种渠道主动搜索信息，然后独立整合这些信息来支撑决策——这个过程既耗时又费力。

 3.1  AI助手的正面效应

AI直播助手基于自然语言处理和语音识别技术，能够从多个来源整合大量相关信息，生成智能化、定制化的响应，在服务供给上表现出"智能性"。与人类主播不同，AI助手不受能力约束，可以在直播期间通过独立的一对一聊天线程为每位消费者提供信息服务，满足个性化需求。更重要的是，AI助手能够自动追踪消费者的信息需求，主动提供及时的信息服务。

Pavlou等人（2007）的研究指出，消费者在线上环境中感知到的不确定性往往会阻碍他们进行交易。消费者通常是风险规避的，产品不确定性会加剧风险感知——担心产品不符合预期或遭受经济损失。根据行为经济学中的前景理论（Kahneman & Tversky, 1979），损失的心理权重大于收益。如果消费者对产品的价值或性能不确定，对损失的恐惧往往会压过购买的潜在收益，从而降低购买动机。

AI直播助手通过主动提供及时和个性化的信息服务，有效降低了这种决策不确定性，增强消费者信心，缓解感知风险，从而促进购买。由此提出：

假设1a： 在直播期间部署AI直播助手会增加直播电商中的购买量。

 3.2 AI助手的负面效应

根据心流理论，心流状态是指一个人完全沉浸、专注于某项活动时的心理状态。在直播带货中，其他消费者的社会存在感、实时社交互动以及主播的即时互动策略都可以激发消费者的心流体验，正向影响消费意愿。然而，已有研究表明，由警报、通知或环境线索触发的外部打断会干扰用户的心流状态，负面影响他们的注意力和体验，甚至导致用户放弃当前活动。

AI直播助手改变了原本的"一对多"消费者-主播互动模式。AI通过聊天式交互主动提供服务，实际上是把消费者的注意力从观看主播的直播表演转移到与AI的一对一对话中，从而打断了消费者的直播体验。这种打断可能会干扰消费者接收主播传递的重要信息——尤其是那些能够激发消费者对产品兴趣的信息——进而增加消费者的不确定性感知，降低购买动机。由此提出竞争性假设：

假设1b： 在直播期间部署AI直播助手会减少直播电商中的购买量。

 3.3  AI助手对退货率的影响

直播电商退货率高，部分原因是消费者根据主播策略性传递的有限信息做出仓促购买。AI助手通过持续的一对一互动，帮助消费者获取更充分的信息，提升决策质量，从而减少"买完就后悔"的情况。

AI助手作为主播的有效补充，改变了消费者的信息获取和处理模式，帮助消费者收集更充分的信息，降低决策过程中的不确定性，提升决策质量，从而减少消费者退回已购产品的可能性。由此提出：

假设2： 在直播期间部署AI直播助手会降低直播电商中的产品退货率。

4. 研究情境、随机实地实验与数据

 4.1 研究情境与实地实验设计

平台背景

实验在亚洲某头部电商平台的直播业务板块上进行，平台优势：一是它在中国直播电商市场中占据约80%的份额，确保了研究结果的代表性；二是该平台率先开发了AI直播助手，为大规模随机评估前沿AI技术提供了条件。

AI直播助手的功能设计：

• 基于语音识别和自然语言处理技术，持续追踪消费者在直播间的评论

• 智能识别服务需求后，从商品详情页、退换货政策、直播间优惠等多个来源整合信息

• 以图标形式显示在直播间界面，识别到需求时挥手提示"我可以回答你的问题"

• 消费者可点击图标进入私密的一对一聊天，通过文字或语音与AI互动

实验设计

实验采用被试间设计，持续五天（2021年2月19日至24日），通过个体层面的随机化进行分组：

• 实验组（账户ID末两位00-49）： 在所有直播场次中可以看到并使用AI助手

• 对照组（账户ID末两位50-99）： 在任何直播场次中都看不到AI助手

每位消费者全程固定在所分配的组中，保证了实验的干净性。

 4.2  数据、变量与随机化检验

样本规模

实验实际参与人数超过1000万人，平台提供了1%的随机样本用于分析，最终样本量为132,199人（实验组65,902人，对照组66,297人）。

数据覆盖了消费者决策漏斗的完整链条：点击商品→加购物车→下单购买→消费金额→退货率，同时包含消费者的历史行为数据作为控制变量。

关键变量

论文中的变量体系可以分为几类：

处理变量： Treatment（是否被分配到实验组）。

结果变量： 包括#Click（点击商品次数）、#Cart（加购次数）、#Pay（下单次数）、Consumer Spending（消费金额）、Return Rate（退货率）。这五个结果变量实际上覆盖了消费者决策漏斗的各个阶段——从浏览、考虑、评估、购买到购后退货。

控制/协变量： Tenure（账号年限）、VIP Level（消费者等级）、#Followed Streamers（关注主播数）、#Watched Livestreams（实验前一个月观看直播数）、Live Duration（观看直播总时长）、#Purchased Products（实验前一个月直播购买量）、Livestream Spending（实验前一个月直播消费额）。

随机化检验

作者从三个层面进行了平衡性检验——消费者层面（7个变量）、主播层面（7个变量）、直播场次层面（4个变量），所有配对t检验的p值均不显著，确认了两组在可观测特征上完全可比。

📌 方法论亮点： 三个层面全部通过随机化检验，意味着无论是"需求侧"（消费者特征）还是"供给侧"（主播和直播特征），实验组和对照组都是均衡的，为因果推断奠定了坚实基础。

5. 分析与结果

 5.1  主效应分析

作者采用回归分析来估计AI直播助手对各项结果变量的影响，基本模型非常简洁：

采用零膨胀泊松回归（考虑到大量零值）和OLS回归进行分析，核心发现如下：

决策阶段	结果变量	AI助手的效果	显著性
浏览	点击次数	无显著影响	p > 0.1
考虑	加购次数	无显著影响	p > 0.1
购买	下单次数	↑ 3.00%	p < 0.05
购买	消费金额	↑ 10.95%	p < 0.01
购后	退货率	↓ 12.55%	p < 0.05

有趣的发现模式：AI助手对漏斗前端（浏览、加购）没有显著效果，但对后端（下单、消费金额）有显著正效果。

AI助手的作用不在于"吸引更多人来看商品"，而在于帮助那些已经在考虑购买的消费者更坚定地做出购买决策。

 5.2  机制探索

正面路径： AI助手 → 感知智能信息供给↑ → 感知不确定性↓ → 购买意向↑。AI助手提升了消费者对智能信息供给的感知，进而降低了不确定性，最终促进了购买意向。同时，AI助手 → 感知智能信息供给↑ → 购买意向↑ 这条直接路径也显著。

负面路径： AI助手 → 感知打断↑ → 感知不确定性↑ → 购买意向↓。AI助手确实会打断消费者接收主播信息的过程，增加不确定性感知，负向影响购买意向。

关键结论： 正面效应和负面效应合并后，AI助手对购买意向的总效应仍然显著为正。也就是说，AI助手的智能信息供给带来的好处大于其打断效应带来的损害。

异质性分析：对谁更有效？

按产品不确定性分： AI助手对新产品（无销售记录和评价，不确定性高）的效果最为显著，对已有销售记录的产品效果不明显。这为"降低不确定性"作为核心机制提供了有力的间接证据。

按主播人气分： AI助手对热门主播（粉丝多，供需矛盾更尖锐）直播间的效果最为显著——退货率降幅高达40.1%（p<0.01）。这证实了AI助手在"供需矛盾最尖锐"的场景中发挥了最大价值。

交互模式分析

消费者与AI助手的交互分为两种模式：

• 被动交互（25.34%）： 消费者主动点击AI图标发起互动

• 主动交互（74.66%）： AI识别消费者弹幕中的需求后主动提示服务

📌 核心发现： 两种交互模式都能促进购买行为；被动交互还额外降低了退货率（主动寻求帮助的消费者决策更审慎）；两种模式的交互项显著为正，说明它们相互增强而非替代。

6. 结论

主要结论整理如下：

分析层次	核心问题	核心发现
主效应	AI助手有没有效果？	购买↑3.00%，退货↓12.55%，支持H1a和H2
机制探索	为什么有效果？	智能信息供给↑ → 不确定性↓ → 购买↑；打断感也存在但被正面效应压过
产品异质性	对什么产品更有效？	高不确定性的新产品效果最显著
主播异质性	对什么主播更有效？	粉丝多、供需矛盾大的热门主播效果最显著
交互模式	哪种交互方式更好？	主动和被动交互都有正效果，且相互增强