行銷研究邁向「AI–人類混合模式」新時代

美國威斯康辛大學麥迪遜分校商學院教授尼拉吉．阿羅拉（Neeraj Arora）等人，於2025年《行銷學期刊》中，發表了一篇〈行銷研究中的AI–人類混合模式：運用大型語言模型（LLM）作為合作夥伴〉的文章。

該文章一開始就提到，生成式人工智慧（Generative AI, GenAI）與大型語言模型（LLM）的快速進步，為全球約843億美元的行銷研究產業帶來革命性影響。

行銷研究的典型流程包括：問題定義、研究設計、資料蒐集與分析等環節。該文章關注的是如何讓「人類＋LLM」的混合模式，在這些環節中提升效率與品質。

舉例來說，LLM可以在研究設計階段生成訪談大綱與問卷；在抽樣階段建議受訪者特徵並創造「合成受訪者」（synthetic respondents）；在資料分析階段則可總結文字、萃取主題並進行統計分析。然而LLM也可能出現偏誤或幻覺，因此需要人類監督，共同形成AI–人類混合模式（AI–Human Hybrid）的合作模式。

為了驗整此概念可行，該團隊與一家《財富》500大食品公司合作，進行了以下研究：

（一）質化研究實證（朋友感恩節）

該研究團隊重現2019年關於朋友感恩節（Friendsgiving）的質性研究。結果顯示：

• LLM能創造符合需求的合成受訪者，並在訪談中表現出比人類更高的資訊深度與洞察力。
• 在資料分析上，LLM與人類在找出關鍵句、整理主題與撰寫摘要的表現相當，甚至提出人類未察覺的新主題。
• 人類與LLM共同合作的成果，在深度與新穎度上超越純人類或純LLM。

（二）量化研究實證（冷藏狗糧調查）

該研究團隊複製2019年冷藏狗糧市場調查，測試LLM生成的合成問卷回覆。LLM能正確掌握答案趨勢，但初步的「零樣本」（zero-shot）回覆在數據變異與變項關聯上略遜於真人。透過「少樣本學習」（few-shot learning）與「檢索增強生成」（RAG）等方法後，合成數據的可靠度與多樣性大幅改善。

據此，作者提出「AI–人類混合模式」（AI–Human Hybrid）的質化、量化行銷研究流程圖（如圖1、圖2所示）：從確定研究問題到資料分析，LLM可協助設計訪談、創造合成受訪者並協助分析。建議企業持續評估混合模式的效益，並建立長期學習與治理原則，以兼顧效率與倫理。

資料來源：Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing, 89(2), 43–70.

資料來源：Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing, 89(2), 43–70.

對行銷人的啟發：

1. 提升效率的新工具：無論是質性訪談還是量化調查，LLM都能快速生成受訪者角色、協助整理資料，減少人力成本。
2. 人機協作的新角色：行銷人需培養「AI管理者」思維，懂得設計提示（prompt）、監督AI輸出，成為AI的策略夥伴。
3. 保持倫理與敏感度：AI可能出現偏見或忽略在地文化，行銷人必須負責審核，確保研究符合道德與隱私規範。
4. 學習新技術：理解「少樣本學習」（few-shot learning）與「檢索增強生成」（RAG）等方法，有助於提升AI生成資料的品質，強化行銷研究的可信度。

這篇論文的重要貢獻在於，它不只展示LLM的工具價值，更提出「人機協作」的新典範。過去行銷研究需要大量人力蒐集與分析資料，現在透過AI–人類混合模式，可以在保持專業洞察的同時，大幅縮短時間並提升資料深度。

作者也提醒，AI雖強大，但在文化敏感、倫理與隱私議題上仍需人類專業判斷。這種雙向合作的模式，既避免AI取代人類的恐懼，也凸顯人類在策略與價值判斷上的不可取代性。

「AI–人類混合模式」（AI–Human Hybrid）不是取代，而是升級。對想投身行銷研究的人而言，這代表一個「更聰明」的時代。讓AI負責大量資料處理，人類則專注於策略、創意與倫理判斷，兩者的互補將開啟行銷研究的新篇章。

作者：羅凱揚（台科大企管系博士）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Arora, N., Chakraborty, I., & Nishimura, Y. (2025). AI–Human Hybrids for Marketing Research: Leveraging Large Language Models (LLMs) as Collaborators. Journal of Marketing, 89(2), 43–70.