人工智能 vs. 人类 vs. 混合体：金融咨询中信任构建与建议采纳的二元交互比较研究

《Acta Psychologica》：Can you smell what AI is advising? Human, machine, or both: A comparative experimental study on financial advice

随着AI大语言模型在金融决策中日益深入，一个核心问题浮出水面：客户在寻求财务规划建议时，更应相信谁？是经验丰富的人类顾问、基于海量数据与算法的大模型，还是人机协作的混合模式？本文通过一项涉及93名参与者的准实验研究，客观测量了接受不同类型建议后的长期投资组合表现。研究发现，尽管各组整体信任水平无显著差异，但咨询纯AI或混合顾问的参与者，其投资成功的概率显著高于仅咨询人类顾问的组。研究揭示了关键的信任构建机制差异：对AI的信任并非瞬间的情感反应，而是通过互动质量、感知能力和积极情绪氛围逐步建立的心理路线图；相反，对人类顾问的信任更多基于声誉等先验因素。结果表明，未来金融咨询的核心并非在“人”与“机”之间二选一，而在于构建一个能融合AI计算精度与人类监督/共情优势的协作框架，其关键在于实现“校准信任”。

　　

在个人财务规划领域，我们正站在一个十字路口。一面是经验丰富、能理解复杂情感的人类财务顾问；另一面是新兴的、能够即时分析海量数据、似乎无所不知的人工智能（AI）模型，尤其是像ChatGPT这样的大型语言模型（LLM）。Experian的数据显示，近半数消费者（包括67%的Z世代和62%的千禧一代）已经在使用或计划使用生成式AI进行个人理财。伦敦证券交易所集团也报告称，超过80%的投资者欢迎AI支持他们的投资组合管理。然而，一个挥之不去的问题是：在面对退休储蓄、长期投资等高风险的财务决策时，人们真的会信任并采纳AI的建议吗？或者，人类顾问因其“人情味”而依然不可替代？现有研究对AI在金融咨询中的角色探讨日益增多，但鲜有研究从客户与顾问之间每一次具体的“二元交互”入手，探究这种互动如何塑造信任、影响建议的采纳，并最终决定长期财务规划的成败。这正是《人工智能 vs. 人类 vs. 混合体：金融咨询中信任构建与建议采纳的二元交互比较研究》这篇发表在《Acta Psychologica》上的论文试图回答的问题。研究者们不仅仅想比较哪种建议“更好”，更希望揭示背后复杂的心理机制：信任是如何在人类与机器的对话中诞生的？这种信任又如何转化为实际行动？

为了深入探究这些问题，研究人员设计了一项精巧的准实验。他们招募了93名MBA学生作为参与者，并将其随机分为三组：第一组接受经过培训的人类财务顾问的一对一咨询；第二组与AI顾问（基于ChatGPT）进行对话交互；第三组则体验“人机混合”模式，可以先后向人类和AI顾问咨询。所有参与者都面临一个相同的长期财务规划场景：帮助“Das家庭”在20年内实现1千万卢比的财富目标。研究团队不仅客观测量了各组参与者根据建议调整投资组合后，通过“嵌套蒙特卡洛模拟”计算出的长期成功概率（即实现目标的模拟比例），还通过问卷量表，细致评估了每次咨询后参与者对顾问的信任度、对建议的采纳意愿，以及他们对这次“二元交互”质量的感知——包括互动参与度、感知能力与有效性以及情感氛围三个维度。研究结合社会交换理论和人际相互依赖理论，构建了一个从“咨询类型”到“二元交互”，再到“信任”与“建议采纳”，最终影响“财务结果”的完整模型。数据分析采用了广义线性混合模型（GLMM）、独立样本t检验、卡方检验以及使用PROCESS宏模型6的序列中介分析等多种统计方法，以确保结果的稳健性。

4. 研究结果

财务结果：AI与混合建议更胜一筹，源于更高的采纳率

广义线性混合模型（GLMM）分析显示，接受任何类型的建议后，参与者投资组合的成功率均显著提升。然而，深入分析发现，AI顾问组和混合顾问组带来的成功率提升幅度显著高于纯人类顾问组。具体而言，纯AI组的成功率增益为0.034，混合组为0.037，而纯人类组仅为0.016。这表明，从客观财务结果看，基于AI的建议更为有效。但进一步分析揭示了一个关键细节：在那些采纳了建议的参与者子集中，纯人类组和纯AI组的成功率并无统计学差异。这意味着，人类顾问提供的建议质量本身并不逊色，问题在于其建议被拒绝的比例更高（人类组拒绝率为36.7%，AI组为18.2%）。因此，AI和混合模型在整体财务表现上的优势，很大程度上源于其建议被采纳的可能性更高。

信任与采纳：信任水平无差异，但采纳趋势偏向AI

独立样本t检验显示，参与者对AI顾问和人类顾问的绝对信任水平并无显著差异。这与研究最初的假设（H2a：参与者对人类顾问的信任度会高于AI）不符。然而，在建议采纳率上，观察到了一个边缘显著的差异趋势：AI组的采纳率达到81.8%，高于人类组的63.3%。这表明，尽管信任水平相近，但参与者似乎更倾向于遵循AI给出的建议。这种“言行不一”的现象，引出了关于信任本质的更深层问题。

信任的构建机制：路径清晰度大不同

回归分析为上述现象提供了关键解释。研究发现，“二元交互”的质量（包含互动参与度、感知能力和情感氛围三个维度）能显著解释参与者对顾问的信任，这一关系在所有组中都成立，但在纯AI组和混合组中尤为强烈（决定系数R²分别高达0.562和0.560）。序列中介分析进一步描绘出一条清晰的信任构建路径：积极的互动参与度能提升对顾问能力的感知，而这种感知能力又能营造出积极的情感氛围，三者共同作用，最终导向信任。这条路径在AI和混合组中表现得非常结构化和透明。

相比之下，在纯人类组中，二元交互质量对信任的解释力虽然也存在，但路径的清晰度和强度（R²=0.430）相对较低。这意味着，参与者对人类顾问的信任可能部分源于交互过程，但也掺杂了更多难以测量的外部因素，如顾问的声誉、个人魅力或社会刻板印象。研究指出，对AI的信任更像是一种“认知信任”，基于对过程和能力的理性评估；而对人类的信任则可能包含更多“情感信任”或基于先验印象的判断。正因如此，当信任建立在清晰、客观的交互过程之上时（如与AI的互动），它似乎能更可靠地转化为实际的采纳行为。

结论与讨论

这项研究得出了几个颠覆直觉却又富有启发性的结论。

首先，研究驳斥了“AI会削弱信任”的普遍担忧。实验数据显示，参与者对AI顾问的信任水平与对人类顾问的信任水平相当。这表明，只要交互过程设计得当，AI同样能建立起与用户之间的可信赖关系。

其次，研究揭示了信任构建机制的根本性差异。对于AI顾问，信任是一条清晰可见的“心理路线图”：它始于高质量的互动（客户感到被理解、问题被有效回应），经由对AI专业能力的感知而加强，最终形成一个支持性的情感氛围。这是一个以过程为基础的信任模型。而对于人类顾问，信任的来源则更为复杂和弥散，可能更多地与顾问的个人特质、声誉等身份属性相关。

第三，正是这种基于过程的信任，使得AI和混合模型的建议获得了更高的采纳率，并最终转化为更优越的财务表现。AI和混合模型通过客观、逻辑清晰的交互，建立了一种更“可靠”的信任，这种信任直接导向行动。而人类顾问虽然也能提供高质量建议，但其信任建立路径的“泄漏”导致建议更易被拒绝。

最后，研究的核心启示指向了人机协作的未来。混合顾问组展示了最佳的财务表现，这暗示着一种理想的协同模式：利用AI提供无偏见、数据驱动的计算精度和优化方案，同时结合人类顾问在提供情感支持、处理模糊情境和进行高阶战略判断方面的独特优势。这种协作不是简单的“谁主导谁”，而是发挥各自的比较优势。

在实践意义上，本研究为金融科技公司和传统金融机构指明了方向：未来的智能投顾系统不应仅仅追求算法的精准度，更应精心设计用户交互界面与对话流程，以促进高质量的“二元交互”。通过强化交互过程中的互动参与感、清晰展示其推理逻辑（可解释性）、并营造支持性的情感氛围，AI系统能够主动地、系统地构建用户的认知信任。这为利用人类反馈强化学习（RLHF） 等技术来优化AI顾问的沟通风格提供了理论依据——可以将用户对交互质量（如感知能力、情感氛围）的反馈作为“奖励信号”，让AI学会以更易建立信任的方式进行交流。

总而言之，这项研究传递了一个强有力的信息：金融咨询的未来不必在“人性”与“智能”之间做出艰难抉择。相反，关键在于构建一种能够融合二者优势的“校准信任”框架。在这个框架下，AI的计算理性与人类的共情商维得以协同，共同为投资者提供既科学、又贴心，既高效、又可信的财务规划服务，最终提升社会的整体金融福祉。