مدرسة الأعمال سونواي، جامعة سونواي، بيتالينغ جايا، سيلانغور، ماليزيا
جامعة فيلنيوس، فيلنيوس، ليتوانيا
جامعة تكنولوجيا تالين، تالين، إستونيا
مدرسة أوميو للأعمال والاقتصاد والإحصاء، جامعة أوميو، أوميو، السويد
جامعة لوند، لوند، السويد
جامعة جوهانسبرغ، أوكلاند بارك، جنوب أفريقيا
مختبر الدراسات البيئية والتنمية المستدامة، قسم الإدارة، كلية الاقتصاد والأعمال والإدارة، جامعة الشهيد الشيخ العربي التبسي، تبسة، الجزائر
جامعة لودفيغ ماكسيميليان في ميونيخ، ميونيخ، ألمانيا
جامعة بابيش-بولياي، كلوج-نابوكا، رومانيا
كلية الاقتصاد وإدارة الأعمال، جامعة فيلنيوس، فيلنيوس، ليتوانيا

ليندا د. هوليبيك، كلية الأعمال سونواي، جامعة سونواي، بتالينغ جايا، سيلانغور، ماليزيا.
البريد الإلكتروني: lindah@sunway.edu.my

الذكاء الاصطناعي، تفاعل المستهلك، PRISMA، مراجعة منهجية

تفاعل المستهلكين (CE)، وهو استثمار المستهلك في مواردهم في تفاعلاتهم مع شيء ما (مثل علامة تجارية؛ كومار وآخرون، 2019)، تم الإشادة به كمؤشر رئيسي لأداء الأعمال في السنوات الأخيرة (كومار وبانساري، 2016). وقد أظهرت الدراسات أن المستهلكين المتفاعلين يظهرون نتائج نفسية وسلوكية مرتفعة (مثل،
زيادة الولاء أو سلوك التوصية؛ برودي وآخرون، 2011)، مما يعزز الميزة التنافسية القائمة على الشركات. بينما كانت الأدبيات، تقليديًا، تركز على تفاعل المستهلكين مع العلامات التجارية، يتم منح اهتمام متزايد لتفاعلهم مع تقنيات معينة وتأثير ذلك على تفاعلهم مع العلامة التجارية، والذي تم تسميته بالتفاعل مع العلامة التجارية المدعوم بالتكنولوجيا (هوليبيك وبلك، 2021).

لقد درست الأبحاث السابقة تفاعل المستهلكين مع العلامات التجارية المدعوم بالتكنولوجيا في سياق تقنيات متعددة، بما في ذلك وسائل التواصل الاجتماعي، وتطبيقات الواقع الافتراضي، والواقع المعزز، أو الواقع المختلط، والتقنيات الآلية أو الذكاء الاصطناعي، من بين أمور أخرى (على سبيل المثال، بونتوني وآخرون، 2021)، والتي ثبت أنها تعزز الأداء المؤسسي (هوانغ وراست، 2021). هنا، يتلقى تفاعل المستهلكين مع التقنيات الذكية الاصطناعية – على وجه الخصوص، تلك القادرة على أداء المهام دون تدخل بشري (مثل الذكاء الاصطناعي التوليدي أو التنبؤي؛ دويفيدي وآخرون، 2023) – اهتمامًا واسع النطاق في أدبيات علم نفس المستهلك والتسويق (سامبسون، 2021؛ وو ومونفورت، 2023). من بين هذه التقنيات، فإن فئات الذكاء الاصطناعي من التعلم الآلي (أي، مجموعة فرعية من الذكاء الاصطناعي، تستخدم خوارزميات تتكيف بمرونة مع تكوينات البيانات لتحسين أداء المهام) والتعلم العميق (أي، مجموعة فرعية من التعلم الآلي التي تتضمن حساب الشبكات العصبية متعددة الطبقات) قادرة على تقديم قرارات أو توقعات محسنة بمرور الوقت بناءً على البيانات المستخدمة (مثل البيانات الكبيرة) (هوليبيك وآخرون، 2021؛ براديب وآخرون، 2019)، مما يوفر للمستهلكين حلولًا (مثل المنتجات) أكثر دقة (ليونغ وآخرون، 2018)، شريطة استخدام بيانات تدريب عالية الجودة وخوارزميات متطورة. على سبيل المثال، بينما يتحسن النص التنبؤي القائم على التعلم الآلي من جوجل (الذكاء الاصطناعي التنبؤي) بمرور الوقت، فإن جهاز إيكو من أمازون أو سيري من آبل يوفران أيضًا حلولًا مخصصة بشكل متزايد لمستخدميهما (بيتا ردين وآخرون، 2023).

ومع ذلك، على الرغم من أهمية تعزيز تفاعل المستهلكين مع أو من خلال تقنيات الذكاء الاصطناعي، اعتمد المؤلفون على مجموعة متنوعة من المنظورات النظرية والأساليب للتحقيق في هذا الموضوع متعدد التخصصات، مما أدى إلى عدم اتساق نظري وتجزئة. أي أن اعتماد عدسات نظرية وأساليب مختلفة لاستكشاف تجربة المستهلك المعتمدة على الذكاء الاصطناعي قد أسفر عن نتائج قد تكون غير متوافقة، مما يولد توتراً مهماً مستنداً إلى الأدبيات. على سبيل المثال، يقترح بعض المؤلفين أن وجود التكنولوجيا المعتمدة على الذكاء الاصطناعي (مثل الدردشة الآلية) – “المدى الذي يجعل [تكنولوجيا الذكاء الاصطناعي] المستهلكين يشعرون … أنهم في صحبة كيان اجتماعي آخر” (فان دورن وآخرون، 2017، ص. 44) – يعمل كمحرك رئيسي لتفاعل المستخدمين (مثل، مكلاين وآخرون، 2021؛ شوتزلر وآخرون، 2020). ومع ذلك، يحدد باحثون آخرون، مثل تسائي وآخرون (2021)، آثاراً متعارضة حيث لم يُعثر على أن التواصل المعتمد على وجود اجتماعي عالٍ (مقابل منخفض) للدردشة الآلية يؤثر بشكل كبير على تفاعل المستخدم.

لتوضيح هذه النتائج المتضاربة المستندة إلى الأدبيات، نقوم بمراجعة منهجية لأدبيات CE المعتمدة على الذكاء الاصطناعي. من خلال توضيح الموضوعات الرئيسية التي تميز هذه السلسلة الأدبية متعددة التخصصات، نكشف عن سمات وديناميكيات CE المعتمدة على الذكاء الاصطناعي. بناءً على المراجعات المنهجية السابقة (مثل، أمين وآخرون، 2022)، نقوم أيضًا بتطوير نموذج مفاهيمي لـ CE المعتمد على الذكاء الاصطناعي وشبكته النمائية (أي، العوامل السابقة والنتائج الرئيسية؛ ماكنيس، 2011). إن تطوير رؤى جديدة في هذا المجال سريع النمو أمر مهم، نظرًا للعديد من تطبيقات CE المعتمدة على الذكاء الاصطناعي التي من المتوقع أن تستمر في إعادة تعريف سلوك المستهلك والتسويق على حد سواء (ماكنزي، 2023)، وبالتالي تعمل كنقطة انطلاق لمزيد من أبحاث CE المعتمدة على الذكاء الاصطناعي. نحن نرى الذكاء الاصطناعي على أنه “قدرة النظام على تفسير البيانات الخارجية…، والتعلم من هذه البيانات، واستخدام تلك التعلمات لتحقيق أهداف محددة”.
“والمهام من خلال التكيف المرن” (هاينلاين وكابلان، 2019، ص. 5)، والمشاركة كمورد استثماري للمستهلك في تفاعلاتهم المتعلقة بالعلامة التجارية (مثل، الذكاء الاصطناعي) (مثل، هوليبيك وآخرون، 2019؛ كومار وآخرون، 2019). بشكل عام، من خلال تجميع وتقييم مجموعة أبحاث تجربة العملاء المعتمدة على الذكاء الاصطناعي، تمهد تحليلاتنا الطريق لمزيد من تطوير هذا المجال بين التخصصات (بيج وآخرون، 2021؛ بولك وبيرج، 2018).

تقدم هذه الورقة الاستعراضية المساهمات التالية في أدبيات تجربة العميل (CE) والذكاء الاصطناعي (AI) وأدبيات علم نفس وسلوك المستهلك والتسويق بشكل عام. أولاً، من خلال اعتماد نهج العناصر المفضلة للإبلاغ عن المراجعات المنهجية والتحليلات التلوية (PRISMA) (مثل، Page et al.، 2021؛ Shobhit et al.، 2023)، نحصل على عينة من 89 دراسة قائمة على الذكاء الاصطناعي حول تجربة العميل يتم تحليلها لاستنتاج سماتها النظرية (مثل، النظريات أو الأساليب المستخدمة؛ Rehman et al.، 2020) وللكشف عن مواضيعها الرئيسية (Creswell & Creswell، 2018). كما نطور نموذجًا لتجربة العميل القائمة على الذكاء الاصطناعي، يعكس مفهوم ماكينيس (2011) عن الربط، وبالتالي، فتح فهم موقع المفهوم بالنسبة لمسبباته ونتائجه، وهو نهج معتمد على نطاق واسع في الدراسات السابقة المعتمدة على PRISMA (مثل، Ameen et al.، 2022؛ Rehman et al.، 2020). هذه التحليلات مهمة، نظرًا لقدرات الذكاء الاصطناعي الفريدة التي شكلت، والتي من المتوقع أن تستمر في تشكيل تجربة العميل بطرق مهمة (Hollebeek et al.، 2021). علاوة على ذلك، على الرغم من أن نطاق تجربة العميل القائمة على الذكاء الاصطناعي قد توسع بالفعل في السنوات الأخيرة (مثل، من خلال إطلاق تقنيات جديدة تتطور باستمرار، مثل التقنيات التوليدية تشير التوقعات أيضًا إلى أنه من المتوقع أن يستمر في النمو في السنوات القادمة (ماكنزي، 2023)، مما يبرر أهميته الاستراتيجية.

ثانيًا، استنادًا إلى مؤلفين سابقين (مثل، بيج وآخرون، 2021؛ فيرما وآخرون، 2021)، نستخلص جدول أعمال لمزيد من الأبحاث حول تجربة العملاء المعتمدة على الذكاء الاصطناعي من نتائجنا. هذا مهم أيضًا، نظرًا للنمو المستمر، والتطورات المتوقعة (مثل، الابتكارية) في تجربة العملاء المعتمدة على الذكاء الاصطناعي، مما يوفر فرصًا غنية لمزيد من الاستكشاف. على وجه التحديد، نظرًا لحداثة الذكاء الاصطناعي نسبيًا في التسويق، جنبًا إلى جنب مع تأثيراته الفريدة والمتطورة المحتملة على تجربة العملاء، نتوقع أن تحمل نتائجنا قيمة للباحثين (مثل، من خلال العمل كأساس لمزيد من الاستكشاف)، مما يبرر أهمية تجربة العملاء المعتمدة على الذكاء الاصطناعي في السنوات القادمة.

نستعرض بعد ذلك الأدبيات المتعلقة بالتعليم القائم على الذكاء الاصطناعي (القسم 2)، تليها نظرة عامة على المنهجية المعتمدة (القسم 3). ثم نقدم نتائجنا الرئيسية (القسم 4)، تليها نظرة عامة على الآثار الرئيسية التي تنبثق من عملنا (القسم 5).

نظرًا لتأثيره المثبت على أداء الشركات (بيكرز وآخرون، 2018)، يُعتبر الانخراط الاستهلاكي مقياسًا رئيسيًا في علم نفس المستهلك/السلوك، والتسويق (كومار وبانساري، 2016؛ ليم وآخرون، 2022). ومع ذلك، فإن تعريف الانخراط الاستهلاكي محل جدل. على سبيل المثال، على الرغم من أن برودي وآخرين (2011، ص. 260) يعرفون الانخراط الاستهلاكي بأنه “حالة تحفيزية تحدث بفضل التجارب التفاعلية المشتركة، [للمستهلك] مع محور
يُعرّف هوليبيك وآخرون (2019، ص. 166) ذلك على أنه “استثمار المستهلك في … الموارد الفعالة [مثل المعرفة/ المهارات السلوكية]، والموارد القابلة للتشغيل [مثل المعدات] في تفاعلاتهم مع العلامة التجارية.” على الرغم من هذه الاختلافات، نستخلص السمات العامة التالية لتجربة العميل.

أولاً، يُعتبر مفهوم تجربة العميل (CE) مفهومًا تفاعليًا يركز على تفاعلات المستهلك مع علامة تجارية أو (أ) كائنات مرتبطة بعلامة تجارية معينة (مثل تقنيات الذكاء الاصطناعي المرتبطة بالعلامة التجارية؛ هوليبيك وآخرون، 2023؛ بيريز-فيغا وآخرون، 2021). هنا، يعكس التفاعل “العمل أو التأثير المتبادل أو المتبادل” (فارغو ولوتش، 2016، ص. 9) بين موضوع الانخراط (مثل المستهلك) وموضوع الانخراط (مثل تقنية الذكاء الاصطناعي؛ هوفمان ونوفاك، 2018؛ هوليبيك، 2011؛ سونغ وآخرون، 2021). عندما يتفاعل المستهلكون مع تقنيات الذكاء الاصطناعي، قد يكونون على دراية، أو غير مدركين، لتفاعلهم مع آلة، كما يتم قياسه بواسطة اختبار تورينغ.

ثانيًا، يتم عادةً نمذجة الانخراط (CE) كهيكل متعدد الأبعاد يتكون من أبعاد معرفية وعاطفية وسلوكية (Hollebeek et al., 2023; Vivek et al., 2014). بينما يعكس الانخراط المعرفي استثمار المورد المعرفي للمستهلك في تفاعلاته مع العلامة التجارية (Schaarschmidt & Dose, 2023)، يشير الانخراط العاطفي إلى عاطفة المستهلك (مثل الشغف) المستثمرة في تفاعلاته مع العلامة التجارية (Herrando et al., 2017). ثم يعكس الانخراط السلوكي استثمار المستهلكين للوقت والطاقة والجهد في تفاعلاتهم مع العلامة التجارية (Hollebeek et al., 2014).

ثالثًا، اعتمد العلماء نظريات متعددة لاستكشاف تجربة العميل، بما في ذلك منطق الخدمة-الخدمة (برويدي وآخرون، 2011)، تسويق العلاقات (فيفيك وآخرون، 2014)، ونظرية التوافق (إسلام وآخرون، 2018)، من بين أمور أخرى، مما يكشف عن مرونة المفهوم النظرية (هولبيك وآخرون، 2023). كما تم استكشاف تجربة العميل في سياقات عبر الإنترنت (رقمية)، وغير متصلة، وهجينة (فيجيتال) (ميلي وروسو-سبينا، 2022). على سبيل المثال، بينما تم استكشاف تجربة العميل غير المتصلة في قطاعات، بما في ذلك الضيافة/السياحة (مثل، سو وآخرون، 2014)، المقاهي (مثل، أورنيلاس سانشيز وفيرا مارتينيز، 2021)، أو الصالات الرياضية (مثل، مينيجيل وآخرون، 2023)، تم دراسة المشاركة الرقمية في بيئات، بما في ذلك المجتمعات عبر الإنترنت (أوزويم وآخرون، 2021)، وسائل التواصل الاجتماعي (هولبيك وآخرون، 2014)، الواقع المعزز، والواقع الافتراضي، والواقع المختلط (راذر وآخرون، 2023)، تقنيات الذكاء الاصطناعي (موريشي، 2021)، من بين أمور أخرى. اعتمد باحثو المشاركة الرقمية وجهات نظر، بما في ذلك نموذج قبول التكنولوجيا (مثل، موريشي، 2019)، انتشار الابتكارات، واستعداد التكنولوجيا (مثل، ين وآخرون، 2023)، على سبيل المثال لا الحصر. بعد ذلك، نستعرض الأدبيات المتعلقة بالذكاء الاصطناعي القائم على التسويق.

الذكاء الاصطناعي، “قدرة النظام على تفسير البيانات الخارجية…، والتعلم من هذه البيانات، واستخدام تلك التعلمات لتحقيق أهداف ومهام محددة من خلال التكيف المرن” (هاينلين وكابلان، 2019، ص. 5)، قد اكتسب أيضًا زخمًا في علم نفس المستهلك/السلوك، وأبحاث التسويق (ميهتا وآخرون، 2022). على سبيل المثال، بينما يسمح سيري من آبل للمستهلكين بتنفيذ المهام بسلاسة من خلال الأوامر الصوتية، فإن جوجل هوم يتيح للمستخدمين أداء المهام عن بُعد في المنزل (مثل، مراقبة المنبه؛ شياو وكومار، 2021). من خلال
القدرة على أداء مهام محددة بدقة متزايدة مع مرور الوقت، قد تساعد تطبيقات الذكاء الاصطناعي التي تتضمن تقنيات التعلم الآلي أو التعلم العميق، أو الذكاء الاصطناعي التوليدي، المستهلكين في إكمال مهامهم بشكل أكثر كفاءة أو فعالية (هوانغ وراست، 2021؛ شياي وآخرون، 2022). على سبيل المثال، تميل روبوتات الدردشة إلى تقديم توصيات أو حلول للمنتجات أكثر دقة وشمولية أو تخصيصًا للمستهلكين مع مرور الوقت (دويفيدي وآخرون، 2023).

يصنف العلماء الذكاء الاصطناعي بطرق مختلفة. على سبيل المثال، يقترح هوانغ وراست (2018) تصنيفًا ثلاثي الأجزاء يتكون من الذكاء الاصطناعي الميكانيكي (أي القادر على أداء المهام المتكررة أو الروتينية)، والذكاء الاصطناعي المفكر (أي القادر على التعلم من البيانات لاتخاذ القرارات)، والذكاء الاصطناعي العاطفي (أي القادر على إظهار التعاطف؛ هوليبيك وآخرون، 2021). تصنيف آخر ذي صلة للذكاء الاصطناعي هو (أ) الذكاء الاصطناعي التوليدي، الذي يُستخدم لإنشاء محتوى جديد أو أصلي أو إبداعي (مثل النصوص/الصور) (مثل ChatGPT/Copy.ai؛ دويفيدي وآخرون، 2023)، و(ب) الذكاء الاصطناعي التنبؤي، الذي يكشف عن أنماط في البيانات التاريخية للتنبؤ أو التوقع بنتائج أو سلوكيات أو أحداث مستقبلية محددة (مثل الرسائل النصية التنبؤية؛ هوليبيك وآخرون، 2021). من خلال مساعدة المستهلكين في تنفيذ مهام محددة بشكل أكثر كفاءة أو فعالية (مثل، من خلال النص التنبؤي)، يمكن لتقنيات الذكاء الاصطناعي تعزيز تفاعلهم، سواء مع التكنولوجيا أو مع العلامة التجارية/الشركة (هيون وآخرون، 2022؛ كول وآخرون، 2021). على سبيل المثال، يمكن أن تساعد الحلول المخصصة التي يتم إنشاؤها بواسطة الذكاء الاصطناعي في زيادة استثمارات المستهلكين (مثل الاستثمارات المالية/المعتمدة على الإحالات) في تفاعلاتهم مع العلامة التجارية (بارنز ودي رويتر، 2022)، مما يعزز تفاعلهم (بيرتراندياس وآخرون، 2021). وبالتالي، يمكن أن يساعد اعتماد الذكاء الاصطناعي في تعزيز علاقات العملاء القيمة (سينغ وآخرون، 2021)، مما يوضح القيمة الاستراتيجية لتجربة العملاء المعتمدة على الذكاء الاصطناعي.

لإجراء تجميع للأدبيات المتعلقة بالتعليم القائم على الذكاء الاصطناعي، قمنا بإجراء مراجعة منهجية لتحديد وتقييم الأعمال المنشورة في هذا المجال متعدد التخصصات (بيتيكرو & روبرتس، 2006؛ سيدواي وآخرون، 2019). لأداء المراجعة، اتبعنا عملية بحث من ثلاث خطوات تضمنت بحثًا أوليًا وثانويًا، تلاه بحث بالكرة الثلجية، لضمان تحديد جميع الدراسات ذات الصلة وإدراجها في عينة مقالتنا (انظر الشكل 1؛ جيان باريرا & شاه، 2023؛ سواميناثان & فينكاتيسوبرا موني، 2024). في بحثنا الأولي، ركزنا على المقالات المنشورة في مجلات التسويق والأعمال، والتي قمنا لاحقًا بتوسيعها لتشمل المقالات ذات الصلة المنشورة في مجلات غير تسويقية وغير تجارية (مثل: الفنون/ العلوم الإنسانية، علم النفس، وعلوم القرار) في بحثنا الثانوي. في بحث الكرة الثلجية، قمنا بمسح الأدبيات بشكل إضافي، بما في ذلك قوائم المراجع للمقالات المدروسة، لضمان عدم تفويت أي دراسات ذات صلة.

ثم قمنا بتطوير بروتوكول يحدد معايير الإدراج لمقالاتنا (Hollebeek et al., 2023). على وجه التحديد، المقالات ذات الصلة التي تتناول تجربة العملاء المعتمدة على الذكاء الاصطناعي والتي نُشرت باللغة الإنجليزية في مجلات محكمة مدرجة في سكوبس ذات عامل تأثير تم اعتبارها مؤهلة للإدراج في مراجعتنا (جيانغ باريرا وشاه، 2023؛ رحمن وآخرون، 2020). لم نقيد بحثنا بتاريخ بدء معين، وبدلاً من ذلك اعتبرنا أي مقالات مؤهلة نُشرت حتى 8 أكتوبر 2023 (لي وآخرون، 2022).

لتوجيه تحليلنا، اعتمدنا بروتوكول PRISMA المستخدم على نطاق واسع (على سبيل المثال، هوليبيك وآخرون، 2023؛ موهر، 2009)، والذي يتكون من ثلاث مراحل رئيسية، بما في ذلك التعرف، والفحص، والإدراج (بيج وآخرون، 2021). أولاً، في مرحلة التعرف، بحثنا في العناوين، والملخصات، والكلمات الرئيسية للمجلات المؤهلة المدرجة في سكوبس عن الكلمات الرئيسية التالية (شوبهت وآخرون، 2023): (الارتباط AND (“الذكاء الاصطناعي” OR AI OR “تعلم الآلة” OR “التعلم العميق” OR مؤتمت OR أتمتة OR ذاتي القيادة OR مستقل OR دردشة* OR “مساعد صوتي*” OR روبوت* OR “مساعد رقمي*” OR “مساعد افتراضي*” OR “نظام توصية*” OR “وكيل توصية*” OR “التعلم تحت الإشراف” OR “التعلم غير المراقب” OR ذكي)). ركزنا على الأبحاث الأصلية، وبالتالي استبعدنا المراجعات السابقة (مثل، المراجعات المنهجية أو الببليومترية) (على سبيل المثال، ليم وآخرون، 2022؛ ميهتا وآخرون، 2022) من عينة مقالتنا (كلارك، 2011).

أظهرت عملية البحث التي أجريت في 8 أكتوبر 2023، والتي شملت جميع المقالات المؤهلة المنشورة حتى هذا التاريخ، إجمالي 16,698 سجلًا. ومع ذلك، من بين هذه السجلات، اعتبرنا فقط تلك المنشورة في

مجلات التسويق والأعمال باللغة الإنجليزية والمفهرسة في سكوبس (هوليبيك وآخرون، 2023). لذلك، الدراسات المنشورة في مجالات أخرى (مثل، علم الأعصاب/الميكروبيولوجيا، )، بلغات أخرى ( )، أو تلك الموجودة في منافذ أخرى (مثل، وقائع المؤتمرات، الكتب/المجلات التجارية؛ تم استبعاد (Zorzela et al.، 2016)، مما أسفر عن عينة من 891 منشورًا مؤهلاً للتقييم الإضافي.

في مرحلة الفحص، قمنا بإجراء فحص العنوان والملخص والكلمات الرئيسية لـ 891 مقالة (بيج وآخرون، 2021؛ رحمن وآخرون، 2020)، محددين تحليلنا لتلك المقالات التي تستكشف واجهة تقنيات الذكاء الاصطناعي المحددة والاقتصاد الدائري. على سبيل المثال، استبعدنا عمل أكار وتوكير (2019)، الذي يتناول اعتماد الذكاء الاصطناعي القائم على الاقتصاد التشاركي بالنسبة لسمات شخصية المستهلكين (مقابل الاقتصاد الدائري القائم على الذكاء الاصطناعي). أسفرت هذه المرحلة من الفحص عن إجمالي 115 مقالة مؤهلة للمراجعة النصية الكاملة (موريشي، 2019؛ بيريز-فيغا وآخرون، 2021). من بين هذه المقالات، قمنا بإزالة 59 مقالة أخرى، إما بسبب عدم صلتها بهدفنا، أو لأن عامل تأثير المجلة المعنية كان أقل من 3. على سبيل المثال، قمنا بإزالة عمل جاين وغاندي (2021) الذي هو
تركزت على الذكاء الاصطناعي وسلوك الشراء الاندفاعي (مقابل تجربة العملاء المعتمدة على الذكاء الاصطناعي). لذلك، في مرحلة الإدراج، احتفظنا بإجمالي 56 مقالة من بحثنا الأدبي الأولي (انظر الشكل 1).

ثم قمنا بإجراء بحث ثانوي للتأكد من أن جميع المقالات المؤهلة قد تم تضمينها بالفعل في عيّنتنا (Page et al.، 2021؛ انظر الشكل 1). نظرًا للطبيعة متعددة التخصصات لـ CE المعتمد على الذكاء الاصطناعي (Sung et al.، 2021)، قمنا بتوسيع البحث ليشمل المقالات المنشورة في العلوم الاجتماعية، والفنون/العلوم الإنسانية، وعلم النفس، وعلوم القرار، والمجلات متعددة التخصصات. باستخدام نفس مجموعة الكلمات الرئيسية: ((مستهلك* أو عميل* أو علامة تجارية* أو مستخدم* أو زائر* أو سائح* أو مشترٍ* أو لاعب* ) AND engagement AND (“الذكاء الاصطناعي” أو AI أو “تعلم الآلة” أو “التعلم العميق” أو مؤتمت أو أتمتة أو ذاتي القيادة أو مستقل أو دردشة* أو “مساعد صوتي*” أو روبوت* أو “مساعد رقمي*” أو “مساعد افتراضي*” أو “نظام توصية*” أو “وكيل توصية*” أو “التعلم تحت الإشراف” أو “التعلم غير المراقب” أو ذكي))، حددنا ما مجموعه 5,199 سجلًا (انظر الشكل 1).

لقد استبعدنا مرة أخرى المقالات التي تتمتع بصلات محدودة، بما في ذلك تلك في الفيزياء/علم الفلك. )، تلك المنشورة في مجلات غير محكمة ( ) ، وأولئك في المنافذ غير الناطقة بالإنجليزية ( )، مما أدى بنا إلى الاحتفاظ بـ 926 مقالة لتضمينها في فحص العنوان والملخص والكلمات الرئيسية. من بين هذه المقالات، تمت إزالة 683 أخرى لعدم وجود صلة، و182 أخرى بسبب التكرار، مما أسفر عن إجمالي 61 مقالة لمراجعة النص الكامل. على سبيل المثال، قمنا بإزالة دراسة تشين وآخرون (2019)، نظرًا لتركيزها على واجهة القيمة المدركة من قبل المستهلك، والخبرة السابقة، ونية السلوك (مقابل CE المعتمد على الذكاء الاصطناعي). من بين 61 مقالة متبقية، تمت إزالة 30 أخرى (مثل، لي وآخرون، 2019)، حيث أنها، عند الفحص الدقيق، لم تتناول CE المعتمد على الذكاء الاصطناعي أو نُشرت في مجلات ذات عامل تأثير أقل من 3، مما أسفر عن 28 مقالة إضافية لمزيد من التحليل (مثل، جيانغ وآخرون، 2022؛ وين وآخرون، 2022). أخيرًا، في 11 أكتوبر 2023، تحققنا مرة أخرى من أن جميع المقالات المؤهلة قد تم تضمينها في مراجعتنا من خلال مسح قوائم المراجع للمقالات في مراجعتنا الأولية ( ) والثانوية ( ) عمليات البحث، كاشفة عن خمس دراسات إضافية (مثل، كومار وآخرون، 2021). بشكل عام، تحتوي عيّنتنا على 89 مقالة تتناول التعليم القائم على الذكاء الاصطناعي (انظر الجدول 1 والمعلومات الداعمة: الملحق 1).

عند تحليل 89 مقالة، لاحظنا أن معظمها نُشر في الفترة من 2020 حتى أكتوبر 2023 (93.26%)، بينما ظهرت المقالات الأخرى (6.74%) من 2015 إلى 2019 (مثل، بريتان وآخرون، 2015؛ موريشي، 2019). هذه الملاحظة منطقية، نظرًا لزيادة اهتمام الباحثين في التسويق بالذكاء الاصطناعي في السنوات الأخيرة (لين وو، 2023؛ رحمن وآخرون، 2023) وبالتالي، بالتحول الرقمي القائم على الذكاء الاصطناعي. على سبيل المثال، في أواخر 2018، أطلق هوليبيك، سبروت، وبرادي دعوة خاصة لمجلة أبحاث الخدمة بعنوان “تفاعل العملاء في التفاعلات الخدمية الآلية” (هوليبيك وآخرون، 2021).

كانت المقالات الأكثر استشهادًا في مجال التعليم القائم على الذكاء الاصطناعي (حتى 11 أكتوبر 2023) هي مقال هوانغ وراست (2021؛ أي 275)، تليها موريشي (2019).
(أي، 141) في علم النفس والتسويق، وزياو وكومار (2021) (أي، 113). تم الحصول على عينة مقالاتنا من 54 مجلة، بما في ذلك مجلة أبحاث الأعمال (5 مقالات)، مجلة أبحاث الخدمة (4)، الحواسيب في سلوك الإنسان (4)، المجلة الدولية للتفاعل بين الإنسان والحاسوب (4)، مجلة الأبحاث في التسويق التفاعلي (4)، مجلة البيع بالتجزئة وخدمات المستهلك (4)، وحدود علم النفس (3). تم تضمين متوسط الاقتباسات لكل من مقالاتنا المدروسة أيضًا في المعلومات الداعمة: الملحق 2.

تظهر العينة مجالات فرعية مختلفة من الذكاء الاصطناعي، بما في ذلك الذكاء الاصطناعي التفاعلي (32.58%)، والروبوتات (17.98%)، والتكنولوجيا الذكية (8.99%)، وتعلم الآلة (3.37%)، وأنظمة التوصية (2.25%)، والأتمتة (1.12%)، وغيرها. تتناول المقالات عدة سياقات قائمة على الذكاء الاصطناعي في التعليم المستمر، بما في ذلك السياحة والضيافة (Wei & Prentice، 2022)، والعلامات التجارية (Rahman et al.، 2023)، والرعاية الصحية (Kumar et al.، 2021)، ووسائل التواصل الاجتماعي (Ghouri et al.، 2022)، وغيرها. علاوة على ذلك، بينما لم تستخدم 71.91% من المقالات نظرية توجيهية بشكل صريح، بينما استخدمت النسبة المتبقية. تشمل النظريات الأكثر شيوعًا نظرية التحفيز-العضو-الاستجابة (14 مقالًا؛ على سبيل المثال، أسنتي وآخرون، 2023؛ قاو وآخرون، 2022)، ونموذج قبول التكنولوجيا (6 مقالات؛ على سبيل المثال، موريشي، 2019؛ شياو وكومار، 2021)، ونظرية الوجود الاجتماعي (3 مقالات؛ على سبيل المثال، مكليين وآخرون، 2021؛ يو وآخرون، 2022). بشكل عام، كشفت مراجعتنا عن اعتماد مؤلفي CE المعتمدين على الذكاء الاصطناعي على 56 نظرية مختلفة. علاوة على ذلك، 92.13% من المقالات تجريبية (7.87% نظرية). ذات صلة، استخدمت 62 من الدراسات التجريبية طرقًا كمية (على سبيل المثال، أسنتي وآخرون، 2023؛ موريشي، 2021)، و7 استخدمت أساليب نوعية (على سبيل المثال، غوري وآخرون، 2022؛ سينغ وآخرون، 2021)، و13 استخدمت طرق مختلطة (على سبيل المثال، تشاندرا وآخرون، 2022؛ كومار وآخرون، 2021).

قمنا بعد ذلك بتحليل المحتوى للمقالات لكشف الموضوعات الرئيسية المتعلقة بتجربة العملاء المعتمدة على الذكاء الاصطناعي، بما في ذلك: (i) تقديم خدمات أكثر دقة من خلال تجربة العملاء المعتمدة على الذكاء الاصطناعي؛ (ii) قدرة تجربة العملاء المعتمدة على الذكاء الاصطناعي على (المشاركة في) خلق قيمة مدركة من قبل المستهلك، و (iii) تقليل الجهد المبذول من قبل المستهلكين في تنفيذ مهامهم، كما هو موضح أدناه.

تُعتبر تقنيات الذكاء الاصطناعي بمثابة بشرى لتقديم خدمات أو نتائج أكثر دقة مقارنة بالتفاعلات التقليدية بين البشر (هوانغ وراست، 2021). بناءً على تحليلنا، فإن هذه الدقة العالية تعود إلى عاملين رئيسيين. أولاً، قدرة تقنيات التفكير/ الشعور، التعلم الآلي/ العميق، أو الذكاء الاصطناعي التوليدي/ التنبؤي على تحسين أدائها تدريجياً هي محور تقديم خدمات أكثر دقة بشكل متزايد (هوليبيك وآخرون، 2021؛ هوانغ وراست، 2018). على سبيل المثال، منذ إطلاقه في الربع الرابع من عام 2022، تحسنت قدرات الذكاء الاصطناعي التوليدي ChatGPT بشكل كبير (على سبيل المثال، من خلال مشاركة البيانات من قبل الأشخاص معه، مما يمكنه من التعلم؛ دويفيدي وآخرون، 2023). علاوة على ذلك، من خلال تسجيل ومراقبة تدفق نقرات المستخدمين

تستطيع أنظمة التوصية عبر الإنترنت تقديم حلول متزايدة التخصيص لمستخدميها (ماسلوفسكا وآخرون، 2022).

ستساعد قدرة الذكاء الاصطناعي على التعلم في تعزيز أداء المستهلكين في الأدوار الداخلية و/أو الخارجية (على سبيل المثال، من خلال تحسين كفاءة أو فعالية رحلة العميل؛ هيلر وآخرون، 2021؛ هوليبيك وآخرون، 2023). على سبيل المثال، بينما تسمح المساعدات الصوتية (مثل أمازون إيكو) لمستخدميها بأداء مهام متعددة، فإن قدرة إعلانات جوجل المعتمدة على الذكاء الاصطناعي على تقديم عروض متعددة في غضون ثوانٍ يمكن أن تسهل أو تسرع عملية اتخاذ قرار الشراء لديهم (كومار وآخرون، 2016). بشكل عام، تتيح قدرة الذكاء الاصطناعي على التعلم، سواء من خلال التفكير/الشعور، أو التعلم الآلي/العميق، أو الذكاء الاصطناعي التوليدي/التنبؤي، للشركات تحديد وتقدير أو استباق تلك العروض التي يهتم بها المستهلكون، والاتصالات التي من المحتمل أن يستجيبوا لها، واستجاباتهم لعروض ترويجية معينة، وما إلى ذلك (لين وآخرون، 2021)، مما يؤثر بذلك على تجربة العميل. ومع ذلك، للاستفادة من قدرة الذكاء الاصطناعي على التعلم، فإن بيانات التدريب عالية الجودة هي أمر حيوي (براديب وآخرون، 2019)، حيث ستؤدي البيانات السيئة إلى تقليل فعالية تعلمه، مما ينتج عنه حلول منخفضة الجودة (مثل، غير صحيحة) (أي، مدخلات سيئة، مخرجات سيئة؛ هير وسارستيدت، 2021).

ثانيًا، تُعتبر تقنيات الذكاء الاصطناعي عادةً أنها توفر خدمة أكثر دقة (على سبيل المثال، نظرًا لقدرتها على تقليل الأخطاء البشرية مقارنةً بتقديم الخدمة من إنسان إلى إنسان (Hollebeek et al.، 2021). بمعنى أنه إذا تم تدريب تقنيات الذكاء الاصطناعي بشكل مناسب باستخدام بيانات عالية الجودة، فمن المتوقع أن تكمل المهام بشكل أكثر كفاءة وأمانًا وثباتًا من البشر (Lin et al.، 2021)، مما يقلل من تباين الخدمة ويزيد من جودة الخدمة (Bertrandias et al.، 2021). على سبيل المثال، يُقال إن السيارات المستقلة تتسبب في حوادث أقل (Schneble & Shaw، 2021)، مما قد يؤدي إلى القضاء على قطاع تأمين السيارات (Mills، 2021). ومع ذلك، إذا تم استخدام بيانات تدريب ذات جودة رديئة (مثل البيانات المتحيزة)، والتي قد تكون أيضًا عرضة للأخطاء البشرية (مثل حالات التعلم تحت الإشراف؛ Pradeep et al.، 2019)، فمن المحتمل أن تقدم تقنيات الذكاء الاصطناعي اقتراحات أو حلول غير دقيقة. وبالمثل، لا تزال هناك حاجة إلى مدخلات بشرية كبيرة لتسهيل التعلم القائم على الذكاء الاصطناعي (مثل إدخال البيانات يدويًا، أو فرزها، أو توضيحها، والتي تُستخدم كمدخلات للتعلم القائم على الذكاء الاصطناعي؛ Dzieza، 2023)، مما يمكن أن يتسبب أيضًا في أخطاء بشرية (مثل عدم الدقة/الأخطاء؛ Mehta et al.، 2023).

عندما يتفاعل المستهلكون مع تقنيات الذكاء الاصطناعي، من المحتمل أن يستمدوا مستوى معين من القيمة المدركة من هذه التفاعلات (على سبيل المثال، من خلال الفائدة المدركة للتكنولوجيا، أو الراحة، أو التخصيص؛ هوانغ ورست، 2021). هنا، تشير القيمة المدركة من قبل المستهلك إلى “التقييم العام لفائدة منتج ما بناءً على تصورات ما يتم استلامه وما يتم تقديمه” (زايثامل، 1988، ص. 14). على سبيل المثال، يمكن تطبيق تقنية الذكاء الاصطناعي لقص العشب أو تنظيف المنزل (مثل المكانس الكهربائية الروبوتية/قصاصات العشب). في هذه العمليات، قد يشارك المستهلكون في خلق القيمة مع التكنولوجيا (غاو وآخرون، 2022؛ وين وآخرون، 2022)، حيث تشير المشاركة في خلق القيمة إلى “القيمة المدركة من قبل المستهلك الناتجة عن التفاعل المشترك، أو التعاون، أو التخصيص”.
“أنشطة مرتبطة بالعلامة التجارية” (Hollebeek et al., 2019, ص. 167). عندما يدرك المستهلكون أن تفاعلاتهم مع الذكاء الاصطناعي ذات قيمة، فإنهم يميلون إلى الحصول على قيمة إيجابية مدركة (مشاركة في إنشائها) من تفاعلاتهم مع هذه، والعكس صحيح (Fang et al., 2022; Prentice et al., 2020)، مما يغذي عادةً رغبتهم في الاستمرار في التفاعل مع هذه (Lalicic & Weismayer, 2021).

من المحتمل أن تختلف قيمة الذكاء الاصطناعي المدركة من قبل العملاء عبر أنواع الذكاء الاصطناعي المختلفة و/أو السياقات. على سبيل المثال، بينما يمكن للذكاء الاصطناعي الميكانيكي أتمتة المهام الروتينية (مثل قائمة الهاتف الآلية لشركة ما)، إلا أنه – على عكس تقنيات التعلم الآلي أو التعلم العميق، أو التفكير أو الشعور، أو الذكاء الاصطناعي التوليدي أو التنبؤي (مثل الوكلاء المحادثين) – ليس مصممًا للتعلم أو تحسين أدائه مع مرور الوقت (هاري وآخرون، 2022). وبالمثل، بينما قد يرى الطلاب قيمة أكبر في المحتوى المحدد (مثل المقالات) الذي يتم إنشاؤه لهم من خلال الذكاء الاصطناعي التوليدي (مثل ChatGPT/Google Bard)، في العطلات، قد يرغبون في التفاعل بشكل أساسي مع الذكاء الاصطناعي التنبؤي (مثل إعلانات جوجل لتسهيل اتخاذ قرارات الشراء). بشكل عام، تشير تحليلاتنا إلى أنه مع تزايد تقنيات محاكاة عمليات التفكير أو الشعور البشرية، من المحتمل أن ترتفع قيمتها المدركة من قبل العملاء (المشتركة) (مثل قدرتها على تخصيص الخدمة أو إظهار التعاطف؛ ليو تومبكينز وآخرون، 2022؛ فان دورن وآخرون، 2017). قد تختلف القيمة المدركة من قبل المستهلكين للذكاء الاصطناعي التوليدي (مقارنة بالتنبؤي) أيضًا (مثل، بناءً على احتياجات المستخدمين الفريدة).

بينما تبرز الأدبيات التأثيرات الإيجابية لتجربة العملاء المعتمدة على الذكاء الاصطناعي، تظهر أيضًا رؤى حول التأثير السلبي المحتمل للذكاء الاصطناعي على المشاركة (هيبزيبا وجون، 2020؛ ثايشون وآخرون، 2023). على سبيل المثال، يقترح ساكينا (2022)، شياو وكومار (2021)، وغروندنر ونيوهوفر (2021) أن الذكاء الاصطناعي قد يقلل، أو (يدمر) القيمة المدركة، بما في ذلك في حالات فشل الخدمة أو عدم تلبية التوقعات (على سبيل المثال، عندما لا يزال الخوارزمية تتعلم). وبالمثل، بينما يظهر مؤلفون، بما في ذلك هلي وآخرون (2022) وهيون وآخرون (2022)، أن زيادة ودية الذكاء الاصطناعي أو برودته أو كفاءته تعزز تجربة العملاء، فإن المستويات المنخفضة قد تعيق تطوير هذه المتغيرات.

لأداء أنشطتهم المتعلقة بالدور (مثل البحث، التقييم، أو شراء السلع؛ بييرسي، 2006) وأنشطة خارج الدور (مثل تقديم الكلام الشفهي المتعلق بالعلامة التجارية؛ كاراوسمانوغلو وآخرون، 2016)، يُطلب من المستهلكين، تقليديًا، استثمار موارد معرفية، عاطفية، و/أو سلوكية محددة، تعكس انخراطهم (هوليبيك وآخرون، 2019). قد يدرك المستهلكون أن استثماراتهم في الموارد تختلف من حيث الصعوبة المدركة، مما يكشف عن مستويات مختلفة من الجهد المتعلق بالدور (سويني وآخرون، 2015). بينما لا تزيل تقنيات الذكاء الاصطناعي بالضرورة استثمارات الموارد المطلوبة من المستهلكين في أنشطتهم المتعلقة بالدور أو خارج الدور (أو الجهد المتعلق بالدور) تمامًا، قد تقلل هذه التقنيات، بالفعل، من استثمارات الموارد أو الجهد المطلوب (مثل أداء مهام محددة لهم؛ سامبسون، 2021). على سبيل المثال، تقترح أنظمة توصية العلامات للفيديو علامات محددة ليتم إضافتها إلى مقاطع الفيديو عبر الإنترنت (يانغ ولين، 2022)، مما يقلل من الموارد الضرورية (مثل الموارد المعرفية) للمستخدم.
الاستثمار (على سبيل المثال، في تحديد العلامات المناسبة) وزيادة سهولة استخدام التكنولوجيا المتصورة، كما اقترح في نموذج قبول التكنولوجيا (ديفيس، 1989)، مع تقليل توقعاتهم للجهد التكنولوجي، كما تم الإعراب عنه في النظرية الموحدة لقبول واستخدام التكنولوجيا (فينكاتيش وآخرون، 2003). وبالمثل، فإن شركات مثل أمازون أو ماكدونالدز تقوم بشكل متزايد بتوصيل طلباتها من خلال الروبوتات الأرضية أو الطائرات بدون طيار (مثل الطائرات المسيرة)، مما يزيل حاجة المستهلكين لجمع طلباتهم ويسمح بتوصيل أسرع. ونتيجة لذلك، من المتوقع أن يرتفع اعتماد المستهلكين للتكنولوجيا واستخدامها المستمر.

إن الانخفاض الذي تسببه الذكاء الاصطناعي في الاستثمارات المطلوبة من المستهلكين من الموارد، أو الجهد، لتنفيذ أنشطتهم داخل أو خارج الدور يكشف عن توتر مثير للاهتمام مستند إلى الأدبيات: بينما تقترح أدبيات تجربة العملاء تقليديًا أن زيادة أو تحسين تجربة العملاء ستعزز أداء الشركة (على سبيل المثال، برودي وآخرون، 2011)، قد يؤدي دور الذكاء الاصطناعي في تقليل الاستثمارات المطلوبة من المستخدمين إلى الحاجة إلى مراجعة هذا الادعاء الأصلي القائم على تجربة العملاء في سياق الذكاء الاصطناعي (أي، حيث قد يقلل الذكاء الاصطناعي من جهدهم المطلوب؛ هوليبيك وآخرون، 2021). وبالمثل، بدلاً من تقليل الاستثمارات المطلوبة من المستهلكين من الموارد بحد ذاتها، قد تؤدي تفاعلاتهم مع الذكاء الاصطناعي أيضًا إلى تغيير طبيعة أو تركيبة مشاركتهم. على سبيل المثال، قد يؤدي استخدام توصيات المنتجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي (مقابل تلك التي أنشأها البشر) إلى تقليل استثمارهم المعرفي أو جهدهم.

بعد المراجعات المنهجية السابقة (مثل، أمين وآخرون، 2022؛ رحمن وآخرون، 2020)، نقوم بعد ذلك بتطوير نموذج يوضح CE المعتمد على الذكاء الاصطناعي مقارنةً بمقدماته الرئيسية ونتائجه (الشكل 2). من خلال دمج الشبكة النمائية لـ CE المعتمد على الذكاء الاصطناعي، يعمل النموذج كمورد مهم لمزيد من الدراسات الأكاديمية حول CE المعتمد على الذكاء الاصطناعي. للحصول على تعريفات لمفاهيم النموذج المكونة، يرجى الرجوع إلى المعلومات الداعمة: الملحق 3.

من خلال مراجعة مجموعة أبحاث الاقتصاد الدائري المعتمد على الذكاء الاصطناعي، اكتشفنا خمس فئات من العوامل السابقة للاقتصاد الدائري المعتمد على الذكاء الاصطناعي، بما في ذلك العوامل الشخصية، والتكنولوجية، والتفاعلية، والاجتماعية، والظرفية، كما هو موضح أدناه.

تتناول العوامل الشخصية الخصائص الفردية للمستهلكين، والتصورات، والتوقعات، والتي نقوم بتقسيمها بشكل أكبر إلى الفوائد المتوقعة من الذكاء الاصطناعي والتوافق/التعريف المدرك للذكاء الاصطناعي. أولاً، تشير الفوائد المتوقعة من الذكاء الاصطناعي إلى الفوائد التي يتوقعها المستهلكون من (استخدام) تقنيات الذكاء الاصطناعي المحددة (Bertrandias et al., 2021; Kumar et al., 2021). تشمل المفاهيم الرئيسية التي تم فحصها في هذا المجال

الفائدة المدركة (موريشي، 2019)، سهولة الاستخدام المدركة، القيمة المتوقعة (ماكلين وآخرون، 2021)، الثقة (مصطفى وكاساماني، 2022)، عدم الثقة (ماكلين وآخرون، 2021)، الموقف تجاه الذكاء الاصطناعي (هلي وآخرون، 2022)، التوقعات المتعلقة بإشباعات الذكاء الاصطناعي (لين وو، 2023)، والتحكم السلوكي المدرك (هوليبيك، مينيجيل، وآخرون، 2022)، من بين أمور أخرى. وبالتالي، يميل المستهلكون إلى تقييم ما يتوقعون الحصول عليه (مقابل ما يقدمونه) في تفاعلاتهم مع الذكاء الاصطناعي (زايثامل، 1988).

ثانياً، تشير توافقية/تحديد المستهلك للذكاء الاصطناعي إلى مدى إدراك المستهلكين لتكنولوجيا الذكاء الاصطناعي على أنها متوافقة مع (أي، تتناسب أو تتطابق مع) ذاتهم الفعلية أو المرغوبة، ودرجة تحديدهم لها (Loureiro et al., 2022; Yin et al., 2023). تشمل هذه العوامل المسافة بين العلامة التجارية والذات (Kull et al., 2021)، التوافق الذاتي (Yin et al., 2023)، تحديد الهوية المجتمعية (Wen et al., 2022)، توافق نمط الحياة (Loureiro et al., 2022)، وتحديد هوية الدردشة الآلية (Loureiro et al., 2022؛ الشكل 2)، من بين أمور أخرى. على سبيل المثال، يحدد شومانوف وجونسون (2021) دور توافق شخصية المستهلك والدردشة الآلية كعامل رئيسي في تجربة العملاء المعتمدة على الذكاء الاصطناعي. بشكل عام، تشمل العوامل الشخصية دوافع المستهلكين الوظيفية أو الأداتية للتفاعل مع تكنولوجيا الذكاء الاصطناعي، إلى جانب دوافعهم الأكثر عاطفية (مثل، الدوافع المستندة إلى الذات الفعلية أو المثالية) (Loureiro et al., 2022; Yin et al., 2023). كلما زادت الفوائد الوظيفية والعاطفية المتوقعة للذكاء الاصطناعي لدى المستهلكين، زادت التوقعات لبدء (مثل، الاستخدام) واستمرار (مثل، الاستخدام المتكرر) تفاعلهم مع الذكاء الاصطناعي.

تشير العوامل التكنولوجية إلى خصائص تقنيات الذكاء الاصطناعي المحددة، والتي من المحتمل أن تختلف عبر (مثل، الميكانيكية، التفكير، أو الشعور، أو التوليد/التنبؤ) الذكاء الاصطناعي (مثل، هوانغ وراست، 2021). بناءً على مراجعتنا، نقوم بمزيد من تقسيم هذه الفئة إلى تصميم/مظهر تكنولوجي وقدرات تكنولوجية. أولاً، يلتقط تصميم/مظهر التكنولوجيا تجسيد الذكاء الاصطناعي وعرضه (مثل، شكله الشبيه بالبشر أو برودة مظهره المتصورة؛ أشفق وآخرون، 2021؛ ويرتس وآخرون، 2018). هنا، تشير وادي الغرابة إلى أن السمات الأكثر تشبيهاً بالبشر للذكاء الاصطناعي تميل إلى أن تؤدي إلى تقييمات أكثر إيجابية من المستخدمين، وتفاعل، حتى نقطة معينة، والتي، مع ذلك، تنخفض بعد هذه النقطة المثلى (مثل، عندما يبدأ المستخدمون في إدراك الروبوتات الشبيهة بالبشر بشكل كبير على أنها مخيفة؛ بيلانش وآخرون، 2021).

ثانياً، تشير القدرات التكنولوجية إلى كفاءات الذكاء الاصطناعي (رانا وآخرون، 2021)، بما في ذلك قدرته على التعلم (مثل تقنيات التعلم الآلي/العميق)، لتحية مستخدميه، للتعبير عن العواطف، والتعاطف، والدفء تجاه مستخدميه، للتصرف بمسؤولية، ولتطوير حلول (مثل الحلول المخصصة) لمستخدميه (كول وآخرون، 2021؛ لي وآخرون، 2022)، مما يعكس قدرة الذكاء الاصطناعي على تقليد القدرات المعرفية والعاطفية البشرية (بريتان وآخرون، 2015؛ تشاندرا وآخرون، 2022). في هذا الصدد، ظهرت كفاءة الذكاء الاصطناعي، والقدرات، والكفاءات الشبيهة بالبشر، والضيافة، والاستقلالية كعوامل رئيسية في تجربة العملاء (أسانتي وآخرون، 2023؛ غرايمز وآخرون، 2021).

تعكس العوامل التفاعلية الديناميات التي تميز تفاعلات المستهلكين مع تقنيات الذكاء الاصطناعي المحددة (فانغ وآخرون، 2022)، مما يكشف عن الطبيعة الثنائية لتجربة العميل المعتمدة على الذكاء الاصطناعي التي قد يتم تحفيزها أو الحفاظ عليها من قبل المستهلك أو الذكاء الاصطناعي (هوليبيك وآخرون، 2021). قد تسهل العوامل التفاعلية أو تعيق تجربة العميل المعتمدة على الذكاء الاصطناعي (على سبيل المثال، توافق تفاعلي عالٍ مقابل تعقيد تفاعلي عالٍ).
حدد المؤلفون العوامل التفاعلية الرئيسية التالية التي تشكل تجربة العملاء المعتمدة على الذكاء الاصطناعي: وضوح التفاعل، قابلية الابتكار (مثل، الدردشة الآلية) للملاحظة، أسلوب الاتصال، التوافق/قابلية التجربة، تعقيد التفاعل، ومخاوف الخصوصية والأمان والسلامة (مثل، جاو وآخرون، 2022؛ ماسلوفسكا وآخرون، 2022؛ يين وآخرون، 2023).

تشير العوامل الاجتماعية إلى القوى في البيئة الاجتماعية أو الخصائص الاجتماعية للذكاء الاصطناعي التي قد تؤثر على تجربة العملاء المعتمدة على الذكاء الاصطناعي. تشمل المحركات الاجتماعية الرئيسية المستندة إلى الأدبيات لتجربة العملاء المعتمدة على الذكاء الاصطناعي المعايير الذاتية (موريشي، 2019)، والإدراك الاجتماعي للذكاء الاصطناعي (تساي وآخرون، 2021)، والترابط الاجتماعي (فانغ وآخرون، 2022)، والتماسك العلاقي (هيرنانديز أورتيغا وآخرون، 2022)، والتفاعل شبه الاجتماعي (تساي وآخرون، 2021). بينما قد تمكّن بعض العوامل الاجتماعية أو تسرع من تجربة العملاء المعتمدة على الذكاء الاصطناعي (مثل قدرة الذكاء الاصطناعي الصديق، مثل ريبليكا، على تعزيز الترابط الاجتماعي؛ ماريوت وبيتاي، 2023)، قد تقلل عوامل أخرى منها (مثل المعايير أو القيم الاجتماعية المترددة تجاه الذكاء الاصطناعي).

العوامل السياقية هي متغيرات سياقية عابرة (مثل الوقت/الموقع المحدد) قد تؤثر على تجربة العملاء المعتمدة على الذكاء الاصطناعي (Hand et al., 2009). تكشف تحليلاتنا عن الدور الخاص للمتغيرات السياقية في دفع زيارات أو مشاهدات المستهلكين للصفحات المعتمدة على الذكاء الاصطناعي، وكذلك دور الاكتشاف والمفاجأة والأهمية المدركة في تشكيل تجربة العملاء المعتمدة على الذكاء الاصطناعي (Wen et al., 2022; Xiao & Kumar, 2021). على سبيل المثال، يحدد Maslowska et al. (2022) تأثير زيارات المستهلكين للصفحات على تفاعلهم مع وكلاء التوصية المعتمدين على الذكاء الاصطناعي. نظرًا لطبيعتها العابرة، فإن العوامل السياقية يصعب التحكم فيها أو التنبؤ بها. ومع ذلك، نتوقع أن تكون أنظمة الذكاء الاصطناعي الأكثر تكيفًا (مثل التفكير/الشعور) بشكل عام أفضل تجهيزًا للتعامل مع الخصائص السياقية المتغيرة (Huang & Rust, 2021)، وبالتالي تمارس تأثيرًا أكثر إيجابية على تجربة العملاء المعتمدة على الذكاء الاصطناعي.

نحدد بعد ذلك العواقب الرئيسية المعتمدة على الذكاء الاصطناعي في تجربة العميل التي ظهرت من مراجعتنا، والتي نصنفها إلى عواقب قائمة على المستهلك، والشركة، والتعاون بين الإنسان والذكاء الاصطناعي. أولاً، تتكون العواقب القائمة على المستهلك من النتائج التي يدركها المستخدمون من تجربة العميل المعتمدة على الذكاء الاصطناعي، بما في ذلك المساهمة المدركة للتكنولوجيا في تجربتهم مع العلامة التجارية، والقيمة المدركة الفعلية (مقابل المتوقعة)، والرضا، والولاء للعلامة التجارية من حيث الموقف والسلوك، وقيمة العلامة التجارية، والكلام الإيجابي عن العلامة التجارية أو الذكاء الاصطناعي، والالتزام العاطفي بالعلامة التجارية أو الذكاء الاصطناعي، والنوايا السلوكية (مثل الشراء) و/أو (مثل الذكاء الاصطناعي) لاستخدامها، واحتفاظ العملاء (مثل أليوري وآخرون، 2019؛ لين وو، 2023؛ موريشي، 2019؛ رحمن وآخرون، 2023). بينما يمكن استخدام الذكاء الاصطناعي لتعزيز النتائج المدركة المتعلقة بالعلامة التجارية لدى المستهلكين (مثل التوصيات أو المناصرة)، قد يوصي الأفراد أيضًا بتقنيات الذكاء الاصطناعي المحددة من تلقاء أنفسهم (مثل مناصرة روبوتات الدردشة كما في دراسة لورييرو وآخرون (2022)).

ثانيًا، العواقب المستندة إلى الشركات هي آثار اعتماد الذكاء الاصطناعي على الشركة (ميشرا وآخرون، 2022)، بما في ذلك القدرة على فرض سعر أو عائد إضافي (جيانغ وآخرون، 2022) واستغلال قيمة حياة العملاء (ماسلوفسكا وآخرون، 2022)، من بين أمور أخرى. ومع ذلك، نظرًا للتحدي الأكبر عادةً في الحصول على بيانات الشركات (مثل البيانات الحساسة تجاريًا)، تظل الدراسات في هذه الفئة الفرعية محدودة (مقارنة بتلك التي تتناول العواقب المدركة من قبل المستهلكين لاعتماد الذكاء الاصطناعي في تجربة العملاء).

ثالثًا، عواقب التعاون بين الإنسان والذكاء الاصطناعي هي النتائج التي تنشأ من تجربة العملاء المعتمدة على الذكاء الاصطناعي للمستخدمين أو المستهلكين، أو تكنولوجيا الذكاء الاصطناعي المحددة، و/أو أصحاب المصلحة الآخرين (تشين، غونغ، وآخرون، 2022؛ هيون وآخرون، 2022). على الرغم من أهميتها، لا تزال هذه الفئة الفرعية من عواقب تجربة العملاء المعتمدة على الذكاء الاصطناعي متواضعة الحجم حتى الآن. تكنولوجيا الذكاء الاصطناعي، وخاصة تلك القادرة على التفكير والشعور، أو التوليد والتنبؤ، قادرة على تحسين أدائها مع مرور الوقت (دويفيدي وآخرون، 2023)، مما ينتج عنه تداعيات ذات صلة لتعاون الإنسان/الذكاء الاصطناعي. على سبيل المثال، بينما يقترح هيون وآخرون (2022) أن تجربة العملاء المعتمدة على الذكاء الاصطناعي تؤثر على جدوى الخدمة التي يتم تقديمها بشكل مشترك من قبل الموظفين وروبوتات الخدمة، يحدث أيضًا التعلم المتعلق بالذكاء الاصطناعي بفضل تعاون التكنولوجيا مع وكلاء آخرين بشريين أو غير بشريين (براديب وآخرون، 2019). بشكل عام، على الرغم من الاهتمام المتزايد بعواقب التعاون بين الإنسان والذكاء الاصطناعي في تجربة العملاء المعتمدة على الذكاء الاصطناعي (بينغ وآخرون، 2022)، تكشف مراجعتنا عن نقص نسبي في الدراسات – وبالتالي، الحاجة إلى مزيد من الاستكشاف – في هذا المجال.

في السنوات الأخيرة، بدأ البحث في التعليم القائم على الذكاء الاصطناعي في الانتشار (Lin & Wu، 2023؛ Rahman et al.، 2023). ومع ذلك، على الرغم من التقدمات الحالية، فإن هذا التيار البحثي الناشئ أصبح مجزأً، حيث أبلغ المؤلفون عن وجهات نظر وأساليب ونتائج مختلفة، قد تكون غير متوافقة، قائمة على الذكاء الاصطناعي في التعليم. لمعالجة هذا التوتر القائم على الأدبيات، قمنا بتقييم منهجي لهذا المجال البحثي المتعدد التخصصات لـ
توحيد الرؤى السابقة، مما يؤدي إلى الآثار النظرية التالية.

أولاً، قام مؤلفون سابقون بإجراء مراجعات منهجية (مثل، بيلرو ولوريرو، 2020)، وتحليلات ببليومترية (مثل، هوليبيك، شارما، وآخرون، 2022؛ ليم وآخرون، 2022)، أو تحليلات ميتا لتجربة العميل (مثل، دي أوليفيرا سانتيني وآخرون، 2020). علاوة على ذلك، قام آخرون بإجراء مراجعات (مثل، منهجية) حول الذكاء الاصطناعي القائم على التسويق (مثل، أمين وآخرون، 2022؛ ميهتا وآخرون، 2022؛ فيرما وآخرون، 2021). ومع ذلك، على الرغم من الفهم المتزايد لهذه المجالات بشكل فردي، لا يزال الفهم لواجهة تجربة العميل القائمة على الذكاء الاصطناعي محدودًا حتى الآن، كما تم تقييمه في هذه المقالة. وبناءً عليه، قمنا بإجراء مراجعة منهجية لأبحاث تجربة العميل القائمة على الذكاء الاصطناعي، مما يساهم في توحيد الرؤى المتناثرة في هذا المجال المتنامي. حددت مراجعتنا ثلاثة مواضيع رئيسية لتجربة العميل القائمة على الذكاء الاصطناعي، بما في ذلك (1) تقديم خدمات أكثر دقة من خلال تجربة العميل القائمة على الذكاء الاصطناعي؛ (2) قدرة تجربة العميل القائمة على الذكاء الاصطناعي على (المشاركة في) خلق قيمة مدركة من قبل المستهلك، و(3) تقليل الجهد الذي يبذله المستهلك في تنفيذ مهامهم. تثير هذه الملاحظات أسئلة بحثية ملائمة، كما هو منظم حسب المواضيع المحددة في الجدول 2.

ثانيًا، استنادًا إلى المراجعات المنهجية السابقة (مثل، أمين وآخرون، 2022؛ رحمن وآخرون، 2020)، قمنا بتجميع مفهوم تجربة العميل المعتمدة على الذكاء الاصطناعي ضمن شبكتها النظرية (الشكل 2). وبالتالي، بينما تحدد الموضوعات المعتمدة على الذكاء الاصطناعي خصائص المفهوم، يبرز النموذج ارتباطاته النظرية الأساسية (ماكنيس، 2011)، مما يوفر معًا رؤى شاملة حول تجربة العميل المعتمدة على الذكاء الاصطناعي. اكتشفنا خمسة عوامل سابقة لتجربة العميل المعتمدة على الذكاء الاصطناعي (أي، العوامل الشخصية، والتكنولوجية، والتفاعلية، والاجتماعية، والظرفية/الدافعة)، وثلاث نتائج لتجربة العميل المعتمدة على الذكاء الاصطناعي (أي، النتائج المعتمدة على المستهلك، والشركة، والتعاون بين الإنسان/الذكاء الاصطناعي). من خلال تعزيز وتنقيح الفهم الأكاديمي للارتباطات النظرية لتجربة العميل المعتمدة على الذكاء الاصطناعي، يقدم النموذج

يوفر قيمة كبيرة للباحثين الآخرين في هذا المجال متعدد التخصصات. على سبيل المثال، بينما تسهل المعرفة المكتسبة من سابقي الذكاء الاصطناعي في CE تقييمات كيفية تنمية المفهوم، فإن العواقب المحددة له تساعد في ضمان قيمته الاستراتيجية (على سبيل المثال، نظرًا لتأثير CE القائم على الذكاء الاصطناعي المثبت على مؤشرات الأداء الرئيسية للشركة مثل الاحتفاظ بالعملاء / قيمة عمر العميل؛ ماسلوفسكا وآخرون، 2022).

تحليلاتنا تثير أيضًا تداعيات إدارية ذات صلة. أولاً، تشير موضوعنا الأول حول تقديم الخدمة بدقة متزايدة من خلال تجربة العملاء المعتمدة على الذكاء الاصطناعي إلى أن قدرة تقنيات الذكاء الاصطناعي على التعلم أو تقليل الأخطاء البشرية تعود بالفائدة على دقة وجودة الخدمة (هوليبيك وآخرون، 2021؛ هوانغ ورست، 2021). لذلك، ننصح المديرين بمسح شركاتهم للبحث عن فرص تنفيذ الذكاء الاصطناعي ذات الصلة، والتي نتوقع أن تعزز جودة الخدمة على المدى الطويل، مع تقليل مشكلات الخدمة والفشل، مما يعزز الأداء التنظيمي (تشن، قونغ، وآخرون، 2022). ومع ذلك، نظرًا لأن ليس كل المهام قد تكون مناسبة بنفس القدر لتبني الذكاء الاصطناعي (على سبيل المثال، في بعض الحالات، قد يفضل العملاء التحدث إلى شخص حقيقي؛ لونغوني وشيان، 2022)، ننصح المديرين بتقييم بعناية تلك المجالات ذات الأولوية في الشركة التي يجب تبني تقنية الذكاء الاصطناعي فيها.

ثانيًا، تشير موضوعنا حول قدرة تجربة العملاء المعتمدة على الذكاء الاصطناعي على (المشاركة في) خلق قيمة مدركة من قبل المستهلكين إلى قدرة تجربة العملاء المعتمدة على الذكاء الاصطناعي على (المشاركة في) خلق قيمة مدركة من قبل المستهلكين (هوليبيك، شارما، وآخرون، 2022). على وجه التحديد، قد تساعد تقنيات الذكاء الاصطناعي في تقليل التكلفة المدركة (على سبيل المثال، من خلال توفير الوقت أو الجهد للمستهلكين في تنفيذ مهامهم)، أو قد تقدم وصولًا أكثر ملاءمة، أو خيارات تواصل، أو تخصيص (هاري وآخرون، 2022؛ جيانغ وآخرون، 2022)، مما يعزز (المشاركة في) خلق القيمة المدركة من قبل المستهلكين (فارغو ولوتش، 2016). لذلك، ننصح المديرين بإجراء أبحاث مسبقة (مثل تحديد نطاق) مع جمهورهم المستهدف لتحديد تلك المجالات التي سيقدرون فيها أكثر التفاعل مع تقنيات الذكاء الاصطناعي. في الوقت نفسه، نحذر أيضًا من المخاطر المحتملة المعتمدة على الذكاء الاصطناعي (مثل الخصوصية أو الأمان) (بيرتراندياس وآخرون، 2021).

ثالثًا، يقترح موضوعنا النهائي حول تقليل الجهد المطلوب من المستهلكين في تنفيذ مهامهم من خلال الذكاء الاصطناعي أن الذكاء الاصطناعي يقلل من الجهد المطلوب من المستهلكين في تنفيذ أنشطتهم المتعلقة بالدور (على سبيل المثال، من خلال أتمتة المهام الروتينية)، وهو ما نتوقع أن يؤدي، في العديد من الحالات، إلى رفع تقييماتهم لجودة الخدمة (Hollebeek et al., 2021; Leung et al., 2018). وبناءً عليه، نوصي المديرين بتنفيذ تقنيات الذكاء الاصطناعي التي تقلل من جهد المستهلكين، نظرًا لتأثيرها المفيد المتوقع على تقييمات الخدمة من قبل المستخدمين (Sampson, 2021).

على الرغم من مساهمتها، إلا أن هذه الدراسة لها أيضًا قيود. أولاً، اعتمدنا على قاعدة بيانات سكوبس لتحديد المقالات المتعلقة بالتعليم القائم على الذكاء الاصطناعي باللغة الإنجليزية، مما استبعد المقالات المنشورة في غير سكوبس.
يمكن للباحثين المستقبليين، لذلك، استشارة قواعد بيانات أخرى أو ذات صلة (مثل Web of Science/Google Scholar) للحصول على بياناتهم وضم الأعمال غير الإنجليزية في مراجعاتهم المستقبلية حول CE المعتمد على الذكاء الاصطناعي.

ثانيًا، على الرغم من أننا اعتمدنا مجموعة واسعة من كلمات البحث، قد تؤدي الابتكارات السريعة والتطورات في الذكاء الاصطناعي إلى ظهور مصطلحات جديدة متعلقة بالذكاء الاصطناعي (في المستقبل) التي لم يتم تناولها في تحليلنا. لذلك، نوصي الباحثين بفحص الخطاب الناشئ حول الذكاء الاصطناعي بعناية، وتقييم تأثيره المحتمل أو تداعياته على تجربة العملاء، فضلاً عن مشاركة أصحاب المصلحة الآخرين (مثل الموظفين أو الموردين) (هوليبيك، كومار، وآخرون، 2022). بعبارة أخرى، قد يؤدي ظهور رؤى جديدة قائمة على الذكاء الاصطناعي (أو تجربة العملاء) إلى الحاجة لإعادة النظر، أو الاختبار، أو التحقق، أو تحسين الموضوعات المقترحة المتعلقة بتجربة العملاء القائمة على الذكاء الاصطناعي. وبالمثل، بينما قد تهدف “غسل الذكاء الاصطناعي” – الادعاء بنشر الذكاء الاصطناعي عندما لا يكون هذا هو الحال (ليفيرانغ ومولر، 2023) – إلى زيادة المشاركة، قد يؤدي تعلم المستهلكين عن هذه الكذبة إلى تقليل مشاركتهم، مما يستدعي أيضًا مزيدًا من التدقيق.

ثالثًا، على الرغم من أن المجال الناشئ للـ CE المعتمد على الذكاء الاصطناعي لا يزال في مراحله الأولى حتى الآن، إلا أن عينتنا تحتوي على 89 مقالة، مما يكشف عن النشاط البحثي النشط في هذا المجال. ومع ذلك، نتوقع أن يتزايد البحث في CE المعتمد على الذكاء الاصطناعي في السنوات القادمة، مما يوفر فرصًا لمراجعات إضافية (مثل المراجعات البيبليومترية) لـ CE المعتمد على الذكاء الاصطناعي لتكملة نتائجنا. أخيرًا، استنادًا إلى الندرة الملحوظة للبحوث السابقة في مجالات فرعية محددة من CE المعتمد على الذكاء الاصطناعي (مثل تأثير CE المعتمد على الذكاء الاصطناعي على التعاون بين البشر والذكاء الاصطناعي)، نوصي بتطوير مزيد من الرؤى في هذه المجالات. على سبيل المثال، ما هي الخصائص الأساسية للذكاء الاصطناعي (مقابل الأقل أهمية) في تشكيل تفاعل المستخدمين مع تقنيات الذكاء الاصطناعي المحددة أو مع العلامة التجارية؟ ما هو تأثير الوجود الاجتماعي الآلي المعتمد على الذكاء الاصطناعي (Van Doorn et al.، 2017) على تفاعل المستهلكين (مثل العلامة التجارية)؟ كم عدد تقنيات الذكاء الاصطناعي الحالية أو المتطورة التي تؤثر بشكل فريد على CE؟ إن تقديم إجابات على هذه الأسئلة أمر حيوي لفهم أفضل للتفاعل بين الذكاء الاصطناعي وCE في عالم يتزايد فيه الأتمتة.

يشكر المؤلفون المحرر وفريق المراجعة على ملاحظاتهم المفيدة، التي ساعدتنا في تحسين المخطوطة. كما يود المؤلف الرئيسي أن يشكر البروفيسور بريت أ.س. مارتن والبروفيسورة كريستيانا لاجيس على المناقشة حول الذكاء الاصطناعي والاقتصاد الدائري. وأخيرًا، يود المؤلف الثاني أن يشكر البروفيسور عمر دجينة، والدكتور رياض موساوي، والدكتور عتمان أتمانية، والدكتور سيف الدين قهارية، والدكتور عادل الخالدي، والدكتور فارس غاتر، والدكتور عبد الكريم شوكال، والدكتورة وداد بن كيرات، والدكتورة سارة حليمي على دعمهم القيم ولتوفيرهم ظروف عمل ملائمة خلال إعداد هذه المقالة، مما أتاح له تخصيص الوقت لهذا البحث.

يعلن المؤلفون عدم وجود أي تضارب في المصالح.

لا ينطبق مشاركة البيانات على هذه المقالة حيث لم يتم إنشاء أو تحليل بيانات جديدة في هذه الدراسة.

ليندا د. هوليبيك (د)http://orcid.org/0000-0002-1282-0319
شكري منيدجل (د)http://orcid.org/0000-0001-8510-800X
ماركو سارستيدت (D)http://orcid.org/0000-0002-5424-4268
يوهان يانسون (د)https://orcid.org/0000-0003-2593-9439
سيغيتاس أوربونافيتشيوس (د)http://orcid.org/0000-0003-4176-2573

Acar, M., & Toker, A. (2019). Predicting consumer personality traits in the sharing economy: The case of Airbnb. Applied Marketing Analytics, 5(1), 83-96.
Acikgoz, F., Perez-Vega, R., Okumus, F., & Stylos, N. (2023). Consumer engagement with AI-powered voice assistants: A behavioral reasoning perspective. Psychology & Marketing, 40(11), 2226-2243.
Akdim, K., & Casaló, L. V. (2023). Perceived value of Al-based recommendations service: the case of voice assistants. Service Business, 17(1), 81-112.
Aluri, A., Price, B., & McIntyre, N. (2019). Using machine learning to cocreate value through dynamic customer engagement in a brand loyalty program. Journal of Hospitality & Tourism Research, 43(1), 78-100.
Ameen, N., Sharma, G., Tarba, S., Rao, A., & Chopra, R. (2022). Toward advancing theory on creativity in marketing and artificial intelligence. Psychology & Marketing, 39(9), 1802-1825.
Asante, I., Jiang, Y., Hossin, A., & Luo, X. (2023). Optimization of consumer engagement with artificial intelligence elements on electronic commerce platforms. Journal of Electronic Commerce Research, 24(1), 7-28.
Ashfaq, M., Yun, J., & Yu, S. (2021). My smart speaker is cool! Perceived coolness, perceived values, and users’ attitude toward smart speakers. International Journal of Human-Computer Interaction, 37(6), 560-573.
Aslam, U. (2023). Understanding the usability of retail fashion brand chatbots: Evidence from customer expectations and experiences. Journal of Retailing and Consumer Services, 74, 103377.
Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R., & Khatatneh, K. F. (2021). SMEs and artificial intelligence (AI): Antecedents and consequences of AI-based B2B practices. Industrial Marketing Management, 98, 255-270.
Barnes, S., & de Ruyter, K. (2022). Guest editorial: Artificial intelligence as a market-facing technology: Getting closer to the consumer through innovation and insight. European Journal of Marketing, 56(6), 1585-1589.
Beckers, S. F. M., Van Doorn, J., & Verhoef, P. C. (2018). Good, better, engaged? The effect of company-initiated customer engagement behavior on shareholder value. Journal of the Academy of Marketing Science, 46, 366-383.
Belanche, D., Casaló, L., Schepers, J., & Flavián, C. (2021). Examining the effects of robots’ physical appearance, warmth, and competence in frontline services: The Humanness-Value-Loyalty model. Psychology & Marketing, 38(12), 2357-2376.
Bertrandias, L., LOWE, B., Sadik-Rozsnyai, O., & Carricano, M. (2021). Delegating decision-making to autonomous products: A value model emphasizing the role of well-being. Technological Forecasting and Social Change, 169, 120846.
Bilro, R. G., & Loureiro, S. M. C. (2020). A consumer engagement systematic review: Synthesis and research agenda. Spanish Journal of Marketing-ESIC, 24(3), 283-307.
Bindewald, J. M., Miller, M. E., & Peterson, G. L. (2020). Creating effective automation to maintain explicit user engagement. International Journal of Human-Computer Interaction, 36(4), 341-354.
Blasi, S., Gobbo, E., & Sedita, S. R. (2022). Smart cities and citizen engagement: Evidence from Twitter data analysis on Italian municipalities. Journal of Urban Management, 11(2), 153-165.

Brakus, J. J., Schmitt, B. H., & Zarantonello, L. (2009). Brand experience: What is it? How is it measured? Does it affect loyalty? Journal of Marketing, 73(3), 52-68.
Bretan, M., Hoffman, G., & Weinberg, G. (2015). Emotionally expressive dynamic physical behaviors in robots. International Journal of HumanComputer Studies, 78, 1-16.
Brodie, R. J., Hollebeek, L. D., Jurić, B., & Ilić, A. (2011). Customer engagement: Conceptual domain, fundamental propositions, and implications for research. Journal of Service Research, 14(3), 252-271.
Brown, R., Coventry, L., Sillence, E., Blythe, J., Stumpf, S., Bird, J., & Durrant, A. C. (2022). Collecting and sharing self-generated health and lifestyle data: Understanding barriers for people living with long-term health conditions-A survey study. Digital Health, 8. https://doi.org/10.1177/20552076221084458
Çakar, K., & Aykol, Ş. (2021). Understanding travellers’ reactions to robotic services: A multiple case study approach of robotic hotels. Journal of Hospitality and Tourism Technology, 12(1), 155-174.
Carroll, B. A., & Ahuvia, A. C. (2006). Some antecedents and outcomes of brand love. Marketing Letters, 17, 79-89.
Celsi, R. L., & Olson, J. C. (1988). The role of involvement in attention and comprehension processes. Journal of Consumer Research, 15(2), 210-224.
Chandra, S., Shirish, A., & Srivastava, S. C. (2022). To be or not to be human? Theorizing the role of human-like competencies in conversational artificial intelligence agents. Journal of Management Information Systems, 39(4), 969-1005.
Chang, J. Y. S., Konar, R., Cheah, J. H., & Lim, X. J. (2023). Does privacy still matter in smart technology experience? A conditional mediation analysis. Journal of Marketing Analytics. https://doi.org/10.1057/ s41270-023-00240-8
Chaudhuri, A., & Holbrook, M. B. (2001). The chain of effects from brand trust and brand affect to brand performance: the role of brand loyalty. Journal of Marketing, 65(2), 81-93.
Chen, Q., Gong, Y., Lu, Y., & Tang, J. (2022). Classifying and measuring the service quality of AI chatbot in frontline service. Journal of Business Research, 145, 552-568.
Chen, X., Cheah, S., & Shen, A. (2019). Empirical study on behavioral intentions of short-term rental tenants-The moderating role of past experience. Sustainability, 11(12), 3404.
Chen, Y., Keng, C., & Chen, Y. (2022). How interaction experience enhances customer engagement in smart speaker devices? The moderation of gendered voice and product smartness. Journal of Research in Interactive Marketing, 16(3), 403-419.
Chen, Y., Prentice, C., Weaven, S., & Hsiao, A. (2022). The influence of customer trust and AI on customer engagement and loyalty-The case of the home-sharing industry. Frontiers in Psychology, 13, 912339.

Cheng, Y., & Jiang, H. (2020). Al-Powered mental health chatbots: Examining users’ motivations, active communicative action and engagement after mass-shooting disasters. Journal of Contingencies and Crisis Management, 28(3), 339-354.
Cheung, M. L., Pires, G., Rosenberger III, P. J., Leung, W. K. S., & Chang, M. K. (2021). The role of social media elements in driving cocreation and engagement. Asia Pacific Journal of Marketing and Logistics, 33(10), 1994-2018.
Clarke, J. (2011). What is a systematic review? Evidence-based Nursing, 14(3):64.
Creswell, J., & Creswell, J. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Dong, B., Zhuang, M., Fang, E., & Huang, M. (2023). Tales of two channels: Digital advertising performance between AI recommendation and
user subscription channels. Journal of Marketing. https://doi.org/10. 1177/00222429231190021
Van Doorn, J., Lemon, K. N., Mittal, V., Nass, S., Pick, D., Pirner, P., & Verhoef, P. C. (2010). Customer engagement behavior: Theoretical foundations and research directions. Journal of Service Research, 13(3), 253-266.
Van Doorn, J., Mende, M., Noble, S. M., Hulland, J., Ostrom, A. L., Grewal, D., & Petersen, J. A. (2017). Domo arigato Mr. Roboto: Emergence of automated social presence in organizational frontlines and customers’ service experiences. Journal of Service Research, 20(1), 43-58.
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., … Wright, R. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
Dzieza, J. (2023). AI is a lot of work. https://www.theverge.com/features/ 23764584/ai-artificial-intelligence-data-notation-labor-scale-surge-remotasks-openai-chatbots
Fan, X., Ning, N., & Deng, N. (2020). The impact of the quality of intelligent experience on smart retail engagement. Marketing Intelligence & Planning, 38(7), 877-891.
Fang, S., Han, X., & Chen, S. (2022). The impact of tourist-robot interaction on tourist engagement in the hospitality industry: mixed-method study. Cornell Hospitality Quarterly, 64(2), 246-266.
Fuentes-Moraleda, L., Lafuente-lbañez, C., Fernandez Alvarez, N., & Villace-Molinero, T. (2022). Willingness to accept social robots in museums: An exploratory factor analysis according to visitor profile. Library Hi Tech, 40(4), 894-913.
Gao, L., Li, G., Tsai, F., Gao, C., Zhu, M., & Qu, X. (2022). The impact of artificial intelligence stimuli on customer engagement and value cocreation: The moderating role of customer ability readiness. Journal of Research in Interactive Marketing, 17(2), 317-333.
Garrison, D. R., Anderson, T., & Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2-3), 87-105.
Gauer, V., Axsen, J., Dütschke, E., Long, Z., & Kelber, A. (2023). Who is more attached to their car? Comparing automobility engagement and response to shared, automated and electric mobility in Canada and Germany. Energy Research & Social Science, 99, 103048.
Ghouri, A. M., Mani, V., Haq, M. A., & Kamble, S. S. (2022). The micro foundations of social media use: Artificial intelligence integrated routine model. Journal of Business Research, 144, 80-92.
Giang Barrera, K., & Shah, D. (2023). Marketing in the Metaverse: Conceptual understanding, framework, and research agenda. Journal of Business Research, 155, 113420.
Grimes, G. M., Schuetzler, R. M., & Giboney, J. S. (2021). Mental models and expectation violations in conversational AI interactions. Decision Support Systems, 144, 113515.
Grundner, L., & Neuhofer, B. (2021). The bright and dark sides of artificial intelligence: A futures perspective on tourist destination experiences. Journal of Destination Marketing & Management, 19, 100511.
Guo, B., & Jiang, Z. (2023). Influence of personalised advertising copy on consumer engagement: A field experiment approach. Electronic Commerce Research. https://doi.org/10.1007/s10660-023-09721-5
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5-14.
Hair, J., & Sarstedt, M. (2021). Data, measurement, and causal inferences in machine learning: Opportunities and challenges for marketing. Journal of Marketing Theory & Practice, 29(1), 65-77.

Ham, M., Jeger, M., & Frajman Ivković, A. (2015). The role of subjective norms in forming the intention to purchase green food. Economic Research-Ekonomska Istraživanja, 28(1), 738-748.
Hand, C., Dall’Olmo Riley, F., Harris, P., Singh, J., & Rettie, R. (2009). Online grocery shopping: The influence of situational factors. European Journal of Marketing, 43(9/10), 1205-1219.
Hari, H., lyer, R., & Sampat, B. (2022). Customer brand engagement through chatbots on bank websites-Examining the antecedents and consequences. International Journal of Human-Computer Interaction, 38(13), 1212-1227.
Harmeling, C. M., Moffett, J. W., Arnold, M. J., & Carlson, B. D. (2017). Toward a theory of customer engagement marketing. Journal of the Academy of Marketing Science, 45, 312-335.
Heller, J., Chylinski, M., De Ruyter, K., Keeling, D. I., Hilken, T., & Mahr, D. (2021). Tangible service automation: Decomposing the technologyenabled engagement process (TEEP) for augmented reality. Journal of Service Research, 24(1), 84-103.
Henkens, B., Verleye, K., & Larivière, B. (2021). The smarter, the better?! Customer well-being, engagement, and perceptions in smart service systems. International Journal of Research in Marketing, 38(2), 425-447.
Hepziba, E., & John, F. (2020). Role of chat-bots in customer engagement valence. Psychology & Education, 57(9), 2181-2186.
Hernández-Ortega, B., Aldas-Manzano, J., & Ferreira, I. (2022). Relational cohesion between users and smart voice assistants. Journal of Services Marketing, 36(5), 725-740.
Herrando, C., Jiménez-Martínez, J., & Martín-De Hoyos, M. J. (2017). Passion at first sight: How to engage users in social commerce contexts. Electronic Commerce Research, 17, 701-720.
Hlee, S., Park, J., Park, H., Koo, C., & Chang, Y. (2022). Understanding customer’s meaningful engagement with AI-powered service robots. Information Technology & People, 36(3), 1020-1047.
Hobert, S., Følstad, A., & Law, E. L. C. (2023). Chatbots for active learning: A case of phishing email identification. International Journal of Human-Computer Studies, 179, 103108.
Hoffman, D. L., & Novak, T. P. (2018). Consumer and object experience in the internet of things: An assemblage theory approach. Journal of Consumer Research, 44(6), 1178-1204.
Hollebeek, L., Kumar, V., & Srivastava, R. K. (2022). From customer-, to actor-, to stakeholder engagement: Taking stock, conceptualization, and future directions. Journal of Service Research, 25(2), 328-343.
Hollebeek, L., Menidjel, C., Itani, O., Clark, M., & Sigurdsson, V. (2022). Consumer engagement with self-driving cars: A theory of planned behavior-informed perspective. Asia Pacific Journal of Marketing & Logistics, 35(2), 2029-2046.
Hollebeek, L., Sarstedt, M., Menidjel, C., Sprott, D., & Urbonavicius, S. (2023). Hallmarks and potential pitfalls of customer- and consumer engagement scales: A systematic review. Psychology & Marketing, 40(6), 1074-1088.
Hollebeek, L., Sharma, T., Pandey, R., Sanjal, P., & Clark, M. (2022). Fifteen years of customer engagement research: A bibliometric- and network Analysis. Journal of Product & Brand Management, 31(2), 293-309.
Hollebeek, L. D. (2011). Demystifying customer brand engagement: Exploring the loyalty nexus. Journal of Marketing Management, 27(7-8), 785-807.
Hollebeek, L. D., & Belk, R. (2021). Consumers’ technology-facilitated brand engagement and wellbeing: Positivist TAM/PERMA- vs. consumer culture theory perspectives. International Journal of Research in Marketing, 38(2), 387-401.
Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of Interactive Marketing, 28(2), 149-165.
Hollebeek, L. D., Kumar, V., Srivastava, R. K., & Clark, M. K. (2023). Moving the stakeholder journey forward. Journal of the Academy of Marketing Science, 51, 23-49.

Hollebeek, L. D., Sprott, D. E., & Brady, M. K. (2021). Rise of the machines? Customer engagement in automated service interactions. Journal of Service Research, 24(1), 3-8.
Hollebeek, L. D., Srivastava, R. K., & Chen, T. (2019). SD logic-informed customer engagement: Integrative framework, revised fundamental propositions, and application to CRM. Journal of the Academy of Marketing Science, 47, 161-185.
Hu, Q., & Pan, Z. (2023). Can AI benefit individual resilience? The mediation roles of AI routinization and infusion. Journal of Retailing and Consumer Services, 73, 103339.
Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.
Huang, M. H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30-41.
Huang, T. L., Tsiotsou, R. H., & Liu, B. S. (2023). Delineating the role of mood maintenance in augmenting reality (AR) service experiences: An application in tourism. Technological Forecasting and Social Change, 189, 122385.
Hyun, Y., Hlee, S., Park, J., & Chang, Y. (2022). Discovering meaningful engagement through interaction between customers and service robots. The Service Industries Journal, 42(13-14), 973-1000.
Islam, J. U., Rahman, Z., & Hollebeek, L. D. (2018). Consumer engagement in online brand communities: A solicitation of congruity theory. Internet Research, 28(1), 23-45.
Jain, S., & Gandhi, A. V. (2021). Impact of artificial intelligence on impulse buying behaviour of Indian shoppers in fashion retail outlets. International Journal of Innovation Science, 13(2), 193-204.
Jia, J., & Wang, J. (2016). Do customer participation and cognitive ability influence satisfaction? The Service Industries Journal, 36(9-10), 416-437.
Jiang, H., Cheng, Y., Yang, J., & Gao, S. (2022). Al-powered chatbot communication with customers: Dialogic interactions, satisfaction, engagement, and customer behavior. Computers in Human Behavior, 134, 107329.
Kang, H., & Lou, C. (2022). Al agency vs. human agency: Understanding human-AI interactions on TikTok and their implications for user engagement. Journal of Computer-Mediated Communication, 27(5), 1-13.
Karaosmanoglu, E., Altinigne, N., & Isiksal, D. G. (2016). CSR motivation and customer extra-role behavior: Moderation of ethical corporate identity. Journal of Business Research, 69(10), 4161-4167.
Keller, K. L. (1993). Conceptualizing, measuring, and managing customerbased brand equity. Journal of Marketing, 57(1), 1-22.
de Kervenoael, R., Hasan, R., Schwob, A., & Goh, E. (2020). Leveraging human-robot interaction in hospitality services: Incorporating the role of perceived value, empathy, and information sharing into visitors’ intentions to use social robots. Tourism Management, 78, 104042.

Kull, A. J., Romero, M., & Monahan, L. (2021). How may I help you? Driving brand engagement through the warmth of an initial chatbot message. Journal of Business Research, 135, 840-850.
Kumar, P., Dwivedi, Y. K., & Anand, A. (2021). Responsible artificial intelligence (AI) for value formation and market performance in healthcare: The mediating role of patient’s cognitive engagement. Information Systems Frontiers, 25, 2197-2220.
Kumar, P., Sharma, S., & Dutot, V. (2023). Artificial intelligence (AI)enabled CRM capability in healthcare: The impact on service innovation. International Journal of Information Management, 69, 102598.

Kumar, P., Vrontis, D., & Pallonetto, F. (2023). Cognitive engagement with Al-enabled technologies and value creation in healthcare. Journal of Consumer Behaviour. https://doi.org/10.1002/cb. 2196
Kumar, V., Dixit, A., Javalgi, R. G., & Dass, M. (2016). Research framework, strategies, and applications of intelligent agent technologies (IATs) in marketing. Journal of the Academy of Marketing Science, 44, 24-45.

Kumar, V., & Pansari, A. (2016). Competitive advantage through engagement. Journal of Marketing Research, 53(4), 497-514.
Kumar, V., Rajan, B., Gupta, S., & Pozza, I. D. (2019). Customer engagement in service. Journal of the Academy of Marketing Science, 47(1), 138-160.
Lalicic, L., & Weismayer, C. (2021). Consumers’ reasons and perceived value co-creation of using artificial intelligence-enabled travel service agents. Journal of Business Research, 129, 891-901.
Le, Q., Tan, L. P., & Hoang, T. (2022). Customer brand co-creation on social media: A systematic review. Marketing Intelligence & Planning, 40(8), 1038-1053.
Lee, Y., Ha, M., Kwon, S., Shim, Y., & Kim, J. (2019). Egoistic and altruistic motivation: How to induce users’ willingness to help for imperfect Al. Computers in Human Behavior, 101, 180-196.
Leffrang, D., & Mueller, O. (2023). Al washing: The framing effect of labels on algorithmic advice utilization. ICIS 2023, Hyderabad, India.
Leung, E., Paolacci, G., & Puntoni, S. (2018). Man versus machine: Resisting automation in identity-based consumer behavior. Journal of Marketing Research, 55(6), 818-831.
Li, B., Yao, R., & Nan, Y. (2023). How do friendship artificial intelligence chatbots (FAIC) benefit the continuance using intention and customer engagement? Journal of Consumer Behaviour, 22(6), 1376-1398.
Li, D., Liu, C., & Xie, L. (2022). How do consumers engage with proactive service robots? The roles of interaction orientation and corporate reputation. International Journal of Contemporary Hospitality Management, 34(11), 3962-3981.
Li, Q., Guo, X., & Bai, X. (2017). Weekdays or weekends: Exploring the impacts of microblog posting patterns on gratification and addiction. Information & Management, 54(5), 613-624.
Lim, J. S., & Zhang, J. (2022). Adoption of AI-driven personalization in digital news platforms: An integrative model of technology acceptance and perceived contingency. Technology in Society, 69, 101965.
Lim, W. M., Rasul, T., Kumar, S., & Ala, M. (2022). Past, present, and future of customer engagement. Journal of Business Research, 140, 439-458.
Lin, J. S., & Wu, L. (2023). Examining the psychological process of developing consumer-brand relationships through strategic use of social media brand chatbots. Computers in Human Behavior, 140, 107488.

Lin, Y. T., Doong, H. S., & Eisingerich, A. B. (2021). Avatar design of virtual salespeople: Mitigation of recommendation conflicts. Journal of Service Research, 24(1), 141-159.
Liu, F., Li, J., Mizerski, D., & Soh, H. (2012). Self-congruity, brand attitude, and brand loyalty: A study on luxury brands. European Journal of Marketing, 46(7/8), 922-937.
Liu-Thompkins, Y., Okazaki, S., & Li, H. (2022). Artificial empathy in marketing interactions: Bridging the human-AI gap in affective and social customer experience. Journal of the Academy of Marketing Science, 50, 1198-1218.
Longoni, C., & Cian, L. (2022). Artificial intelligence in utilitarian vs. hedonic contexts: The “word-of-machine” effect. Journal of Marketing, 86(1), 91-108.
Loureiro, S. M. C., Ali, F., & Ali, M. (2022). Symmetric and asymmetric modeling to understand drivers and consequences of hotel chatbot engagement. International Journal of Human-Computer Interaction, 1-13. https://doi.org/10.1080/10447318.2022.2124346
MacInnis, D. J. (2011). A framework for conceptual contributions in marketing. Journal of Marketing, 75(4), 136-154.
Marriott, H., & Pitardi, V. (2023). One is the loneliest number… Two can be as bad as one. The influence of AI friendship apps on users’ wellbeing and addiction. Psychology & Marketing. https://doi.org/10. 1002/mar. 21899
Maslowska, E., Malthouse, E. C., & Hollebeek, L. D. (2022). The role of recommender systems in fostering consumers’ long-term platform engagement. Journal of Service Management, 33(4/5), 721-732.

McKinsey. (2023). The next frontier of customer engagement: AI-enabled customer service. https://www.mckinsey.com/capabilities/ operations/our-insights/the-next-frontier-of-customer-engagement-ai-enabled-customer-service.
McLean, G., Osei-Frimpong, K., & Barhorst, J. (2021). Alexa, do voice assistants influence consumer brand engagement? Examining the role of AI powered voice assistants in influencing consumer brand engagement. Journal of Business Research, 124, 312-328.
Mehta, J., Jarenwattananon, P., & Shapiro, A. (2023). Behind the secretive work of the many, many humans helping to train AI. Accessed December 5, 2023. https://www.npr.org/2023/06/26/ 1184392406/behind-the-secretive-work-of-the-many-many-humans-helping-to-train-ai
Mehta, P., Jebarajakirthy, C., Maseeh, H., Anubha, A., Raiswa, S., & Dhanda, K. (2022). Artificial intelligence in marketing: A metaanalytic review. Psychology & Marketing, 39(11), 2013-2038.
Mele, C., Marzullo, M., Di Bernardo, I., Russo-Spena, T., Massi, R., La Salandra, A., & Cialabrini, S. (2022). A smart tech lever to augment caregivers’ touch and foster vulnerable patient engagement and well-being. Journal of Service Theory and Practice, 32(1), 52-74.
Mele, C., & Russo-Spena, T. (2022). The architecture of the phygital customer journey: A dynamic interplay between systems of insights and systems of engagement. European Journal of Marketing, 56(1), 72-91.
Menidjel, C., Hollebeek, L., Leppiman, A., & Riivits-Arkonsuo, I. (2022). Role of AI in enhancing customer engagement, loyalty, and loyalty program performance. In K. De Ruyter, D. Keeling, & D. Cox (Eds.), The handbook of research on customer loyalty. Edward-Elgar.
Menidjel, C., Hollebeek, L. D., Urbonavicius, S., & Sigurdsson, V. (2023). Why switch? The role of customer variety-seeking and engagement in driving service switching intention. Journal of Services Marketing, 37(5), 592-605.
Mills, N. (2021). Will self-driving cars disrupt the insurance industry? https:// www.forbes.com/sites/columbiabusinessschool/2021/03/25/will-self-driving-cars-disrupt-the-insurance-industry/?sh=3f28d8801dbf
Mishra, S., Ewing, M. T., & Cooper, H. B. (2022). Artificial intelligence focus and firm performance. Journal of the Academy of Marketing Science, 50(6), 1176-1197.
Moher, D. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Annals of Internal Medicine, 151(4), 264-269.
Molinillo, S., Anaya-Sánchez, R., Morrison, A. M., & Coca-Stefaniak, J. A. (2019). Smart city communication via social media: Analysing residents’ and visitors’ engagement. Cities, 94, 247-255.
Moriuchi, E. (2019). Okay, Google! An empirical study on voice assistants on consumer engagement and loyalty. Psychology & Marketing, 36(5), 489-501.
Moriuchi, E. (2021). An empirical study on anthropomorphism and engagement with disembodied Als and consumers’ re-use behavior. Psychology & Marketing, 38(1), 21-42.
Mostafa, R. B., & Kasamani, T. (2022). Antecedents and consequences of chatbot initial trust. European Journal of Marketing, 56(6), 1748-1771.
Mulcahy, R., Letheren, K., McAndrew, R., Glavas, C., & Russell-Bennett, R. (2019). Are households ready to engage with smart home technology? Journal of Marketing Management, 35(15-16), 1370-1400.
Nasir, J., Bruno, B., Chetouani, M., & Dillenbourg, P. (2021). What if social robots look for productive engagement? Automated assessment of goal-centric engagement in learning applications. International Journal of Social Robotics, 14, 55-71.
Nazir, S., Khadim, S., Ali Asadullah, M., & Syed, N. (2023). Exploring the influence of artificial intelligence technology on consumer repurchase intention: The mediation and moderation approach. Technology in Society, 72, 102190.

Nguyen, M., Ferm, L., Quach, S., Pontes, N., & Thaichon, P. (2023). Chatbots in frontline services and customer experience: An anthropomorphism perspective. Psychology & Marketing, 40(11), 2201-2225.
Nima, A. A., Cloninger, K. M., Persson, B. N., Sikström, S., & Garcia, D. (2020). Validation of subjective well-being measures using item response theory. Frontiers in Psychology, 10, 3036.
Oh, J., & Kang, H. (2021). User engagement with smart wearables: Four defining factors and a process model. Mobile Media & Communication, 9(2), 314-335.
De Oliveira Santini, F., Ladeira, W. J., Pinto, D. C., Herter, M. M., Sampaio, C. H., & Babin, B. J. (2020). Customer engagement in social media: A framework and meta-analysis. Journal of the Academy of Marketing Science, 48, 1211-1228.
Ornelas Sánchez, S. A., & Vera Martínez, J. (2021). The more I know, the more I engage: Consumer education’s role in consumer engagement in the coffee shop context. British Food Journal, 123(2), 551-562.
Ozuem, W., Willis, M., Howell, K., Lanaster, G., & Ng, R. (2021). Determinants of online brand communities’ and millennials’ characteristics: A social influence perspective. Psychology & Marketing, 38(5), 794-818.
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S…. Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. British Medical Journal, 372, n71. https://doi.org/10.1136/bmj.n71
Parasuraman, A. (2000). Technology Readiness Index (TRI) a multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307-320.
Paul, J., Ueno, A., & Dennis, C. (2023). ChatGPT and consumers: Benefits, pitfalls and future research agenda. International Journal of Consumer Studies, 47(4), 1213-1225.
Peng, C., van Doorn, J., Eggers, F., & Wieringa, J. E. (2022). The effect of required warmth on consumer acceptance of artificial intelligence in service: The moderating role of AI-human collaboration. International Journal of Information Management, 66, 102533.
Perez-Vega, R., Kaartemo, V., Lages, C. R., Borghei Razavi, N., & Männistö, J. (2021). Reshaping the contexts of online customer engagement behavior via artificial intelligence: A conceptual framework. Journal of Business Research, 129, 902-910.
Petticrew, M., & Roberts, H. (2006). Systematic reviews in the social sciences-A practical guide. Blackwell.
Piercy, N. F. (2006). Driving organizational citizenship behaviors and salesperson in-role behavior performance: The role of management control and perceived organizational support. Journal of the Academy of Marketing Science, 34(2), 244-262.
Pitardi, V., Bartikowski, B., Osburg, V. S., & Yoganathan, V. (2023). Effects of gender congruity in human-robot service interactions: The moderating role of masculinity. International Journal of Information Management, 70, 102489.
Pollock, A., & Berge, E. (2018). How to do a systematic review. International Journal of Stroke, 13(2), 138-156.
Pradeep, A., Appel, A., & Sthanunathan, S. (2019). Al for marketing and product innovation. Wiley.
Prajogo, D. I., & McDermott, P. (2011). Examining competitive priorities and competitive advantage in service organisations using Importance-Performance Analysis matrix. Managing Service Quality: An International Journal, 21(5), 465-483.
Prentice, C., Loureiro, S. M. C., & Guerreiro, J. (2023). Engaging with intelligent voice assistants for wellbeing and brand attachment. Journal of Brand Management, 30, 449-460.

Prentice, C., & Nguyen, M. (2020). Engaging and retaining customers with AI and employee service. Journal of Retailing and Consumer Services, 56, 102186.
Prentice, C., Weaven, S., & Wong, I. A. (2020). Linking AI quality performance and customer engagement: The moderating effect of Al preference. International Journal of Hospitality Management, 90, 102629.

Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and artificial intelligence: An experiential perspective. Journal of Marketing, 85(1), 131-151.
Rafaeli, S. (1988). From new media to communication. SAGE Annual Review of Communication Research: Advancing Communication Science, 16, 110-134.
Rahman, M. S., Bag, S., Hossain, M. A., Abdel Fattah, F. A. M., Gani, M. O., & Rana, N. P. (2023). The new wave of Al-powered luxury brands online shopping experience: The role of digital multisensory cues and customers’ engagement. Journal of Retailing and Consumer Services, 72, 103273.
Rana, J., Gaur, L., Singh, G., Awan, U., & Rasheed, M. I. (2021). Reinforcing customer journey through artificial intelligence: A review and research agenda. International Journal of Emerging Markets, 17(7), 1738-1758.
Rather, R. A., Hollebeek, L. D., Loureiro, S. M. C., Khan, I., & Hasan, R. (2023). Exploring tourists’ virtual reality-based brand engagement: A uses-andgratifications perspective. Journal of Travel Research. https://doi.org/10. 1177/00472875231166598
Rehman, Z., Baharun, R., & Salleh, N. (2020). Antecedents, consequences, and reducers of perceived risk in social media: A systematic literature review and directions for further research. Psychology & Marketing, 37(1), 74-86.
Richards, K. A., & Jones, E. (2008). Customer relationship management: Finding value drivers. Industrial Marketing Management, 37(2), 120-130.
Riva, G., & Mauri, M. (2021). MuMMER: How robotics can reboot social interaction and customer engagement in shops and malls. Cyberpsychology, Behavior and Social Networking, 24(3), 210-211.
Rodriguez-Lizundia, E., Marcos, S., Zalama, E., Gómez-García-Bermejo, J., & Gordaliza, A. (2015). A bellboy robot: Study of the effects of robot behaviour on user engagement and comfort. International Journal of Human-Computer Studies, 82, 83-95.
Saldanha, N., Mulye, R., & Rahman, K. (2020). A strategic view of celebrity endorsements through the attachment lens. Journal of Strategic Marketing, 28(5), 434-454.
Sampson, S. E. (2021). A strategic framework for task automation in professional services. Journal of Service Research, 24(1), 122-140.
Sattarapu, P. K., Wadera, D., Nguyen, N. P., Kaur, J., Kaur, S., & Mogaji, E. (2023). Tomeito or Tomahto: Exploring consumer’s accent and their engagement with artificially intelligent interactive voice assistants. Journal of Consumer Behaviour. https://doi.org/10.1002/cb. 2195
Saxena, S. (2022). Evolving uncertainty in healthcare service interactions during COVID-19: Artificial intelligence-a threat or support to value cocreation? Cyber-Physical Systems, 93-116.
Schaarschmidt, M., & Dose, D. (2023). Customer engagement in idea contests: Emotional and behavioral consequences of idea rejection. Psychology & Marketing, 40(5), 988-909.
Schamari, J., & Schaefers, T. (2015). Leaving the home turf: How brands can use webcare on consumer-generated platforms to increase positive consumer engagement. Journal of Interactive Marketing, 30(1), 20-33.
Schneble, C. O., & Shaw, D. M. (2021). Driver’s views on driverless vehicles: Public perspectives on defining and using autonomous cars. Transportation Research Interdisciplinary Perspectives, 11, 100446.

Schuetzler, R. M., Grimes, G. M., & Scott Giboney, J. (2020). The impact of chatbot conversational skill on engagement and perceived humanness. Journal of Management Information Systems, 37(3), 875-900.
Seckler, M., Heinz, S., Forde, S., Tuch, A. N., & Opwis, K. (2015). Trust and distrust on the web: User experiences and website characteristics. Computers in Human Behavior, 45, 39-50.
Shah, T. R., Kautish, P., & Mehmood, K. (2023). Influence of robots service quality on customers’ acceptance in restaurants. Asia Pacific Journal of Marketing and Logistics, 35(12), 3117-3137.
Sharma, P., Ueno, A., Dennis, C., & Turan, C. P. (2023). Emerging digital technologies and consumer decision-making in retail sector: Towards an integrative conceptual framework. Computers in Human Behavior, 148, 107913.
Shobhit, K., Bigné, E., Catrambone, V., & Valenza, G. (2023). Heart rate variability in marketing research: A systematic review and methodological perspectives. Psychology & Marketing, 40(1), 190-208.
Shumanov, M., & Johnson, L. (2021). Making conversations with chatbots more personalized. Computers in Human Behavior, 117, 106627.
Siddaway, A. P., Wood, A. M., & Hedges, L. V. (2019). How to do a systematic review: A best practice guide for conducting and reporting narrative reviews, meta-analyses, and meta-syntheses. Annual Review of Psychology, 70(1), 747-770.
Singh, J., Nambisan, S., Bridge, R. G., & Brock, J. K. U. (2021). One-voice strategy for customer engagement. Journal of Service Research, 24(1), 42-65.
So, K., King, C., & Sparks, B. (2014). Customer engagement with tourism brands: Scale development and validation. Journal of Hospitality & Tourism Research, 38(3), 304-329.
Storbacka, K., Brodie, R. J., Böhmann, T., Maglio, P. P., & Nenonen, S. (2016). Actor engagement as a microfoundation for value cocreation. Journal of Business Research, 69(8), 3008-3017.
Sundar, S. S., Bellur, S., Oh, J., Jia, H., & Kim, H. S. (2016). Theoretical importance of contingency in human-computer interaction: Effects of message interactivity on user engagement. Communication Research, 43(5), 595-625.
Sung, E., Bae, S., Han, D. I. D., & Kwon, O. (2021). Consumer engagement via interactive artificial intelligence and mixed reality. International Journal of Information Management, 60, 102382.
Swaminathan, K., & Venkitasubramony, R. (2024). Demand forecasting for fashion products: A systematic review. International Journal of Forecasting, 40(1), 247-267.
Swan, E. L., Peltier, J. W., & Dahl, A. J. (2023). Artificial intelligence in healthcare: the value co-creation process and influence of other digital health transformations. Journal of Research in Interactive Marketing. https://doi.org/10.1108/JRIM-09-2022-0293
Sweeney, J. C., Danaher, T. S., & McColl-Kennedy, J. R. (2015). Customer effort in value cocreation activities: Improving quality of life and behavioral intentions of health care customers. Journal of Service Research, 18(3), 318-335.
Thaichon, P., Ngo, L., Quach, S., & Wirtz, J. (2023). The dark side of AI in marketing management: Ethics and biases. Australasian Marketing Journal. (Special Issue Cal I). https://journals.sagepub.com/pb-assets/Call-for-Papers – AMJ Special Issue -% 20The%20dark%20side%20of%20AI%20in%20marketing% 20management-1645185260787.pdf
Tsai, W. H. S., Liu, Y., & Chuan, C. H. (2021). How chatbots’ social presence communication enhances consumer engagement: The mediating role of parasocial interaction and dialogue. Journal of Research in Interactive Marketing, 15(3), 460-482.
Upadhyay, N., & Kamble, A. (2023). Why can’t we help but love mobile banking chatbots? Perspective of stimulus-organism-response. Journal of Financial Services Marketing. https://doi.org/10.1057/ s41264-023-00237-5

Vargo, S. L., & Lusch, R. F. (2016). Institutions and axioms: An extension and update of service-dominant logic. Journal of the Academy of Marketing Science, 44(1), 5-23.
Venkatesh, V., Morris, M., Davis, G., & Davis, F. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
Verma, S., Sharma, R., Deb, S., & Maitra, D. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights, 1(1):100002.
Vernuccio, M., Patrizi, M., & Pastore, A. (2021). Developing voice-based branding: Insights from the Mercedes case. Journal of Product & Brand Management, 30(5), 726-739.
Vivek, S. D., Beatty, S. E., Dalela, V., & Morgan, R. M. (2014). A generalized multidimensional scale for measuring customer engagement. Journal of Marketing Theory and Practice, 22(4), 401-420.
Wei, H., & Prentice, C. (2022). Addressing service profit chain with artificial and emotional intelligence. Journal of Hospitality Marketing & Management, 31(6), 730-756.
Wen, H., Zhang, L., Sheng, A., Li, M., & Guo, B. (2022). From “human-tohuman” to “human-to-non-human”-Influence factors of artificial intelligence-enabled consumer value co-creation behavior. Frontiers in Psychology, 13, 863313.
Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29(5), 907-931.
Wu, C., & Monfort, A. (2023). Role of artificial intelligence in marketing strategies and performance. Psychology & Marketing, 40(3), 484-496.
Xiao, L., & Kumar, V. (2021). Robotics for customer service: A useful complement or an ultimate substitute? Journal of Service Research, 24(1), 9-29.
Xie, T., Pentina, I., & Hancock, T. (2023). Friend, mentor, lover: Does chatbot engagement lead to psychological dependence? Journal of Service Management, 34(4), 806-828.
Xie, Z., Yu, Y., & Jing, C. (2022). The searching artificial intelligence: Consumers show less aversion to algorithm-recommended search product. Psychology & Marketing, 39(10), 1902-1919.
Xie-Carson, L., Benckendorff, P., & Hughes, K. (2023). Not so different after all? A netnographic exploration of user engagement with nonhuman influencers on social media. Journal of Business Research, 167, 114149.

Xiong, Z., Luo, L., & Lu, X. (2023). Understanding the effect of smart tourism technologies on behavioral intention with the stimulus-organism-response model: A study in Guilin, China. Asia Pacific Journal of Tourism Research, 28(5), 449-466.
Xue, J., Niu, Y., Liang, X., & Yin, S. (2023). Unraveling the effects of voice assistant interactions on digital engagement: The moderating role of
adult playfulness. International Journal of Human-Computer Interaction, 1-22. https://doi.org/10.1080/10447318.2023. 2227834
Yang, Z., & Lin, Z. (2022). Interpretable video tag recommendation with multimedia deep learning framework. Internet Research, 32(2), 518-535.
Yin, D., Li, M., & Qiu, H. (2023). Do customers exhibit engagement behaviors in AI environments? The role of psychological benefits and technology readiness. Tourism Management, 97, 104745.
Yu, J., Dickinger, A., So, K. K. F., & Egger, R. (2024). Artificial intelligencegenerated virtual influencer: Examining the effects of emotional display on user engagement. Journal of Retailing and Consumer Services, 76, 103560.
Yu, X., Xu, Z., Song, Y., & Liu, X. (2022). The cuter, the better? The impact of cuteness on intention to purchase AI voice assistants: A moderated serial-mediation model. Frontiers in Psychology, 13, 1036848.

Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: A means-end model and synthesis of evidence. Journal of Marketing, 52(3), 2-22.
Zhou, X., Kim, S., & Wang, L. (2019). Money helps when money feels: Money anthropomorphism increases charitable giving. Journal of Consumer Research, 45(5), 953-972.
Zhu, W., Yan, R., & Song, Y. (2022). Analysing the impact of smart city service quality on citizen engagement in a public emergency. Cities, 120, 103439.
Zorzela, L., Loke, Y. K., loannidis, J. P., Golder, S., Santaguida, P., Altman, D. G., Moher, D., & Vohra, S. (2016). PRISMA harms checklist: Improving harms reporting in systematic reviews. BMJ, 352, i157.

يمكن العثور على معلومات دعم إضافية عبر الإنترنت في قسم المعلومات الداعمة في نهاية هذه المقالة.

كيفية الاستشهاد بهذه المقالة: هوليبيك، ل. د.، مينيجيل، ج.، سارستيدت، م.، يانسون، ج.، وأوربونافيسيوس، س. (2024). جذب المستهلكين من خلال التقنيات الذكية الاصطناعية: مراجعة منهجية، نموذج مفاهيمي، وأبحاث إضافية. علم النفس والتسويق، 41، 880-898.https://doi.org/10.1002/mar. 21957

Sunway Business School, Sunway University, Petaling Jaya, Selangor, Malaysia
Vilnius University, Vilnius, Lithuania
Tallinn University of Technology, Tallinn, Estonia
Umeå School of Business, Economics and Statistics, Umeå University, Umeå, Sweden
Lund University, Lund, Sweden
University of Johannesburg, Auckland Park, South Africa
Laboratory of Environmental Studies and Sustainable Development, Department of Management, Faculty of Economics, Business and Management, Echahid Cheikh Larbi Tebessi University, Tebessa, Algeria
Ludwig-Maximilian-University Munich, Munich, Germany
Babeș-Bolyai University, Cluj-Napoca, Romania
Faculty of Economics and Business Administration, Vilnius University, Vilnius, Lithuania

Linda D. Hollebeek, Sunway Business School, Sunway University, Petaling Jaya, Selangor, Malaysia.
Email: lindah@sunway.edu.my

artificial intelligence, consumer engagement, PRISMA, systematic review

Consumer engagement (CE), a consumer’s resource investment in their interactions with an object (e.g., a brand; Kumar et al., 2019), has been heralded as a key business performance indicator in recent years (Kumar & Pansari, 2016). Engaged consumers have been shown to exhibit elevated psychological and behavioral outcomes (e.g.,
enhanced loyalty or recommendation behavior; Brodie et al., 2011), lifting firm-based competitive advantage. While the literature has, traditionally, centered on consumers’ engagement with brands, growing attention is being afforded to their engagement with specific technologies and its effect on their brand engagement, which has been designated technology-facilitated brand engagement (Hollebeek & Belk, 2021).

Prior research has examined consumers’ technology-facilitated brand engagement in the context of technologies, including social media, virtual-, augmented-, or mixed reality applications, and automated or artificially intelligent technologies, among others (e.g., Puntoni et al., 2021), which have been demonstrated to boost corporate performance (Huang & Rust, 2021). Here, consumers’ engagement with artificially intelligent technologies-in particular, those able to perform tasks without human intervention (e.g., generative or predictive artificial intelligence [AI]; Dwivedi et al., 2023) -is receiving widespread attention in the consumer psychology and marketing literatures (Sampson, 2021; Wu & Monfort, 2023). Among these, the AI subclasses of machine learning (i.e., an AI subset, which uses algorithms that flexibly adapt to data constellations to improve task performance) and deep learning (i.e., a machine learning subset that involves computing multilayer neural networks) technologies are able to offer improved decisions or predictions over time based on the deployed (e.g., big) data (Hollebeek et al., 2021; Pradeep et al., 2019), thus offering consumers increasingly accurate (e.g., product) solutions (Leung et al., 2018), provided high-quality training data and state-of-the-art algorithms are used. For example, while Google’s machine learning-based predictive text (predictive AI) improves (learns) over time, Amazon’s Echo or Apple’s Siri likewise, provide increasingly customized solutions to their users (Pitardi et al., 2023).

However, despite the importance of fostering consumers’ engagement with or through AI-based technologies, authors have adopted myriad theoretical perspectives and methods to investigate this multidisciplinary topic, yielding theoretical inconsistencies and fragmentation. That is, the adoption of different theoretical lenses and approaches to explore AI-based CE has yielded potentially incompatible findings, generating an important literature-based tension. For example, some authors suggest that AI technology (e.g., chatbot)-based social presence, “the extent to which [an Al technology] make[s] consumers feel …they are in the company of another social entity” (Van Doorn et al., 2017, p. 44), acts as key driver of users’ engagement (e.g., McLean et al., 2021; Schuetzler et al., 2020). However, other researchers, like Tsai et al. (2021), identify opposing effects in that a chatbot’s high (vs. low) social presence-based communication was not found to significantly affect user engagement.

To clarify these conflicting literature-based findings, we systematically review the AI-based CE literature. By elucidating the key themes characterizing this multidisciplinary literature stream, we uncover AI-based CE’s hallmarks and dynamics. Following prior systematic reviews (e.g., Ameen et al., 2022), we also develop a conceptual model of AI-based CE and its nomological network (i.e., key antecedents and consequences; MacInnis, 2011). The development of new insight in this rapidly growing area is important, given the myriad applications of AI-based CE that are forecast to continue redefining consumer behavior and marketing alike (McKinsey, 2023), thus serving as a springboard for further AI -based CE research. We view Al as “a system’s ability to interpret external data…, to learn from such data, and to use those learnings to achieve specific goals
and tasks through flexible adaptation” (Haenlein & Kaplan, 2019, p. 5), and engagement as a consumer’s resource investment in their brand-related (e.g., AI) interactions (e.g., Hollebeek et al., 2019; Kumar et al., 2019). Overall, by collating and assessing the corpus of Al-based CE research, our analyses pave the way for this crossdisciplinary area’s further development (Page et al., 2021; Pollock & Berge, 2018).

This review paper makes the following contributions to the CE, Al , and the broader consumer psychology/behavior- and marketing literatures. First, adopting the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) approach (e.g., Page et al., 2021; Shobhit et al., 2023), we obtain a sample of 89 AIbased CE studies that are analyzed to deduce their theoretical hallmarks (e.g., deployed theories or methods; Rehman et al., 2020) and to uncover their main themes (Creswell & Creswell, 2018). We also develop a model of AI-based CE, reflecting MacInnis’ (2011) notion of relating and, thus, unlocking acumen of the concept’s position vis-à-vis its antecedents and consequences, a widelyadopted approach in prior PRISMA-based studies (e.g., Ameen et al., 2022; Rehman et al., 2020). These analyses matter, given Al’s unique capabilities that have shaped, and which are expected to continue shaping, CE in important ways (Hollebeek et al., 2021). Moreover, though the scope of AI-based CE has already expanded in recent years (e.g., through the launch of ever-evolving new technologies, like generative ChatGPT), it is also forecast to continue growing in the years to come (McKinsey, 2023), warranting its strategic importance.

Second, following prior authors (e.g., Page et al., 2021; Verma et al., 2021), we derive an agenda for further AI-based CE research from our findings. This is also important, given the continued growth of, and the predicted ongoing (e.g., innovative) developments in, AIbased CE, providing rich opportunities for further exploration. Specifically, given AI’s relative newness in marketing, coupled with its potentially unique and evolving effects on CE, we expect our findings to hold value for researchers (e.g., by serving as a foundation for further exploration), warranting AI-based CE’s importance in the coming years.

We next review AI-based CE literature (Section 2), followed by an outline of the deployed methodology (Section 3). We, then, present our main findings (Section 4), followed by an overview of key implications that emerge from our work (Section 5).

Given its demonstrated effect on firm performance (Beckers et al., 2018), CE is heralded as a key consumer psychology/behavior, and marketing, metric (Kumar & Pansari, 2016; Lim et al., 2022). However, CE’s definition is contested. For example, though Brodie et al. (2011, p. 260) define CE as “a motivational state that occurs by virtue of interactive co-creative, [consumer] experiences with a focal
agent/object,” Hollebeek et al. (2019, p. 166) conceptualize it as a consumer’s “investment of …operant resources [e.g., cognitive/ behavioral knowledge/skills], and operand resources [e.g., equipment] in [their] brand interactions.” Notwithstanding these differences, we distil the following generic CE traits.

First, CE is an interactive concept that centers on the consumer’s interactions with a brand or (a) specific brand-related object(s) (e.g., brand-related AI technologies; Hollebeek et al., 2023; Perez-Vega et al., 2021). Here, interaction reflects “mutual or reciprocal action or influence” (Vargo & Lusch, 2016, p. 9) between the engagement subject (e.g., consumer) and the engagement object (e.g., an Al technology; Hoffman & Novak, 2018; Hollebeek, 2011; Sung et al., 2021). When consumers interact with AI technologies, they may be aware, or unaware, of their interaction with a machine, as gauged by the Turing Test.

Second, CE is, typically, modeled as a multidimensional construct comprising cognitive, emotional, and behavioral dimensions (Hollebeek et al., 2023; Vivek et al., 2014). While cognitive engagement reflects the consumer’s cognitive resource investment in their brand interactions (Schaarschmidt & Dose, 2023), emotional engagement denotes a consumer’s emotion (e.g., passion) invested in their brand interactions (Herrando et al., 2017). Behavioral engagement, then, reflects consumers’ investment of time, energy, and effort in their brand interactions (Hollebeek et al., 2014).

Third, scholars have adopted manifold theories to explore CE, including S-D logic (Brodie et al., 2011), relationship marketing (Vivek et al., 2014), and congruity theory (Islam et al., 2018), among others, revealing the concept’s theoretical versatility (Hollebeek et al., 2023). CE has also been explored in online (digital), offline, and hybrid (phygital) contexts (Mele & Russo-Spena, 2022). For example, while offline CE has been explored in sectors, including hospitality/tourism (e.g., So et al., 2014), coffee shops (e.g., Ornelas Sánchez & Vera Martínez, 2021), or gyms (e.g., Menidjel et al., 2023), digital engagement has been studied in settings, including online communities (Ozuem et al., 2021), social media (Hollebeek et al., 2014), augmented, virtual, and mixed reality (Rather et al., 2023), Al technologies (Moriuchi, 2021), among others. Digital engagement researchers have adopted perspectives, including the Technology Acceptance Model (e.g., Moriuchi, 2019), diffusion of innovations, and technology readiness (e.g., Yin et al., 2023), to name a few. We next review marketing-based AI literature.

AI, “a system’s ability to interpret external data…, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation” (Haenlein & Kaplan, 2019, p. 5), has, likewise gained momentum in consumer psychology/behavior, and marketing, research (Mehta et al., 2022). For example, while Apple’s Siri allows consumers to seamlessly execute tasks through voice commands, Google Home permits users to remotely perform tasks at home (e.g., monitoring the alarm; Xiao & Kumar, 2021). Through their
ability to perform specific tasks increasingly accurately over time, AI applications that incorporate machine- or deep learning, or generative AI, technology may help consumers complete their tasks more efficiently or effectively (Huang & Rust, 2021; Xie et al., 2022). For example, chatbots tend to offer consumers more accurate, comprehensive, or personalized product recommendations or solutions over time (Dwivedi et al., 2023).

Scholars classify AI in different ways. For example, Huang and Rust (2018) propose a tri-partite typology comprising mechanical AI (i.e., able to perform repetitive or routine tasks), thinking AI (i.e., able to learn from data to make decisions), and feeling AI (i.e., able to display empathy; Hollebeek et al., 2021). Another pertinent AI classification is (a) generative Al , which is used to create novel, original, or creative (e.g., textual/image-based) content (e.g., ChatGPT/Copy.ai; Dwivedi et al., 2023), and (b) predictive AI, which uncovers patterns in historical data to predict or forecast specific future outcomes, behaviors, or events (e.g., predictive SMS; Hollebeek et al., 2021). By helping consumers execute specific tasks more efficiently or effectively (e.g., through predictive text), Al technologies can boost their engagement, whether with the technology or with the brand/firm (Hyun et al., 2022; Kull et al., 2021). For example, personalized AI-generated solutions can help raise consumers’ (e.g., monetary/referral-based) resource investments in their brand interactions (Barnes & de Ruyter, 2022), boosting their engagement (Bertrandias et al., 2021). Al adoption can, thus, help foster value-laden customer relationships (Singh et al., 2021), demonstrating AI-based CE’s strategic value.

To synthesize the corpus of AI-based CE literature, we conducted a systematic review to identify and assess published work in this multidisciplinary area (Petticrew & Roberts, 2006; Siddaway et al., 2019). To perform the review, we followed a three-step search process that comprised initial and secondary searches, followed by a snowball search, to ensure all relevant studies were identified and included in our article sample (see Figure 1; Giang Barrera & Shah, 2023; Swaminathan & Venkitasubramony, 2024). In our initial search, we focused on articles published in Marketing and Business journals, which we later broadened to include relevant articles published in non-Marketing and non-Business journals (e.g., Arts/ Humanities, Psychology, and Decision Sciences) in our secondary search. In the snowball search, we further scanned the literature, including the reference lists of the studied articles, to ensure no relevant studies were missed.

We, then, developed a protocol specifying the inclusion criteria for our articles (Hollebeek et al., 2023). Specifically, relevant articles addressing AI-based CE that were published in English, peerreviewed Scopus-indexed journals with an impact factor of were considered eligible for inclusion in our review (Giang Barrera & Shah, 2023; Rehman et al., 2020). We did not restrict our search to any particular start date, and instead considered any eligible articles published up until October 8, 2023 (Le et al., 2022).

To guide our analysis, we adopted the widely-used PRISMA protocol (e.g., Hollebeek et al., 2023; Moher, 2009), which comprises three main phases, including Identification, Screening, and Inclusion (Page et al., 2021). First, in the Identification phase, we searched the titles, abstracts, and keywords of eligible Scopus-indexed journals for the following keywords (Shobhit et al., 2023): (engagement AND (“artificial intelligence” OR AI OR “machine learning” OR “deep learning” OR automated OR automation OR self-driving OR autonomous OR chatbot* OR “voice assistant*” OR robot* OR “digital assistant*” OR “virtual assistant*” OR “recommender system*” OR “recommendation agent*” OR “supervised learning” OR “unsupervised learning” OR smart)). We focused on original research, thus excluding prior (e.g., systematic or bibliometric) reviews (e.g., Lim et al., 2022; Mehta et al., 2022) from our article sample (Clarke, 2011).

The search conducted on October 8, 2023, which covered all eligible articles published up until this date, yielded a total of 16,698 records. However, of these, we only considered those published in

English-language, Scopus-indexed Marketing and Business journals (Hollebeek et al., 2023). Therefore, studies published in other disciplines (e.g., Neuroscience/Microbiology, ), in other languages ( ), or those in other outlets (e.g., conference proceedings, books/trade journals; ), were excluded (Zorzela et al., 2016), yielding a sample of 891 publications eligible for further assessment.

In the Screening phase, we undertook title-abstract-keyword screening of the 891 articles (Page et al., 2021; Rehman et al., 2020), limiting our analysis to those articles exploring the interface of specific AI technologies and CE. For example, we excluded Acar and Toker (2019), who address sharing economy-based AI adoption vis-àvis consumers’ personality traits (vs. Al-based CE). This part of the Screening phase yielded a total of 115 articles eligible for full-text review (Moriuchi, 2019; Perez-Vega et al., 2021). From these, we removed another 59 articles, either given their lack of relevance to our objective, or because the relevant journal’s impact factor was <3. For example, we removed Jain and Gandhi’s (2021) work that is
focused on AI and impulse buying behavior (vs. AI-based CE). Therefore, in the Inclusion phase, we retained a total of 56 articles from our initial literature search (see Figure 1).

We, then, conducted a secondary search to ensure that all eligible articles were, indeed, included in our sample (Page et al., 2021; see Figure 1). Given AI-based CE’s multidisciplinary nature (Sung et al., 2021), we broadened the search to articles published in Social Sciences, Arts/Humanities, Psychology, Decision Sciences, and Multidisciplinary journals. Using the same keyword combination: ((consumer* OR customer* OR brand* OR user* OR visitor* OR tourist* OR buyer* OR gamer*) AND engagement AND (“artificial intelligence” OR AI OR “machine learning” OR “deep learning” OR automated OR automation OR self-driving OR autonomous OR chatbot* OR “voice assistant*” OR robot* OR “digital assistant*” OR “virtual assistant*” OR “recommender system*” OR “recommendation agent*” OR “supervised learning” OR “unsupervised learning” OR smart)), we identified a total of 5,199 records (see Figure 1).

We, again, excluded articles featuring limited relevance, including those in Physics/Astronomy ( ), those published in non-peerreviewed journals ( ), and those in non-English outlets ( ), leading us to retain 926 articles for inclusion in title-abstract-keyword screening. Of these, a further 683 were removed due to lacking relevance, and another 182 owing to duplication, yielding a total of 61 articles for full-text review. For example, we removed Chen et al. (2019), given its focus on the interface of consumer-perceived value, past experience, and behavioral intention (vs. Al-based CE). Of the 61 remaining articles, a further 30 were removed (e.g., Lee et al., 2019), as they, upon closer inspection, did not address AI-based CE or were published in journals with an impact factor of <3, yielding 28 additional articles for further analysis (e.g., Jiang et al., 2022; Wen et al., 2022). Finally, on October 11, 2023, we further verified that all eligible articles were included in our review by scanning the reference lists of the articles in our initial ( ) and secondary ( ) searches, uncovering five additional studies (e.g., Kumar et al., 2021). Overall, our sample contains 89 articles addressing AI-based CE (see Table 1 and Supporting Information: Appendix 1).

Analyzing the 89 articles, we observed that most were published in the period from 2020 until October 2023 (93.26%), with the others (6.74%) appearing from 2015 to 2019 (e.g., Bretan et al., 2015; Moriuchi, 2019). This observation makes sense, given marketing scholars’ rising interest in AI in recent years (Lin & Wu, 2023; Rahman et al., 2023) and, thus, in AI-based CE. For example, in late 2018, Hollebeek, Sprott, and Brady launched a Journal of Service Research special issue call titled “Customer Engagement in Automated Service Interactions” (Hollebeek et al., 2021).

The most-cited AI-based CE articles (as of October 11, 2023) were Huang and Rust (2021; i.e., 275), followed by Moriuchi (2019)
(i.e., 141) in Psychology & Marketing, and Xiao and Kumar (2021) (i.e., 113). Our article sample was sourced from 54 journals, including the Journal of Business Research (5 articles), Journal of Service Research (4), Computers in Human Behavior (4), International Journal of HumanComputer Interaction (4), Journal of Research in Interactive Marketing (4), Journal of Retailing & Consumer Services (4), and Frontiers in Psychology (3). Average citations for each of our studied articles are also included in Supporting Information: Appendix 2.

The sample reveals different AI subareas, including conversational AI (32.58%), robotics (17.98%), smart technology (8.99%), machine learning (3.37%), recommender systems (2.25%), and automation (1.12%), among others. The articles address several AIbased CE contexts, including tourism and hospitality (Wei & Prentice, 2022), branding (Rahman et al., 2023), healthcare (Kumar et al., 2021), and social media (Ghouri et al., 2022), among others. Moreover, while of the articles did not explicitly use a guiding theory, the remaining 71.91% did. The most common theories include stimulus-organism-response theory (14 articles; e.g., Asante et al., 2023; Gao et al., 2022), the Technology Acceptance Model (6 articles; e.g., Moriuchi, 2019; Xiao & Kumar, 2021), and social presence theory (3 articles; e.g., McLean et al., 2021; Yu et al., 2022). Overall, our review uncovered AI-based CE authors’ adoption of 56 different theories. Furthermore, 92.13% of the articles are empirical (7.87% conceptual). Relatedly, 62 of the empirical studies deployed quantitative methods (e.g., Asante et al., 2023; Moriuchi, 2021), 7 employed qualitative approaches (e.g., Ghouri et al., 2022; Singh et al., 2021), and 13 used mixed-methods (e.g., Chandra et al., 2022; Kumar et al., 2021).

We next content-analyzed the articles to uncover the main themes of Al-based CE, including: (i) Increasingly accurate service provision through AI-based CE; (ii) Capacity of AI-based CE to (co)create consumer-perceived value, and (iii) AI-based CE’s reduced consumer effort in their task execution, as detailed below.

Al technologies are heralded to provide more accurate service or (service) outcomes compared to traditional human-to-human interactions (Huang & Rust, 2021). Based on our analysis, this elevated accuracy is due to two main factors. First, the ability of thinking/ feeling, machine/deep learning, or generative/predictive AI technologies to gradually improve their performance is central to increasingly accurate service provision (Hollebeek et al., 2021; Huang & Rust, 2018). For example, since its Q4, 2022 launch, generative AI ChatGPT’s capabilities have already considerably improved (e.g., through people’s data sharing with it, enabling it to learn; Dwivedi et al., 2023). Moreover, by logging and monitoring users’ clickstream

behavior, online recommender systems are able to provide increasingly personalized solutions to their users (Maslowska et al., 2022).

Al’s capacity to learn will help boost consumers’ in- and/or extrarole performance (e.g., by enhancing the efficiency or effectiveness of the customer journey; Heller et al., 2021; Hollebeek et al., 2023). For example, while voice assistants (e.g., Amazon’s Echo) allow their users to multitask, AI-based Google Ads’ capacity to provide multiple offerings in a matter of seconds can facilitate or accelerate their purchase decision-making (Kumar et al., 2016). Overall, Al’s ability to learn, whether through thinking/feeling, machine/deep learning, or generative/predictive AI, permits firms to progressively pinpoint, estimate, or pre-empt those offerings that consumers are interested in, the communications they are likely to respond to, their responses to specific promotions, and so on (Lin et al., 2021), thus influencing CE. However, to leverage AI’s capacity to learn, high-quality training data is pivotal (Pradeep et al., 2019), as poor data will suboptimize its learning, yielding low-quality (e.g., incorrect) solutions (i.e., garbage-in, garbage-out; Hair & Sarstedt, 2021).

Second, AI technologies are, typically, heralded to provide more accurate service (e.g., given their capacity to reduce human error compared to human-to-human service delivery (Hollebeek et al., 2021). That is, if AI technologies are suitably trained with high-quality data, they are expected to complete tasks more efficiently, safely, and consistently than humans (Lin et al., 2021), thus lowering service variability and raising service quality (Bertrandias et al., 2021). For example, autonomous cars, reportedly, cause fewer accidents (Schneble & Shaw, 2021), potentially wiping out the car insurance sector (Mills, 2021). However, if poor-quality (e.g., biased) training data is used, which may also be subject to human error (e.g., in cases of supervised learning; Pradeep et al., 2019), Al technologies are likely to provide inaccurate suggestions or solutions. Relatedly, substantial human inputs are, still, needed to facilitate AI-based learning (e.g., by manually entering, sorting, or annotating the data that are used as the inputs for Albased learning; Dzieza, 2023), which can, likewise, incur human error (e.g., inaccuracies/mistakes; Mehta et al., 2023).

When consumers interact with AI technologies, they are likely to derive a particular perceived value level from these interactions (e.g., through the technology’s perceived usefulness, convenience, or personalization; Huang & Rust, 2021). Here, consumer-perceived value denotes a consumer’s “overall assessment of the utility of a product based on perceptions of what is received and what is given” (Zeithaml, 1988, p. 14). For example, Al technology may be applied to mow the lawn or clean the house (e.g., robotic vacuum cleaners/lawn mowers). In these processes, consumers may cocreate value with the technology (Gao et al., 2022; Wen et al., 2022), where cocreation refers to a consumer’s “perceived value arising from joint, interactive, collaborative, or personalized
brand-related activities” (Hollebeek et al., 2019, p. 167). When consumers perceive their AI interactions to be of value, they will tend to derive positive perceived (cocreated) value from their interactions with these, and vice versa (Fang et al., 2022; Prentice et al., 2020), typically fueling their desire to continue engaging with these (Lalicic & Weismayer, 2021).

Customer-perceived AI value is likely to differ across AI subtypes and/or contexts. For example, while mechanical Al is able to automate routine tasks (e.g., a company’s automated phone menu), it-unlike machine or deep learning, thinking or feeling, or generative or predictive AI technologies (e.g., conversational agents)-is not designed to learn or improve its performance over time (Hari et al., 2022). Likewise, while students may see more value in specific (e.g., essay) content being created for them through generative Al (e.g., ChatGPT/Google Bard), on holiday, they may wish to primarily interact with predictive AI (e.g., Google Ads to facilitate their purchase decision-making). Overall, our analyses suggest that as technologies increasingly mimic human thinking or feeling processes, their customer-perceived (cocreated) value is likely to rise (e.g., given their capacity to personalize service or to display empathy; LiuThompkins et al., 2022; Van Doorn et al., 2017). The consumerperceived value of generative (vs. predictive) AI may also differ (e.g., based on users’ unique needs).

While the literature highlights AI-based CE’s positive effects, insight into Al’s potentially negative impact on engagement is also emerging (Hepziba & John, 2020; Thaichon et al., 2023). For example, Saxena (2022), Xiao and Kumar (2021), and Grundner and Neuhofer (2021) suggest that AI may reduce, or (co)destroy, perceived value, including in cases of service failure or unmet expectations (e.g., when the algorithm is still learning). Likewise, while authors, including Hlee et al. (2022) and Hyun et al. (2022), show that elevated AI friendliness, coolness, or competence boost CE, at low levels, these may hamper the development of these variables.

To perform their in-role activities (e.g., by researching, evaluating, or purchasing goods; Piercy, 2006) and extra-role activities (e.g., by providing brand-related word-of-mouth; Karaosmanoglu et al., 2016), consumers are, traditionally, required to invest specific cognitive, emotional, and/or behavioral resources, reflecting their engagement (Hollebeek et al., 2019). Consumers may perceive their resource investments to vary in terms of their perceived difficulty, exposing differing levels of role-related effort (Sweeney et al., 2015). While AI technologies do not necessarily remove consumers’ required resource investments in their in- or extra-role activities (or rolerelated effort) altogether, these technologies may, indeed, reduce their required resource investments or effort (e.g., by performing specific tasks for them; Sampson, 2021). For example, video-tag recommender systems suggest specific tags to be added to online videos (Yang & Lin, 2022), reducing the user’s necessary (e.g., cognitive) resource
investment (e.g., in determining suitable tags) and boosting the technology’s perceived ease of use, as proposed in the Technology Acceptance Model (Davis, 1989), while lowering their technological effort expectancy, as professed in the Unified Theory of Acceptance and Use of Technology (Venkatesh et al., 2003). Likewise, companies like Amazon or McDonald’s are increasingly delivering their orders through land-based or airborne robots (e.g., drones), removing consumers’ need to collect their order and enabling faster delivery. In turn, consumers’ technology adoption and continued usage are expected to rise.

The Al-induced reduction in consumers’ required resource investments, or effort, to execute their in- or extra-role activities exposes an interesting literature-based tension: While the CE literature, conventionally, suggests that raising or optimizing CE will boost firm performance (e.g., Brodie et al., 2011), Al’s role in lowering users’ required resource investments may engender a need to revise this original CE-based assertion in the Al context (i.e., as Al may reduce their required effort; Hollebeek et al., 2021). Relatedly, rather than reducing consumers’ required resource investments per se, their AI interactions may also shift the nature or composition of their engagement. For example, the use of Al-generated (vs. human-generated) product recommendations may lower their cognitive resource investment or effort.

Following prior systematic reviews (e.g., Ameen et al., 2022; Rehman et al., 2020), we next develop a model that depicts AI-based CE vis-àvis its key antecedents and consequences (Figure 2). By synthesizing Al-based CE’s nomological network, the model serves as an important resource for further AI-based CE scholarship. For definitions of the model’s constituent concepts, please refer to Supporting Information: Appendix 3.

Reviewing the corpus of Al-based CE research, we uncovered five categories of AI-based CE antecedents, including personal, technological, interactional, social, and situational factors, as detailed below.

Personal factors address the consumer’s individual characteristics, perceptions, and expectations, which we further subdivide into consumers’ expected AI benefits and perceived AI congruency/identification. First, expected AI benefits refer to consumers’ anticipated benefit of (using) specific AI technologies (Bertrandias et al., 2021; Kumar et al., 2021). Key constructs examined in this area include

perceived usefulness (Moriuchi, 2019), perceived ease-of-use, expected value (McLean et al., 2021), trust (Mostafa & Kasamani, 2022), distrust (McLean et al., 2021), attitude toward the AI (Hlee et al., 2022), anticipated AI gratifications (Lin & Wu, 2023), and perceived behavioral control (Hollebeek, Menidjel, et al., 2022), among others. Consumers, thus, tend to assess upfront what they expect to get (vs. give) in their AI interactions (Zeithaml, 1988).

Second, consumer-perceived AI congruency/identification denotes the extent to which consumers perceive an AI technology to be congruent with (i.e., fit or match) their actual or desired self, and the degree to which they identify with it (Loureiro et al., 2022; Yin et al., 2023). These include brand-self distance (Kull et al., 2021), selfcongruity (Yin et al., 2023), community identification (Wen et al., 2022), lifestyle congruency (Loureiro et al., 2022), and chatbot identification (Loureiro et al., 2022; Figure 2), among others. For example, Shumanov and Johnson (2021) identify the role of congruent consumer-chatbot personality as a key driver of AIbased CE. Overall, personal factors comprise consumers’ functional or instrumental motives for engaging with AI technologies, alongside their more emotively driven (e.g., actual or ideal self-based) motives (Loureiro et al., 2022; Yin et al., 2023). The greater consumers’ anticipated functional and emotive AI benefits, the greater the predicted initiation (e.g., uptake) and continuation (e.g., repeated use) of their AI engagement.

Technological factors refer to the characteristics of specific AI technologies, which are likely to differ across (e.g., mechanical, thinking, or feeling, or generative/predictive) AI (e.g., Huang & Rust, 2021). Based on our review, we further subdivide this category into technological design/appearance and technological capabilities. First, technological design/appearance captures the Al’s embodiment and presentation (e.g., its anthropomorphic shape or perceived coolness; Ashfaq et al., 2021; Wirtz et al., 2018). Here, the uncanny valley suggests that an AI’s more anthropomorphic (human-like) traits tend to yield users’ more favorable evaluations, and engagement, up to a point, which, however, decrease post-this optimum (e.g., as users start to perceive highly human-like robots as creepy; Belanche et al., 2021).

Second, technological capabilities denote AI competencies (Rana et al., 2021), including its ability to learn (e.g., for machine/deep learning technologies), to greet its users, to express emotion, empathy, and warmth towards its users, to act responsibly, and to develop (e.g., personalized) solutions for its users (Kull et al., 2021; Li et al., 2022), reflecting Al’s potential mimicking of human cognitive and emotive capabilities (Bretan et al., 2015; Chandra et al., 2022). In this regard, AI efficiency, capabilities, human-like competencies, hospitability, and autonomy emerged as key CE drivers (Asante et al., 2023; Grimes et al., 2021).

Interactional factors reflect the dynamics characterizing consumers’ interactions with specific Al technologies (Fang et al., 2022), exposing AI-based CE’s bilateral nature that may be instigated or maintained by the consumer or the AI (Hollebeek et al., 2021). Interactional factors may either facilitate or impede AI-based CE (e.g., high interaction compatibility vs. high interaction complexity). Prior
authors have identified the following main interactional factors that shape AI-based CE: Interaction conspicuousness, innovation (e.g., chatbot) observability, communication style, compatibility/trialability, interaction complexity, and privacy, security, and safety concerns (e.g., Gao et al., 2022; Maslowska et al., 2022; Yin et al., 2023).

Social factors refer to forces in the social environment or an Al’s social characteristics that may impact AI-based CE. Key literaturebased social drivers of AI-based CE include subjective norms (Moriuchi, 2019), Al-perceived social presence (Tsai et al., 2021), social bonding (Fang et al., 2022), relational cohesion (HernandezOrtega et al., 2022), and parasocial interaction (Tsai et al., 2021). While some social factors may enable or accelerate AI-based CE (e.g., the ability of friendship AI, like Replika, to foster social bonding; Marriott & Pitardi, 2023), others might reduce it (e.g., Al-hesitant social norms or values).

Situational factors are transient contextual (e.g., time/locationspecific) variables that may impact AI-based CE (Hand et al., 2009). Our analysis reveals the particular role of situational variables in driving consumers’ Al-based page visits or views, and that of discovery, surprise, and perceived relevance in shaping AI-based CE (Wen et al., 2022; Xiao & Kumar, 2021). For example, Maslowska et al. (2022) identify the effect of consumers’ webpage visits on their engagement with AI-based recommendation agents. Given their ephemeral nature, situational factors are difficult to control or predict. We, however, expect more adaptable (e.g., thinking/feeling) AI to, generally, be better equipped to handle changing situational characteristics (Huang & Rust, 2021), thus exerting a more positive effect on AI-based CE.

We next identify key AI-based CE consequences that emerged from our review, which we classify as consumer-, firm-, and human/Al collaboration-based consequences. First, consumer-based consequences comprise user-perceived outcomes of AI-based CE, including the technology’s perceived contribution to their brand experience, actual (vs. expected) perceived value, satisfaction, attitudinal and behavioral brand loyalty, brand equity, positive brand or AI-related word-of-mouth, affective brand or AI commitment, behavioral (e.g., purchase) and/or (e.g., AI) usage intent, and customer retention (e.g., Aluri et al., 2019; Lin & Wu, 2023; Moriuchi, 2019; Rahman et al., 2023). While AI may be used to boost consumers’ perceived brand-related outcomes (e.g., recommendations or advocacy), individuals may, likewise, recommend specific AI technologies in their own right (e.g., Loureiro et al.’s (2022) chatbot advocacy).

Second, firm-based consequences are the effects of AI adoption for the firm (Mishra et al., 2022), including the ability to command a price or revenue premium (Jiang et al., 2022) and to exploit customers’ lifetime value (Maslowska et al., 2022), among others. Given the, typically, more challenging task of obtaining (e.g., commercially sensitive) firm data, studies in this subcategory, however, remain limited (vs. those addressing consumer-perceived consequences of AI-based CE).

Third, human/AI collaboration consequences are the outcomes that arise from AI-based CE for users or consumers, specific AI technology, and/or other stakeholders (Chen, Gong, et al., 2022; Hyun et al., 2022). Despite its importance, this subcategory of AIbased CE consequences, likewise, remains modest in size to-date. Thinking and feeling, or generative and predictive, AI technologies, in particular, are able to improve their performance over time (Dwivedi et al., 2023), yielding pertinent implications for human/AI collaboration. For example, while Hyun et al. (2022) propose that AI-based CE impacts the viability of service that is jointly provided by employees and service robots, AI-related learning also transpires by virtue of the technology’s collaboration with other human or nonhuman agents (Pradeep et al., 2019). Overall, despite growing interest in the human/Al collaboration consequences of AI-based CE (Peng et al., 2022), our review reveals a relative paucity of studies-and, thus, a need for further exploration-in this area.

In recent years, AI-based CE research has started to proliferate (Lin & Wu, 2023; Rahman et al., 2023). However, despite existing advances, this emerging research stream is becoming fragmented, with authors reporting different, potentially incompatible AI-based CE perspectives, methods, and findings. Addressing this literature-based tension, we systematically assessed this multidisciplinary research domain to
consolidate prior insight, yielding the following theoretical implications.

First, prior authors have conducted systematic reviews (e.g., Bilro & Loureiro, 2020), bibliometric analyses (e.g., Hollebeek, Sharma, et al., 2022; Lim et al., 2022), or meta-analyses of CE (e.g., De Oliveira Santini et al., 2020). Moreover, others have undertaken (e.g., systematic) reviews of marketing-based AI (e.g., Ameen et al., 2022; Mehta et al., 2022; Verma et al., 2021). However, despite budding insight into these areas individually, understanding of the AI-based CE interface remains scant to-date, as, therefore, assessed in this article. Correspondingly, we conducted a systematic review of AI-based CE research, thus consolidating scattered insight in this growing area. Our review identified three main themes of AI-based CE, including (i) Increasingly accurate service provision through AI-based CE; (ii) Capacity of AI-based CE to (co)create consumer-perceived value, and (iii) AI-based CE’s reduced consumer effort in their task execution. These observations raise pertinent research questions, as organized by the identified themes in Table 2.

Second, following prior systematic reviews (e.g., Ameen et al., 2022; Rehman et al., 2020), we synthesized Al-based CE within its nomological network (Figure 2). Thus, while the identified Al-based CE themes pinpoint the concept’s characteristics, the model highlights its core theoretical associations (MacInnis, 2011), collectively affording comprehensive insight into AI-based CE. We uncovered five AI-based CE antecedents (i.e., personal, technological, interactional, social, and situational factors/drivers), and three AIbased CE consequences (i.e., consumer-, firm-, and human/AI collaboration-based outcomes). By advancing and refining scholarly understanding of AI-based CE’s theoretical associations, the model

offers significant value for further researchers in this multidisciplinary field. For example, while the attained acumen of AI-based CE’s antecedents facilitates assessments of how to cultivate the concept, its identified consequences help warrant its strategic value (e.g., given Al-based CE’s demonstrated effect on key firm performance indicators like customer retention/lifetime value; Maslowska et al., 2022).

Our analyses also raise pertinent managerial implications. First, our initial theme of increasingly accurate service provision through AI-based CE suggests that the ability of AI technologies to learn or to reduce human error benefits service accuracy and -quality (Hollebeek et al., 2021; Huang & Rust, 2021). We, therefore, advise managers to scan their firms for relevant AI implementation opportunities, which we anticipate to raise long-term service quality, while reducing service issues and failure, in turn boosting organizational performance (Chen, Gong, et al., 2022). However, as not all tasks may be equally suited to AI adoption (e.g., in some cases, customers may prefer talking to a real person; Longoni & Cian, 2022), we advise managers to carefully assess those firm priority areas in which to adopt AI technology.

Second, our theme of the capacity of AI-based CE to (co)create consumer-perceived value suggests AI-based CE’s ability to (co)create consumer-perceived value (Hollebeek, Sharma, et al., 2022). Specifically, AI technologies may help reduce perceived cost (e.g., by saving consumers time or effort in their task execution), or they may offer more convenient access, communication, or personalization options (Hari et al., 2022; Jiang et al., 2022), boosting consumer-perceived (co)creation (Vargo & Lusch, 2016). We, therefore, advise managers to conduct upfront (e.g., scoping) research with their target audiences to pinpoint those areas in which they would most value engaging with AI technologies. At the same time, we also caution against potential Al-based (e.g., privacy or security) risks (Bertrandias et al., 2021).

Third, our final theme of AI-based CE’s reduced consumer effort in their task execution proposes that AI-based CE reduces consumers’ required effort in executing their role-related activities (e.g., by automating routine tasks), which we expect to, in many cases, raise their service (quality) assessments (Hollebeek et al., 2021; Leung et al., 2018). Correspondingly, we recommend managers to implement consumer-perceived effort-reducing AI technologies, given their predicted beneficial impact on users’ service assessments (Sampson, 2021).

Notwithstanding its contribution, this study also has limitations. First, we relied on the Scopus database to identify relevant AI-based CE articles in English, thus excluding articles published in non-Scopus
journals. Future researchers could, therefore, consult other or related databases (e.g., Web of Science/Google Scholar) to source their data and include non-English works in their further reviews of Al-based CE.

Second, though we adopted a broad range of search keywords, Al’s rapid innovation and evolution may spark new (future) Al-related terminology that is not covered in our analysis. We, therefore, recommend scholars to carefully scrutinize the emerging AI discourse, and assess its potential impact on or implications for CE, as well as for other stakeholders’ (e.g., employees’ or suppliers’) engagement (Hollebeek, Kumar, et al., 2022). In other words, the emergence of new AI (or CE)-based insight may generate a need to revisit, test, validate, or refine the proposed AI -based CE themes. Relatedly, while AI washing-claimed AI deployment when this is not the case (Leffrang & Mueller, 2023)-may aim to raise engagement, consumers learning about this falsehood may, in fact, lower their engagement, thus also meriting further scrutiny.

Third, though the emerging subfield of AI-based CE remains relatively nascent to-date, our sample, nevertheless, contains 89 articles, revealing the vibrant research activity in this area. We, however, expect AI -based CE research to proliferate in the coming years, offering opportunities for further (e.g., bibliometric) reviews of AI-based CE to complement our findings. Finally, based on the observed paucity of prior research in specific AI-based CE subareas (e.g., the effect of AI-based CE on human/AI collaboration), we recommend the development of further insight in these areas. For example, what AI attributes are core (vs. less core) in shaping users’ engagement with specific AI technologies or with the brand? What is the effect of AI-based automated social presence (Van Doorn et al., 2017) on consumers’ (e.g., brand) engagement? How many current or evolving AI technologies (uniquely) affect CE? Providing answers to these questions is pivotal to better understand the interplay between AI and CE in an increasingly automated world.

The authors thank the editor and the review team for their helpful feedback, which has helped us improve the manuscript. The lead author would also like to thank Professor Brett A.S. Martin and Professor Cristiana Lages for a discussion on AI and CE. Finally, the second author would like to thank Pr Amor Djenina, Dr Riyadh Moussaoui, Dr Otmane Atmania, Dr Saif Eddine Guehairia, Dr Adel Khaldi, Dr Fares Gater, Dr Abdelkarim Choukal, Dr Widad Benkirat, and Dr Sara Helimi for their invaluable support and for creating conducive working conditions during the preparation of this article, allowing him to dedicate time to this research.

The authors declare no conflict of interest.

Data sharing is not applicable to this article as no new data were created or analyzed in this study.

Linda D. Hollebeek (D) http://orcid.org/0000-0002-1282-0319
Choukri Menidjel (D) http://orcid.org/0000-0001-8510-800X
Marko Sarstedt (D) http://orcid.org/0000-0002-5424-4268
Johan Jansson (D) https://orcid.org/0000-0003-2593-9439
Sigitas Urbonavicius (D) http://orcid.org/0000-0003-4176-2573

Acar, M., & Toker, A. (2019). Predicting consumer personality traits in the sharing economy: The case of Airbnb. Applied Marketing Analytics, 5(1), 83-96.
Acikgoz, F., Perez-Vega, R., Okumus, F., & Stylos, N. (2023). Consumer engagement with AI-powered voice assistants: A behavioral reasoning perspective. Psychology & Marketing, 40(11), 2226-2243.
Akdim, K., & Casaló, L. V. (2023). Perceived value of Al-based recommendations service: the case of voice assistants. Service Business, 17(1), 81-112.
Aluri, A., Price, B., & McIntyre, N. (2019). Using machine learning to cocreate value through dynamic customer engagement in a brand loyalty program. Journal of Hospitality & Tourism Research, 43(1), 78-100.
Ameen, N., Sharma, G., Tarba, S., Rao, A., & Chopra, R. (2022). Toward advancing theory on creativity in marketing and artificial intelligence. Psychology & Marketing, 39(9), 1802-1825.
Asante, I., Jiang, Y., Hossin, A., & Luo, X. (2023). Optimization of consumer engagement with artificial intelligence elements on electronic commerce platforms. Journal of Electronic Commerce Research, 24(1), 7-28.
Ashfaq, M., Yun, J., & Yu, S. (2021). My smart speaker is cool! Perceived coolness, perceived values, and users’ attitude toward smart speakers. International Journal of Human-Computer Interaction, 37(6), 560-573.
Aslam, U. (2023). Understanding the usability of retail fashion brand chatbots: Evidence from customer expectations and experiences. Journal of Retailing and Consumer Services, 74, 103377.
Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R., & Khatatneh, K. F. (2021). SMEs and artificial intelligence (AI): Antecedents and consequences of AI-based B2B practices. Industrial Marketing Management, 98, 255-270.
Barnes, S., & de Ruyter, K. (2022). Guest editorial: Artificial intelligence as a market-facing technology: Getting closer to the consumer through innovation and insight. European Journal of Marketing, 56(6), 1585-1589.
Beckers, S. F. M., Van Doorn, J., & Verhoef, P. C. (2018). Good, better, engaged? The effect of company-initiated customer engagement behavior on shareholder value. Journal of the Academy of Marketing Science, 46, 366-383.
Belanche, D., Casaló, L., Schepers, J., & Flavián, C. (2021). Examining the effects of robots’ physical appearance, warmth, and competence in frontline services: The Humanness-Value-Loyalty model. Psychology & Marketing, 38(12), 2357-2376.
Bertrandias, L., LOWE, B., Sadik-Rozsnyai, O., & Carricano, M. (2021). Delegating decision-making to autonomous products: A value model emphasizing the role of well-being. Technological Forecasting and Social Change, 169, 120846.
Bilro, R. G., & Loureiro, S. M. C. (2020). A consumer engagement systematic review: Synthesis and research agenda. Spanish Journal of Marketing-ESIC, 24(3), 283-307.
Bindewald, J. M., Miller, M. E., & Peterson, G. L. (2020). Creating effective automation to maintain explicit user engagement. International Journal of Human-Computer Interaction, 36(4), 341-354.
Blasi, S., Gobbo, E., & Sedita, S. R. (2022). Smart cities and citizen engagement: Evidence from Twitter data analysis on Italian municipalities. Journal of Urban Management, 11(2), 153-165.

Brakus, J. J., Schmitt, B. H., & Zarantonello, L. (2009). Brand experience: What is it? How is it measured? Does it affect loyalty? Journal of Marketing, 73(3), 52-68.
Bretan, M., Hoffman, G., & Weinberg, G. (2015). Emotionally expressive dynamic physical behaviors in robots. International Journal of HumanComputer Studies, 78, 1-16.
Brodie, R. J., Hollebeek, L. D., Jurić, B., & Ilić, A. (2011). Customer engagement: Conceptual domain, fundamental propositions, and implications for research. Journal of Service Research, 14(3), 252-271.
Brown, R., Coventry, L., Sillence, E., Blythe, J., Stumpf, S., Bird, J., & Durrant, A. C. (2022). Collecting and sharing self-generated health and lifestyle data: Understanding barriers for people living with long-term health conditions-A survey study. Digital Health, 8. https://doi.org/10.1177/20552076221084458
Çakar, K., & Aykol, Ş. (2021). Understanding travellers’ reactions to robotic services: A multiple case study approach of robotic hotels. Journal of Hospitality and Tourism Technology, 12(1), 155-174.
Carroll, B. A., & Ahuvia, A. C. (2006). Some antecedents and outcomes of brand love. Marketing Letters, 17, 79-89.
Celsi, R. L., & Olson, J. C. (1988). The role of involvement in attention and comprehension processes. Journal of Consumer Research, 15(2), 210-224.
Chandra, S., Shirish, A., & Srivastava, S. C. (2022). To be or not to be human? Theorizing the role of human-like competencies in conversational artificial intelligence agents. Journal of Management Information Systems, 39(4), 969-1005.
Chang, J. Y. S., Konar, R., Cheah, J. H., & Lim, X. J. (2023). Does privacy still matter in smart technology experience? A conditional mediation analysis. Journal of Marketing Analytics. https://doi.org/10.1057/ s41270-023-00240-8
Chaudhuri, A., & Holbrook, M. B. (2001). The chain of effects from brand trust and brand affect to brand performance: the role of brand loyalty. Journal of Marketing, 65(2), 81-93.
Chen, Q., Gong, Y., Lu, Y., & Tang, J. (2022). Classifying and measuring the service quality of AI chatbot in frontline service. Journal of Business Research, 145, 552-568.
Chen, X., Cheah, S., & Shen, A. (2019). Empirical study on behavioral intentions of short-term rental tenants-The moderating role of past experience. Sustainability, 11(12), 3404.
Chen, Y., Keng, C., & Chen, Y. (2022). How interaction experience enhances customer engagement in smart speaker devices? The moderation of gendered voice and product smartness. Journal of Research in Interactive Marketing, 16(3), 403-419.
Chen, Y., Prentice, C., Weaven, S., & Hsiao, A. (2022). The influence of customer trust and AI on customer engagement and loyalty-The case of the home-sharing industry. Frontiers in Psychology, 13, 912339.

Cheng, Y., & Jiang, H. (2020). Al-Powered mental health chatbots: Examining users’ motivations, active communicative action and engagement after mass-shooting disasters. Journal of Contingencies and Crisis Management, 28(3), 339-354.
Cheung, M. L., Pires, G., Rosenberger III, P. J., Leung, W. K. S., & Chang, M. K. (2021). The role of social media elements in driving cocreation and engagement. Asia Pacific Journal of Marketing and Logistics, 33(10), 1994-2018.
Clarke, J. (2011). What is a systematic review? Evidence-based Nursing, 14(3):64.
Creswell, J., & Creswell, J. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Dong, B., Zhuang, M., Fang, E., & Huang, M. (2023). Tales of two channels: Digital advertising performance between AI recommendation and
user subscription channels. Journal of Marketing. https://doi.org/10. 1177/00222429231190021
Van Doorn, J., Lemon, K. N., Mittal, V., Nass, S., Pick, D., Pirner, P., & Verhoef, P. C. (2010). Customer engagement behavior: Theoretical foundations and research directions. Journal of Service Research, 13(3), 253-266.
Van Doorn, J., Mende, M., Noble, S. M., Hulland, J., Ostrom, A. L., Grewal, D., & Petersen, J. A. (2017). Domo arigato Mr. Roboto: Emergence of automated social presence in organizational frontlines and customers’ service experiences. Journal of Service Research, 20(1), 43-58.
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., … Wright, R. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
Dzieza, J. (2023). AI is a lot of work. https://www.theverge.com/features/ 23764584/ai-artificial-intelligence-data-notation-labor-scale-surge-remotasks-openai-chatbots
Fan, X., Ning, N., & Deng, N. (2020). The impact of the quality of intelligent experience on smart retail engagement. Marketing Intelligence & Planning, 38(7), 877-891.
Fang, S., Han, X., & Chen, S. (2022). The impact of tourist-robot interaction on tourist engagement in the hospitality industry: mixed-method study. Cornell Hospitality Quarterly, 64(2), 246-266.
Fuentes-Moraleda, L., Lafuente-lbañez, C., Fernandez Alvarez, N., & Villace-Molinero, T. (2022). Willingness to accept social robots in museums: An exploratory factor analysis according to visitor profile. Library Hi Tech, 40(4), 894-913.
Gao, L., Li, G., Tsai, F., Gao, C., Zhu, M., & Qu, X. (2022). The impact of artificial intelligence stimuli on customer engagement and value cocreation: The moderating role of customer ability readiness. Journal of Research in Interactive Marketing, 17(2), 317-333.
Garrison, D. R., Anderson, T., & Archer, W. (2000). Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education, 2(2-3), 87-105.
Gauer, V., Axsen, J., Dütschke, E., Long, Z., & Kelber, A. (2023). Who is more attached to their car? Comparing automobility engagement and response to shared, automated and electric mobility in Canada and Germany. Energy Research & Social Science, 99, 103048.
Ghouri, A. M., Mani, V., Haq, M. A., & Kamble, S. S. (2022). The micro foundations of social media use: Artificial intelligence integrated routine model. Journal of Business Research, 144, 80-92.
Giang Barrera, K., & Shah, D. (2023). Marketing in the Metaverse: Conceptual understanding, framework, and research agenda. Journal of Business Research, 155, 113420.
Grimes, G. M., Schuetzler, R. M., & Giboney, J. S. (2021). Mental models and expectation violations in conversational AI interactions. Decision Support Systems, 144, 113515.
Grundner, L., & Neuhofer, B. (2021). The bright and dark sides of artificial intelligence: A futures perspective on tourist destination experiences. Journal of Destination Marketing & Management, 19, 100511.
Guo, B., & Jiang, Z. (2023). Influence of personalised advertising copy on consumer engagement: A field experiment approach. Electronic Commerce Research. https://doi.org/10.1007/s10660-023-09721-5
Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review, 61(4), 5-14.
Hair, J., & Sarstedt, M. (2021). Data, measurement, and causal inferences in machine learning: Opportunities and challenges for marketing. Journal of Marketing Theory & Practice, 29(1), 65-77.

Ham, M., Jeger, M., & Frajman Ivković, A. (2015). The role of subjective norms in forming the intention to purchase green food. Economic Research-Ekonomska Istraživanja, 28(1), 738-748.
Hand, C., Dall’Olmo Riley, F., Harris, P., Singh, J., & Rettie, R. (2009). Online grocery shopping: The influence of situational factors. European Journal of Marketing, 43(9/10), 1205-1219.
Hari, H., lyer, R., & Sampat, B. (2022). Customer brand engagement through chatbots on bank websites-Examining the antecedents and consequences. International Journal of Human-Computer Interaction, 38(13), 1212-1227.
Harmeling, C. M., Moffett, J. W., Arnold, M. J., & Carlson, B. D. (2017). Toward a theory of customer engagement marketing. Journal of the Academy of Marketing Science, 45, 312-335.
Heller, J., Chylinski, M., De Ruyter, K., Keeling, D. I., Hilken, T., & Mahr, D. (2021). Tangible service automation: Decomposing the technologyenabled engagement process (TEEP) for augmented reality. Journal of Service Research, 24(1), 84-103.
Henkens, B., Verleye, K., & Larivière, B. (2021). The smarter, the better?! Customer well-being, engagement, and perceptions in smart service systems. International Journal of Research in Marketing, 38(2), 425-447.
Hepziba, E., & John, F. (2020). Role of chat-bots in customer engagement valence. Psychology & Education, 57(9), 2181-2186.
Hernández-Ortega, B., Aldas-Manzano, J., & Ferreira, I. (2022). Relational cohesion between users and smart voice assistants. Journal of Services Marketing, 36(5), 725-740.
Herrando, C., Jiménez-Martínez, J., & Martín-De Hoyos, M. J. (2017). Passion at first sight: How to engage users in social commerce contexts. Electronic Commerce Research, 17, 701-720.
Hlee, S., Park, J., Park, H., Koo, C., & Chang, Y. (2022). Understanding customer’s meaningful engagement with AI-powered service robots. Information Technology & People, 36(3), 1020-1047.
Hobert, S., Følstad, A., & Law, E. L. C. (2023). Chatbots for active learning: A case of phishing email identification. International Journal of Human-Computer Studies, 179, 103108.
Hoffman, D. L., & Novak, T. P. (2018). Consumer and object experience in the internet of things: An assemblage theory approach. Journal of Consumer Research, 44(6), 1178-1204.
Hollebeek, L., Kumar, V., & Srivastava, R. K. (2022). From customer-, to actor-, to stakeholder engagement: Taking stock, conceptualization, and future directions. Journal of Service Research, 25(2), 328-343.
Hollebeek, L., Menidjel, C., Itani, O., Clark, M., & Sigurdsson, V. (2022). Consumer engagement with self-driving cars: A theory of planned behavior-informed perspective. Asia Pacific Journal of Marketing & Logistics, 35(2), 2029-2046.
Hollebeek, L., Sarstedt, M., Menidjel, C., Sprott, D., & Urbonavicius, S. (2023). Hallmarks and potential pitfalls of customer- and consumer engagement scales: A systematic review. Psychology & Marketing, 40(6), 1074-1088.
Hollebeek, L., Sharma, T., Pandey, R., Sanjal, P., & Clark, M. (2022). Fifteen years of customer engagement research: A bibliometric- and network Analysis. Journal of Product & Brand Management, 31(2), 293-309.
Hollebeek, L. D. (2011). Demystifying customer brand engagement: Exploring the loyalty nexus. Journal of Marketing Management, 27(7-8), 785-807.
Hollebeek, L. D., & Belk, R. (2021). Consumers’ technology-facilitated brand engagement and wellbeing: Positivist TAM/PERMA- vs. consumer culture theory perspectives. International Journal of Research in Marketing, 38(2), 387-401.
Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of Interactive Marketing, 28(2), 149-165.
Hollebeek, L. D., Kumar, V., Srivastava, R. K., & Clark, M. K. (2023). Moving the stakeholder journey forward. Journal of the Academy of Marketing Science, 51, 23-49.

Hollebeek, L. D., Sprott, D. E., & Brady, M. K. (2021). Rise of the machines? Customer engagement in automated service interactions. Journal of Service Research, 24(1), 3-8.
Hollebeek, L. D., Srivastava, R. K., & Chen, T. (2019). SD logic-informed customer engagement: Integrative framework, revised fundamental propositions, and application to CRM. Journal of the Academy of Marketing Science, 47, 161-185.
Hu, Q., & Pan, Z. (2023). Can AI benefit individual resilience? The mediation roles of AI routinization and infusion. Journal of Retailing and Consumer Services, 73, 103339.
Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.
Huang, M. H., & Rust, R. T. (2021). Engaged to a robot? The role of AI in service. Journal of Service Research, 24(1), 30-41.
Huang, T. L., Tsiotsou, R. H., & Liu, B. S. (2023). Delineating the role of mood maintenance in augmenting reality (AR) service experiences: An application in tourism. Technological Forecasting and Social Change, 189, 122385.
Hyun, Y., Hlee, S., Park, J., & Chang, Y. (2022). Discovering meaningful engagement through interaction between customers and service robots. The Service Industries Journal, 42(13-14), 973-1000.
Islam, J. U., Rahman, Z., & Hollebeek, L. D. (2018). Consumer engagement in online brand communities: A solicitation of congruity theory. Internet Research, 28(1), 23-45.
Jain, S., & Gandhi, A. V. (2021). Impact of artificial intelligence on impulse buying behaviour of Indian shoppers in fashion retail outlets. International Journal of Innovation Science, 13(2), 193-204.
Jia, J., & Wang, J. (2016). Do customer participation and cognitive ability influence satisfaction? The Service Industries Journal, 36(9-10), 416-437.
Jiang, H., Cheng, Y., Yang, J., & Gao, S. (2022). Al-powered chatbot communication with customers: Dialogic interactions, satisfaction, engagement, and customer behavior. Computers in Human Behavior, 134, 107329.
Kang, H., & Lou, C. (2022). Al agency vs. human agency: Understanding human-AI interactions on TikTok and their implications for user engagement. Journal of Computer-Mediated Communication, 27(5), 1-13.
Karaosmanoglu, E., Altinigne, N., & Isiksal, D. G. (2016). CSR motivation and customer extra-role behavior: Moderation of ethical corporate identity. Journal of Business Research, 69(10), 4161-4167.
Keller, K. L. (1993). Conceptualizing, measuring, and managing customerbased brand equity. Journal of Marketing, 57(1), 1-22.
de Kervenoael, R., Hasan, R., Schwob, A., & Goh, E. (2020). Leveraging human-robot interaction in hospitality services: Incorporating the role of perceived value, empathy, and information sharing into visitors’ intentions to use social robots. Tourism Management, 78, 104042.

Kull, A. J., Romero, M., & Monahan, L. (2021). How may I help you? Driving brand engagement through the warmth of an initial chatbot message. Journal of Business Research, 135, 840-850.
Kumar, P., Dwivedi, Y. K., & Anand, A. (2021). Responsible artificial intelligence (AI) for value formation and market performance in healthcare: The mediating role of patient’s cognitive engagement. Information Systems Frontiers, 25, 2197-2220.
Kumar, P., Sharma, S., & Dutot, V. (2023). Artificial intelligence (AI)enabled CRM capability in healthcare: The impact on service innovation. International Journal of Information Management, 69, 102598.

Kumar, P., Vrontis, D., & Pallonetto, F. (2023). Cognitive engagement with Al-enabled technologies and value creation in healthcare. Journal of Consumer Behaviour. https://doi.org/10.1002/cb. 2196
Kumar, V., Dixit, A., Javalgi, R. G., & Dass, M. (2016). Research framework, strategies, and applications of intelligent agent technologies (IATs) in marketing. Journal of the Academy of Marketing Science, 44, 24-45.

Kumar, V., & Pansari, A. (2016). Competitive advantage through engagement. Journal of Marketing Research, 53(4), 497-514.
Kumar, V., Rajan, B., Gupta, S., & Pozza, I. D. (2019). Customer engagement in service. Journal of the Academy of Marketing Science, 47(1), 138-160.
Lalicic, L., & Weismayer, C. (2021). Consumers’ reasons and perceived value co-creation of using artificial intelligence-enabled travel service agents. Journal of Business Research, 129, 891-901.
Le, Q., Tan, L. P., & Hoang, T. (2022). Customer brand co-creation on social media: A systematic review. Marketing Intelligence & Planning, 40(8), 1038-1053.
Lee, Y., Ha, M., Kwon, S., Shim, Y., & Kim, J. (2019). Egoistic and altruistic motivation: How to induce users’ willingness to help for imperfect Al. Computers in Human Behavior, 101, 180-196.
Leffrang, D., & Mueller, O. (2023). Al washing: The framing effect of labels on algorithmic advice utilization. ICIS 2023, Hyderabad, India.
Leung, E., Paolacci, G., & Puntoni, S. (2018). Man versus machine: Resisting automation in identity-based consumer behavior. Journal of Marketing Research, 55(6), 818-831.
Li, B., Yao, R., & Nan, Y. (2023). How do friendship artificial intelligence chatbots (FAIC) benefit the continuance using intention and customer engagement? Journal of Consumer Behaviour, 22(6), 1376-1398.
Li, D., Liu, C., & Xie, L. (2022). How do consumers engage with proactive service robots? The roles of interaction orientation and corporate reputation. International Journal of Contemporary Hospitality Management, 34(11), 3962-3981.
Li, Q., Guo, X., & Bai, X. (2017). Weekdays or weekends: Exploring the impacts of microblog posting patterns on gratification and addiction. Information & Management, 54(5), 613-624.
Lim, J. S., & Zhang, J. (2022). Adoption of AI-driven personalization in digital news platforms: An integrative model of technology acceptance and perceived contingency. Technology in Society, 69, 101965.
Lim, W. M., Rasul, T., Kumar, S., & Ala, M. (2022). Past, present, and future of customer engagement. Journal of Business Research, 140, 439-458.
Lin, J. S., & Wu, L. (2023). Examining the psychological process of developing consumer-brand relationships through strategic use of social media brand chatbots. Computers in Human Behavior, 140, 107488.

Lin, Y. T., Doong, H. S., & Eisingerich, A. B. (2021). Avatar design of virtual salespeople: Mitigation of recommendation conflicts. Journal of Service Research, 24(1), 141-159.
Liu, F., Li, J., Mizerski, D., & Soh, H. (2012). Self-congruity, brand attitude, and brand loyalty: A study on luxury brands. European Journal of Marketing, 46(7/8), 922-937.
Liu-Thompkins, Y., Okazaki, S., & Li, H. (2022). Artificial empathy in marketing interactions: Bridging the human-AI gap in affective and social customer experience. Journal of the Academy of Marketing Science, 50, 1198-1218.
Longoni, C., & Cian, L. (2022). Artificial intelligence in utilitarian vs. hedonic contexts: The “word-of-machine” effect. Journal of Marketing, 86(1), 91-108.
Loureiro, S. M. C., Ali, F., & Ali, M. (2022). Symmetric and asymmetric modeling to understand drivers and consequences of hotel chatbot engagement. International Journal of Human-Computer Interaction, 1-13. https://doi.org/10.1080/10447318.2022.2124346
MacInnis, D. J. (2011). A framework for conceptual contributions in marketing. Journal of Marketing, 75(4), 136-154.
Marriott, H., & Pitardi, V. (2023). One is the loneliest number… Two can be as bad as one. The influence of AI friendship apps on users’ wellbeing and addiction. Psychology & Marketing. https://doi.org/10. 1002/mar. 21899
Maslowska, E., Malthouse, E. C., & Hollebeek, L. D. (2022). The role of recommender systems in fostering consumers’ long-term platform engagement. Journal of Service Management, 33(4/5), 721-732.

McKinsey. (2023). The next frontier of customer engagement: AI-enabled customer service. https://www.mckinsey.com/capabilities/ operations/our-insights/the-next-frontier-of-customer-engagement-ai-enabled-customer-service.
McLean, G., Osei-Frimpong, K., & Barhorst, J. (2021). Alexa, do voice assistants influence consumer brand engagement? Examining the role of AI powered voice assistants in influencing consumer brand engagement. Journal of Business Research, 124, 312-328.
Mehta, J., Jarenwattananon, P., & Shapiro, A. (2023). Behind the secretive work of the many, many humans helping to train AI. Accessed December 5, 2023. https://www.npr.org/2023/06/26/ 1184392406/behind-the-secretive-work-of-the-many-many-humans-helping-to-train-ai
Mehta, P., Jebarajakirthy, C., Maseeh, H., Anubha, A., Raiswa, S., & Dhanda, K. (2022). Artificial intelligence in marketing: A metaanalytic review. Psychology & Marketing, 39(11), 2013-2038.
Mele, C., Marzullo, M., Di Bernardo, I., Russo-Spena, T., Massi, R., La Salandra, A., & Cialabrini, S. (2022). A smart tech lever to augment caregivers’ touch and foster vulnerable patient engagement and well-being. Journal of Service Theory and Practice, 32(1), 52-74.
Mele, C., & Russo-Spena, T. (2022). The architecture of the phygital customer journey: A dynamic interplay between systems of insights and systems of engagement. European Journal of Marketing, 56(1), 72-91.
Menidjel, C., Hollebeek, L., Leppiman, A., & Riivits-Arkonsuo, I. (2022). Role of AI in enhancing customer engagement, loyalty, and loyalty program performance. In K. De Ruyter, D. Keeling, & D. Cox (Eds.), The handbook of research on customer loyalty. Edward-Elgar.
Menidjel, C., Hollebeek, L. D., Urbonavicius, S., & Sigurdsson, V. (2023). Why switch? The role of customer variety-seeking and engagement in driving service switching intention. Journal of Services Marketing, 37(5), 592-605.
Mills, N. (2021). Will self-driving cars disrupt the insurance industry? https:// www.forbes.com/sites/columbiabusinessschool/2021/03/25/will-self-driving-cars-disrupt-the-insurance-industry/?sh=3f28d8801dbf
Mishra, S., Ewing, M. T., & Cooper, H. B. (2022). Artificial intelligence focus and firm performance. Journal of the Academy of Marketing Science, 50(6), 1176-1197.
Moher, D. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Annals of Internal Medicine, 151(4), 264-269.
Molinillo, S., Anaya-Sánchez, R., Morrison, A. M., & Coca-Stefaniak, J. A. (2019). Smart city communication via social media: Analysing residents’ and visitors’ engagement. Cities, 94, 247-255.
Moriuchi, E. (2019). Okay, Google! An empirical study on voice assistants on consumer engagement and loyalty. Psychology & Marketing, 36(5), 489-501.
Moriuchi, E. (2021). An empirical study on anthropomorphism and engagement with disembodied Als and consumers’ re-use behavior. Psychology & Marketing, 38(1), 21-42.
Mostafa, R. B., & Kasamani, T. (2022). Antecedents and consequences of chatbot initial trust. European Journal of Marketing, 56(6), 1748-1771.
Mulcahy, R., Letheren, K., McAndrew, R., Glavas, C., & Russell-Bennett, R. (2019). Are households ready to engage with smart home technology? Journal of Marketing Management, 35(15-16), 1370-1400.
Nasir, J., Bruno, B., Chetouani, M., & Dillenbourg, P. (2021). What if social robots look for productive engagement? Automated assessment of goal-centric engagement in learning applications. International Journal of Social Robotics, 14, 55-71.
Nazir, S., Khadim, S., Ali Asadullah, M., & Syed, N. (2023). Exploring the influence of artificial intelligence technology on consumer repurchase intention: The mediation and moderation approach. Technology in Society, 72, 102190.

Nguyen, M., Ferm, L., Quach, S., Pontes, N., & Thaichon, P. (2023). Chatbots in frontline services and customer experience: An anthropomorphism perspective. Psychology & Marketing, 40(11), 2201-2225.
Nima, A. A., Cloninger, K. M., Persson, B. N., Sikström, S., & Garcia, D. (2020). Validation of subjective well-being measures using item response theory. Frontiers in Psychology, 10, 3036.
Oh, J., & Kang, H. (2021). User engagement with smart wearables: Four defining factors and a process model. Mobile Media & Communication, 9(2), 314-335.
De Oliveira Santini, F., Ladeira, W. J., Pinto, D. C., Herter, M. M., Sampaio, C. H., & Babin, B. J. (2020). Customer engagement in social media: A framework and meta-analysis. Journal of the Academy of Marketing Science, 48, 1211-1228.
Ornelas Sánchez, S. A., & Vera Martínez, J. (2021). The more I know, the more I engage: Consumer education’s role in consumer engagement in the coffee shop context. British Food Journal, 123(2), 551-562.
Ozuem, W., Willis, M., Howell, K., Lanaster, G., & Ng, R. (2021). Determinants of online brand communities’ and millennials’ characteristics: A social influence perspective. Psychology & Marketing, 38(5), 794-818.
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S…. Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. British Medical Journal, 372, n71. https://doi.org/10.1136/bmj.n71
Parasuraman, A. (2000). Technology Readiness Index (TRI) a multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307-320.
Paul, J., Ueno, A., & Dennis, C. (2023). ChatGPT and consumers: Benefits, pitfalls and future research agenda. International Journal of Consumer Studies, 47(4), 1213-1225.
Peng, C., van Doorn, J., Eggers, F., & Wieringa, J. E. (2022). The effect of required warmth on consumer acceptance of artificial intelligence in service: The moderating role of AI-human collaboration. International Journal of Information Management, 66, 102533.
Perez-Vega, R., Kaartemo, V., Lages, C. R., Borghei Razavi, N., & Männistö, J. (2021). Reshaping the contexts of online customer engagement behavior via artificial intelligence: A conceptual framework. Journal of Business Research, 129, 902-910.
Petticrew, M., & Roberts, H. (2006). Systematic reviews in the social sciences-A practical guide. Blackwell.
Piercy, N. F. (2006). Driving organizational citizenship behaviors and salesperson in-role behavior performance: The role of management control and perceived organizational support. Journal of the Academy of Marketing Science, 34(2), 244-262.
Pitardi, V., Bartikowski, B., Osburg, V. S., & Yoganathan, V. (2023). Effects of gender congruity in human-robot service interactions: The moderating role of masculinity. International Journal of Information Management, 70, 102489.
Pollock, A., & Berge, E. (2018). How to do a systematic review. International Journal of Stroke, 13(2), 138-156.
Pradeep, A., Appel, A., & Sthanunathan, S. (2019). Al for marketing and product innovation. Wiley.
Prajogo, D. I., & McDermott, P. (2011). Examining competitive priorities and competitive advantage in service organisations using Importance-Performance Analysis matrix. Managing Service Quality: An International Journal, 21(5), 465-483.
Prentice, C., Loureiro, S. M. C., & Guerreiro, J. (2023). Engaging with intelligent voice assistants for wellbeing and brand attachment. Journal of Brand Management, 30, 449-460.

Prentice, C., & Nguyen, M. (2020). Engaging and retaining customers with AI and employee service. Journal of Retailing and Consumer Services, 56, 102186.
Prentice, C., Weaven, S., & Wong, I. A. (2020). Linking AI quality performance and customer engagement: The moderating effect of Al preference. International Journal of Hospitality Management, 90, 102629.

Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and artificial intelligence: An experiential perspective. Journal of Marketing, 85(1), 131-151.
Rafaeli, S. (1988). From new media to communication. SAGE Annual Review of Communication Research: Advancing Communication Science, 16, 110-134.
Rahman, M. S., Bag, S., Hossain, M. A., Abdel Fattah, F. A. M., Gani, M. O., & Rana, N. P. (2023). The new wave of Al-powered luxury brands online shopping experience: The role of digital multisensory cues and customers’ engagement. Journal of Retailing and Consumer Services, 72, 103273.
Rana, J., Gaur, L., Singh, G., Awan, U., & Rasheed, M. I. (2021). Reinforcing customer journey through artificial intelligence: A review and research agenda. International Journal of Emerging Markets, 17(7), 1738-1758.
Rather, R. A., Hollebeek, L. D., Loureiro, S. M. C., Khan, I., & Hasan, R. (2023). Exploring tourists’ virtual reality-based brand engagement: A uses-andgratifications perspective. Journal of Travel Research. https://doi.org/10. 1177/00472875231166598
Rehman, Z., Baharun, R., & Salleh, N. (2020). Antecedents, consequences, and reducers of perceived risk in social media: A systematic literature review and directions for further research. Psychology & Marketing, 37(1), 74-86.
Richards, K. A., & Jones, E. (2008). Customer relationship management: Finding value drivers. Industrial Marketing Management, 37(2), 120-130.
Riva, G., & Mauri, M. (2021). MuMMER: How robotics can reboot social interaction and customer engagement in shops and malls. Cyberpsychology, Behavior and Social Networking, 24(3), 210-211.
Rodriguez-Lizundia, E., Marcos, S., Zalama, E., Gómez-García-Bermejo, J., & Gordaliza, A. (2015). A bellboy robot: Study of the effects of robot behaviour on user engagement and comfort. International Journal of Human-Computer Studies, 82, 83-95.
Saldanha, N., Mulye, R., & Rahman, K. (2020). A strategic view of celebrity endorsements through the attachment lens. Journal of Strategic Marketing, 28(5), 434-454.
Sampson, S. E. (2021). A strategic framework for task automation in professional services. Journal of Service Research, 24(1), 122-140.
Sattarapu, P. K., Wadera, D., Nguyen, N. P., Kaur, J., Kaur, S., & Mogaji, E. (2023). Tomeito or Tomahto: Exploring consumer’s accent and their engagement with artificially intelligent interactive voice assistants. Journal of Consumer Behaviour. https://doi.org/10.1002/cb. 2195
Saxena, S. (2022). Evolving uncertainty in healthcare service interactions during COVID-19: Artificial intelligence-a threat or support to value cocreation? Cyber-Physical Systems, 93-116.
Schaarschmidt, M., & Dose, D. (2023). Customer engagement in idea contests: Emotional and behavioral consequences of idea rejection. Psychology & Marketing, 40(5), 988-909.
Schamari, J., & Schaefers, T. (2015). Leaving the home turf: How brands can use webcare on consumer-generated platforms to increase positive consumer engagement. Journal of Interactive Marketing, 30(1), 20-33.
Schneble, C. O., & Shaw, D. M. (2021). Driver’s views on driverless vehicles: Public perspectives on defining and using autonomous cars. Transportation Research Interdisciplinary Perspectives, 11, 100446.

Schuetzler, R. M., Grimes, G. M., & Scott Giboney, J. (2020). The impact of chatbot conversational skill on engagement and perceived humanness. Journal of Management Information Systems, 37(3), 875-900.
Seckler, M., Heinz, S., Forde, S., Tuch, A. N., & Opwis, K. (2015). Trust and distrust on the web: User experiences and website characteristics. Computers in Human Behavior, 45, 39-50.
Shah, T. R., Kautish, P., & Mehmood, K. (2023). Influence of robots service quality on customers’ acceptance in restaurants. Asia Pacific Journal of Marketing and Logistics, 35(12), 3117-3137.
Sharma, P., Ueno, A., Dennis, C., & Turan, C. P. (2023). Emerging digital technologies and consumer decision-making in retail sector: Towards an integrative conceptual framework. Computers in Human Behavior, 148, 107913.
Shobhit, K., Bigné, E., Catrambone, V., & Valenza, G. (2023). Heart rate variability in marketing research: A systematic review and methodological perspectives. Psychology & Marketing, 40(1), 190-208.
Shumanov, M., & Johnson, L. (2021). Making conversations with chatbots more personalized. Computers in Human Behavior, 117, 106627.
Siddaway, A. P., Wood, A. M., & Hedges, L. V. (2019). How to do a systematic review: A best practice guide for conducting and reporting narrative reviews, meta-analyses, and meta-syntheses. Annual Review of Psychology, 70(1), 747-770.
Singh, J., Nambisan, S., Bridge, R. G., & Brock, J. K. U. (2021). One-voice strategy for customer engagement. Journal of Service Research, 24(1), 42-65.
So, K., King, C., & Sparks, B. (2014). Customer engagement with tourism brands: Scale development and validation. Journal of Hospitality & Tourism Research, 38(3), 304-329.
Storbacka, K., Brodie, R. J., Böhmann, T., Maglio, P. P., & Nenonen, S. (2016). Actor engagement as a microfoundation for value cocreation. Journal of Business Research, 69(8), 3008-3017.
Sundar, S. S., Bellur, S., Oh, J., Jia, H., & Kim, H. S. (2016). Theoretical importance of contingency in human-computer interaction: Effects of message interactivity on user engagement. Communication Research, 43(5), 595-625.
Sung, E., Bae, S., Han, D. I. D., & Kwon, O. (2021). Consumer engagement via interactive artificial intelligence and mixed reality. International Journal of Information Management, 60, 102382.
Swaminathan, K., & Venkitasubramony, R. (2024). Demand forecasting for fashion products: A systematic review. International Journal of Forecasting, 40(1), 247-267.
Swan, E. L., Peltier, J. W., & Dahl, A. J. (2023). Artificial intelligence in healthcare: the value co-creation process and influence of other digital health transformations. Journal of Research in Interactive Marketing. https://doi.org/10.1108/JRIM-09-2022-0293
Sweeney, J. C., Danaher, T. S., & McColl-Kennedy, J. R. (2015). Customer effort in value cocreation activities: Improving quality of life and behavioral intentions of health care customers. Journal of Service Research, 18(3), 318-335.
Thaichon, P., Ngo, L., Quach, S., & Wirtz, J. (2023). The dark side of AI in marketing management: Ethics and biases. Australasian Marketing Journal. (Special Issue Cal I). https://journals.sagepub.com/pb-assets/Call-for-Papers – AMJ Special Issue -% 20The%20dark%20side%20of%20AI%20in%20marketing% 20management-1645185260787.pdf
Tsai, W. H. S., Liu, Y., & Chuan, C. H. (2021). How chatbots’ social presence communication enhances consumer engagement: The mediating role of parasocial interaction and dialogue. Journal of Research in Interactive Marketing, 15(3), 460-482.
Upadhyay, N., & Kamble, A. (2023). Why can’t we help but love mobile banking chatbots? Perspective of stimulus-organism-response. Journal of Financial Services Marketing. https://doi.org/10.1057/ s41264-023-00237-5

Vargo, S. L., & Lusch, R. F. (2016). Institutions and axioms: An extension and update of service-dominant logic. Journal of the Academy of Marketing Science, 44(1), 5-23.
Venkatesh, V., Morris, M., Davis, G., & Davis, F. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
Verma, S., Sharma, R., Deb, S., & Maitra, D. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights, 1(1):100002.
Vernuccio, M., Patrizi, M., & Pastore, A. (2021). Developing voice-based branding: Insights from the Mercedes case. Journal of Product & Brand Management, 30(5), 726-739.
Vivek, S. D., Beatty, S. E., Dalela, V., & Morgan, R. M. (2014). A generalized multidimensional scale for measuring customer engagement. Journal of Marketing Theory and Practice, 22(4), 401-420.
Wei, H., & Prentice, C. (2022). Addressing service profit chain with artificial and emotional intelligence. Journal of Hospitality Marketing & Management, 31(6), 730-756.
Wen, H., Zhang, L., Sheng, A., Li, M., & Guo, B. (2022). From “human-tohuman” to “human-to-non-human”-Influence factors of artificial intelligence-enabled consumer value co-creation behavior. Frontiers in Psychology, 13, 863313.
Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29(5), 907-931.
Wu, C., & Monfort, A. (2023). Role of artificial intelligence in marketing strategies and performance. Psychology & Marketing, 40(3), 484-496.
Xiao, L., & Kumar, V. (2021). Robotics for customer service: A useful complement or an ultimate substitute? Journal of Service Research, 24(1), 9-29.
Xie, T., Pentina, I., & Hancock, T. (2023). Friend, mentor, lover: Does chatbot engagement lead to psychological dependence? Journal of Service Management, 34(4), 806-828.
Xie, Z., Yu, Y., & Jing, C. (2022). The searching artificial intelligence: Consumers show less aversion to algorithm-recommended search product. Psychology & Marketing, 39(10), 1902-1919.
Xie-Carson, L., Benckendorff, P., & Hughes, K. (2023). Not so different after all? A netnographic exploration of user engagement with nonhuman influencers on social media. Journal of Business Research, 167, 114149.

Xiong, Z., Luo, L., & Lu, X. (2023). Understanding the effect of smart tourism technologies on behavioral intention with the stimulus-organism-response model: A study in Guilin, China. Asia Pacific Journal of Tourism Research, 28(5), 449-466.
Xue, J., Niu, Y., Liang, X., & Yin, S. (2023). Unraveling the effects of voice assistant interactions on digital engagement: The moderating role of
adult playfulness. International Journal of Human-Computer Interaction, 1-22. https://doi.org/10.1080/10447318.2023. 2227834
Yang, Z., & Lin, Z. (2022). Interpretable video tag recommendation with multimedia deep learning framework. Internet Research, 32(2), 518-535.
Yin, D., Li, M., & Qiu, H. (2023). Do customers exhibit engagement behaviors in AI environments? The role of psychological benefits and technology readiness. Tourism Management, 97, 104745.
Yu, J., Dickinger, A., So, K. K. F., & Egger, R. (2024). Artificial intelligencegenerated virtual influencer: Examining the effects of emotional display on user engagement. Journal of Retailing and Consumer Services, 76, 103560.
Yu, X., Xu, Z., Song, Y., & Liu, X. (2022). The cuter, the better? The impact of cuteness on intention to purchase AI voice assistants: A moderated serial-mediation model. Frontiers in Psychology, 13, 1036848.

Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: A means-end model and synthesis of evidence. Journal of Marketing, 52(3), 2-22.
Zhou, X., Kim, S., & Wang, L. (2019). Money helps when money feels: Money anthropomorphism increases charitable giving. Journal of Consumer Research, 45(5), 953-972.
Zhu, W., Yan, R., & Song, Y. (2022). Analysing the impact of smart city service quality on citizen engagement in a public emergency. Cities, 120, 103439.
Zorzela, L., Loke, Y. K., loannidis, J. P., Golder, S., Santaguida, P., Altman, D. G., Moher, D., & Vohra, S. (2016). PRISMA harms checklist: Improving harms reporting in systematic reviews. BMJ, 352, i157.

Additional supporting information can be found online in the Supporting Information section at the end of this article.

How to cite this article: Hollebeek, L. D., Menidjel, C., Sarstedt, M., Jansson, J., & Urbonavicius, S. (2024). Engaging consumers through artificially intelligent technologies: Systematic review, conceptual model, and further research. Psychology & Marketing, 41, 880-898. https://doi.org/10.1002/mar. 21957