2026年11月10日上午,第187次RMI(Risk Management and Insurance)读书讨论会在线上举行。本次读书讨论会以《Diluting the Signal: Why Generative AI-Powered Messages Underperform in Mobile Apps》(信号稀释:生成式人工智能驱动的信息为何在移动应用中表现不佳)为主题,由2017级博士生王瀚洋主讲。风险管理与保险学系主任郑伟教授及系内师生通过线上方式参与了此次讨论会。
王瀚洋在此次报告会上分享了题为《Diluting the Signal: Why Generative AI-Powered Messages Underperform in Mobile Apps》的学术研究。该研究关注生成式人工智能在商业营销沟通中的应用效果,重点考察AI生成的信息能否比人工撰写的信息更有效地维持移动应用用户参与度。研究与一家美国植物养护初创企业合作开展随机实地实验,对比在不披露信息来源的情况下,AI生成与人工撰写的绿色主题推送信息对用户参与行为的影响。实验结果发现,与人工撰写的信息相比,AI生成的信息显著降低了用户在应用程序中的参与度,处理组用户参与度仅为对照组的79.3%,表明生成式人工智能的应用并不必然带来更好的商业沟通效果。

在机制分析方面,研究结合补充性在线实验、文本分析及Reddit用户讨论数据,进一步揭示了AI生成信息产生负面影响的原因,即“信号稀释”(Signal Dilution)。研究发现,AI生成的信息倾向于采用更加均衡、全面的表达方式,弱化了对可持续性等与用户行动密切相关属性的选择性强调,从而降低了信息所传递的有效信号强度,削弱了信息的说服效果,最终导致用户参与度下降。进一步的异质性分析表明,AI生成信息对深度用户的负面影响更为明显,而对新用户及浅层次用户而言,AI的介入则可能产生一定的正面作用。此外,报告还介绍了检索增强生成(RAG)模型在信息生成中的应用,指出即使模型在技术指标上表现良好,生成内容仍可能出现主题发散、核心信息不够突出等问题。
在讨论环节,与会者围绕生成式人工智能的商业应用、信息传递机制及用户异质性展开了交流。讨论重点包括AI生成信息为何可能出现“好心办坏事”的现象、信号稀释机制如何影响用户对企业绿色属性的判断,以及如何在提高信息生成效率的同时保留商业沟通中的核心信息。与会者还结合研究中的异质性分析和RAG模型,探讨了不同用户群体对AI生成内容的反应差异,以及如何通过优化提示词设计、更新知识库和聚焦核心信息改善AI生成内容的实际效果。
此次报告从信息经济学和信号理论的视角,揭示了生成式人工智能在商业沟通中的潜在风险,拓展了对AI技术应用效果及其行为影响机制的认识。研究表明,技术提升并不必然转化为沟通效果的改善,企业在使用AI提高信息生产效率时,还需要关注信息内容的针对性、信号强度与用户需求之间的匹配,尤其应避免过度追求信息的全面性而削弱核心信息的表达。
此次读书讨论会为风险管理与保险学系的博士生们提供了宝贵的学术交流平台,也促进了师生对人工智能技术应用及其经济行为影响的进一步思考。
(风险管理与保险学系 李雨轩 供稿;姚奕 审核)