研究背景与问题设定 [page::0][page::1][page::2]

• AI技术发展推动自动化服务，然而纯AI服务存在适应性差、责任归属模糊等问题。欧盟GDPR与AI法案强调“人类介入”以保障高风险AI系统的安全性。

- 研究聚焦金融投资咨询场景，探讨“人-机协作”与纯AI服务在投资建议生产及消费者采纳上的差异及机制。

研究设计与数据来源 [page::3][page::10][page::12][page::13]

• 设计两阶段实地实验：第一阶段由银行理财师结合AI预测产出协作型建议；第二阶段随机向银行客户分配纯AI建议、人机协作建议及未告知AI参与的人类建议，测量其投资决策的依赖程度。

- 样本包括27名银行理财师对24个个人贷款（带风险等级）作出投资建议，调研137名客户投资行为，剔除数据异常后样本为130名客户，涉及1299个客户-贷款观察值。

• AI模型采用神经网络，预测贷款违约准确率达73%（ROCAUC 0.71），符合业界标准。

生产端发现：人机协作改变建议但不降低质量 [page::14]

• 人机协作后理财师风险评估与AI建议存在显著差异，但银行理财师建议仍部分依赖AI输入；

- 介入人类后建议质量（准确率）未显著下降，人类并未简单覆盖AI输出，体现双重影响；

消费端发现：客户更倾向采纳人机协作建议 [page::20][page::21][page::23][page::26]

• 当建议内容相同时，客户对人机协作建议的最终投资决策与建议一致性显著高于纯AI建议 (79.2% vs 68.3%)；

- 回归分析表明，人机协作条件下客户投资决策与建议一致性增加约15.5个百分点，且该效应在高风险贷款更为显著；

• 没有观察到人机协作与人类单独建议的依赖度有显著差异，表明核心驱动非认知的“两个顾问协同”；

机制探索：外围说服路径驱动客户行为 [page::26][page::33][page::34][page::35]

• 利用实验条件及风险水平划分，证实客户在高不确定性（高风险）下更依赖人机协作建议；

- 线上控制实验排除先验信念和建议准确性预期差异的影响，发现情感信任是关键中介；

• 调节中介模型表明，情感信任在高不确定水平下显著促进客户对协作建议的采纳；

研究贡献与实践意义 [page::4][page::5][page::36][page::37]

• 拓展人机协作领域研究，首次实证揭示人类介入AI服务如何提升下游消费者福利；

- 发现心理层面的外围路径而非认知质量提升驱动消费者偏好，提示监管和设计应关注人机信任关系；

• 企业应衡量人机协作提高建议采纳的潜在价值与新增成本，避免因低质量协作致消费者误信；

量化与实证数据图示

• 图示展示相同投资建议时，客户在Final Investment Alignment及Risk Assessment上的明显差异，强化人机协作提高采纳率的结论。

金融研究报告详尽解析

报告题目: My Advisor, Her AI and Me: Evidence from a Field Experiment on Human-AI Collaboration and Investment Decisions

> 作者: Cathy (Liu) Yang, Kevin Bauer, Xitong Li, Oliver Hinz

发布机构: HEC Paris & Goethe University Frankfurt

> 发布时间: 2025年6月5日

主题: 人工智能（AI）与人类协作在金融投资建议中的应用及其对客户决策的影响

---

一、元数据与概览

本报告通过与一家欧洲大型储蓄银行合作，设计并执行了一项实地实验，系统探讨了在AI驱动的投资建议中，人类是否介入（或称“人机协作”）会影响下游消费者的决策行为和福利。研究核心在于比较纯AI建议与人机复合建议的生产和消费两个层面，评估人类“最后决策权”作用下建议质量是否下降，及客户采纳建议的差异。研究发现：

• 人类银行家介入时，AI建议未被弱化，建议质量未减少。

- 消费者面对风险较高的投资时，更倾向于采纳人机协作建议。

• 从消费者福利角度看，人机合作建议带来更大实质利益。

- 消费者对协作建议的依赖度增加，主要源自情感层面的信任增强，而非认知对建议质量的信念提升。

• 研究呼吁政策制定者应注重消费者视角，推动AI与人类能力的协同应用。

关键词包括“human-in-the-loop（人类介入）”、“human-AI collaboration（人机协作）”、“algorithmic aversion（算法回避）”及“social influence（社会影响）”等。[page::0]

---

二、逐章深度解读

2.1 引言

文中首先指出AI技术的快速发展使其在多个领域表现优异，从销售预测到医疗诊断。尽管企业逐渐倾向纯AI服务以降低成本并提升效率，但全自动AI存在无法应对稀有输入变化、数据漂移、责任归属等问题，因此监管和业界主张保留人类干预（“人机协作”）。欧盟GDPR和AI法案中均明确要求人类可对高风险AI系统进行监督。具体到投资建议领域，如Vanguard Personal Advisor与Wealthfront的区别便是前者人机结合，后者纯自动化。

然而，目前研究主要关注生产端的AI与人类协作对建议质量的影响，消费端如何反应却鲜有系统研究。本文旨在填补此空白，双向考察人类介入AI服务生产和消费的影响，尤其关注消费者对人机协作建议的反应。[page::1,2]

2.2 理论框架与研究问题

报告阐释了消费者对人机协作建议的态度存在两种理论可能：一是人类介入提高服务质量和情感支持，增强信任；二是可能引入噪声，降低服务质量，甚至引发反感。由此提出两大核心研究问题：

• RQ1：人类介入AI建议制作是否影响最终消费者的采纳度？

- RQ2：影响的主要机制是什么？

选择金融投资作为研究背景，因其法规要求高且决策对财富影响重大，有代表性和现实意义。[page::2]

3 研究设计概述

研究设计为两阶段实地实验：

• 阶段1（生产端）: 构建预测个人贷款违约概率的神经网络AI模型（准确率73%、AUC0.71），为银行家提供AI建议后，银行家再基于AI提供的风险评分修正风险评级和投资建议，产生人机协作建议。银行家被激励以提高建议准确性。

- 阶段2（消费端）: 真实银行客户随机接收三种建议之一：纯AI建议（基线）、人机协作建议（主处理组）、人机协作建议但客户仅知有“人类建议”（控制组）。客户先做初步投资和风险评估，随后收到对应建议，再作最终决策。

此设计既能考察人类对AI建议的调整，也能评估消费者区分三种建议源的行为决策差异，探索心理机制。[page::3,10,11,16]

4 生产端实证结果

4.1 AI模型表现

基于超过百万条贷款数据训练神经网络，预测准确率与现有文献匹配，风险分级基于银行标准的7类风险等级划分。

4.2 人机协作建议产生机制

27名银行家对24个贷款样本，在AI风险评分曝光前后各做投资决策。数据统计显示：

• 银行家介入产生的人机协作建议并非简单复制AI建议，两者虽有较高相似度，但银行家根据AI结果进行了明显调整。

- 银行家调整后建议在投资判断上更加接近AI，但仍保留其独立判断的痕迹。

• 关键发现是银行家介入未显著降低建议准确率，说明“人类最后裁决”不会损害建议质量。

此结论挑战了“人类可能无效否决AI”的担忧，证明两者存在互补。[page::13,14]

4.3 建议集成与客户呈现

为了减少客户间建议获得的异质性，实验为所有客户提供同一组合的人机协作建议，是所有参与银行家意见中的最常见版本；且客户对建议的来源认知仅限于范式中设定的信息，避免额外干扰。[page::15,16]

5 消费端实地实验分析

5.1 设计及流程

137名线下银行客户接受实验，随机分配三种建议类型，先独立做决策后接收建议再决策，涉及10个贷款选择。投资行为有金钱激励并通过抽签兑现盈亏，保障真实行为表现。[page::16,17]

5.2 样本与变量

剔除掉质量低劣回答后130名客户数据。分析的核心指标是投资决策是否与建议一致（FinalAlign），以及风险评估的对齐程度（GapFinalRiskAssess）作为辅助。控制变量包括客户年龄、风险偏好、初始信念与决策变异等多维度因素，确保分析的内生性问题得以缓解。随机化检验确认各组样本在关键变量上无系统差异。[page::18,19]

5.3 模型无关初步观察

在一致建议子样本中，人机协作条件下客户的投资决策与建议一致率显著高于纯AI条件，同时风险评估对齐度也更优，实验数据支持人类介入提高下游客户采纳率的直观结论。[page::20,21]

5.4 回归分析结果

通过多重固定效应OLS回归模型（包含客户、时间、贷款、建议固定效应，且控制各种协变量），估计人机协作对客户采纳率的影响，结果显示：

• 人机协作建议相比纯AI，客户最终投资决策与建议的一致性提升约15.5个百分点，效果高度显著。

- 多项稳健性检验（Logistic回归、分支固定效应、纳入被排除样本等）均证实结论。

• 采用风险评估一致性替代指标，结论同样支持人机协作提高客户采纳建议。

此外，客户初始投资与建议偏离越大，采纳可能越低，这符合理性行为预期。[page::22,23,24]

5.5 机制探索：中央与外围路径

通过对比“人机协作”与“仅人类建议（未告知AI参与）”条件：

• 发现两者在客户依从度上无显著差异，暗示人机协作优势不源于客户认知到多人协同的质量互补（中央路径）。

- 人机协作效果在风险较高（不确定性大）贷款中更明显，符合经典劝说理论中的外围路径主导假说，即在不确定环境下，感情和社会信号驱动消费决策。

测算客户经济福利差异发现，人机协作组最终收益平均高出44.9%，且此增益显著集中在风险较高子样本，表明更贴近实际风险场景的人机协作建议提升了消费者物质利益。[page::25,26,27]

---

三、图表深度解读

图1（第12页）— 实验证设计流程图

• 左侧为生产阶段，27名银行家在AI建议前后评估10个贷款，生成标准AI与人机协作两套建议。

- 右侧为消费阶段，137名客户被随机分配接受三种建议类型之一，进行两轮投资决策。

• 流程设计确保内部控制，数据收集全流程透明且分组随机，实验对比清晰。[page::12]

图2（第21页）— 纯AI与人机协作在一致建议子样本中的模型无关差异

• 图2a显示在建议决策一致贷款上，人机协作组投资一致率近0.79，明显高于AI组0.68，统计显著。

- 图2b反映人机协作用户风险评估与建议差距更小，表现出更强的建议对齐。

• 误差条显示统计置信区间，结果支持核心假设，即人机参与增强客户采纳度。[page::21]

表1（第23-24页）— OLS回归分析核心结果

• 核心变量HumanAI系数为+0.155，显著，显示人机协作条件下客户采纳率提高约15.5%。

- 控制变量表现合理：初始决策与建议差异大下降采纳率；客户年龄增加则微妙影响采纳。

• 多重稳健性测试表明结论稳定可靠，为实证发现提供坚实支撑。[page::23,24]

表2 & 表3（第25-27页）— 机制验证与风险异质性效应

• 表2显示“仅人类”与“人机协作”间采纳率无显著差异，排除“多主体质量互补认知”驱动。

- 表3揭示风险较高（更不确定）贷款中人机协作增强采纳效果显著，低风险贷款无此效应，加强外围路径机制证据。

• 旁证表明消费者感受到的不确定性调节人机介入的劝说效力。[page::25,26,27]

表4（第27页）— 消费者投资收益比较

• 总体上，人机协作提高客户最终投资收益44.9%，风险高子样本尤其明显。

- 表明客户更愿采纳人机建议能够带来实质经济福利，对金融服务模式设计具有现实指导意义。[page::27]

图A1 & A2（在线附录第46页）— 银行家操作界面与客户建议展示界面

• 显示银行家如何在AI风险评分基础上作出风险与投资决策，确保了实验中人机协作的操作真实可靠。

- 客户界面简洁明了，且针对不同实验组适当调整建议来源描述，确保客户体验一致且符号清晰。[page::46]

图A3（在线附录第47页）— 机制模型框架图

• 展示了不确定性如何调节“人机协作”（vs AI）对“外围劝说元素”（情感信任等）的影响，进而调节最终采纳度。

- 体现了本研究对因果机制的严谨考察策略，并指导了实验设计与分析路径。[page::47]

---

四、估值分析

本报告没有传统意义上的估值模型分析，但通过实地实验的设计与结果，间接反映了人机协作服务在金融投资建议中的“价值”：

• AI模型的准确率（73%）与行业标准相当，为估值精准提供基础。

- 通过比较不同建议类型带来的客户投资收益变化（44.9%增益），量化了人机协作产生的经济价值。

• 并结合了客户心理接受度分析，为“人机协作服务”的商业价值评估提供了多维度视角。

---

五、风险因素评估

文中风险主要围绕人机协作服务潜在的负面影响与局限性展开：

• 人类干预可能降低建议质量： 虽实证中未见明显负面，但在其他语境下可能出现噪声、偏见、人为错误。

- 消费者过度依赖风险： 高情感信任可能导致对算法建议盲目信任，尤其若AI预测质量下降，可能造成严重误导。

• 消费者感知风险与偏好异质： 不同客户对风险评价和建议接受度差异大，易导致服务体验不均。

- 实验情境局限性： 仅限于金融个人贷款，扩展至其他领域需谨慎，且实际人机协作模式多样，结果可能不同。

报告强调须持续监控人机服务质量，并设计政策以防止盲从误判，保障消费者利益。[page::37,38]

---

六、批判性视角与细微差别

• 实验设计的现实外推性：实验基于德国储蓄银行，客户群体可能代表性有限，尤其年轻实验参与者与实地客户存在年龄差距。

- “人类-仅有”条件的限制：报告中的“Human-only”条件隐匿AI参与，不能明确比较纯人类与人机协作咨询的优劣。

• AI预测准确度的中等水平：AI准确率约70%，是否AI性能提升至更高水平会改变消费者信任及采纳行为，仍是未知领域。

- 金融领域的特殊性：金融投资决策含情感与理性混合，高赌注且风险明显，与其他决策领域如创意工作差异较大，结论适用范围需限定。

• 情感信任主导机制的双刃剑效应：虽然增强采纳，情感信任亦可能放大错误采纳风险，特别在AI质量不佳情形。

- 潜在的社会遵从压力：人类顾问的社会影响力可能引导客户从众，这一心理机制需谨慎权衡，避免误导。

整体来看，报告采取审慎客观立场，强调了发现的适用边界和未来研究方向，避免过度泛化。[page::36,37,38]

---

七、结论性综合

本研究通过严谨的两阶段实地实验与补充的在线实验，全面揭示了在金融投资建议中“人机协作”相较纯AI带来的显著好处：

• 生产端： 人类银行家介入AI建议生成环节，调整了AI输出但未降低准确度，且形成独特的混合建议。

- 消费端： 银行客户更倾向采纳具有人类参与标识的人机建议，采纳率提升超过15%，特别在高风险（高不确定性）贷款中更为明显。

• 经济效益： 伴随采纳度提升，客户投资收益平均增长近45%，充分体现了人类介入的实质价值。

- 心理机制： 通过与“仅人类”建议比较及风险分层，排除中央路径（认知推理效果），证实周边路径（情感信任与社会影响）为核心驱动力，尤其当客户面临高不确定性时更为突出。

• 复制验证： 独立的控制在线实验复刻了这一行为模式，排除多余干扰因素，增强结论稳健性。

报告指出，含人类参与的AI服务不仅反映技术和绩效提升，更重要的是带来心理安全感和决策舒适度，改善消费者体验。这对管理者设计服务模式和监管机构制定政策都有深远影响，需在保证质量同时强化人机协同的情感安全边际。

最后，报告呼吁未来拓展多领域、多AI性能水平场景研究，深入理解不同服务环境下人机关系对消费者行为的异质影响，并关注人类顾问的自信表达及AI透明度等因素对信任建设的潜在作用。

---

总结

本报告以实证视角深刻剖析了人机协作在AI金融投资建议中的生产与消费双重影响，通过严谨设计与数据分析，证实：

1. 生产质量无损且呈互补性调整。

2. 客户采纳率显著因人类介入增加，尤其风险大环境下。

1. 客户收益提升，体现真实经济价值。

4. 心理驱动主要是外围路径的情感信任，而非对建议质量的理性预期提升。

1. 服务设计与监管应重点打造人机协同的情感信任环境，避免算法回避同时防止盲目信任。

报告运用丰富实验数据与多层次建模，配合图表详实展现，科学且客观，为AI金融服务模式创新、监管政策制定和学术研究提供了坚实贡献和重要启示。全文引用标注详尽，具备较强的溯源性和学理支持。[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,46,47]

---

附：关键图表示例（部分）

注：左侧为生产阶段银行家与AI协作过程，右侧为消费者实际投资决策过程中的建议随机分配。


图2a：人机协作组客户最终投资与建议一致率明显高于纯AI组。


图2b：人机协作组风险评估与建议更吻合，表明其更依赖建议。

---

此分析报告系统梳理了原文的研究设计、实证发现、理论机制、数据分析及图表内容，力求全面深入，明晰复杂机制，服务金融与AI交叉领域专业读者需求。

报告