چرا بعضی مشتریان از محصول دیجیتال استقبال می‌کنند و بعضی حتی آن را باز نمی‌کنند؟
تحلیل علمی رفتار مصرف‌کننده، اعتماد به فناوری و راهبرد جذب مشتری در عصر هوش مصنوعی
نویسنده: احمد صفاربنیس | DigiBenis
مقدمه: مسئله فقط کیفیت محصول نیست
فرض کنید یک کسب‌وکار، محصولی مبتنی بر هوش مصنوعی طراحی کرده است. محصول از نظر فنی قابل استفاده است، امکانات متنوعی دارد و می‌تواند بخشی از نیازهای مشتریان را برطرف کند. سازنده تصمیم می‌گیرد آن را به مخاطبان معرفی کند؛ اما یکی از افرادی که محصول برایش ارسال شده، حتی حاضر نیست آن را باز کند.
آیا این واکنش به معنای ضعف محصول است؟ آیا مخاطب هدف به‌درستی انتخاب نشده است؟ آیا مشکل از اعتماد مشتری است یا روش معرفی محصول؟
پاسخ به این پرسش‌ها برای هر کسب‌وکاری که قصد ورود به بازار دیجیتال را دارد، اهمیت زیادی دارد.
در بازاریابی، موفقیت یک محصول فقط به قابلیت‌های فنی آن وابسته نیست. مشتری باید از وجود محصول آگاه شود، ارزش آن را درک کند، به استفاده از آن تمایل داشته باشد و موانع ورود را قابل‌قبول بداند.
به همین دلیل، گاهی محصولی با امکانات فراوان با استقبال محدودی روبه‌رو می‌شود، درحالی‌که محصولی ساده‌تر، به دلیل تناسب بیشتر با نیاز و رفتار مشتری، عملکرد بهتری دارد.
برای درک این تفاوت، باید از سطح تجربه‌های شخصی فراتر برویم و رفتار مصرف‌کننده را با استفاده از مفاهیم علمی بررسی کنیم.
۱. پذیرش فناوری؛ مشتری چگونه تصمیم می‌گیرد از یک محصول استفاده کند؟
یکی از چارچوب‌های شناخته‌شده در این زمینه، مدل پذیرش فناوری یا Technology Acceptance Model (TAM) است که فرد دیویس در سال ۱۹۸۹ مطرح کرد.
این مدل دو مفهوم اصلی را برجسته می‌کند:
۱. سودمندی ادراک‌شده: فرد تا چه اندازه باور دارد که استفاده از یک فناوری به او کمک می‌کند کارش را بهتر انجام دهد.
۲. سهولت استفاده ادراک‌شده: فرد تا چه اندازه تصور می‌کند که استفاده از آن فناوری آسان خواهد بود.
این دو مفهوم به توضیح بخشی از تفاوت رفتار کاربران کمک می‌کنند.
برای مثال، ممکن است یک مشتری بداند که یک ربات هوش مصنوعی امکانات زیادی دارد، اما تصور کند استفاده از آن برای نیاز فعلی‌اش ضروری نیست.
مشتری دیگری ممکن است به خدمات محصول نیاز داشته باشد، اما ورود به یک محیط جدید، شناخت منوها و یادگیری روش کار با آن را دشوار بداند.
در هر دو حالت، وجود قابلیت‌های فنی به‌تنهایی برای ایجاد استفاده کافی نیست.
مدل‌های جدیدتر پذیرش فناوری نیز عواملی مانند انتظار از عملکرد، میزان تلاش مورد نیاز، تأثیر اجتماعی و شرایط تسهیل‌کننده را بررسی می‌کنند. پژوهش‌های مربوط به پذیرش هوش مصنوعی، اعتماد و نگرش کاربران را نیز از عوامل مهم می‌دانند.
منابع علمی:
- Davis, F. D. (1989), Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology.
- Kelly, Kaye & Oviedo-Trespalacios (2023), What factors contribute to the acceptance of artificial intelligence? A systematic review.
۲. چرا بعضی افراد حتی وارد محیط یک محصول نمی‌شوند؟
در بررسی رفتار مشتری، باید بین چند مرحله تفاوت قائل شویم:
- آگاهی از وجود محصول
- علاقه‌مندی به بررسی آن
- اعتماد به محصول و ارائه‌دهنده
- ورود و امتحان کردن محصول
- استفاده واقعی
- تبدیل شدن به مشتری و استفاده مجدد
این مراحل لزوماً همیشه به ترتیب اتفاق نمی‌افتند، اما تفکیک آن‌ها به تحلیل بازاریابی کمک می‌کند.
فرض کنید لینک یک ربات تلگرامی برای فردی ارسال شده است. اگر او از باز کردن لینک‌های ناشناس پرهیز کند، ممکن است پیش از آنکه امکانات محصول را ببیند، تصمیم بگیرد وارد آن نشود.
در این وضعیت، هنوز نمی‌توان گفت که محصول از نظر کیفیت شکست خورده است؛ زیرا کاربر اصلاً آن را ارزیابی نکرده است.
مانع ممکن است در مرحله اعتماد اولیه یا تمایل به ورود قرار داشته باشد.
این موضوع در محصولات دیجیتال اهمیت ویژه‌ای دارد؛ زیرا مشتری پیش از تجربه مستقیم محصول، معمولاً اطلاعات محدودی درباره کیفیت واقعی آن دارد.
پژوهش‌های مربوط به اعتماد در تجارت الکترونیکی نشان داده‌اند که اعتماد، امنیت ادراک‌شده و ریسک ادراک‌شده با تصمیم‌های خرید آنلاین ارتباط دارند. مرور نظام‌مند ۱۳۳ مطالعه درباره ریسک ادراک‌شده در تجارت الکترونیکی نیز اهمیت این عامل را بررسی کرده است.
منابع:
- Phamthi et al. (2024), The influence of perceived risk on purchase intention in e-commerce—Systematic review and research agenda.
- Schuetz et al. (2025), A qualitative systematic review of trust in technology.
۳. ریسک ادراک‌شده؛ وقتی مشتری پیش از استفاده احساس خطر می‌کند
ریسک ادراک‌شده به ارزیابی ذهنی فرد از احتمال زیان یا پیامد نامطلوب اشاره دارد.
این ریسک الزاماً به معنای وجود خطر واقعی نیست. ممکن است یک سرویس از نظر فنی امن باشد، اما کاربر به دلیل ناشناخته بودن آن احساس اطمینان نکند. برعکس، ممکن است فردی به یک سرویس اعتماد داشته باشد، درحالی‌که خطرات واقعی آن را به‌خوبی نمی‌شناسد.
در محیط دیجیتال، نگرانی‌های رایج می‌توانند شامل موارد زیر باشند:
- احتمال سرقت اطلاعات یا سوءاستفاده از داده‌های شخصی
- ناشناخته بودن مالک یا سازنده سرویس
- احتمال کلاهبرداری یا دریافت هزینه غیرمنتظره
- نگرانی درباره نصب برنامه یا دسترسی‌های آن
- تردید درباره صحت پاسخ‌های هوش مصنوعی
- دشواری خروج از سرویس یا لغو فرایند
برای کسب‌وکار، نتیجه عملی روشن است: نباید تمام افرادی را که وارد محصول نمی‌شوند، فاقد علاقه یا ناآگاه فرض کرد.
ممکن است محصول برای آن‌ها مفید باشد، اما ریسک ورود به آن بیشتر از منفعتی به نظر برسد که انتظار دارند دریافت کنند.
چگونه این مانع را کاهش دهیم؟
۱. نام کسب‌وکار و هویت ارائه‌دهنده را به‌وضوح معرفی کنیم.
۲. پیش از درخواست اطلاعات، توضیح دهیم چه داده‌هایی دریافت می‌شود و چرا.
۳. از دامنه رسمی، لینک مشخص و مسیر ورود قابل‌شناسایی استفاده کنیم.
۴. امکان مشاهده نمونه خدمت یا توضیح عملکرد محصول را بدون ورود اجباری فراهم کنیم.
۵. از وعده‌های اغراق‌آمیز و ادعاهای امنیتی اثبات‌نشده پرهیز کنیم.
۶. در صورت امکان، گزینه ارتباط انسانی و پشتیبانی روشن ارائه دهیم.
هدف، وادار کردن مشتری به پذیرش ریسک نیست؛ هدف این است که ریسک واقعی و ابهام غیرضروری کاهش یابد.
۴. آیا تخصص فنی به معنی پذیرش بیشتر فناوری است؟
یک تصور رایج این است که افراد متخصص در فناوری باید بیشتر از سایرین از محصولات دیجیتال و هوش مصنوعی استفاده کنند.
اما تخصص فنی، علاقه به یک فناوری خاص و تمایل به استفاده از آن سه مفهوم متفاوت‌اند.
فردی ممکن است در شبکه‌های کامپیوتری تخصص داشته باشد، اما نیازی به استفاده از چت‌بات‌های هوش مصنوعی احساس نکند. فرد دیگری ممکن است دانش فنی محدودتری داشته باشد، اما به دلیل نیازهای شغلی یا شخصی، کاربر فعال این ابزارها باشد.
رفتار فرد متخصص را نمی‌توان صرفاً از عنوان شغلی او پیش‌بینی کرد.
برای بازاریابی نیز این تفاوت مهم است. انتخاب مخاطب هدف فقط بر اساس سن، تحصیلات یا شغل کافی نیست. باید نیاز، انگیزه، عادت‌های دیجیتال، اعتماد و موقعیت استفاده از محصول را هم بررسی کرد.
برای مثال، اگر محصولی برای خودکارسازی امور کسب‌وکار طراحی شده است، ممکن است صاحب یک کسب‌وکار کوچک که روزانه با حجم زیادی از پیام‌ها و سفارش‌ها مواجه است، مخاطب مناسب‌تری از یک متخصص فناوری باشد که چنین مسئله‌ای ندارد.
این به معنای بی‌اهمیت بودن تخصص فنی نیست؛ بلکه نشان می‌دهد تناسب میان مسئله مشتری و ارزش محصول، از عنوان شغلی به‌تنهایی اطلاعات بیشتری درباره احتمال استفاده ارائه می‌کند.
۵. مخاطب هدف را بر اساس رفتار تعریف کنیم، نه فقط مشخصات ظاهری
در بازاریابی، بخش‌بندی بازار به معنای تقسیم مشتریان بالقوه به گروه‌هایی است که نیازها، ویژگی‌ها یا رفتارهای مشابهی دارند.
برای یک محصول هوش مصنوعی، می‌توان مخاطبان را بر اساس رفتار و نیاز به چند گروه تقسیم کرد:
گروه اول: کاربران علاقه‌مند به فناوری
این افراد ابزارهای جدید را آزمایش می‌کنند و ممکن است برای تجربه محصول تازه آمادگی بیشتری داشته باشند. بااین‌حال، علاقه آن‌ها به فناوری الزاماً به خرید منجر نمی‌شود.
گروه دوم: کاربران مسئله‌محور
این افراد لزوماً به هوش مصنوعی علاقه خاصی ندارند، اما اگر محصول بتواند زمان، هزینه یا پیچیدگی کارشان را کاهش دهد، ممکن است از آن استقبال کنند.
گروه سوم: کاربران محتاط
این افراد پیش از استفاده به اطلاعات بیشتر، معرفی معتبر، شفافیت درباره امنیت و شواهد قابل‌اعتماد نیاز دارند.
گروه چهارم: کاربران وابسته به روش‌های آشنا
این گروه ممکن است ترجیح دهند با تلفن، پیام‌رسان شناخته‌شده یا مراجعه مستقیم کار کنند. اگر روش جدید مزیت واضحی نداشته باشد، انگیزه کمی برای تغییر خواهند داشت.
این گروه‌بندی یک الگوی پیشنهادی برای طراحی آزمایش بازاریابی است، نه یک طبقه‌بندی قطعی و جهان‌شمول علمی. یک فرد ممکن است بسته به محصول و شرایط، در چند گروه قرار بگیرد یا رفتار متفاوتی نشان دهد.
نکته مهم این است که هر گروه به شیوه متفاوتی با محصول آشنا می‌شود و موانع متفاوتی برای استفاده دارد.
بنابراین، یک پیام تبلیغاتی واحد ممکن است برای همه مخاطبان اثربخش نباشد.
۶. محصول را بر اساس نیاز مشتری معرفی کنیم، نه فناوری پشت آن
فرض کنیم یک شرکت، دستیار هوش مصنوعی برای دریافت سفارش و پاسخ‌گویی به مشتریان ساخته است.
دو روش برای معرفی این محصول وجود دارد.
روش اول: معرفی فناوری
«ما یک ایجنت هوش مصنوعی پیشرفته ساخته‌ایم که از طریق ربات تلگرام خدمات ارائه می‌کند.»
این پیام درباره فناوری توضیح می‌دهد، اما ممکن است برای مخاطبی که با مفهوم ایجنت آشنا نیست، ارزش روشنی ایجاد نکند.
روش دوم: معرفی نتیجه
«درخواست‌های مشتریان را منظم‌تر دریافت کنید، پاسخ‌های اولیه را سریع‌تر بدهید و پیگیری سفارش‌ها را ساده‌تر کنید.»
این پیام بر نتیجه‌ای تمرکز می‌کند که مشتری می‌تواند در کار خود تجربه کند.
البته چنین وعده‌ای باید با قابلیت‌های واقعی محصول سازگار باشد.
تفاوت این دو روش در آن است که اولی از محصول و فناوری شروع می‌کند، درحالی‌که دومی از مسئله مشتری آغاز می‌شود.
برای بسیاری از محصولات کسب‌وکارمحور، روش دوم نقطه شروع مناسبی برای آزمایش بازاریابی است؛ زیرا به مخاطب کمک می‌کند ارتباط میان محصول و نیاز خودش را بهتر ارزیابی کند.
۷. آشنایی تدریجی؛ چرا معرفی معتبر می‌تواند اهمیت داشته باشد؟
وقتی مشتری با یک محصول ناشناخته روبه‌رو می‌شود، ممکن است اطلاعات کافی برای ارزیابی آن نداشته باشد.
در این شرایط، آشنایی قبلی با نام برند، مشاهده نمونه کار، توصیه یک فرد مورد اعتماد یا توضیح روشن درباره عملکرد محصول می‌تواند در شکل‌گیری اعتماد نقش داشته باشد.
پژوهش سال ۲۰۲۵ درباره پذیرش چت‌بات‌های خرده‌فروشی نشان داد که آشنایی با محصول می‌تواند با افزایش قصد استفاده ارتباط داشته باشد؛ بااین‌حال، افزایش آشنایی لزوماً همه نگرانی‌های مربوط به حریم خصوصی را برطرف نمی‌کند.
منبع: From familiarity to acceptance: The impact of Generative Artificial Intelligence on consumer adoption of retail chatbots, Journal of Retailing and Consumer Services, 2025.
از نظر عملی، کسب‌وکار می‌تواند مسیر آشنایی را به چند مرحله تقسیم کند:
۱. معرفی برند و مسئله‌ای که حل می‌کند.
۲. نمایش نمونه‌ای از نتیجه کار.
۳. توضیح کوتاه و روشن درباره نحوه استفاده.
۴. فراهم کردن امکان امتحان کردن یک قابلیت کم‌ریسک.
۵. دعوت به ثبت درخواست یا خرید، زمانی که مشتری ارزش محصول را درک کرده است.
این مسیر به معنای طولانی کردن بی‌دلیل فرایند فروش نیست. هدف آن است که مشتری پیش از تصمیم‌گیری، اطلاعات کافی برای ارزیابی محصول داشته باشد.
۸. چگونه بفهمیم مشکل از محصول است یا از روش جذب مشتری؟
برای پاسخ دادن به این سؤال، باید رفتار مشتری را اندازه‌گیری کنیم.
فرض کنید لینک یک ربات برای ۱۰۰ نفر ارسال شده است. تعدادی از آن‌ها لینک را باز نمی‌کنند، تعدادی وارد ربات می‌شوند، برخی خدمات را بررسی می‌کنند و تعداد کمتری سفارش ثبت می‌کنند.
اگر فقط تعداد سفارش‌های نهایی را ببینیم، نمی‌توانیم دقیقاً مشخص کنیم مشکل در کدام مرحله رخ داده است.
به همین دلیل، باید قیف تبدیل را بررسی کنیم.
مرحلهشاخص قابل‌اندازه‌گیریپرسش اصلی
معرفیتعداد افرادی که پیام را دیده‌اندآیا مخاطب به پیام دسترسی پیدا کرده است؟
وروددرصد افرادی که محصول را باز کرده‌اندآیا اعتماد یا انگیزه کافی وجود دارد؟
بررسیدرصد افرادی که خدمات را دیده‌اندآیا ارزش محصول روشن است؟
اقدامدرصد افرادی که درخواست ثبت کرده‌اندآیا فرایند ساده و قابل‌فهم است؟
خریددرصد درخواست‌هایی که به سفارش پرداخت‌شده تبدیل شده‌اندآیا پیشنهاد، قیمت و اعتماد برای خرید کافی است؟
تکراردرصد مشتریانی که دوباره مراجعه کرده‌اندآیا تجربه واقعی رضایت‌بخش بوده است؟
این شاخص‌ها باید با تعریف دقیق و داده‌های واقعی اندازه‌گیری شوند. برای مثال، مشاهده پیام با مشاهده کامل آن یکسان نیست و باز کردن ربات هم به معنی بررسی خدمات نیست.
همچنین، علت رفتار کاربران را نمی‌توان تنها از اعداد تشخیص داد. برای فهمیدن دلیل ورود نکردن یا رها کردن فرایند، باید از مخاطبان بازخورد گرفت و فرضیه‌ها را آزمایش کرد.
۹. آزمایش عملی برای انتخاب مخاطب هدف DigiBenis AI
برای بررسی این موضوع در یک کسب‌وکار واقعی، می‌توان یک آزمایش کوچک و کم‌هزینه طراحی کرد.
هدف این آزمایش اثبات موفقیت از پیش تعیین‌شده محصول نیست؛ بلکه شناسایی موانع واقعی استفاده است.
مرحله اول: انتخاب مخاطبان مرتبط
برای نمونه، ۳۰ تا ۵۰ نفر از افرادی انتخاب شوند که احتمال دارد به یکی از خدمات واقعی DigiBenis نیاز داشته باشند؛ مانند طراحی سایت، تولید محتوا، چاپ یا مدیریت سفارش‌ها.
این تعداد صرفاً برای یک آزمایش اکتشافی کوچک پیشنهاد می‌شود و برای نتیجه‌گیری آماری درباره کل بازار کافی نیست.
مرحله دوم: ارائه مسیرهای متفاوت
به مخاطبان اجازه داده شود از مسیرهای متفاوتی با خدمات آشنا شوند:
- مشاهده صفحه معرفی خدمات در سایت
- ورود به ربات تلگرام یا بله
- ثبت درخواست از طریق پیام مستقیم یا تماس
در صورت امکان، ترتیب نمایش مسیرها به‌صورت منصفانه و قابل‌مقایسه تنظیم شود و تفاوت مخاطبان نیز ثبت شود.
مرحله سوم: ثبت رفتار واقعی
موارد زیر اندازه‌گیری شوند:
- چند نفر وارد هر مسیر شدند؟
- چند نفر خدمات را بررسی کردند؟
- چند نفر درخواست ثبت کردند؟
- چند نفر به مشتری تبدیل شدند؟
- چه تعداد از افراد به دلیل بی‌اعتمادی، دشواری استفاده یا نبود نیاز، ادامه ندادند؟
مرحله چهارم: پرسیدن سؤال درست
از کسانی که از ربات استفاده نکرده‌اند، می‌توان پرسید:
«چه چیزی باعث شد این روش را انتخاب نکنید؟»
گزینه‌های پاسخ می‌توانند شامل نبود نیاز، ترجیح روش دیگر، نگرانی امنیتی، ناآشنایی با ربات، پیچیدگی استفاده یا دلایل دیگر باشند.
بهتر است امکان پاسخ آزاد نیز وجود داشته باشد تا دلایل پیش‌بینی‌نشده شناسایی شوند.
مرحله پنجم: اصلاح محصول و تکرار آزمایش
اگر مشکل اصلی اعتماد باشد، باید روی معرفی معتبر و شفافیت کار کرد.
اگر مشکل پیچیدگی باشد، باید مراحل ورود و ثبت سفارش ساده شوند.
اگر مشتریان به خدمات علاقه داشته باشند، اما ربات را ترجیح ندهند، می‌توان سایت یا روش ارتباطی دیگری را به‌عنوان مسیر اصلی در نظر گرفت.
اگر مخاطبان اساساً به خدمت نیاز نداشته باشند، باید بخش‌بندی بازار و پیشنهاد محصول بازنگری شود.
نتیجه چنین آزمایشی می‌تواند به تصمیم‌گیری درباره تبلیغات، طراحی محصول و انتخاب مشتریان مناسب کمک کند.
۱۰. نتیجه راهبردی برای DigiBenis؛ هوش مصنوعی باید در خدمت تجربه مشتری باشد
پروژه DigiBenis AI با هدف استفاده از هوش مصنوعی در ارائه و مدیریت خدمات شکل گرفته است. اما برای تبدیل آن به یک کسب‌وکار پایدار، باید میان فناوری مورد استفاده سازنده و تجربه مورد انتظار مشتری تفاوت قائل شد.
ممکن است سازنده محصول به قابلیت‌های فنی، مدل‌های هوش مصنوعی، اتصال سرویس‌ها و خودکارسازی فرایندها علاقه‌مند باشد.
اما مشتری احتمالاً بیشتر به این موارد توجه می‌کند:
- آیا خدمت مورد نیازم ارائه می‌شود؟
- آیا قیمت و شرایط مشخص است؟
- آیا می‌توانم به ارائه‌دهنده اعتماد کنم؟
- آیا ثبت سفارش آسان است؟
- اگر مشکلی پیش بیاید، آیا راه ارتباط با انسان وجود دارد؟
- آیا استفاده از این روش نسبت به روش قبلی مزیتی دارد؟
بر این اساس، می‌توان چند اصل را برای توسعه DigiBenis در نظر گرفت:
اصل اول: مسئله مشتری مقدم بر فناوری است. محصول باید از نیاز واقعی بازار شروع شود.
اصل دوم: ورود به محصول باید متناسب با سطح اعتماد مخاطب باشد. مشتری نباید برای شناخت اولیه خدمات مجبور به پذیرش ریسک غیرضروری شود.
اصل سوم: مسیرهای جایگزین حفظ شوند. سایت، پیام مستقیم، تماس و ربات می‌توانند بسته به نیاز مشتری در کنار هم قرار بگیرند.
اصل چهارم: تبلیغات بر اساس نتیجه طراحی شوند. به جای تأکید صرف بر هوش مصنوعی، باید نشان داد محصول چه مشکلی را حل می‌کند.
اصل پنجم: تصمیم‌ها با داده اصلاح شوند. میزان ورود، درخواست، خرید، رضایت و مراجعه مجدد باید بررسی شود.
این اصول کمک می‌کنند تا توسعه محصول از علاقه سازنده به فناوری فراتر برود و به نیازهای واقعی مشتری نزدیک‌تر شود.
جمع‌بندی
رفتار مشتری در برابر یک محصول دیجیتال، نتیجه یک عامل منفرد نیست. سودمندی مورد انتظار، سهولت استفاده، اعتماد، ریسک ادراک‌شده، تجربه قبلی و شرایط استفاده می‌توانند در تصمیم او نقش داشته باشند.
به همین دلیل، باز نکردن یک ربات به‌تنهایی نشانه بی‌کیفیتی محصول نیست؛ همان‌طور که استقبال از فناوری نیز تضمین‌کننده خرید نیست.
برای انتخاب مخاطب هدف، باید بفهمیم چه کسانی به مسئله‌ای که محصول حل می‌کند نیاز دارند، چه موانعی برای استفاده دارند و چه مسیری برای آن‌ها قابل‌اعتمادتر و ساده‌تر است.
کسب‌وکار موفق الزاماً کسب‌وکاری نیست که مشتریانش بیشترین علاقه را به فناوری داشته باشند. کسب‌وکاری است که بتواند ارزش واقعی خود را به مخاطب مناسب برساند و تجربه‌ای قابل‌اعتماد ایجاد کند.
در DigiBenis، هدف نباید صرفاً ساختن یک ایجنت هوش مصنوعی باشد؛ هدف باید ایجاد سیستمی باشد که با کمک هوش مصنوعی، دریافت خدمات را برای مشتری ساده‌تر و مدیریت کسب‌وکار را مؤثرتر کند.
فناوری زمانی به مزیت رقابتی تبدیل می‌شود که از قابلیت فنی فراتر برود و در زندگی واقعی مشتری ارزش ایجاد کند.
اندیشه پرواز می‌کند، فردا را می‌سازد.
منابع علمی برای مطالعه بیشتر
۱. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly.
۲. Kelly, S., Kaye, S.-A., & Oviedo-Trespalacios, O. (2023). What factors contribute to the acceptance of artificial intelligence? A systematic review. Telematics and Informatics.
۳. Phamthi et al. (2024). The influence of perceived risk on purchase intention in e-commerce—Systematic review and research agenda. International Journal of Consumer Studies.
۴. Integrating trust and satisfaction into the UTAUT model to predict Chatbot adoption – A comparison between Gen-Z and Millennials (2025). International Journal of Information Management Data Insights.
۵. From familiarity to acceptance: The impact of Generative Artificial Intelligence on consumer adoption of retail chatbots (2025). Journal of Retailing and Consumer Services.