营销人员不信任人工智能的洞察力，因为他们看不到结论从何而来，而且因为自信的错误而采取行动的代价高昂。在 9 月发布的一项针对英国、美国和新加坡超过 450 营销人员的 GWI 调查中 2026，72% 表示他们的组织对人工智能生成的洞察做出了重大决策，但后来证明是错误的，但大多数时候只有 37% 验证了人工智能洞察。解决办法是让每个人工智能结论都可以追溯到它的样本、证据和推理，这样人们就可以在任何人采取行动之前对其进行检查。
核心要点
- 这种不信任在一定程度上是应得的：GWI 调查中的大多数营销团队已经根据人工智能洞察采取了行动，但事实证明这是错误的，检查仍然是例外。
- 过度信任也很常见：在毕马威和墨尔本大学的47国家研究中，66％的员工在工作中依赖人工智能输出而不对其进行评估。
- 对自动化的信任研究指出了校准的依赖，当人们可以检查和调整算法时，他们就会接受不完美的算法。
- 当人工智能洞察陈述其样本、将每个主张与其背后的证据联系起来、命名其机制并标记模型推断的内容时，它是可验证的。
- 我们在下面审核了 SOMIN 自己的人工智能见解之一；这些检查发现了证据中的噪音和观众的变化，这可能会误导简报。
为什么营销人员不信任人工智能的洞察力？
三个原因一再出现：洞察力作为黑匣子到达，其错误以与事实相同的信心传递，错误呼叫的成本落在营销人员身上，而不是工具身上。
成本不再是假设的。在 GWI 的调查中，37% 的营销人员表示错误的 AI 洞察导致了财务损失，35% 表示导致客户投诉，32% 表示声誉受损，44% 表示由于输出不准确而重做了工作。 GWI 出售用于人工智能工具的调查数据，因此它对答案有利害关系，但该模式符合更广泛的研究。
毕马威和墨尔本大学对47国家的48,000人进行了2025对人工智能信任的全球研究。超过一半 (54%) 表示他们对信任人工智能持谨慎态度，56% 的员工表示他们因此在工作中犯了错误。
心理学增加了一个转折。在五项研究中，Berkeley Dietvorst、Joseph Simmons 和 Cade Massey 发现，在看到两者都犯同样的错误后，人们对算法失去信心的速度比对人类更快，即使算法总体上更准确。他们称之为算法厌恶。人工智能洞察中的一个明显错误可能会让整个团队陷入困境。
这种不信任是一个问题还是一个明智的反应？
两者都有，取决于它会导致什么。目标不是更多的信任，而是适量的信任。 John Lee 和 Katrina See 在《人的因素》中的 2004 评论 将问题归结为适当的依赖：当人们未能适当地依赖自动化，对它的信任程度超过或低于其能力所证明的程度时，自动化就会出错。
营销同时显示了这两种失败。毕马威研究发现，66% 的员工在工作中依赖人工智能输出，但没有对其进行评估或验证，而 GWI 的数据显示，大多数营销人员不会定期验证人工智能见解。团队在根据表面价值获取图表和在一次错误的判断后将工具分类之间摇摆不定。
同样的研究人员也找到了出路。在一个2018管理科学后续，当人们可以稍微修改其输出时，人们更愿意使用不完美的预测算法，并且他们的预测会得到改善。信任随着控制而增加。对于洞察力，控制始于查看证据并能够编辑结论。
SOMIN 自己的数据对自动化的不信任有何说明？
SOMIN 的洞察引擎在受众研究类别中呈现了相同的主题。在 7 月 2026 对 GWI、尼尔森、Milieu 和 Euromonitor 的 229 付费项目进行的研究中，日期为 8 4 月至 6 7 月 2026，它将 51 归为题为“在数字驱动的市场中探索消费者洞察的复杂性”的紧张局势：公司努力从铺天盖地的数据中获取可行的洞察，依赖广泛的代际标签，并担心人工智能的不准确性损害了他们对市场的理解。从这种张力中，它建立了这条链条：
- Persona： 富有洞察力的战略家，一位市场分析和商业战略专业人士，优先考虑知识和数据驱动的决策，基于同一研究中的 63 项，其中 46 是 GWI 广告。
- 角度： 对自动化的不信任，SOMIN 的模型根据信任理论提出：信任是通过一致性和透明度建立的，而在没有明确沟通的情况下使用的人工智能会侵蚀它。在研究文献中，这是 Lee 和 See 评论的自动化信任领域。
- 洞察力：“信任是在对话的土壤中孕育的，而不是在算法的数据中孕育的。”
该品类自身的营销也面临着同样的恐惧。 GWI 的 Agent Spark 广告将 GWI 调查数据引入人工智能助手，承诺提供来自真实消费者的经过验证的见解，而不是网络抓取的内容。在 GWI 的有机渠道上，在 18 10 月 2025 和 17 10 月 2026 之间，标记有 AI 主题的 23 帖子的平均参与度为 83，几乎是 GWI 总体平均值 29 的三倍。我们的 对受众研究公司如何营销其数据的研究 具有更广阔的前景。
当 SOMIN 将洞察力与自己的产品配对时，命题基于属性而不是功能：每个人工智能结论都可以根据其背后的帖子进行检查，概念标签可以追溯到证明它们的特定帖子。这是本文其余部分适用的标准，包括 SOMIN。
是什么让人工智能洞察力变得可验证？
当持怀疑态度的同事可以在几分钟内从结论追溯到证据时，人工智能的见解是可以验证的。 NIST 人工智能风险管理框架 为这些部分提供了有用的词语：透明度回答发生了什么，可解释性回答如何得出结果，可解释性回答原因。 NIST 将问责制和透明度、可解释性和可解释性列为值得信赖的人工智能的特征。
对于营销洞察，这意味着四个可见层：
- 样本：来源、品牌、平台、日期范围和尺寸。
- 证据：链接到每个声明背后的实际帖子、广告或行，并附有计数。
- 推理：机制，命名，有理论来源。
- 状态：一个简单的标签，将观察到的内容与模型推断的内容分开。
在 SOMIN 策略 中，每个角色和紧张局势都向内容库开放，内容库被过滤到其背后的帖子或广告。该链接使得下面的审核成为可能。
您如何在实践中审核人工智能见解？
我们在 10 月份对这些层面进行了“信任是在对话的土壤中孕育”的见解 2026。
| 检验 | 我们发现了什么 | 判定 |
|---|---|---|
| 样品说明 | 229 来自 GWI、Nielsen、Milieu 和 Euromonitor 广告库的付费项目，8 4 月至 6 7 月 2026 | 经过 |
| 证据相关 | 紧张局势出现在内容库中其后面的 51 项上 | 经过 |
| 主题证据 | 有些项目是尼尔森为其计算机和移动面板招募会员的广告，其中没有提及对洞察力的信任 | 一些噪音：在简报之前丢掉一些离题的内容 |
| 专注 | 51 项中的 31 来自 GWI | 一个广告商的信息占主导地位 |
| 角度与证据相符 | 这个角度描述了消费者对使用人工智能的品牌的不信任；证据是研究公司向营销人员销售产品 | 受众转变：重写商业买家的角度 |
| 理论检验 | “信任理论”是一个宽泛的标签；既定的研究是关于自动化的信任和算法厌恶 | 重述主要研究 |
结论：这种洞察力是对受众研究类别如何销售的公正解读，主要基于一家公司的广告，以及关于买家的假设，而不是一种审慎的态度。一旦为营销人员重写了角度并且删除了偏离主题的项目，它就可以使用。如果没有审计，它很可能会作为有关消费者的调查结果进入简报中。有关张力和角度如何结合在一起的信息，请参阅什么是消费者张力。
人工智能洞察清单应包括哪些内容？
十张支票涵盖了大部分。对每个见解运行前五个，并在做出调整预算的决定之前运行所有十个。
- 在一行中注明样本：来源、品牌、平台、日期和商品数量。
- 将每个数字与其证据联系起来，并显示分母：229的51不仅仅表示“一个主要主题”。
- 打开证据的随机样本，十到二十个项目，并计算偏离主题的项目。
- 检查注意力。如果一个品牌或帐户提供了大部分证据，请这么说。
- 标记模型生成的内容。人工智能产生的人物角色、张力和见解在经过验证之前都是假设。
- 根据主要来源检查理论。删除你在研究文献中找不到的名字。
- 检查观众。证据是否来自结论中提到的同一个人？
- 在分析运行时保存证据：帖子 ID、链接和屏幕截图，因为帖子会被删除并且广告会停止运行。
- 根据独立来源交叉检查大型电话，例如调查、销售数据或小型测试。
- 让所有者编辑结论， 并记录谁更改了它、谁签署了它以及何时签署。
这些是我们的营销中的人工智能幻觉指南中的文案检查的洞察级双胞胎。可解释的营销人工智能对我们来说也是一个研究问题：Aleks Farseev 教授和 SOMIN 团队在 ACM Multimedia 和 The Web Conference 上发表了相关论文，论文列在 SOMIN 研究 页面上。
FAQ
为什么营销人员不相信人工智能生成的见解？
主要是因为他们看不到结论背后的证据，并且被自信的错误所困扰。在 GWI 的 2026 调查中，72% 的营销人员表示，他们的组织已根据人工智能洞察做出了重大决策，但后来证明是错误的。
什么是算法厌恶？
正如迪特沃斯特 (Dietvorst)、西蒙斯 (Simmons) 和梅西 (Massey) 在 2015 中所描述的那样，在看到算法犯错误后，人们对算法失去信心的速度比对人类更快。他们后来的工作发现，让人们调整算法的输出会降低效果。
如何检查 AI 洞察是否准确？
索要样本，打开随机选择的帖子或后面的行，计算偏离主题的帖子并检查证据是否来自见解所描述的受众。然后根据独立来源确认重大决定。
可解释的人工智能和可验证的人工智能有什么区别？
可解释的人工智能会告诉您结果是如何得出的。可验证的见解更进一步：它让您可以亲自检查证据并得出自己的观点，因此您不必仅仅依赖解释。
营销人员是否应该停止使用人工智能来获取受众洞察？
不会。人工智能擅长对大量内容进行聚类并快速提出紧张点。将其输出视为带有书面记录的假设，并安排专人负责检查和签署。
