طبق گفته Lustosa (2020) اصطلاح هوش مصنوعی اولین بار در سال ۱۹۵۶ ظاهر شد. ایده این بود که ماشین‌ها قابلیت‌های هوش انسانی یکسانی دارند و می‌توانند رفتار هوشمند را بازتولید کنند. گونکل بیان کرد که مفهوم هوش مصنوعی اولین بار توسط آلن تورینگ در سال ۱۹۵۰ تعریف و مشخص شد.   اصطلاح هوش مصنوعی مربوط به توسعه سیستم‌های خبره برای حل مشکلات در زمینه‌های خاص، مانند پزشکی است که از پیشرفت‌های هوش مصنوعی بهره زیادی برده است (Allal et al., 2021).. با توجه به دیدگاه جدیدتر، لیبرانتز، آرائوجو، آلوز، بلان، مسکیتا و سلواتیچی (۲۰۱۷) می‌گویند که هوش مصنوعی به عنوان مجموعه‌ای از موارد (مانند الگوریتم‌ها، روباتیک و شبکه‌های عصبی) تعریف می‌شود که به نرم‌افزار اجازه می‌دهد قابلیت‌های هوشمندی داشته باشد. در مقایسه با یک انسان، از جمله توانایی یادگیری با حداقل دخالت انسان.

پیامدهای افشای اطلاعات

آزمون های آزمایشگاهی نیز تقریباً به صورت خودکار تجزیه و تحلیل می شوند. در نظر بگیرید که این پیشرفت‌های فن‌آوری عمدتاً ناشی از سه عامل است: فراوانی داده‌های موجود، توسعه ANN و کاهش هزینه سخت‌افزار. به نظر می رسد مشتریان هوش مصنوعی را با استانداردی بالاتر از استانداردهای معمولی که در مورد خودروهای بدون راننده نشان می دهد، نگه می دارند. اگر استفاده از هوش مصنوعی منجر به تصادفات کمتری شود، مشتریان باید از هوش مصنوعی استفاده کنند. در عوض، مشتریان استانداردهای بالاتری را تحمیل می کنند و به دنبال تصادف صفر از هوش مصنوعی هستند. درک ریشه های این احتیاط بیش از حد مهم است. یک فرضیه اولیه نشان می دهد که مشتریان کمتر به هوش مصنوعی اعتماد دارند و بنابراین هوش مصنوعی را در استانداردهای بالاتری نگه می دارند زیرا معتقدند هوش مصنوعی نمی تواند “احساس” کند (Khrais, 2020).

ویژگی های وظیفه نیز بر پذیرش هوش مصنوعی تأثیر می گذارد. تا جایی که یک کار ذهنی به نظر می رسد، شامل شهود یا تأثیر است، مشتریان احتمالاً حتی کمتر با هوش مصنوعی راحت هستند. تحقیقات تأیید می‌کند که مشتریان تمایل کمتری به استفاده از هوش مصنوعی برای کارهایی که شامل ذهنیت، شهود و تأثیر است، دارند، زیرا آنها هوش مصنوعی را فاقد توانایی عاطفی یا همدلی لازم برای انجام چنین وظایفی می‌دانند (کاپاتینا و همکاران، ۲۰۲۰).

وظایف در پیامدهایشان متفاوت است. انتخاب یک فیلم نسبتاً نتیجه کمتری دارد، اما هدایت یک ماشین ممکن است عواقب بیشتری داشته باشد. استفاده از هوش مصنوعی برای کارهای بعدی به‌عنوان ریسک بیشتر در نظر گرفته می‌شود که به نوبه خود باعث کاهش نیات پذیرش می‌شود. تحقیقات اولیه از این فرضیه پشتیبانی می کند، به ویژه در میان مصرف کنندگان محافظه کارتر که خطرات برای آنها برجسته تر است (رانا و همکاران، ۲۰۲۲).

در نهایت، ویژگی های مشتری نیز ممکن است بر پذیرش هوش مصنوعی تأثیر بگذارد. ما از دو نقطه نظر می گیریم: (۱) زمانی که نتایج پیامد هستند، این باعث افزایش ادراک از خطر می شود، و (۲) زنان به طور کلی ریسک بیشتری را درک می کنند و ریسک کمتری را متحمل می شوند. از این رو، تحقیقات اولیه نشان داده است که زنان (در مقابل مردان) کمتر احتمال دارد هوش مصنوعی را اتخاذ کنند، به ویژه زمانی که نتایج نتیجه‌ای دارند (Khrais, 2020).

فراتر از جمعیت شناسی، عوامل دیگری نیز بر میزان پذیرش هوش مصنوعی تأثیر می گذارند، به عنوان مثال، تا جایی که یک کار برای هویت مشتری برجسته است، ممکن است مشتری کمتر از هوش مصنوعی استفاده کند. برای توضیح بیشتر، اگر یک فعالیت مصرفی خاص در هویت مشتری نقش اساسی داشته باشد، پس مشتری دوست دارد برای نتایج مصرف اعتبار بگیرد. برخی از مشتریان تصور می‌کنند که استفاده از هوش مصنوعی برای این فعالیت‌های مصرفی به منزله تقلب است و این مانع از انتساب اعتبار پس از مصرف می‌شود. بنابراین، اگر یک فعالیت برای هویت مشتری مرکزی باشد، ممکن است مشتری کمتر احتمال دارد که هوش مصنوعی (برای این فعالیت) اتخاذ کند (Anayat & Rasool., 2024).

به گفته لین، اساسی ترین نوآوری با حرکت از دستگاه های آنالوگ به دیجیتال به وجود آمد که از دهه ۱۹۵۰ شروع شد و به طور چشمگیری در دهه ۱۹۹۰ و پس از آن ادامه یافت. این تغییرات (الف) داده‌های دیجیتالی گسترده را به همراه داشت که در آن رویدادهای بی‌شماری اکنون به صورت دیجیتالی ثبت می‌شوند. (ب) پیوند گسترده، که در آن رویدادها و افراد شناسایی می شوند تا بتوان آنها را با یکدیگر مرتبط کرد. (ج) شبکه های فراگیر، به گونه ای که افراد در جامعه ای از کاربران تعاملی که به گره های شبکه های بزرگتر تبدیل می شوند، تعبیه شده اند. و (د) تالیف رایانه ای همه جا حاضر، که در آن رایانه ها اطلاعات جدیدی را ایجاد می کنند که بخشی از سیستم اجتماعی و فرهنگ آن می شود. برای آن دسته از ما که به یاد داریم زمانی که حافظه های کامپیوتری به جای ترابایت (فاکتور یک میلیارد بیشتر) در کیلوبایت اندازه گیری می شد، “داده های بزرگ” مانند یک هدف متحرک به نظر می رسد، اما این واژه علیرغم پیشرفت های قدرت کامپیوتری به وجود آمده است، زیرا به نظر می رسد داده ها سریعتر از توانایی ما برای پردازش آنها رشد می کنند. حجم کل بر حسب بایت، تنوع (متن، تصاویر، صدا، ویدئو، حسگر، رسانه‌های اجتماعی و اشکال دیگر)، و سرعت روزانه داده‌ها حتی سریع‌تر از قدرت محاسباتی در حال رشد هستند (Sing et al., 2023).