Ammettilo. Ti affidi alle app di navigazione per aiutarti a spostarti quasi ogni giorno, se guidi, prendere l'autobus o il treno, camminare, oppure escursione dal punto A al punto B.

Nelle città straniere, dipendiamo da app come Waze e Google Maps che ci aiutano a scoprire nuovi luoghi. A casa, usiamo queste app per battere il traffico dell'ora di punta e trovare i percorsi più veloci per andare a scuola, opera, e altri luoghi che frequentiamo regolarmente.

Ma a volte, dubitiamo di una svolta suggerita; interroghiamo un re-route; sospettiamo una stima dell'orario di arrivo.

Forse è perché siamo di fretta. Forse ci fidiamo di più del nostro istinto. Qualsiasi sia la ragione, ci sono situazioni che ci costringono a spegnere l'app, e diventi canaglia, per così dire.

Ma, cosa sta succedendo esattamente nella nostra testa quando prendiamo decisioni che prevalgono su suggerimenti o raccomandazioni fatte da sistemi automatizzati? Yael Karlinsky-Shichor, un assistente professore di marketing recentemente nominato alla Northeastern, è alla ricerca di scoprirlo.

La ricerca di Karlinsky-Shichor si concentra sull'automazione del processo decisionale e sulla sua applicazione al marketing. Studia anche gli aspetti psicologici dell'utilizzo di modelli di automazione e intelligenza artificiale. Aspettare, automazione e marketing? Assolutamente, dice Karlinsky-Shichor. I due domini si intersecano più di quanto si possa pensare.

"Molti degli argomenti che indaghiamo oggi nel marketing si possono trovare anche nei sistemi informativi, " dice. "È stato davvero bello per me ampliare la mia visione su questi argomenti e guardarli da una prospettiva di marketing, ma continuare anche a guardare agli argomenti che coinvolgono la tecnologia e l'interazione dell'utente con la tecnologia."

Ecco un esempio calzante:Karlinsky-Shichor e i suoi colleghi di ricerca hanno condotto un esperimento sul campo in cui hanno cercato di valutare chi potrebbe generare un profitto più elevato per un'azienda business-to-business che vende alluminio:esseri umani o macchine? Lo hanno fatto creando un sistema automatizzato che ha appreso e riapplicato le decisioni sui prezzi di ogni venditore.

Hanno scoperto che quando i venditori utilizzavano i prezzi consigliati dal sistema automatizzato, che ha generato più soldi per l'azienda. Ma interessante, hanno appreso che se il sistema fosse stato utilizzato in tandem con un rappresentante di vendita ad alte prestazioni, che darebbe risultati ancora migliori.

"Utilizziamo l'apprendimento automatico per decidere automaticamente chi dovrebbe prendere la decisione sui prezzi:il venditore o il modello, " dice Karlinsky-Shichor. "Quello che troviamo è che una struttura ibrida che lascia al modello il prezzo della maggior parte delle quotazioni che arrivano in azienda ma lascia che il venditore esperto prenda quei casi che sono più unici o fuori dall'ordinario in realtà si comporta ancora meglio ."

Ecco perché. Gli umani sono imprevedibili e volubili, ma sono anche più abili nel gestire l'imprevedibilità. Hanno il vantaggio quando si tratta di incontrare nuovi clienti, Per esempio, e misurare le esigenze e la disponibilità a pagare di un cliente. Però, le macchine hanno un vantaggio sugli umani in termini più tecnici, ripetitivo, e compiti scalabili, e riescono a evitare le diverse incongruenze comportamentali che le persone spesso mostrano. Insieme, sono un duo imbattibile.

"In molti casi, le persone pensano che i modelli di intelligenza artificiale sostituiranno i lavori umani, " dice Karlinsky-Shichor. "Quello che trovo, ed è un'intuizione che emerge in molti campi, è che invece di sostituire gli umani, L'intelligenza artificiale li completerà".

Due cose sono successe dopo che i ricercatori hanno completato il loro caso di studio. L'azienda è andata avanti con l'implementazione del processo di pricing raccomandato dal sistema automatizzato. E, l'amministratore delegato della società è tornato da Karlinsky-Shichor e dai suoi colleghi con un'offerta interessante.

"Egli ha detto, 'bene, perché non vai a prendere il mio miglior venditore e crei un modello basato su quel venditore? Quel modello ci darà i migliori risultati, '", dice. "Ma in realtà, abbiamo scoperto che non è così. Anche il miglior venditore non aveva necessariamente un'esperienza che si applicava a ogni singolo caso in questa azienda".

I ricercatori hanno scoperto che, infatti, l'unione delle competenze di diversi esperti ha generato un risultato migliore per i profitti dell'azienda rispetto all'utilizzo del venditore con le prestazioni migliori. Quindi ora stanno lavorando a un approccio di automazione che unirà la saggezza delle folle con le competenze individuali, lei dice.

Karlinsky-Shichor sta anche affrontando un diverso, ma problema correlato:come si fa a convincere le persone a seguire fedelmente suggerimenti o consigli fatti da modelli automatizzati? Questo problema di conformità è una sfida regolarmente affrontata dalle aziende che utilizzano tali sistemi, lei dice.

Ancora, indica lo schema dei prezzi business-to-business.

"Ciò che vediamo è che i venditori generalmente prendono il prezzo raccomandato dal modello quando prevedono un basso rischio nel cambiamento, o sembra che ci sia una grande differenza nel prezzo quando si va con il modello, "dice. "Quindi una delle mie congetture è che se sono molto fiduciosi, o quando non hanno idea, usano la raccomandazione del modello."

Karlinsky-Shichor continuerà a esplorare questo campo intrecciato di marketing e intelligenza artificiale come ricercatore presso la Northeastern. Crede di essere nel posto giusto per questo lavoro.

"Per me, Northeastern è una grande combinazione di una scuola che pone la ricerca come priorità assoluta, ma pone anche molta enfasi sull'applicazione della ricerca, " dice. "Sono generalmente interessata a problemi che non solo noi ricercatori, ma anche aziende, preoccuparci."