如今，企业越来越多地利用人工智能为消费者个性化定制产品和服务，从而节省了消费者的巨大努力。本文探讨了企业是否应该通过人工智能创作来推动消费者参与。通过一项涉及128,153名消费者的大规模现场实验，我们发现一个简单的推动可以使参与度增加12%，而这种诱导参与显著增加了22%的购买量。为了理解观察到的主要效应背后的机制，我们在第二个实验中操控了推动方式。实验结果表明：(1) 该推动并不是通过增加注意力来增加购买，(2) 推动比强制参与更有效，(3) IKEA效应（努力带来喜爱）和私人偏好效应（人类努力帮助消费者揭示偏好）解释了消费者参与的好处。为了考察人工智能与推动之间的互动，我们在第三个实验中同时操控了人工智能与推动方式。我们发现，人工智能与消费者共同创造带来了最高的购买和回访意图：仅有人工智能创作或仅推动参与都不足以激发购买或回访。我们的研究为人类与人工智能关系的文献做出了贡献，并为消费者参与何时以及为什么能够补充人工智能创作提供了新的见解。

对消费者的动态偏好进行建模并加以利用具有巨大的商业潜力。从实证角度来看，深度学习方法有望使我们具备处理大量消费者数据以预测其未来行为的优势能力，但这些不透明的预测方法没有对消费者的决策过程进行明确建模，因而难以解释。另一方面，序列搜索的经济理论表明，消费者在寻找最适合购买的产品时会采用序列搜索策略，即浏览一系列的可选产品，直到找到符合其偏好的最佳选项。基于这两大支柱，我们提出了一种由理论驱动的深度学习模型，称为 消费者偏好变换器（CPT）。该模型利用深度学习模型来学习消费者的动态偏好，并运用序列搜索理论对消费者的搜索和购买决策进行建模。CPT 将这两个组成部分整合到一个统一的模型中，该模型可通过端到端学习进行估计。与传统的深度学习不同，我们纳入了明确对消费者决策进行建模的经济理论，打开了模型的黑箱，并对消费者动态偏好的形成过程给出了合理的解释。实证评估表明，在预测消费者的点击和购买行为方面，我们提出的方法优于最先进的深度学习模型和结构计量经济学模型。深度结构计量经济学模型还能够对各种干预政策进行评估。政策实验显示，实施 CPT 的产品和属性推荐政策能够优化产品推荐和新产品推广策略，有望改善用户体验，并有可能提高企业收入。

大型语言模型（LLMs）的出现为信息系统中的设计科学开辟了一个新时代，要求在商业环境中定制LLMs设计时进行范式转变。我们提出并测试了一个新颖的框架，旨在为一般商业环境定制LLMs，该框架旨在同时实现三个基本目标：(1) 调整对话模式，(2) 集成深入的领域知识，以及(3) 体现理论驱动的软技能和核心原则。我们设计了将领域特定理论与监督微调（SFT）结合的方法论，以同时实现这些目标。我们在医疗咨询的背景下实例化了我们的框架。具体来说，我们精心构建了大量来自多个专业数据库的真实医生咨询记录和医学知识。此外，借鉴医学理论，我们确定了人类医生的三项软技能和核心原则：专业精神、可解释性和情感支持，并设计了将这些特征整合到LLMs中的方法。通过与数千名真实患者的在线实验以及领域专家和消费者的评估，我们展示了框架的可行性。实验结果显示，定制的LLM模型在医学专业知识、消费者满意度和可信度方面明显优于未调优的基础模型，并显著缩小了未调优LLMs与人类医生之间的差距，将LLMs提升至人类专家的水平。此外，我们深入分析了文本咨询记录的特征，并采用可解释的机器学习技术来识别驱动性能提升的因素。最后，我们通过一个决策支持系统展示了我们的模型的实际价值，该系统旨在协助人类医生进行实验室实验。