Abstract

AI-mediated search, commerce, and decision-support systems are often evaluated through behavioral or business outcomes such as interaction, engagement, and conversion, which do not necessarily represent the quality of the underlying user decision process. This paper proposes Intent-to-Income, a proprietary Reference Decision Architecture for AI-first Decision Intelligence focused on Customer Decisions and Commerce Decisions. The architecture defines a canonical core flow—Decision Signals → Decision Need → Decision Support → Decision Quality → Measurable Outcomes—and treats Decision Context as a cross-cutting layer. It is organized around four core components: Decision Journey Mapping, Decision Signal Matrix, Decision Interface, and Measurement Logic. Decision Quality is explicitly separated from terminal outcomes and is represented through three proposed dimensions: Understanding, Confidence, and Readiness. These dimensions are conceptual and have not yet been empirically validated. The paper also distinguishes Intent-to-Income from sales funnels, SEO frameworks, conversion-rate optimization frameworks, revenue attribution models, and product recommendation algorithms, while abstracting proprietary implementation details such as internal weighting and evaluation rules. The contribution is a decision-centered architecture that organizes Decision Signals, Decision Need, Decision Support, Decision Quality, and Measurable Outcomes into a connected structure for AI-mediated Customer and Commerce Decisions. Limitations and directions for empirical validation, measurement development, comparative evaluation, and human oversight are identified.

Keywords: Decision Intelligence; AI-assisted decision support; Human-AI decision-making; Decision Quality; Customer Decisions; Commerce Decisions; Reference Architecture

สรุปสำหรับผู้อ่านภาษาไทย

งานวิจัยนี้นำเสนอ Intent-to-Income™ ซึ่งเป็นสถาปัตยกรรมอ้างอิง (Reference Decision Architecture) ภายใต้ AI-first Decision Intelligence ที่พัฒนาโดย HaNonn โดยมุ่งเน้นที่ Customer Decisions และ Commerce Decisions สถาปัตยกรรมนี้ได้กำหนดกระบวนการทำงานหลัก (Canonical core flow) ที่เชื่อมโยงจาก Decision Signals → Decision Need → Decision Support → Decision Quality → Measurable Outcomes อย่างเป็นระบบ โดยระบุชัดเจนว่า Decision Context ทำหน้าที่เป็นโครงสร้างที่ครอบคลุมบริบทรวม (Cross-cutting layer) ไม่ใช่ขั้นตอนเชิงลำดับที่หก นอกจากนี้ยังแบ่งองค์ประกอบหลักออกเป็น 4 ส่วน ได้แก่ Decision Journey Mapping, Decision Signal Matrix, Decision Interface และ Measurement Logic

จุดสำคัญของกรอบคิดนี้คือการแยก Decision Quality ออกจากผลลัพธ์ทางธุรกิจตอนท้ายอย่างชัดเจน โดยใช้มิติชี้วัด 3 ด้าน ได้แก่ Understanding, Confidence และ Readiness งานวิจัยนี้ตีกรอบทางแนวคิดอย่างเคร่งครัดว่า Conversion, Recommendation และ AI Accuracy ไม่ใช่ตัวแทนของคุณภาพการตัดสินใจ และการที่ระบบให้ Decision Support ไม่ได้หมายถึงการโอนอำนาจการตัดสินใจให้แก่ AI (Decision Authority) ทั้งนี้ งานวิจัยฉบับนี้เป็นเอกสารเชิงแนวคิดที่ละเว้นการเปิดเผยรายละเอียดตรรกะการทำงานภายในที่เป็นความลับ และเน้นย้ำถึงความจำเป็นในการทดสอบความถูกต้องเชิงประจักษ์ (Empirical validation) ในงานวิจัยอนาคต

Architecture Model

How to Cite

References

• Aksoy, L., Cooil, B., & Lurie, N. H. (2011). Decision quality measures in recommendation agents research. Journal of Interactive Marketing, 25(2), 110–122. https://doi.org/10.1016/j.intmar.2011.01.001
• Broder, A. (2002). A taxonomy of web search. ACM SIGIR Forum, 36(2), 3–10. https://doi.org/10.1145/792550.792552
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfes.46.1.50_30392
• Moser, R., Rengarajan, S., & Narayanamurthy, G. (2021). Decision intelligence: Creating a fit between intelligence requirements and intelligence processing capacities. IIM Kozhikode Society & Management Review, 10(2), 160–177. https://doi.org/10.1177/22779752211017386
• Pirolli, P., & Card, S. K. (1999). Information foraging. Psychological Review, 106(4), 643–675. https://doi.org/10.1037/0033-295X.106.4.643
• Power, D. J. (2002). Decision support systems: Concepts and resources for managers. Quorum Books.
• Pratt, L., Bisson, C., & Warin, T. (2023). Bringing advanced technology to strategic decision-making: The Decision Intelligence/Data Science (DI/DS) Integration framework. Futures, 152, 103217. https://doi.org/10.1016/j.futures.2023.103217
• Rahinel, R., Otto, A. S., Grossman, D. M., & Clarkson, J. J. (2021). Exposure to brands makes preferential decisions easier. Journal of Consumer Research, 48(4), 541–561. https://doi.org/10.1093/jcr/ucab025
• Schemmer, M., Hemmer, P., Kühl, N., Benz, C., & Satzger, G. (2022). Should I follow AI-based advice? Measuring appropriate reliance in human-AI decision-making. CHI Conference on Human Factors in Computing Systems (CHI ’22), Workshop on Trust and Reliance in AI-Human Teams (trAIt). https://doi.org/10.48550/arXiv.2204.06916
• Simon, H. A. (1977). The new science of management decision (Rev. ed.). Prentice-Hall.
• Westerman, S. J., Tuck, G. C., Booth, S. A., & Khakzar, K. (2007). Consumer decision support systems: Internet versus in-store application. Computers in Human Behavior, 23(6), 2928–2944. https://doi.org/10.1016/j.chb.2006.06.006