管理领域如何对生成式人工智能进行理论研究

生成式人工智能（GAI）的爆发式增长，在学术界和实务界掀起了不小的波澜。在Google Scholar上搜一搜“生成式人工智能”加上“商业”或“管理”，能跳出大约1740个结果——学者们已经开始琢磨它对商业和管理到底能带来什么影响。不过，讨论虽然热闹，很多观点还停留在推测阶段，缺乏扎实的理论根基。要真正解释GAI带来的独特冲击和需求，要么把旧理论修补一下，要么干脆发展新理论。正因如此，British Journal of Management（BJM）在2024年第1期集结了18位商业与管理领域的知名学者，从7个维度给出了理论驱动的分析视角（参考文献附在文末）。今天，咱们就来逐一拆解这些高见。

1. 重构生成式人工智能时代的职场关系

Shuang Ren, Riikka M. Sarala, Paul Hibbert

在GAI全面渗透的职场里，工作和结果不再是固定的，而是不断动态涌现出来的。别把GAI当成一个已经定型的工具——它的功能和效果，取决于人们怎么去用它、怎么去决策，是被“建构”出来的。所以，得把当下和未来职场中那些内部关系串起来，再把它们在GAI环境下的运作结果当作现象来研究。

别忘了，GAI充斥的职场里，关系社会活动依然存在，而且情境比以往更关键。这里说的“情境”很宽泛，既包括过去对技术的想象分析，也包括当前有争议的技术审查，还有随时间推移形成的制度因素。不能孤立地研究GAI，得把它放到现在和未来的复杂性之中去看。

人类与GAI组成的团队会不断涌现新知识和未知问题，这让传统的团队形式受到挑战。如果GAI成了日常工作的伙伴，我们怎么定义“团队”？GAI没有情感、欲望和责任。做文献综述、数据转录这些工作时，别指望GAI能生产原创研究，真正的价值在于用好“提示词”，把它的能力发挥到极致。

2. 人工智能中的艺术：理解生成式人工智能的研究并超越

Paolo Quattrone, Tammar Zilber, Renate Meyer

你有没有这样的经历——刚想到某个产品，社交媒体上就推来了相关广告？这种预测确实令人着迷。但话说回来，就算有海量数据和智能信息，未来仍然无法被预测。人工智能的真正价值，不是预测未来，而是帮我们构思未来、激发想象力与创造力。

AI可以通过多种形式和模态影响我们的判断力，比如智能手表这类新技术，调动了我们原本很少用到的感官资源。

还记得微软前CEO史蒂夫·鲍尔默看到第一代iPhone时的那句质疑吗？“谁会花500美元买一部手机？”他显然没有理解技术的潜力和复杂性——手机可以变成相机、电影院、甚至更多。从否定到可能，从不存在到存在，这种转变正是人工智能的核心。

3. 随时间而变的有争议的想象：将生成式人工智能置于情境中

Niall G. MacKenzie, Stephanie Decker, Christina Lubinski

每当新技术出现，围绕它的好处和破坏性的宣传就会同时爆发，不同的想象者相互竞争。我们可以通过分析历史上对已有技术的想象，来更好地理解新技术出现后社会如何适应变化。这些想象无论好坏都很重要，关键是要认清它们出现的背景和背后的承诺，用恰当的理论和概念视角去解读。

好和坏的想象都是新技术发展中的必然组成部分。要把GAI放到它所处的经济、整治系统中去考察，同时结合社会重大技术演变的历史。学者们在理论化时，必须把历史思维纳入对GAI的概念化中，对那些有争议的想象提出质疑。

4. 组织团队中的生成式人工智能：管理内外的挑战和未来方向

Olivia Brown, Da vid A. Ellis, Julie Gore

团队通常被定义为由两个或两个以上的人组成。当GAI被嵌入组织结构和设计时，它应该放在什么位置？是作为输入要素纳入团队构成，还是归入更广泛的技术能力背景？如果把GAI放进理论框架，新的团队该怎么运作？比如人机信任是高效团队的关键，那AI成员和人类成员之间的相互信任又该如何探索？目前实证研究还很有限，可以通过观察性和访谈性研究来获取大家对GAI的初步感受，了解管理者和员工对它的容纳态度。

虽然Zoom这类数字技术已经在组织中普及，但对GAI这种技术到底怎么用、它如何改善或阻碍团队成果，我们的理解还很有限。技术驱动和人类驱动行为之间的界限越来越模糊，管理学者需要考虑研究团队中GAI的有效方法，借鉴其他学科的创新实践，通过实验、观察以及从实践中获取的数据进行三角验证。

OBHRM领域对人工智能的危险性猜测，在学者和从业者之间争议很大。不过，未来GAI的使用可能会像电子邮件一样普及。有人认为它是很好的补充，但现实中可能带来伦理挑战。ChatGPT这类系统基于文本学习，本身就带有现有的社会偏见，而且技术层面上我们对其工作原理还有很多知识空白。所以，务必确保这些AI系统的透明度，让它们得到负责任的应用。当前的理论、方法和道德探索，还远远没有定论。

5. 人工智能时代的专业素养：理论启示

Daniel Muzio, James Faulconbridge

它被定义为拥有高度自主和自由裁量权，消费者既无法定义自己的需求，也很难轻易质疑专业人士——比如医生和患者、律师和客户之间的关系。

过去20年，AI已经取代了一些技术岗位，未来可能涉及更深层次的技术解决方案变革。价值会从专业人员转移到非专业人员的操作系统上，消费者越来越有能力直接通过技术满足自身需求。AI迫使我们更新现有的专业和社会学理论概念。

技术只是变革故事的一小部分。生成式AI还会牵扯伦理、整治问题、数据安全、知识产权等。这些因素可能导致专业人员抵制技术采用。此外，技术并非万能，一旦出现不当行为，谁来负责？这同样是个棘手问题。

6. 生成式人工智能兴起之后：关系知识和认知责任更加重要

Gazi Islam, Michelle Greenwood

科学本来就建立在矛盾和不稳定的关系之上。目前的学术同行评审和期刊出版系统，就是由部分联系和远程评估演变而来的——既要持续互动，又要在陌生人之间进行评判，在亲近与疏离之间保持平衡。但这种传承下来的方式正在受到新技术的挑战。以ChatGPT为例，它几乎可以替代知识生产的每一个环节。关系网络及其参与者，既改变了知识生产方式，也改变了责任的性质。

行动者和知识产品并不是先于关系存在，而是通过关系形成的，知识由此产生。BJM的几万篇论文，也是通过相互关联且稳定的实体相互影响而存在的。大语言模型（LLMs）被引入管理研究网络，很可能会碘伏整个生态系统。比如在文本生成方面，LLMs利用大量未指定的数据源生成文本，比传统研究实践更加不透明，导致知识来源不可追溯，从而引发对当前期刊实践中学术所有权与问责制度的可行性质疑。此外，它们介入研究人员的思维过程、分析风格和语言修辞，会让学术写作风格趋向同质化。

LLMs对学术产出的影响，对研究责任有重大意义。对学术作品的评判直接受到LLMs影响，引发了关于“是谁撰写、授权了文本”的追问——而这些程序本身就是黑匣子。虽然整个学术界都存在看不见的工作方式，但这种无法确定的劳动力反而倒逼当前模型变得更加透明。

7. 生成式人工智能和理论化

Robert M. Da vison, M. N. Ra vishankar

理论化是项复杂的工作，研究人员往往依赖过去的记忆，但人类大脑是有选择性的。GAI可以像研究助手一样，帮我们发现最有用的文献来源，甚至把信息以更容易理解的形式呈现出来。

做访谈转录编码时，难免会有失误，或者受访者为了简洁混用多种语言。生成式人工智能软件能准确识别不同语言的词汇，并结合文化背景进行恰当翻译。

还能与过往文献对比，产生多种选择，帮助研究人员发掘有前途的新思路。但一个难题是：如何确定哪些思路有趣、反直觉？这最终取决于研究者的主观判断。GAI可以充当一个“密探”——训练它去识别这些线索，然后构建支持性论证。但真正的瓶颈在于，用户能不能向系统提出“对”的问题。