AI真正改变的,可能不是效率,而是“人类的位置”|管理学最新AI研究3篇

为什么AI越强，我们反而越难回答“人还有什么价值”？

过去几年，人们讨论AI时，最常见的问题是：它会不会替代人类？但越来越多顶刊研究开始发现，也许真正的问题根本不是“替代”。AI正在改变的，可能是我们理解组织、机会、专业能力乃至“工作”本身的方式。AI不只是一个更强的工具，它正在重新定义：什么叫做决策、什么叫做专业、什么又是真正的人类价值。

这三篇来自《Journal of Management Studies》和《Management Science》的最新研究，试图回答同一个问题：当AI开始参与组织运行、创业判断与专业决策后，人类与AI之间的关系，究竟会如何被重新组织？

JMS: AI不是机器，而是一种关系

当企业引入 AI 后，到底是谁在“思考”和“决策”？是算法自己在行动，还是人类仍然在背后主导一切？如果把 AI 看成一个独立的“智能体”，我们是否反而误解了它真正改变组织的方式？

管理学顶刊JMS最新论文《Artificial Intelligence as an Organizing Capability Arising from Human-Algorithm Relations》提出了一个与当前主流观点截然不同的结论：AI 并不是一种独立存在于算法中的“智能实体”，而是一种在“人类—算法关系”中不断生成的组织能力。换句话说，AI 的核心不在于算法本身有多聪明，而在于人类与算法如何共同分析、学习与行动，并在这一过程中形成新的组织方式。

这篇论文的核心机制，在于作者对“AI在哪里”这个问题进行了重新定义。过去大量研究默认：AI 是一种嵌入技术中的能力，算法是“主体”，人类只是使用者。但作者认为，这种“实体观”（entity view）会误导研究者，因为它默认 AI 的能力天然存在于算法内部。相反，论文提出“能力观”（capability view）：AI 并不“存在于”算法中，而是在人类与算法的关系被不断实践、连接和调整的过程中逐渐产生。

因此，AI 不再被理解为一个自动运行的技术对象，而是一种组织能力：它通过人类与算法共同参与分析、学习和行动，改变组织的决策结构、工作流程与协作逻辑。论文进一步指出，这种能力具有三个关键属性：连接性（connectivity）、共依赖性（codependence）和涌现性（emergence）。也就是说，AI 必须依赖人类与算法持续发生关系；双方缺一不可；并且这种能力会随着互动不断变化，而不是固定不变。

为了说明这一点，作者并没有采用传统的实证检验，而是通过对既有 AI 组织研究的系统重构来展开论证。论文大量分析了 Uber、预测性警务、医疗诊断等经典案例，重点并不在于“AI做了什么”，而在于这些系统背后真正发生的关系结构。例如，在 Uber 的派单系统中，表面上看是“算法在匹配司机与乘客”，但作者指出，真正完成这一能力的，其实是司机、乘客与大量算法之间形成的复杂关系网络：司机不断提供行为数据，乘客持续反馈评价，算法则基于这些互动不断更新匹配逻辑。所谓“AI派单”，并不是算法单独完成的，而是一个持续演化的人—算法系统共同完成的结果。

论文最有解释力的地方，在于它并没有停留在“人与AI协作”这种常见说法上，而是进一步指出：如果没有关系的持续 enactment（实践性生成），AI 根本不会存在。作者举了一个很关键的反例——在医疗诊断场景中，一些放射科医生会直接忽略算法建议，拒绝与算法形成实际互动。在这种情况下，即便算法已经部署，AI 也并未真正“出现”。因为在作者看来，AI 不是“系统安装完成后自动存在”的东西，而是只有在人类与算法真正形成关系并共同参与组织活动时，才会作为一种能力被生成。

这篇论文把 AI 研究从“技术能力研究”推进到了“组织关系研究”。过去大量 AI 文献关注的是：算法是否比人更准确、更高效、更自主；而这篇论文则提出，也许真正需要研究的，并不是“AI会不会替代人”，而是“人和算法如何共同形成新的组织能力”。这意味着，未来关于 AI 的核心问题，可能不再只是技术性能，而是关系结构、协作方式以及组织实践如何被重新塑造。

而这也自然引出了一个新的问题：当越来越多算法开始彼此协作、甚至在人类不直接参与的情况下共同完成任务时，人类在这种“关系系统”中的位置，还会如何变化？

论文原文：

Stelmaszak, M., Constantiou, I., & Joshi, M. (2026). Artificial intelligence as an organizing capability arising from human- algorithm relations. Journal of Management Studies, 63(2), 336–365. https://doi.org/10.1111/joms.70003

JMS: AI让创业变容易了，还是更危险了？

当AI已经能在几秒钟内生成几十个创业点子时，创业世界真正稀缺的东西，还是“创意”吗？如果人人都能获得源源不断的新商业想法，那么未来最困难的问题，也许不再是“想不出”，而是“哪些根本做不成”。

管理学顶刊JMS最新论文《Opportunity Search in the Era of GenAI》提出了一个非常尖锐的观点：生成式AI（GenAI）正在彻底改变创业的核心瓶颈。过去，创业理论长期默认“好点子稀缺”，因此把重点放在创业者的创造力和机会识别能力上。但作者认为，在GenAI时代，真正的问题已经从“缺少创意”转向了“无法判断哪些创意是真正可能实现的机会”。换句话说，AI让“想象未来”变得极其容易，却也让“辨别哪些未来根本不可能发生”变得更加困难。

这篇论文的核心机制，其实是在解释：为什么AI会同时扩大机会空间，又扩大不确定性。作者认为，GenAI最擅长的是“扩张”（expansion）——快速生成大量新点子、连接原本不会被联想到的事物、持续扩大创业想象空间。但AI并不真正理解世界，它缺少一种人类天然拥有的能力：对“什么是现实中可能发生的事情”的直觉。论文引用了LeCun关于“world model”的观点，指出AI虽然能够生成看似合理的方案，却并不真正理解现实世界的约束，因此很容易制造出“看起来像机会，但实际上根本无法实现”的幻觉。

因此，作者提出了一个“扩张—收缩—现实性”（ECR）的机会搜索模型。AI负责扩张创意空间，人类则负责收缩它。创业者真正重要的能力，不再只是创造新点子，而是不断剔除“不可能成立”的点子。论文认为，这种分工之所以成立，是因为机器更擅长大规模生成变化，而人类更擅长识别现实世界中的限制条件，例如技术是否真的可行、某个市场是否真的存在需求、某种制度环境是否允许商业模式落地。

为了建立这一理论，作者并没有采用传统创业研究中常见的案例或数据检验，而是从机会理论、Knightian Uncertainty（奈特式不确定性）以及Gigerenzer的“生态理性”理论出发，重新构建了一个关于“创业决策”的认知框架。论文最关键的逻辑是：在真正不确定的世界里，人不可能提前知道哪个创业点子一定成功，因此创业决策不应追求“确定性”，而应追求“更有效地排除明显不成立的方向”。也就是说，与其证明什么是机会，不如先识别什么一定不是机会。

论文最有解释力的证据，来自它对“非机会”（non-opportunity）的分析。作者指出，一个创业机会往往需要多个条件同时成立，例如技术可行性、市场需求、制度环境、资源能力等；而只要其中一个关键条件不存在，这个机会就无法成立。因此，“识别失败条件”比“证明成功可能”更容易。论文以Theranos为例说明：即使市场需求真实存在，只要核心技术本身无法实现，这个创业项目依然是不可能成立的。作者据此提出“weak link principle”——机会判断中最重要的，不是证明所有条件都成立，而是尽快发现那个足以让整个项目失败的薄弱环节。

这篇论文重新定义了AI时代的创业能力。过去，创业理论强调的是“谁更有创造力”；而这篇论文认为，当机器已经能无限生成创意后，真正重要的能力会变成“谁更能识别现实”。它同时也推进了机会理论中的一个长期问题：创业中的核心困难，可能从来都不是“发现机会”，而是“避免误把幻想当成机会”。

而这也自然引出了一个新的问题：当AI未来开始越来越擅长识别“哪些事情不可能发生”时，人类在创业判断中的角色，还会如何变化？

论文原文：

Ramoglou, S., Chandra, Y., & Jin, Q. (2026). Opportunity search in the era of GenAI: Navigating uncertainty in an expanding universe of imaginable but unknowable futures. Journal of Management Studies, 63(2), 695–722. https://doi.org/10.1111/joms.70011

MS: AI正在替代人类，还是重新定义专业人士？

当ChatGPT已经能写代码、分析数据、生成报告时，一个越来越尖锐的问题开始出现：未来真正有价值的人，会是最懂AI的人，还是最懂行业的人？如果算法越来越强，医生、金融分析师、市场人员这些“领域专家”的价值，会被削弱，还是反而变得更重要？

《管理科学MS》最新论文《Reskilling the Workforce for AI: Domain Expertise and Algorithmic Literacy》给出了一个与“AI替代论”截然不同的答案。研究发现，AI和算法并没有简单削弱领域专家的价值，相反，它们正在成为领域知识的“补充品”。真正能从AI中获得更高价值的企业，并不是把算法集中在少数技术部门，而是让大量业务岗位本身具备“算法素养”——也就是理解、解释并使用算法工具的能力。

这篇论文想解释的核心问题是：为什么AI时代，算法能力会越来越从IT部门扩散到业务岗位？作者认为，关键原因在于，AI与传统IT技术不同。过去的数据库、网络系统，更像是“支持工具”，可以由专门技术人员集中维护；但AI和算法会直接参与复杂决策，它们的输出本身就会影响业务判断。因此，单纯由技术团队“远程提供算法”，往往会出现高昂的沟通和协调成本。真正的问题，不是算法会不会算，而是业务人员是否理解它为什么这样算。

论文特别强调了一类越来越重要的能力：同时拥有领域知识与算法理解能力的人。作者以医疗和金融场景举例说明，如果医生不理解AI诊断逻辑，就可能盲目相信算法，或错误忽视有效建议；如果金融交易员缺乏算法理解能力，也可能在市场异常时无法正确判断模型输出。换句话说，AI并不会自动创造价值，真正创造价值的是“懂业务的人如何使用AI”。

为了验证这一机制，研究使用了两类大规模劳动力数据。第一类是2013—2016年的美国招聘数据，用于观察企业在招聘时如何改变技能要求；第二类是2008—2021年的企业员工技能数据，用于观察算法技能如何在真实组织内部扩散。作者并不只是看“企业有没有招AI工程师”，而是观察：算法能力是否开始进入原本非技术性的岗位，以及这些岗位是否本身具有较强的领域知识和决策责任。这样的设计，能够更直接检验“算法能力是否正在向业务专家扩散”。

研究最有解释力的证据，是算法技能在组织中的扩散路径。研究发现，到2016年，仅约三分之一要求算法技能的岗位属于IT职位，大量算法能力已经开始进入非技术岗位。并且，这些技能最容易出现在同时要求领域知识的职位中，例如金融、营销、医疗等岗位。与此同时，那些更容易学习的算法工具——尤其是“无代码工具”和自然语言工具——进一步加速了这种扩散。也就是说，随着AI工具使用门槛下降，企业越来越倾向于让业务人员自己直接使用算法，而不是完全依赖技术团队。

更重要的是，这种组织变化不仅体现在招聘上，也体现在资本市场的评价中。研究发现，当企业的AI与数据科学投资，能够与“广泛分布于业务岗位中的算法能力”结合时，资本市场会给予更高估值。换句话说，投资者真正看重的，不只是企业买了多少AI技术，而是企业是否形成了“业务专家能够真正使用AI”的组织能力。

这篇论文重新定义了AI时代的人才结构问题。过去关于AI与劳动的讨论，往往聚焦“替代”——哪些岗位会消失；但这篇研究提出，AI更深层的影响，可能是重新改变“技术能力应该分布在哪里”。它不再只是IT部门的专属能力，而开始成为大量领域专家的基础能力。

而这也自然引出了一个新的问题：当AI工具未来越来越接近“自然语言即可操作”时，企业中的“专业人士”还需要学习多少技术能力，才足以真正驾驭算法？

论文原文：

Tambe, P. B. (2026). Reskilling the Workforce for AI: Domain Expertise and Algorithmic Literacy. Management Science, 72(1), 515–537. https://doi.org/10.1287/mnsc.2022.03968

推荐试用

唧唧堂AI智能体

快速了解顶刊研究趋势与主流研究行为

唧唧堂顶刊论文结构数据库

系统检索论文，并获取结构化研究信息