夜雨聆风这可能是国内情报学最该回答的一个问题
过去好多年，情报学一直处在一个挺微妙的位置。
外行听到“情报”两个字，脑子里蹦出来的往往是安全、间谍、神秘部门。学生进了校门才发现，课堂上学的大多是文献、检索、计量、知识组织、信息行为、数据治理。等老师做项目的时候，面对的又是科技创新、产业竞争、国家安全、公共治理、数字经济这些大词儿。
这就很尴尬了。
情报学，到底是干嘛的？
现在AI把这个尴尬直接摆到了台面上。
因为过去那些被当成情报学基本功的事情，大模型几乎都能做了：查资料、读文献、写摘要、列框架、初步分析、生成报告，样样都会。以前一个研究生熬夜一周才能磨出来的综述，现在AI十分钟就能给你一个看起来挺像样的版本。
所以真问题不是“情报学要不要用AI”，而是更直接的一个：
AI已经这么能处理信息了，情报学还有什么不可替代的东西？
我自己的判断是：如果情报学还把自己定位成“找信息、管资料、做计量、写综述”，那它的价值确实会越来越薄。但如果它敢回到自己的核心——在什么都看不清的时候，把乱七八糟的信息变成可信的判断，然后帮人做决策——那AI时代，反而可能是它最好的时代。
一、情报学最大的危机，不是AI太强，而是连自己都说不清自己是谁
国内情报学这些年变化不小。
2022年，学科目录调整了，“图书情报与档案管理”正式改名为“信息资源管理”。
这不是简单换个名字那么简单。它背后是学科在往外走——从图书馆、情报、档案这三块传统地盘，走向更宽的地方：政府数据、企业数据、科研数据、平台信息、公共信息、算法信息、社会舆情、知识资产、数字记忆。
从体量上看，学科其实没萎缩。数据显示，到2024年8月，国内信息资源管理学科群有125个学科点，包括50个本科点、106个硕士点、21个博士点、16个博士后流动站。问题不是没人学，是很多人学着学着就开始犯嘀咕：我们跟计算机、管理学、新闻传播、公共管理、数据科学，到底有啥不一样？
这才是真正的麻烦：不是没东西研究，而是东西太多；不是没技术用，而是技术越多，越不知道自己是谁。
今天的情报学，站在一个巨大的十字路口。往左，是图书馆、档案馆、文献计量那条老路。往右，是数据科学、AI、知识图谱、大模型那条新路。往前走，是国家战略、科技竞争、产业情报、公共安全这些高压场景。往后看，就是那句——“我到底是谁”。
二、信息越不值钱，判断越值钱
很多人说，AI会让信息管理变得不重要。
这话只说对了一半。
AI确实让“获取信息”这件事变便宜了。以前找资料是门手艺，现在人人对着对话框就能问。以前写摘要是训练出来的本事，现在AI能批量给你生成。以前做归纳要花时间，现在模型几秒钟就能把结构吐出来。
但你想想：信息越容易生成，可信的信息反而越稀缺。
AI时代最不缺的是什么？内容。最缺的是什么？判断。
一篇AI生成的综述，乍一看条理清楚，引用可能对不上。一个模型给的技术趋势判断，听着像专家口吻，但可能掺了旧信息、错信息、甚至编出来的东西。一份自动生成的竞争情报报告，像模像样，但关键变量、证据来源、因果链条，可能一追问就露馅。
国家层面其实已经意识到这个问题了。2025年国务院的“人工智能+”行动意见里，明确提出要防范模型黑箱、幻觉、算法歧视这些风险，让AI应用合规、透明、可信赖。
这句话背后，就是情报学的机会。
因为AI越普及，社会就越需要有人来回答这些问题：
这信息到底哪来的？ 证据链完整吗？ 数据能用吗？ 结论有没有偏？ 模型为什么这么判断？ 哪些信息能公开，哪些涉及隐私、安全、版权？ 哪些只是“看起来合理”，哪些真能拿来决策？
2025年的《人工智能生成合成内容标识办法》要求AI生成内容要有显式和隐式标识，2023年的生成式AI管理办法也强调发展和安全并重。
你看，AI时代的信息管理，已经不是后台那种“整理资料”的活儿了，它变成了社会运转的基础设施。
过去，信息管理关心的是“信息怎么收集、怎么组织、怎么存、怎么查、怎么用”。现在，它还得关心“信息怎么验证、怎么授权、怎么追溯、怎么解释、怎么治理、怎么负责”。
这就是情报学的价值转移：从管理信息，走向管理可信。
三、国内情报学眼下几个绕不开的问题
第一个，追工具追疯了，忘了自己要解决什么问题。
这几年，图情领域的热词一个接一个：大数据、知识图谱、数据治理、AIGC、大模型、数字人文、智慧图书馆、智能情报、算法治理。追热点本身没什么错，问题在于很多研究变成了“别人用什么，我也用什么”。
有些论文看着挺新，其实是把老问题包了一层AI的皮。有些研究图谱画得很漂亮，最后结论还是“加强建设、完善机制、提升能力”。有些文章说自己搞智能情报，最后做的还是文献计量加关键词聚类。
工具没错。错的是把工具当成了问题本身。
第二个，离真实世界太远了。
情报学按理说最应该靠近真实场景：科技竞争、企业战略、产业链安全、公共舆情、突发事件、科研评价、政策制定、知识服务、数据治理。但很多研究还是泡在数据库里、泡在关键词里、泡在期刊论文里。
真正的情报工作不是“我发现某个主题发文量在上升”，而是继续往下问：为什么上升？谁在推动？资源往哪流？关键卡点在哪？哪个团队可能突破？这对政策、企业、科研布局到底意味着什么？
没有后半段，情报学就停在“信息描述”，到不了“情报判断”。
第三个，教的东西和实际岗位对不上。
AI行业缺的不只是算法工程师。有报道指出，应用复合型人才、AI训练师、数据标注工程师、AI伦理与安全专家这些数据治理和支撑人才也很缺。麦肯锡预测，到2030年，中国AI专业人才需求可能达600万，缺口高达400万。
智联招聘2025年的报告也显示，AI产品经理、数据标注/AI训练师这类岗位需求在明显增长。
这对情报学学生来说，其实是一扇打开的门：不是所有人都要去卷算法。大量岗位需要的是“懂数据、懂业务、懂场景、懂治理、懂表达”的人。
但现实是，很多培养方案还没转过来。学生学了文献检索、信息组织、计量方法，也摸了一点Python、爬虫、可视化、大模型，但缺少一个关键环节：把这些能力捏在一起，做成真实产品、真实报告，去服务真实决策。
第四个，说话不够硬气。
情报学特别喜欢说自己是“交叉学科”。但“交叉”不是护身符。交叉之后要是没有自己的核心问题，就会变成谁都能沾一点、谁也不需要你。
情报学得回答一个特别朴素的问题：别人为什么要来找我们？
如果答案只是“我们会检索”“我们懂文献”“我们能做计量”，那AI和数据分析师都能替代一部分。如果答案是“我们能在复杂信息环境里建立证据链、识别不确定性、组织知识、判断趋势、服务决策”，那这个学科才有不可替代的底气。
四、主战场，该从“信息”转向“判断”了
我想把AI时代的情报学重新定义成一句话：
情报学研究的不是信息本身，而是信息怎么变成可信的知识，再进一步变成能用的判断。
这句话很关键。
因为“信息”只是原料，“知识”是被组织和解释过的信息，“情报”则是面向特定目标、特定场景、特定决策的判断——而且是带着不确定性的判断。
举个例子，同样面对一批论文、专利、项目、企业新闻和政策文件：
计算机的人可能关心怎么建模。 管理学的人可能关心组织绩效。 新闻传播的人可能关心传播路径。 公共管理的人可能关心政策执行。
情报学应该关心的是：这些东西合在一起，说明了什么趋势？谁在形成优势？风险在哪？机会在哪？接下来该怎么行动？
这就是情报学和一般信息管理的区别。
信息管理解决的是“信息怎么变有序”。情报学要进一步解决“有序的信息怎么支持判断”。
所以国内情报学不能只满足于“信息资源管理”这个宽口径，也不能丢掉“情报”两个字里的决策意味。更理想的关系是：信息资源管理是底座，情报学负责把底座上的信息推向判断和行动。
五、未来最值得下功夫的几个方向
第一，可信AI与信息验证。
AI会生成内容，也会制造幻觉。情报学可以研究来源可信度、证据链追踪、AIGC识别、引用验证、事实核查、信息溯源、模型输出评估。未来的核心能力不是“更快生成答案”，而是“知道答案凭什么可信”。
第二，面向大模型的知识组织。
过去知识组织是服务人的，未来还要服务模型。分类法、主题词表、本体、知识图谱、元数据、语义标注，这些都能和RAG、智能体、领域大模型结合起来。情报学不一定去训练最大的模型，但可以建最可靠的领域知识底座。
第三，数据治理与数据资产化。
国家数据基础设施建设已经提上政策议程。2025年国家发改委、国家数据局、工信部印发了《国家数据基础设施建设指引》，强调建设和运营国家数据基础设施、促进数据共享。
这对信息资源管理是重大机会。数据目录、数据质量、元数据标准、数据权属、数据流通、公共数据开放、数据安全、数据价值评估——这些都不是纯技术问题，是典型的信息资源管理问题。
第四，科技战略情报。
科技竞争越来越激烈，科研人员、企业、政府都想知道：前沿在哪？谁在领先？哪些技术被高估了？哪些方向正在形成拐点？哪些论文、专利、人才、项目、资本在往一起聚？
2024年中国情报学年会的主题就是“情报赋能新质生产力”，会上也强调了科技情报的支撑和引领作用。
科技战略情报不应该是边缘方向，应该是情报学的核心战场。
第五，人机协同情报分析。
未来的情报人员不是被AI替代，而是要学会指挥AI、校验AI、约束AI、组合AI。一个好情报分析师，可能会同时用检索系统、知识图谱、数据库、统计模型、可视化工具和好几个大模型。
这时候关键问题就变成了：人什么时候介入？AI负责什么？证据怎么流转？结论怎么复核？不确定性怎么表达？报告怎么让决策者看懂？
第六，信息行为与算法社会。
AI在改变人的搜索、阅读、学习、判断和信任方式。学生越来越依赖AI写东西，科研人员越来越依赖AI读文献，公众越来越容易被算法推荐塑造认知。情报学完全可以研究AI环境下的信息行为、隐私决策、认知偏差、平台信任、虚假信息扩散。
第七，情报产品与决策服务。
国内情报学最需要补的一课，是把研究变成产品。不是说商业产品那种，而是能被真实使用的东西：技术雷达、产业地图、风险预警、政策简报、科研前沿监测、竞争对手画像、专家发现系统、知识服务平台、智能问答系统。
一个学科有没有生命力，不能只看论文数量，也要看它能不能生产被社会真正需要的“情报产品”。
六、情报学学生该怎么自救？
对学生来说，别老问“情报学是不是冷门”了。真正要问的是：我能不能把自己训练成AI时代稀缺的那种人。
未来的情报学学生，至少要有四种能力。
第一，信息能力。会检索、会判断来源、会构建证据链、会管理文献和数据。这是基本功。
第二，数据能力。至少要懂SQL、Python、数据清洗、文本分析、可视化、API调用，知道大模型和知识图谱怎么接入实际流程。
第三，领域能力。别只懂方法不懂行业。选一个方向深扎下去——科技创新、医药健康、金融风险、公共安全、文化遗产、教育评价、企业竞争、政府治理，都可以。
第四，表达能力。情报工作的最后一公里是表达。你能不能把复杂信息写成一页纸？能不能把证据讲清楚？能不能让非专业的决策者听懂？这决定了你和普通数据分析师的差距。
一句话：不要把自己培养成“会用AI写论文的人”，要培养成“能用AI做判断的人”。
七、老师和科研人员该怎么转向？
对老师和科研人员来说，真正的挑战不是追热点，是重建问题意识。
少一点“某某主题的知识图谱分析”，多一点从真实场景里拆出来的问题。 少一点“AI赋能某某的路径研究”，多一点能验证、能复用、能落地的系统和案例。 少一点宏大口号，多一点数据集、评价指标、实验流程、行业报告和决策反馈。
国内图情领域的数据治理研究这几年增长很快，有研究归纳出了治理理论体系、技术体系、商业模式、实践方案、政策法规等几个主题。
这类方向之所以重要，就是因为它把学科传统和现实需求接上了：既有信息组织、资源管理、政策制度的底子，又能回应AI和数据要素时代的新问题。
我觉得，未来好的情报学研究，应该有三个特征：
第一，问题来自真实世界。 不是为了发论文去找题，而是从政府、企业、科研机构、平台、公共服务里把问题抽出来。
第二，方法能被人复用。 不是一次性的跑图，而是能形成数据、模型、流程、工具或评价框架，别人也能用。
第三，结果能进入决策。 不是停在“提出建议”那一步，而是真的能帮人判断趋势、识别风险、配置资源。
八、情报学的出路：别抢AI的饭碗，做AI的罗盘
AI时代，情报学最不该干的事，就是跑去和计算机学院比赛谁更懂模型。
情报学当然要懂AI，但没必要把自己搞成“小号计算机”。它更应该做的是：搞懂AI怎么改变信息生产、知识组织、社会信任和决策机制，然后拿出自己的解决方案。
AI像一台高速发动机。但发动机不决定车往哪开。
情报学要做的是罗盘、仪表盘和刹车系统： 告诉人信息从哪来。 告诉人哪些判断可信。 告诉人风险在哪。 告诉人下一步有什么选择。 必要的时候还要提醒一句：这个结论看着挺聪明，但证据不够。
所以国内情报学真正的出路，不是改个更时髦的名字，也不是追每一个技术热点，而是建一个清晰的闭环：
可信信息获取——知识组织治理——智能分析计算——场景化判断——决策服务反馈。
这个闭环里，信息资源管理是底座，AI是工具，情报分析是方法，服务决策是目标。
写在最后：情报学不是过时了，是该长大了
AI没有杀死情报学。
它只是杀死了那个低配版本的情报学——只会查资料、搬概念、跑计量、写套话的那个版本。
但AI也在召唤一个高配版本：懂数据、懂模型、懂组织、懂治理、懂领域、懂人、懂决策的情报学。
未来，真正有价值的情报学，不会停在“我找到了什么信息”，而是会继续往前走：
这些信息意味着什么？它有多可信？它对谁重要？会带来什么风险和机会？我们现在该怎么办？
这才是情报学的核心问题。
也是AI时代，情报学重新证明自己的机会。
