夜雨聆风目前【AI+会计/金融/管理】顶刊研究大致可以分为以下几类（来自gpt）
├── AI治理（Governance）
│ ├─资源属性
│ ├─产权与治理
│ ├─模型缺陷
│ └─伦理与公平
├── 人机协作（Human-AI Collaboration）
│ ├─增强vs替代
│ ├─算法厌恶
│ └─协同绩效
├── 工作与组织（Future of Work）
│ ├─技能重构
│ ├─生产率
│ └─员工激励
├── 创新与战略（Innovation & Strategy）
│ ├─创新产出
│ ├─组织设计
│ └─平台治理
└── 资本市场信息环境（Information Environment）
├─信息生产
├─信息传播
└─信息处理
具体而言，与会计/金融/管理 最相关的方向主要有：
（1）生成式 AI 在会计、审计、税务实务的落地应用，证实 AI 多作为辅助工具赋能财税工作，但受合规风险、从业者算法厌恶约束，最后探讨如何更好地人机协同。
（2）聚焦全链条资本市场，AI 优化企业信息披露（面对AI发展企业如何改变披露方式进行回应、企业在披露过程中又如何应用AI）、分析师研报产出，逐步弥合散户与机构投资者信息鸿沟（但AI 也可能诱发投资者能力认知误区）。部分研究借助封禁、宕机等外生事件进行实证分析
（3）围绕企业经营管理， AI 能够助推产品创新、重构岗位需求、影响人才筛选难度；既可依托组织设计破解企业规模与多元化矛盾，也会在绩效激励、知识共享中产生负面效果；进一步分析这些效应受到哪些因素的影响。
（4）AI辅助的指标构建
以下是 40 篇顶刊摘要梳理
Aku H, Parker C A Z, Stone C W. Applications of Generative Artificial Intelligence in Tax Practices: Evidence from Tax Professionals[J]. ACCOUNTING HORIZONS, 2026.
本研究探究生成式人工智能（生成式 AI）在专业税务实务中的现行应用，以及税务从业者对其价值与局限的评价。研究通过对 18 位税务及税务科技领域从业者开展半结构化访谈发现：生成式 AI 已应用于税务调研、涉税事项识别、工作底稿编制、合规风险排查等核心涉税工作。实务中，生成式 AI 主要充当参考工具与协作助手，辅助法规释义与探索性分析，并不会自主作出税务专业判断、取代从业人员专业能力。机构引入该技术主要出于提质增效与行业竞争压力，但税务工作在数据精准度、文档留存、监管稽查、执业责任等方面的特有顾虑，限制了 AI 的应用边界。因此从业者普遍坚持人工审核管控，不赋予 AI 自主决策权限。受访人员预判，生成式 AI 将重塑税务作业模式，而非造成税务从业人员大规模失业。本研究为生成式 AI 在财税领域的发展演进提供了时效性实务参考。
研究问题：生成式 AI（Gen AI）在税务领域落地应用、采纳动因、落地成效、现存风险、行业未来发展
Albayraktaroglu A, Mergen A, Guven C. Generative AI Models as Wicked Resources: A Dynamic Perspective on Resource Governance[J]. JOURNAL OF MANAGEMENT, 2026.
生成式人工智能模型的普及从根本上重塑了组织能力，在创造全新价值的同时，也对现行资源治理框架构成挑战。本文采用现象驱动型研究思路，整合并拓展产权理论（PRT）与利益相关者资源基础理论（SRBT），围绕生成式人工智能带来的治理难题展开研究。依托系统动力学建模方法，本文构建概念框架，厘清利益相关者权利主张、制度安排与价值分配结果三者间的动态联动关系，揭示反馈回路、时滞效应与资源累积如何作用于上述互动过程。 研究得出两项核心结论：第一，即便利益相关者诉求与产权制度达成稳定均衡，受各主体权力悬殊、生成式 AI 贡献归属天然模糊等因素影响，均衡状态未必能实现收益公平分配；第二，借助产权理论与利益相关者资源基础理论双重视角审视生成式 AI 的资源属性，可发现这类资源具备现有战略文献尚未充分探讨的独有特征。据此，本文提出“棘手资源（wicked resources）”新概念：该类资源以贡献归因模糊性和衍生发展不可预测性为本质特征，受不断变化的社会政治环境制约，企业难以划定资源边界、落实管控权限。 本文主要有三项学术贡献：阐释生成式 AI 治理的多利益相关方动态特征；在战略与管理学研究中新增棘手资源这一资源分类；挖掘产权与利益相关者议价研究的理论缺口，倡导采用动态、系统性思路开展相关研究。
Alekseeva L, Azar J, Giné M, et al. Artificial intelligence adoption and the demand for managerial expertise[J]. Strategic Management Journal, 2026:70099.
研究概要：本文探讨企业采用人工智能（AI）与管理者及管理技能需求之间的关系。基于 Lightcast 职位数据构建的技能型 AI 采用指标，研究表明，AI 采用程度更高的企业，发布的管理类职位数量更多、占比更高，这一关联在制造业及研发强度更高的企业中最为显著。同时，AI 采用程度提升，会推动企业对管理技能的需求发生转变：减少预算、规划、人员管理、客户服务等常规行政类技能，增加利益相关者管理、创造力、销售管理等人际交往与增长导向类技能。总体而言，研究结果显示，在 AI 赋能的环境中，管理角色正朝着助力业务规模化、跨部门协调与组织适配的方向重构。管理概要：随着人工智能（AI）在企业中日益普及，管理者与高管面临一个实际问题：管理角色将发生怎样的变化？本文基于 2010—2022 年美国职位发布数据，发现AI 采用程度更高的企业，对管理岗位的需求相对更强，制造业与创新型企业中这一现象尤为突出。研究还发现，AI 的深度应用会改变管理者的工作内容：企业对预算、规划等常规行政技能的需求下降，而对销售、创造力、利益相关者管理等增长导向技能的需求上升。总体来看，证据表明，企业愈发重视与业务规模化、跨部门协调、组织适配相关的管理角色。
Babina T, Fedyk A, He A, et al. Artificial intelligence, firm growth, and product innovation[J]. JOURNAL OF FINANCIAL ECONOMICS, 2024,151(103745).
本文研究人工智能（AI）技术的应用及其经济影响。我们基于员工简历数据，构建了衡量企业层面 AI 投资的全新指标。该指标显示，各行业的 AI 投资均出现大幅增长。进行 AI 投资的企业，其销售额、就业规模与市场估值均实现更高增长。这种增长主要源于产品创新能力的提升。通过采用 “企业对 AI 人才供给高校的依赖度” 作为工具变量，验证了研究结果的稳健性。AI 驱动的增长主要集中于大型企业，并伴随行业集中度上升。研究结果表明，AI 这类新兴技术可通过产品创新推动企业增长，并催生 “超级明星企业”。
Bennett B, Ham C, Milbourn T, et al. Firm-Level Litigation Risk: Measurement and Effects[J]. MANAGEMENT SCIENCE, 2026.
企业面临来自投资者、客户及监管机构等各类利益相关方带来的诉讼风险，已有研究表明这类风险会深刻影响企业多项经营决策。本文通过解析美国证监会 10-K 年度财报，构建一套简便、可复现的企业层面诉讼风险测算指标。在控制企业特质、已发生诉讼、地域因素以及企业固定效应等多项变量后，该指标仍能有效预判企业涉诉概率，测算效果与依托人工智能开发、成本更高的诉讼风险指标旗鼓相当。本文进一步将该诉讼风险指标与现金持有、资本支出、研发投入、并购等多项公司政策开展关联检验，实证结果与现有文献结论保持一致。
Note: 比较了文本指标和基于 ChatGPT 的 AI 诉讼指标
Bertomeu J, Lin Y, Liu Y, et al. The impact of generative AI on information processing: Evidence from the ban of ChatGPT in Italy[J]. JOURNAL OF ACCOUNTING & ECONOMICS, 2025,80(1017821).
本文探讨生成式人工智能的兴起如何重塑资本市场的信息环境。文章利用意大利临时封禁ChatGPT这一意外事件，考察其对市场参与者信息处理能力的影响。研究采用 AI 文本检测指标发现：封禁期间，意大利本土金融分析师对 AI 的使用显著减少，且相较于覆盖同一家公司的境外分析师，其发布的盈利预测数量更少。负面影响在封禁前报告 AI 使用痕迹更强、或具备技术背景的分析师中更为明显。封禁同时降低了分析师的预测准确性、使其报告更依赖行业层面信息、并削弱了市场信息效率。此外，投资者对盈利公告的反应更为强烈，股票买卖价差扩大，反映出市场效率下降。 核心结论 • 生成式 AI（ChatGPT）显著提升金融分析师信息处理效率，增加预测数量、提高准确性、丰富公司特定信息供给。 • 限制 AI 使用会削弱分析师信息中介功能，降低资本市场信息效率、加剧信息不对称与市场摩擦。
Blankespoor E, Dehaan E D, Li Q. Generative AI in Financial Reporting[J]. Journal of Accounting Research, 2026:1475-1679.
生成式人工智能（GAI）或将重塑财务报告流程的多个环节，并催生大量学术研究。本研究率先开展相关探索，聚焦企业在财务报告的核心环节 —— 披露文本撰写中对 GAI 的实际应用程度。研究首先评估了一款商用工具（GPTZero检测工具）识别披露文本中 GAI生成内容的能力，结果显示，该工具可在真实样本中精准识别微量的 GAI 使用痕迹。随后，本研究分析了截至 2024 年企业的盈利公告、电话会议发言稿、风险因素说明、管理层讨论与分析（MD&A）及 IPO 申报文件，发现五类披露文本中均存在显著的GAI 使用现象，2024 年新增文本中由 GAI 撰写的比例最高达 4.5%。横截面数据显示，GAI 使用程度呈现可预测的差异，且 GAI 使用率较高的申报文件，其语言特征存在系统性区别（GAI 文本呈现可读性更强、语气更积极、细节更具体的特征）。本研究为 GAI 在财务报告中的应用及影响提供了早期研究结论，也为这一新兴领域的后续研究奠定了基础。
Botelho T L, Wang Q I. Bias in, symbolic compliance out? GPT's reliance on gender and race in strategic evaluations[J]. STRATEGIC MANAGEMENT JOURNAL, 2026.
研究摘要 各类组织正越来越多地采用大语言模型（LLM）辅助战略评估。本文探究该类模型在项目评审中是否存在性别与种族偏向及其作用机制。研究仅变更创始人姓名（以此区分性别、种族特征），让 GPT 对内容完全一致的初创项目计划书进行打分。基于 2.6 万组测评数据：GPT并未系统性地给少数群体创业者更低评分，只是减少其排名垫底的概率，但并未提升他们获评优胜的可能性。为解释该现象，本文开展 “二次复核” 对照实验：在 GPT 评审中加入带人类偏见的参考意见。结果显示，模型更容易修正直白的身份歧视类偏见，却难以纠正伪装成客观商业评判的隐性偏见，且整体修正幅度有限。据此本文提出理论解释：大模型仅做象征性合规—— 规避显性歧视，但评审底层逻辑并未实质改变，致使 AI辅助的战略评估中不平等问题依然存续。 管理摘要 以 ChatGPT 为代表的大语言模型正广泛应用于招聘、创业项目评审等各类战略评估场景。本研究通过控制变量实验，仅更换创始人姓名来区分性别与种族，检验 GPT 在初创项目评审中的性别、种族偏见。多组实验表明：GPT 不会刻意压低少数族群创业者的评分，主要做法是降低其末位排名概率，但该表现仅为规避公开歧视的表面操作，并非从底层实现公平。大模型虽不再直白复刻传统社会偏见，但对隐性偏见的纠偏能力十分有限。研究结论提示：将大语言模型投入高风险战略评估业务前，必须落地针对性的偏见管控方案。
Bradshaw M T, Ma C, Yost B P, et al. Generative AI Use by Capital Market Information Intermediaries: Evidence from Seeking Alpha[J]. Journal of Accounting Research, 2026:1475-1679.
本文研究Seeking Alpha（美国知名投资者平台）上，生成式 AI 在个股财务分析中的应用情况。2022 年 11 月 ChatGPT 首次推出后，AI 生成文章占比急剧攀升至13.5%；2023 年末，Seeking Alpha 将 AI 使用等同于抄袭并明令禁止后，该占比随之下降。本文围绕两大核心问题展开研究：（1）使用 AI 能否提升创作者生产力？（2）AI 使用是否会对资本市场产生影响、最终改变信息格局？研究发现，使用 AI 的创作者生产力显著提升，发文量更多、覆盖的新企业也多于未使用者；而 AI 文章的信息价值呈现差异化特征：平均而言，AI 文章的信息含量低于人工文章，引发的交易量与异常收益反应更弱。但 AI 能扩大企业覆盖范围，进而提升市场流动性、加快价格发现效率。研究结论表明：尽管目前 AI 生成文章被认为信息价值不及人工文章，但其低成本特性可扩大企业信息覆盖，从而优化资本市场整体信息环境。
Cao S S, Chen W X, Ma G, et al. Generative AI in Capital Markets: Information Production, Dissemination, and Processing[J]. Journal of Accounting Research, 2026:1475-1679.
摘要：本文综合了 2025 年《会计研究期刊》会议发表的六篇论文证据，探讨生成式人工智能（GenAI）如何重塑资本市场信息流动。讨论围绕一个包含三层的经济框架展开：企业与会计专业人员的信息生产、中介机构的信息传播、投资者的信息处理。会议论文表明，在这三个层面，GenAI 能够降低准备成本、提高中介生产力并减少投资者处理成本。同时，研究指出一个共同约束：GenAI 能否改善信息环境，关键取决于信息验证成本。本文还指出现有证据中的研究空白，并勾勒出三层框架内部及跨层的未来研究方向。 核心三层框架： • 信息生产层：企业与会计从业者生成内部记录和外部披露信息。 • 信息传播层：分析师、媒体、众包平台等中介传递、解读信息。 • 信息处理层：投资者获取、整合信息并制定交易决策。
Cao S, Jiang W, Wang J, et al. From Man vs. Machine to Man plus Machine: The art and AI of stock analyses[J]. JOURNAL OF FINANCIAL ECONOMICS, 2024,160(103910).
经训练、能够解读企业信息披露、行业趋势与宏观经济指标的人工智能分析师，在股票收益预测方面，表现超过大多数人类分析师。然而，当机构知识至关重要时 —— 例如涉及无形资产和财务困境的情况 —— 人类在 “人机对抗” 中占据优势。人工智能则在信息透明但数据量大的场景中胜出。在 “人机协同” 模式下，人类仍能提供显著的增量价值，并大幅减少极端预测误差。若分析师所在机构具备人工智能能力，当另类数据普及后，分析师的预测能力将追赶上机器。本文记录的人机协同效应表明，人类如何借助自身优势，更好地适应人工智能日益增强的能力。
Cao S, Jiang W, Yang B, et al. How to Talk When a Machine Is Listening: Corporate Disclosure in the Age of AI[J]. The Review of Financial Studies, 2023,36(9):3603-3642.
人工智能受众的不断增长（以机器下载量及配备人工智能能力的投资者持股情况作为代理变量），促使企业编制更便于机器处理的披露文件，并弱化算法感知为负面的语言语气。Loughran 与 McDonald（2011）词典和2018 年问世的 BERT 模型，作为事件研究，印证了负面情感衡量值下降源于机器读者的增多。在情感管理收益更高（如存在外部融资需求）或成本更低（如诉讼风险较低）的企业中，这一关系更为显著。本文是首项探究企业针对技术变革所产生的披露反馈效应的研究。
Chang A Y, Dong X I, Martin X, et al. AI Democratization and Trading Inequality[J]. Journal of Accounting Research, 2026:1475-1679.
本文率先探究生成式 AI（GenAI）如何影响投资者交易行为。我们从财报电话会议纪要中提取AI 情绪指标作为文本信息信号的代理变量，发现财报电话会议前后，投资者交易行为发生显著变化。在 ChatGPT 大规模普及前，做空交易与 AI 情绪高度契合，而散户交易则无此关联。但 ChatGPT 普及后，散户交易与 AI 情绪的契合度显著提升，做空交易的契合度则有所减弱（统计上不显著）。信息处理成本越高的股票，散户交易契合度的提升越明显 —— 这类场景下，散户从 AI 中获益更多。以 “散户 - AI 契合度” 衡量散户依据 AI 信号交易的程度，研究发现：在契合度高的股票中，信息不对称程度下降、散户交易收益提升，而做空交易收益下滑。ChatGPT 突发宕机（外生冲击）会削弱散户交易与 AI 情绪的契合度，由此可推导出因果关系。综上，本研究表明：对于处理公开信息能力差异显著的不同投资者群体而言，AI 有望缩小其在复杂文本类财务信息交易中的信息鸿沟。
Cheng Q, Lin P, Zhao Y. Does generative AI facilitate investor Trading? Early evidence from ChatGPT outages[J]. JOURNAL OF ACCOUNTING & ECONOMICS, 2025,80(1018212-3).
本文利用 ChatGPT 宕机事件，为投资者是否依赖生成式人工智能（GenAI）开展专业工作、以及其对股价信息效率产生的影响提供早期证据。研究发现，ChatGPT 宕机期间，股票交易量显著下降。当宕机发生前或期间有公司新闻发布、以及短期机构投资者持股比例较高时，这一效应更为明显。进一步研究显示，宕机期间短期价格冲击与收益方差下降，说明知情交易减少。最后，证据表明生成式 AI 辅助交易能够提高长期股价信息效率。总体而言，研究结果表明，大量投资者使用 ChatGPT，并影响其交易决策与市场表现。未来研究可进一步探讨生成式 AI 影响交易的内在机制，以及使用 AI 进行交易可能带来的潜在风险。
Choi J H, Xie C L. Human + AI in Accounting: Early Evidence from the Field[J]. Journal of Accounting Research, 2026:1475-1679.
本文提供了生成式人工智能（GenAI）在会计领域应用及影响的初步证据，研究聚焦会计师个体层面与具体工作任务层面。基于 277 名专业会计师的调查数据，研究发现，会计师对 GenAI 的采纳模式、感知收益与担忧均存在显著差异。同时，依托服务 79 家中小企业的 AI 会计平台专有现场数据，分析了超过 20 万条交易级记录。研究表明，采用 GenAI 与生产力显著提升、工作重心从常规数据录入转向业务沟通与质量审核密切相关；GenAI 的应用还改善了财务报告质量，表现为总账科目更细化、月末结账更快。在人机协作方面，会计师倾向于在 AI置信度较低时介入修正，体现了专业判断与 AI 的互补关系。一项框架田野实验进一步显示，虽然 AI 辅助整体提升了分类准确率，但依赖非共识性 AI 建议会增加错误风险。总体而言，研究揭示了 、GenAI 在会计领域的潜力与风险，并指出：在实践中，AI 最有效的角色是增强而非替代专业判断的工具。
Commerford B P, Dennis S A, Joe J R, et al. Man Versus Machine: Complex Estimates and Auditor Reliance on Artificial Intelligence[J]. JOURNAL OF ACCOUNTING RESEARCH, 2022,60(1):171-201.
会计师事务所正投入数十亿美元研发人工智能（AI）系统，助力审计人员完成高难度审计工作（例如复核复杂会计估计）。尽管事务所普遍认为人工智能能够提升审计质量，但越来越多的研究证实，人类普遍存在算法厌恶现象：即便机器给出的建议与人工建议内容完全一致，人们也会更低程度采信计算机的意见。为此，本文通过一项实验，探究算法厌恶在审计师职业判断中的具体表现。实证结果与理论预期相符：当事务所自研人工智能系统（而非行业专家）出具相悖审计证据时，审计师针对管理层复杂会计估计提出的调整金额更低；若管理层编制估计所依托的数据客观性较强（相较于主观性数据），该现象尤为突出。研究表明，审计师身上的算法厌恶问题，或将给审计行业及财务报表使用者带来显著经济损失。
Cowgill B, Hernandez-Lagos P, Wright N L. Does AI Cheapen Talk? Theory and Evidence from Global Entrepreneurship and Hiring[J]. MANAGEMENT SCIENCE, 2026.
依托求职简历、创业计划书等信号筛选人力资本是机构的关键工作；信号之所以具备信息价值，是因为优质信号的生成需要差异化的知识与精力投入。生成式人工智能（GAI）大幅压低优质信号的制作成本，进而加大人才筛选难度。本文构建模型剖析生成式 AI 带来的信息影响，发现申请者使用生成式 AI 既可能提升、也可能降低评审方的筛选失误率，最终结果取决于 AI 对专业人士与非专业人士信号质量的差异化影响。 结合招聘与初创项目投资实验测算：申请者使用 ChatGPT 后，用人单位与创投机构的筛选准确率下降 4%~9%。与模型推论一致，在部分场景下（非英语国家申请者群体），AI 反而能够提升筛选精准度。研究表明，生成式 AI 会深刻改变人力资本筛选的有效性。
Croom J. Interactivity and Illusions of Ability: How Using Generative AI Affects Investor Judgments[J]. JOURNAL OF ACCOUNTING RESEARCH, 2026,64(2):681-719.
本文以生成式人工智能（GenAI）为研究情境，考察信息处理工具的交互性如何影响投资者对自身能力的评估及其投资意愿。尽管生成式人工智能能够帮助投资者处理金融信息，但本文提出：生成式 AI 所具备的强交互性会模糊投资者自身能力与 AI 能力之间的边界，使投资者低估自己对 AI 的依赖、误将 AI 的能力归为自身所有。研究依托实验室实验优势，将生成式 AI 的交互属性与AI 辅助本身分离开来。通过三项实验发现：支撑生成式 AI 运行的高交互性会显著提高投资者对自身能力的评估、增强其投资意愿；然而，这种交互性并未改善、反而削弱了投资者对 AI 提供信息的实际处理能力。研究结果揭示了生成式 AI 及其他高交互信息处理工具在应用中存在的潜在成本与风险。
Cui K Z, Demirer M, Jaffe S, et al. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers[J]. MANAGEMENT SCIENCE, 2026.
本文依托微软、埃森哲及一家未具名财富百强企业开展的随机对照试验，探究生成式人工智能对软件开发人员工作效率的影响。企业在日常业务中开展实地实验，随机选取部分研发人员使用具备代码智能补全功能的 AI 编程助手。各单项实验数据存在扰动、结果有所差异，但汇总三项实验共计 4867 名开发者数据后发现：使用 AI 工具的研发人员任务完成量提升 26.08%（标准误 10.3%）。其中，从业经验偏少的开发者工具使用率更高，生产效率增幅也更为突出。
Ecker F, Li X, Li Y, et al. How Stock Market Participants Use Generative Artificial Intelligence: Evidence from User‐Platform Interaction Data[J]. Journal of Accounting Research, 2026:1475-1679.
本文提供了股票市场参与者如何利用生成式人工智能（GenAI）处理投资相关信息的描述性证据。基于 2024 年上半年中国某大型生成式 AI 平台的170 万条股票相关查询数据，研究发现：用户查询覆盖广泛主题与任务，并随使用强度与金融素养呈现系统性差异；企业信息披露事件期间查询活跃度上升，但该上升主要同步于同期媒体报道。研究还发现，管理层自愿性信息披露的信息含量与投资者对生成式 AI 的依赖之间存在替代关系。简洁且方向准确交易信号的 AI 回复，更易促使用户持续使用平台。随着使用深入，用户后续查询会逐渐沿用早期 AI 回复中的专业表述与金融术语。在市场层面，生成式 AI 使用与知情交易水平上升、市场流动性下降相关；AI 回复的综合情绪与当日个股异常收益呈正相关，用户正向反馈时相关性更强。总体而言，研究揭示了散户投资者早期采纳生成式 AI的特征，为探讨生成式 AI 如何影响金融市场信息处理提供了依据。 查询任务分布 • 信息整合任务（77.6%）：最核心，含对比分析、趋势预测、财务分析、风险评估等 • 信息获取任务（44.5%）：信息搜索、原因分析 • 信息认知任务（38.8%）：股票推荐、新闻监控 • 小众任务：总结（3.3%）、交易策略（3.0%） 查询时间特征 • 日内：交易时段（9:30-16:00）高峰，收盘后、晚间 22 点有次高峰 • 事件驱动：财报 / 管理层预测披露期查询增多，但媒体报道影响＞企业披露 • 用户学习：首次查询多为认知类，后续转向获取类、整合类任务 核心结论 • 散户用 GenAI 核心做信息整合，用户分层显著，高频用户少、专业用户更理性 • AI 回复的准确性、简洁性、情绪决定用户反馈与持续使用，用户会学习 AI 专业表述 • GenAI 使用与市场流动性下降、知情交易增加相关，回复情绪影响短期收益
Gartenberg C, Hasan S, Murray A, et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review[J]. ORGANIZATION SCIENCE, 2026.
本文隶属于《组织科学》期刊 AI 专项工作组，围绕人工智能对权威学术期刊稿件投稿与同行评审带来的初期影响展开研究。自 2022 年末 ChatGPT 问世以来，该刊投稿总量上涨 42%，但文稿写作质量下滑；上述变化几乎全部由 AI 生成文稿的激增所致。同行评审意见中 AI 撰写内容同样不断增多，相较人工审稿意见，其行文质量偏低、研究议题覆盖面更窄。据现有资料，本文系首篇披露 AI 对期刊审稿流程实际影响的研究。而与多学科期刊主编的访谈表明，该现象并非局限于本刊与社科领域。在 AI 应用初期，本文暂无法界定 AI 的合理使用标准，但可得出结论：在现行 “不发表即淘汰” 的科研激励机制助推下，现阶段 AI 工具正使得学术体系趋向重数量、轻质量的均衡状态。若要实现 AI 赋能科研创新的良性均衡，科研机构及其配套激励制度必须作出相应改革。
Hernandez-Lagos P. The transparency of AI and the profits of the firm[J]. JOURNAL OF CORPORATE FINANCE, 2026,99(103002).
本文构建数理模型，研究头部企业人工智能技术透明度与其利润间的关联。使用企业 AI 产品的用户会产生数据，而数据是 AI 研发的核心投入要素。研究证明：在理性预期条件下，企业降低面向用户的技术透明度能够提升自身利润。透明度下降虽会造成用户规模与数据获取量缩水，但可抑制企业过度投入。企业选择低透明度策略并非出于市场竞争或合规风险考量，本质源于迎合外部投资者的内在动机，因此低透明度是 AI 技术研发与生俱来的特征。拓宽投资方来源、优化资本结构，能够激励企业提升 AI 技术公开程度。
Jia N, Li N, Ma G, et al. Corporate responses to generative AI: early evidence from conference calls[J]. Review of Accounting Studies, 2025.
本研究通过分析 2022 年 11 月 ChatGPT 发布后企业电话会议中的管理层讨论，提供企业对生成式人工智能（GAI）响应的早期证据。ChatGPT 发布后，管理层对 GAI 的讨论显著增加，多数讨论语调积极并包含具体行动举措。讨论增幅在大型企业、成长型企业、年轻企业及高科技行业企业中更为明显。计算机、软件与电子设备行业增幅最大，而公用事业、化工及油气开采行业增幅最小。专利数量更多、网络安全威胁更高、劳动力 AI 暴露度更大、客户业务占比更高的企业，管理层更倾向于增加 GAI 相关讨论。上述结果主要由积极语调与行动导向的讨论驱动。分析师对 GAI 的讨论呈现相似规律，仅专利因素不显著。此外，管理层关于 GAI 的讨论能够为投资者提供信息参考。
Kirk M, Molk P, Pondel E. AI in Corporate Disclosure: IR Survey Evidence, Legal Risks, and Research Opportunities[J]. Accounting Horizons, 2025:1-16.
人工智能（AI）正重塑企业信息披露实践，在带来效率提升的同时，也引发监管、治理与伦理层面的挑战。本文从投资者关系（IR）从业者实践、法律监管动态、资本市场学术研究三个维度考察 AI 对信息披露的影响。基于对 IR 从业者的调研，研究发现：企业对 AI 的采纳持谨慎态度，主要集中在信息摘要、行政支持等低风险任务；从业者普遍担忧选择性披露、算法偏见、信息治理缺失等问题。本文梳理了关于 AI 对披露质量、内部控制、分析师与监管角色影响的最新文献。研究表明，尽管 AI 能够提升披露质量与效率，但治理机制在缓释法律、监管及信息风险方面仍具有关键作用。
Krakowski S, Haftor D, Luger J, et al. Human-Centered Artificial Intelligence: A Field Experiment[J]. MANAGEMENT SCIENCE, 2026,72(1).
人类与人工智能（AI）算法正越来越多地在非结构化管理任务中开展互动。本研究提出：让这种人机交互适配个体的认知偏好，是提升绩效的关键。为验证该假设，我们在一家跨国制药企业开展了现场实验。实验中，我们从工作流程、决策权、培训、激励四个情境维度调整人机交互方式，使其匹配销售专家的认知风格（分为适应者与创新者两类）。结果显示：定制化交互显著提升销售业绩；而非定制化交互与定制组、对照组相比，反而产生负面效果。定性证据表明，这种负面结果源于非定制交互引发的角色冲突与模糊。进一步探究作用机制，基于 AI 登录数据的中介分析显示：人机交互定制化促使销售专家调整 AI 使用行为，进而带来绩效差异。这些发现支持以人类为中心的 AI理念 —— 优先关注个体的信息处理需求，并据此设计人机交互方式。
Krupa T J, Mullaney M S. The use of artificial intelligence in decision-making: evidence from the effectiveness of corporate tax strategies[J]. Review of Accounting Studies, 2026.
本研究考察信息处理约束是否限制管理者有效整合税务规划与核心业务战略（即实现高效税务规划）的能力。研究提出，人工智能（AI）工具（如机器学习）可缓解此类约束：它能为关键业务决策（如客户需求、供应链）提供更优质的预测信息，从而降低信息处理成本。基于2010—2018 年美国非科技企业的大样本数据，采用近年新开发的企业层面 AI 人力资本投资指标，研究发现：AI 投资与税务有效性呈正相关。该效应在运营更复杂、税务部门组织地位更高的企业中尤为显著。与 “AI 降低信息处理成本” 的假设一致，研究证实 AI 通过提升内部信息质量、优化内部资本管理两条路径改善税务有效性。本研究提供了信息处理约束阻碍高效税务规划、而 AI 可缓解该约束的全新证据。
Lang T, Stice-Lawrence L, Wong Y T F, et al. Differential Communication and Local Information Advantage: Revelations from Translation Differences[J]. Accounting Review, 2026:1-34.
本文以企业公开披露文件中的翻译差异为依据，构建了企业面向本地与外国投资者差异化沟通的实证代理指标。通过一项实地实验验证该指标有效性后，本文据此研究发现：差异化沟通会加剧本地与外国投资者之间的信息不对称，同时降低外国分析师的相对信息质量 —— 即便外国投资者信息需求旺盛、沟通成本较低，这一结论依然成立。上述结果及多项辅助检验（含基于人工智能的替代翻译差异指标检验）表明，企业开展差异化沟通，源于偏向本地投资者的倾向，以及最大化股价的动机。本研究揭示：在研究场景中，差异化沟通是本地信息优势的重要驱动因素之一。
Levy B. Caution Ahead: Numerical Reasoning and Look-Ahead Bias in AI Models[J]. JOURNAL OF ACCOUNTING RESEARCH, 2026.
财会与金融领域近期研究普遍发现，现代人工智能在该领域多项基础业务中表现优于人类，但现有文献受限于 AI 黑箱特性，未能从经济学角度解释其超额表现的内在逻辑。本文通过多组实验拆解黑箱，实证检验 AI 在财会金融任务中取得优异效果的成因。研究表明，AI 亮眼表现大多源自建模本身带来的统计假象，而非依托真实经济运行规律。本文聚焦两大易造成实证偏误的模型问题：第一，大语言模型数理推理能力薄弱，在财会金融场景落地应用需审慎；第二，商用大模型普遍存在明显的前瞻数据泄露偏差，这也是其各类预测表现突出的重要原因。
Lin Y, Maruping L M. ORGANIZING FOR AI INNOVATION: INSIGHTS FROM AN EMPIRICAL EXPLORATION OF US PATENTS1[J]. MIS QUARTERLY, 2025,49(3):1095-1122.
尽管人工智能创新日趋普及，但企业在研发与落地 AI 项目时屡屡遭遇失败与挫折。大量 AI 项目失败的共性原因，是企业沿用传统信息技术（IT）创新的组织管理模式。为厘清 AI 与 IT 创新需要差异化管理的内在缘由，本文依托熊彼特创新理论的两大维度（创新形态：产品型 / 流程型；创新程度：突破式 / 渐进式）对比两类创新。通过配对专利样本实证分析，结果稳健：相较于同类 IT 创新，AI 创新突破性更低、更偏向流程改良属性。基于实证结论，本文搭建概念框架，提出 AI 创新的新型组织思路。本研究厘清 AI 与传统 IT 创新的本质差异，据此形成管理命题，丰富 AI 创新相关理论，也为企业优化 AI 项目管理提供实践参考。
Peecher M E, Pietsch C P R, Stirnkorb S, et al. Coping With Changing Skill Requirements: Does Disaffirmation Versus Affirmation Affect Auditors' Reliance on AI-Supported Advice From Specialists?[J]. CONTEMPORARY ACCOUNTING RESEARCH, 2026.
审计行业数字化转型促使审计人员所需技能发生剧变，各大会计师事务所纷纷重金布局并大力推崇大数据分析与人工智能技术。但企业过度强调新型数字化能力，会使得资深审计师因自认数字化技能短板，产生自我能力否定感。本文通过两项实验验证：在数字技能上产生自我否定的审计师，会带有防御心理，刻意贬低高 AI 依赖型专家建议；而引导审计师肯定自身传统审计专长的干预手段，能够有效缓解该防御倾向。若缺乏自我正向认同，当专家高度依托 AI出具意见时，审计师会质疑专家的专业水平与建议质量。研究表明，自我否定会加剧审计人员的 AI 抵触情绪，为事务所在数字化变革环境下弱化决策防御行为提供管理启示。
Qu X, Eggers J P, Kumar M V S. Unlocking novel knowledge recombinations: The effect of artificial intelligence on inventive activity[J]. STRATEGIC MANAGEMENT JOURNAL, 2026.
研究摘要 除助力研发检索、挖掘高价值技术组合外，本文提出：人工智能可打通以往无法实现的技术组合，从根本上重塑创新格局。依托预测能力与跨领域方案迁移能力，AI 形成通用共享技术层，在原本割裂的技术要素间搭建联通桥梁。基于专利配对样本实证，搭载 AI 的发明相较非 AI 发明拥有更高水平的新颖重组特征，实证结果印证了 AI 的桥梁作用。本文揭示技术重组的全新生成机制，阐明 AI 这类赋能技术对技术重组的助推价值。管理摘要 AI 如何影响研发创新？本文基于 2005—2023 年美国企业专利数据展开研究。研究认为，AI 能够实现过去难以落地的技术组合，颠覆性改变创新生态：凭借预测功能与通用方案流转能力，AI 充当共享底层技术，打通原本互不关联的知识领域。实证显示，依托 AI 的发明具备更强的知识跨界重组属性，AI 有效串联碎片化技术知识。研究证明，AI 不只是新型研发工具，更从底层重塑了科技创新的内在形态。
Raisch S, Krakowski S. Artificial Intelligence and Management: The Automation-Augmentation Paradox[J]. ACADEMY OF MANAGEMENT REVIEW, 2021,46(1):192-210.
本文以近期三本关于人工智能（AI）的商业著作作为出发点，探讨管理领域中的自动化与增强概念。自动化指机器接管人类任务，而增强则意味着人类与机器紧密协作完成任务。这三本书均持规范立场，建议企业优先采用增强模式，并认为增强能带来更优绩效。本文基于更全面的悖论理论视角，提出：在管理领域，增强无法与自动化清晰割裂。这两种 AI 应用在时间与空间维度上相互依存，形成一种悖论式张力。片面强调增强或自动化，都会触发强化循环，带来对组织与社会的负面影响。然而，若企业采用兼顾自动化与增强的整体视角，便能应对张力、实现互补，从而造福企业与社会。研究结论指出，管理学者应参与组织 AI 应用研究；同时，当前 AI 研究范式需要重大变革，才能构建有意义的理论、为实践提供可靠指导。 •自动化：机器完全接管人类任务，人类低参与或零参与，目标是高效、理性、标准化，适配常规、结构化任务。 •增强（Augmentation）：人机紧密协作完成任务，人类提供直觉、常识、价值判断，机器提供算力、数据处理能力，适配复杂、模糊、非结构化任务。
Tong S, Jia N, Luo X, et al. The Janus face of artificial intelligence feedback: Deployment versus disclosure effects on employee performance[J]. STRATEGIC MANAGEMENT JOURNAL, 2021,42(9):1600-1631.
企业正越来越多地利用人工智能（AI）为员工提供绩效反馈 —— 通过追踪员工工作行为、自动开展绩效评估并提出改进建议。然而，AI 的这一应用引发了诸多争议。一方面，强大的 AI 数据分析能力能提升反馈质量，进而提高员工生产力（部署效应）；另一方面，一旦向员工披露反馈由 AI 生成，员工可能对 AI 反馈产生负面看法，反而损害生产力（披露效应）。本文从理论层面分析这两种效应，并基于一项现场实验数据进行实证检验。研究结果有力证明，两种效应同时存在；而员工在企业的任期会削弱负面披露效应。这些发现对管理理论、企业实践及公共政策均具有重要启示。 管理摘要 人工智能（AI）技术必将重塑企业的员工管理方式。本文研究 AI 为员工生成绩效反馈的应用。研究表明，AI 能显著提升信息分析的准确性与一致性，并提供与每位员工高度相关的反馈。AI 的这些优势有助于员工大规模提升工作绩效，为企业创造价值。但研究同时提醒企业：向员工披露使用 AI 提供反馈会产生负面效应 —— 源于员工对 AI 应用的负面感知，这会抵消 AI 创造的商业价值。为缓解这种价值损耗型披露效应，本文建议企业主动与员工沟通 AI 应用的目标、益处与范围，以缓解其顾虑。此外，研究发现任期较长的员工身上负面披露效应更弱，这提示企业可考虑分级部署 AI，而非一刀切：向资深员工提供 AI 绩效反馈，向新员工提供人工绩效反馈。 核心理论与假设 正向部署效应（H1）：结构化任务中，AI 反馈比人类反馈更能提升员工绩效。 机制（H2）：AI 能分析海量数据、评估精准，反馈 广度（识别错误数）、深度（纠错建议数） 更高，更个性化，促进员工学习与绩效提升。 负向披露效应（H3）：告知员工反馈来自 AI，会降低其绩效。 机制（H4）：员工产生算法厌恶，对 AI 反馈信任降低、担忧被替代，学习意愿下降，绩效受损。 调节假设（H5）：员工任期越长，负面披露效应越弱。老员工企业内关系资本强，抗冲击能力更高。
Wan F, Yang T, Shi X, et al. Scaling high and wide: How firms leverage AI and organizational design to overcome the scale-scope trade-off[J]. STRATEGIC MANAGEMENT JOURNAL, 2026.
研究摘要 规模与经营范围的权衡取舍长期是企业战略难题，在数字化场景中，专业化虽可实现超大规模扩张，但也受该矛盾约束。本文基于字节跳动纵向案例研究，构建理论：数字企业依托人工智能搭配柔性组织设计，能够突破上述约束。AI依靠自学习与跨领域知识交融迭代升级，伴随学习沉淀持续增值，但其前提是获取结构化关联数据以实现跨领域知识迁移。研究发现，AI 颠覆传统资源基础理论逻辑：不再是优质资源支撑多元化，而是多元化反过来放大资源价值。由此，AI将规模与业务范围的对立权衡转化为企业的战略优势来源。
管理摘要 人工智能与数字平台愈发成为企业发展核心，重塑了企业的增长与存续模式。本文探究字节跳动如何借助 AI 与适配型组织设计，在实现规模化高速成长的同时完成跨行业、跨市场多元化布局企业落地各类业务后，AI 通过跨领域知识互通持续迭代优化，并未出现成本攀升、协同难度加大等问题，助力多领域高效扩张。研究启示管理者：AI 与组织结构动态组合能够破解传统的规模 — 范围权衡困境，在激烈竞争环境下为可规模化的跨区域拓展开辟新思路。
Wang X, Lin X, Shao B. Security and Privacy Protection in Developing Ethical AI: A Mixed-Methods Study from a Marketing Employee Perspective[J]. JOURNAL OF BUSINESS ETHICS, 2025,200(2):373-392.
聊天机器人应用日益普及，但多数企业利用率偏低、难以兑现技术价值。本文提出：员工对聊天机器人隐私与安全的伦理顾虑，阻碍企业形成接纳机器人的组织文化，使其无法深度融入业务流程。研究依托刺激 - 机体 - 反应（SOR）理论与 Floridi 等人的 AI 伦理分析框架，探究聊天机器人的功能特性如何提升员工对隐私、安全保障的正面感知，进而增强员工对技术向善性的伦理认同感，最终提升其推荐使用意愿。 研究采用混合研究法，通过两项实证检验理论模型：研究一为定量研究，面向市场岗在职员工发放问卷，实证结果有效支撑理论假设；研究二为定性访谈研究，进一步验证定量结论并补充深层研究发现。 本文从机器人功能属性、数据安全与隐私保护等前因变量切入，探析其对伦理感知与使用推荐意愿的作用机理，填补聊天机器人伦理相关研究空白。研究结论可为实务界搭建机器人应用伦理规范、培育适配型企业文化提供参考，助力企业充分释放聊天机器人价值、提升新媒体营销竞争力。
Wang X, Wu L. Artificial Intelligence, Lean Startup Method and Product Innovations[J]. MANAGEMENT SCIENCE, 2026,72(1).
尽管人工智能（AI）具备推动重大商业创新的潜力，但许多企业难以真正从中获益。本文探究部分企业借助 AI 实现创新、而另一些企业失败的原因，重点研究利用 AI 开展突破性创新与渐进式创新所需的组织支撑条件。具体而言，本文考察精益创业法（LSM）如何影响 AI 对初创企业产品创新的作用效果。通过分析 2011—2020 年 1800 家中国初创企业数据，并结合中国政府鼓励 AI 应用的政策变化，研究发现：具备较强AI 能力的企业能产出更多创新产品。此外，研究表明，AI 投入与精益创业法在创新中形成互补关系，其效果因创新类型与 AI 能力而异。
本文将 AI 分为两类：探索型 AI（降低全新创新领域的不确定性）与优化型AI（改进并优化现有流程）。在精益创业法框架下，进一步区分两大核心环节：原型设计（聚焦开发最小可行产品）与受控实验（聚焦 A/B 测试等严谨验证）。研究发现：精益创业法与探索型 AI 互补，借助 AI 拓宽市场机会搜索范围、通过原型设计验证机会，从而降低不确定性、助力产品首发；反之，精益创业法与优化型 AI 互补，利用 A/B 测试遍历输入特征、依托 AI 简化迭代优化流程，从而加速产品迭代升级。 综上，企业将 AI 与精益创业法结合用于产品开发时，能在更短时间内打造更多高质量产品。这些结论适用于软件与硬件开发，强调需将 AI 视为异质性工具——不同类型的 AI 能力，需匹配差异化的组织流程，才能实现最佳效果。
Yokoi T, Laureiro-Martinez D, Magni F, et al. Organizing across cognitive asymmetry in human-AI collaboration: A study of perfume creation[J]. STRATEGIC MANAGEMENT JOURNAL, 2026.
研究摘要 随着各类组织逐步落地生成式人工智能，企业面临一项战略难题：既要划定 AI 的工作边界，还要通过组织设计实现人机协同、产出有效方案。本文认为，人类内嵌于实践的默会知识与 AI 标准化编码知识存在认知失衡，由此形成表征鸿沟，阻碍人机协作落地。本文以香水研发行业为质性研究样本，提出表征整合是弥合上述鸿沟的组织协作机制，具体包含三项实践：依托各自认知优势划分分工、在默会知识与编码知识间相互转化、随问题推进动态调控 AI 生成结果。本研究立足认知失衡情境，为人机协作提供全新组织管理分析视角。 管理摘要 生成式 AI 在知识密集型岗位的应用持续普及，但多数企业难以整合人机价值、落地变现。从认知视角来看，人类与 AI 的知识载体截然不同，唯有实现二者协同融合才能创造价值。优质人机协作不能仅依靠引进高性能大模型，关键在于配套组织机制：帮助员工完成知识格式转化、结合自身经验研判AI 成果、根据认知迭代持续引导 AI 生成内容。企业培育相关能力，既能充分发挥 AI 的生成优势，也能正视人类默会经验、情境判断力不可替代的价值，保障最终成果连贯优质。
Yuan D, Aseri M, Ramasubbu N. Backfiring AI? AI Deployment in Workplace[J]. MANAGEMENT SCIENCE, 2026.
企业为挖掘人工智能价值，纷纷落地 AI 赋能员工、改善经营绩效。AI 嵌入业务流程后，企业能够追踪优秀员工的作业行为，将最优工作经验编码沉淀至推荐系统与培训体系。管理者普遍预期，AI 驱动的知识传导能够提升企业整体效率，但职场引入 AI 会改变员工间的竞争格局：AI 萃取顶尖员工经验并向全员共享知识，在竞争环境下会挫伤优秀员工的分享意愿，反而造成整体生产率下滑。 本文借助博弈模型，分析竞争型用工环境中落地 AI 带来的员工激励难题。研究表明：若员工依靠硬性实操技能与软性隐性技能开展岗位竞争，一味推行 AI知识共享、按任务成果计酬的制度，反而会损害企业绩效。AI 落地收益受员工异质性、硬技能依赖度、员工技能差距、AI 技术效能四大要素影响。基于模型结论，本文提出优化 AI 落地回报的管理方案：保底加薪这类看似简便的补救措施收效有限，企业应当审慎把控 AI 的落地效能，以此实现最优经营结果。
Zhang X E, Tong S J, Luo X, et al. AI orchestrator: How recommendation algorithms shape complementor strategy and market equality[J]. STRATEGIC MANAGEMENT JOURNAL, 2026.
研究摘要 本文探究人工智能推荐算法如何影响数字平台上互补商户的经营策略与市场分配公平性。依托美食分享平台的两次准自然实验，研究追踪平台算法迭代升级路径：由初始地理位置基准算法，迭代至热门度推荐算法（PopRec），再升级为个性化推荐算法（PersRec）。基于 170 余万条样本数据实证发现：热门推荐促使商户精简品类、聚焦少数单品；个性化推荐则激励商户持续上新，但两类经营策略存在此消彼长的替代关系。收益分配层面，热门推荐压低头部头部商户营收、抬升长尾商户收入，改善市场均等化水平；个性化推荐则向头部商户倾斜，加剧市场收入分化。本文衔接平台生态治理与人工智能前沿研究，论证算法在平台治理中的战略价值，同时凸显算法问责机制的必要性。 管理摘要 数字平台普遍采用 AI 推荐算法优化生态运营效率，本文证实算法也是平台生态的重要调控工具，能够大范围引导、重塑入驻商户的产品布局策略。实证表明：热门导向算法推动商户专业化深耕少量产品，个性化导向算法有利于丰富平台新品供给。AI 算法对平台生态治理具备关键战略价值，但两种算法均存在策略权衡问题，易催生难以预判的市场格局变化。平台方在算法设计落地时，需要兼顾生态创新活力与运营管控，充分考量算法对市场收入不平等带来的深远影响。
