夜雨聆风导读：这篇发表于 Journal of Management Studies 的文章，不是又一篇讨论 AI 会不会替代人的综述。它追问的是一个更基础的问题：组织与管理学者在谈论 AI 时，究竟默认借用了哪些语言、隐喻和假设？作者指出，当前 AI 理论化最锋利、也最容易误导人的两条线索，是“理性”和“拟人化”。
论文信息卡
| Rethinking How We Theorize AI in Organization and Management: A Problematizing Review of Rationality and Anthropomorphism | |
| Journal of Management Studies | |
一句话概括这篇文章：
作者不是问“AI 到底能做什么”，而是问“我们为什么总是用某些方式想象 AI”。这一步很重要，因为理论一旦从错误的想象出发，后面的概念、变量和研究问题都会被带偏。
01 一个值得追问的问题：AI 为什么会变成理论难题？
在组织管理研究里，技术过去常被理解为工具：它支持人、扩展人、改变流程，但理论上仍然围绕人的判断、行动和组织关系展开。
AI 的麻烦在于，它不太安分地待在“工具”这个位置上。
它会预测、学习、生成文本、参与决策、影响员工行为，甚至被描述为具有“代理性”（agency）、“学习能力”（learning）、“创造力”（creativity）和“意图性”（intentionality）。于是，组织管理学者面对的是一个尴尬局面：
如果把 AI 只当工具，似乎解释不了它在组织里越来越主动的角色；但如果把 AI 当成一个类似人的行动者，又很容易过度拟人化。
这正是 Ramaul 等人想打开的问题。他们提醒我们：AI 在组织研究中已经不只是一个研究对象，它正在成为一种“根隐喻”（root metaphor）。也就是说，“AI”这个词本身已经携带了一整套想象：它像机器一样高效、像人一样智能，甚至可能比人更理性。
问题也随之出现：
当我们说 AI “学习”“判断”“协作”“替代人”时，我们到底是在描述技术，还是在把人的概念偷渡给机器？
02 作者如何把问题变成研究设计？
这篇文章采用的是问题化综述，而不是常见的系统综述或整合综述。
系统综述通常问：这个领域研究了什么？有哪些主题？结论如何分类？
问题化综述更像是反过来问：这个领域为什么会这样提问？它默认了什么？有没有某些大家已经习惯、却很少被检视的理论前提？
作者的样本筛选过程很克制，也很有针对性：
这个设计有一个明确取舍：作者并不追求“穷尽所有 AI 文献”，而是选择少量高影响力文本做深读，目的是找出隐藏在理论语言背后的默认假设。
03 这篇文章真正拆开的，是 AI 的“根隐喻”
作者发现，组织管理学中的 AI 理论化，很大程度上借用了计算机科学、经济学以及大众技术想象中的语言。
这些语言常常把 AI 描述成两种东西的混合体：
这两种想象表面上都很诱人，但放在一起会产生张力。
如果 AI 是高度理性的机器，它为什么又被描述得像人？
如果 AI 像人一样行动，它是否也会继承人的偏差、情境性和不确定性？
如果我们说 AI 能“替代”或“增强”人，我们是否已经默认人和机器可以被放到同一把尺子上比较？
作者把这两条张力概括为 AI 理论化中的两道“锋利边缘”：
理性（rationality） 和 拟人化（anthropomorphism）。
04 第一道锋利边缘：AI 真的更理性吗？
在许多组织管理研究中，AI 常被假定为更接近理性决策者。它能处理海量数据，不会疲劳，不会情绪化，也不受人类有限认知能力的限制。
作者把这种理性假设拆成两个部分：
这并不是说 AI 没有优势。作者承认，在错误检测、推荐系统、生产线优化、文本分类等任务上，AI 的计算能力确实能远远超过人类。
但文章提醒我们，组织不是一个只有输入和输出的技术系统。组织里有经验、权力、信任、专业判断、工作惯例和责任分配。AI 的预测结果进入组织之后，并不会自动变成正确行动。
因此，AI 的“理性”不是一个可以直接接受的前提，而应该成为研究对象本身。
例如，我们需要问：
AI 在什么任务上更理性？在什么组织情境中更有效？它的理性建立在什么数据工作、算法设计和专业判断之上？谁有权解释或质疑它的输出？
这组问题比简单地说“AI 更客观”要扎实得多。
05 第二道锋利边缘：AI 为什么总被说得像人？
另一条核心假设是拟人化。
在日常语言里，我们很容易说 AI “理解了”“学会了”“决定了”“建议了”“创造了”。这些词让 AI 听起来像一个有意图、有判断、有行动能力的主体。
作者认为，组织管理研究中的拟人化不一定表现为把 AI 想象成人形机器人。更常见的是一种认知层面的拟人化：AI 被描述为能够学习、推理、适应、互动，甚至与人共同承担组织任务。
这种说法有解释力，但也有风险。
作者特别强调：AI 可以表现出类似人的行为，但它不是以人的方式行动。
人会疲劳，会犹豫，会承担责任，会在关系中理解语境；AI 则依赖数据、模型、目标函数和组织中的部署安排。把二者放进同一套旧概念里，可能会让我们误以为只要研究过人的学习、控制、创造力和例行程序，就自然理解了 AI。
这显然不够。
更有意思的是，作者提出一个反向问题：与其只问 AI 如何越来越像人，不如问组织中的人如何被机器逻辑重塑。
他们称之为 “机器化”（machinification）：工作被设计得更容易被算法监控，人的行动被要求适配机器的预测、评分和控制逻辑。这个视角比单纯讨论“自动化还是增强”更尖锐。
06 这篇文章真正的贡献：把默认前提变成研究对象
这篇文章的贡献不在于提出一个新的 AI 分类框架，也不在于告诉我们 AI 到底好还是坏。
它的价值在于：把组织管理学者已经习惯使用的理论语言重新摆到桌面上。
作者提出，未来可以沿着两条路径推进 AI 的组织管理理论：
围绕“理性”，未来研究可以进一步拆解：
AI 的计算优势在什么情况下真的转化为组织绩效？ 数据质量、领域知识和组织实践如何影响 AI 的“客观性”？ 当 AI 输出被质疑时，谁来解释、仲裁和负责？
围绕“拟人化”，未来研究可以进一步追问：
什么条件下 AI 会被组织成员当成一个“行动者”？ AI 的类人特征如何影响信任、服从、依赖和情感劳动？ 多个 AI 系统之间的互动，会不会带来新的组织协调问题？ 人与 AI 是否在长期互动中共同演化出新的能力和关系？
这些问题的共同点是：它们不把 AI 的能力当成确定事实，而是把 AI 放回组织关系、制度安排和社会解释之中。
07 给研究者和管理者的启发
对研究者来说，这篇文章的提醒很直接：
不要太快借用计算机科学和经济学对 AI 的想象。
那些领域当然重要，但组织管理学关心的问题不只是模型能不能预测，而是预测如何嵌入组织；不只是 AI 能不能替代人，而是替代、补充、监督和协作如何改变权力、责任、专业知识和关系。
对管理者来说，这篇文章同样有现实意义。
当组织引入 AI 时，最危险的不是相信 AI 有用，而是过早相信 AI “天然更客观”“天然更聪明”“天然能替代人”。
更稳妥的问题应该是：
这个 AI 系统的输出依赖哪些数据？这些数据代表了谁，遗漏了谁？ 谁负责解释 AI 的判断？谁可以质疑它？ 员工是在使用 AI，还是正在被迫适配 AI 的工作逻辑？ AI 被当作工具、同事、监督者还是决策者？这种定位是否被组织成员接受？
AI 进入组织以后，从来不是单纯的技术部署。它同时也是一次概念部署、权力部署和关系部署。
08 一句话总结
这篇文章最值得带走的一点是：AI 不是一个可以直接套进旧理论的对象。我们需要先检查自己如何想象 AI，再决定如何研究 AI。
