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

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。