Abstract: Artificial intelligence (AI) is an important source of competitive advan-tage as it enables task augmentation and automation. However, while AI can create significant value, it is important to note that AI invest-ments are fraught with risks and uncertainties. Thus, managers are likely to carefully evaluate potential AI investments before committing to investing. However, we know little about how managers’ appraisal of AI influences their investment choices. Drawing upon theorization in the areas of business value of AI, agentic information systems (IS) appraisal, and time-situated agency, we extend existing theory in two ways: (1) development of an AI classification (foundational typology) that proposes two dimensions (action autonomy and learning auton-omy) for classifying AI by type and level of autonomy; and (2) devel-opment of propositions that leverage time-situated agency and the AI classification to explicate how managers’ delegation preferences influ-ence their AI investment appraisal. This paper contributes a foundational theoretical platform for furthering AI investment appraisal research. In addition, the paper sets an agenda for future research in this area.

企业为什么不敢投AI？关键不只是成本，而是“敢不敢把权力交给AI”

近几年，企业对AI的兴趣急剧上升。AI可以帮助企业预测需求、优化库存、改进招聘、辅助医疗诊断、动态调整价格、推动新药研发，也可以通过自动化降低成本、通过智能推荐提升决策质量。

但这篇 JMIS 文章提醒我们：AI投资不是普通信息系统投资。

传统信息系统通常依赖人来输入指令、执行流程和做最终判断。但AI不同。AI不仅能处理信息，还可能学习、推荐、判断甚至直接行动。一旦企业投资AI，就意味着管理者可能要把一部分行动权、判断权和学习权交给机器。

因此，管理者评估AI投资时，真正考虑的不只是“这个AI能不能提高效率”，还包括：

我愿意让AI替人做什么？我愿意让AI自己学习到什么程度？AI出错之后责任由谁承担？AI是否会改变组织中的权力结构？AI带来的价值，是稳定当下，还是探索未来？

文章的核心观点是：

管理者对AI投资的评估，取决于其AI委托偏好、价值创造目标以及时间取向。

一、研究动机：为什么AI投资评估值得单独研究？

以往信息系统投资研究更多关注投资之后的结果，例如系统是否提升绩效、是否创造商业价值、是否改善流程效率。但这篇文章指出，更前端的问题同样重要：

在AI还没有被真正采用之前，管理者是如何判断某项AI投资值不值得做的？

这个问题之所以重要，是因为AI投资具有更强的不确定性。

一方面，AI确实能创造价值。例如，AI可以在芯片制造中识别改进方案，减少良率损失；可以在金融投资中自动分配资产；也可以监测市场价格变化并动态调整定价。

另一方面，AI投资失败率也很高。许多企业追求“登月式”AI项目，却没有系统评估AI究竟在哪些业务场景中最能创造价值。AI可能存在解释性不足、准确性不稳定、责任归属模糊、过拟合、训练不足和现实情境失灵等问题。

因此，AI投资评估不是简单的ROI计算，而是一个更复杂的判断过程。管理者需要判断：AI是用来辅助人，还是替代人？AI是保持稳定，还是动态自学习？这些判断会直接影响企业投资哪一类AI。

二、核心概念：AI投资评估是一种“委托判断”

文章把AI投资评估理解为一种管理者对AI系统的判断过程。管理者需要评估：如果把某些任务、权力和责任委托给AI，是否能够创造商业价值。

这里的关键词是委托。

传统IT系统通常只是工具，人仍然掌握主要行动权。但AI系统具有一定自主性，能够在某些任务中替人做预测、推荐、决策甚至行动。因此，投资AI意味着管理者要重新分配人与AI之间的权力边界。

例如：

AI可以推荐是否补货，但人来决定是否下单；AI也可以直接判断库存不足并自动下单；AI可以基于固定模型给出建议；AI也可以根据实时数据不断自我更新。

这些差异意味着，不同AI投资对应不同程度的行动委托和学习委托。管理者是否愿意接受这种委托，是AI投资评估的核心。

三、AI分类：行动自主性 × 学习自主性

文章提出一个非常有用的AI分类框架，用两个维度划分AI类型。

第一个维度是行动自主性。

低行动自主性对应增强型AI。这类AI主要辅助人类决策，例如提供预测、建议、分析和诊断，但最终行动仍需要人类批准或执行。

高行动自主性对应自动化AI。这类AI可以替代人类执行任务，例如自动下单、自动调价、自动筛选、自动响应客户请求。

第二个维度是学习自主性。

低学习自主性对应预训练AI。这类AI在部署前完成训练，运行过程中基本保持稳定，不会根据新数据自动改变决策规则。

高学习自主性对应自学习AI。这类AI能够根据不断进入的新数据动态调整模型、权重和决策规则。

由此，文章提出四类AI：

第一，增强—预训练AI。AI提供稳定建议，但不自动行动，也不自我更新。

第二，增强—自学习AI。AI提供建议，并能根据新数据动态学习，但最终行动仍由人来决定。

第三，自动化—预训练AI。AI可以自动执行任务，但执行逻辑相对固定。

第四，自动化—自学习AI。AI既能自动行动，又能根据实时数据自我学习和调整。

这个分类非常重要，因为它让AI投资评估从抽象的“投不投AI”，变成更具体的“投哪一类AI”。

四、理论基础：时间情境能动性

文章进一步引入时间情境能动性 来解释为什么不同管理者会偏好不同AI。

这个理论认为，管理者做决策时会受到时间取向影响。虽然所有管理者都会同时考虑过去、现在和未来，但某一种时间取向通常会占主导地位。

文章讨论了三种时间基调。

第一种是未来取向，也就是 projective temporal tone。这类管理者更重视想象、实验和未来机会。他们愿意通过新技术探索未来可能性，也更能接受风险和不确定性。

第二种是过去取向，也就是 iterative temporal tone。这类管理者更重视经验、惯例、稳定和一致性。他们倾向于使用已经验证过的流程和方案，更不愿意把过多控制权交给不可预测的AI。

第三种是现在取向，也就是 practical-evaluative temporal tone。这类管理者更关注当前压力和现实情境。他们会根据当下问题是否紧急、是否需要实时反应、是否需要快速调整来判断AI投资。

因此，AI投资选择并不只是技术问题，而是管理者如何理解时间、风险和价值的问题。

五、核心命题一：未来取向管理者更偏好自学习AI

文章提出，具有未来取向的管理者更可能积极评估自学习AI投资。

原因在于，这类管理者关注的是未来机会、实验和创新。他们不希望被过去的规则束缚，而是希望通过AI发现新模式、识别新机会、尝试新业务方向。

因此，如果AI能够通过自学习不断适应新数据、探索新可能、提升未来创新能力，这类管理者会更愿意投资。

具体来说：

当他们追求任务增强时，更偏好增强—自学习AI，而不是增强—预训练AI。当他们追求任务自动化时，更偏好自动化—自学习AI，而不是自动化—预训练AI。

一句话说，未来取向管理者更愿意把学习权交给AI，因为他们看重AI在未来探索中的潜力。

六、核心命题二：过去取向管理者更偏好预训练AI

与未来取向管理者相反，过去取向管理者更可能积极评估预训练AI投资。

原因在于，这类管理者重视稳定、经验和一致性。他们更相信已经验证过的流程和规则，也更担心自学习AI带来的不可解释性和不可预测性。

自学习AI往往像一个黑箱，模型会根据新数据不断改变决策逻辑。这可能让管理者感到控制权下降、责任风险上升、结果不可预测。

因此，过去取向管理者更愿意投资那些稳定、可测试、可解释、可控的AI系统。

具体来说：

当他们追求任务增强时，更偏好增强—预训练AI。当他们追求任务自动化时，更偏好自动化—预训练AI。

一句话说，过去取向管理者不一定排斥AI，但他们更希望AI按照既定规则稳定工作。

七、核心命题三：现在取向管理者取决于当前任务压力

现在取向管理者的判断更复杂。他们既会借鉴过去经验，也会根据当前压力灵活调整。

文章认为，这类管理者评估AI投资时，关键取决于当前任务是否需要实时调整。

如果当前问题需要稳定性、人类知识和可控流程，那么他们更可能偏好预训练AI。

例如，某些任务虽然紧急，但仍然需要人的专业判断，或者AI只需要提供标准化辅助建议。这时，增强—预训练AI可能更合适。

但如果当前问题要求快速响应、实时调整和动态学习，那么他们更可能偏好自学习AI。

例如，面对突发市场变化、实时供应链波动、动态价格竞争或高速流数据，AI如果不能实时更新判断参数，就难以及时创造价值。这时，自学习AI更容易被积极评估。

因此，现在取向管理者不是固定偏好某类AI，而是根据现实问题的紧迫性和实时性作出选择。

八、理论贡献

第一，它把AI投资研究的焦点前移到“采纳前评估阶段”。过去信息系统投资研究更多关注系统采纳之后是否创造价值，而本文强调，真正重要的问题还包括：管理者在投资之前如何判断AI是否值得投。

第二，它提出了一个AI分类框架。文章用行动自主性和学习自主性两个维度，把AI划分为四类。这为后续研究AI投资、AI采纳、AI治理和AI价值创造提供了清晰工具。

第三，它把管理者时间取向引入AI投资评估。文章说明，不同管理者对AI的偏好并不只是由技术能力决定，也受到其价值创造目标和时间基调影响。未来取向、过去取向和现在取向管理者，会对AI自主性产生不同偏好。

九、管理启示

第一，企业评估AI投资不能只看技术先进性。AI越自主，不一定越适合企业。关键是它是否匹配企业任务、风险承受能力、责任机制和价值目标。

第二，AI投资本质上是权力再分配。管理者要明确：哪些行动权可以交给AI？哪些学习权可以交给AI？哪些责任仍然必须由人承担？

第三，不同业务目标需要不同AI类型。如果企业追求稳定和一致性，预训练AI可能更合适。如果企业追求创新和探索，自学习AI可能更有价值。如果企业面对紧迫现实压力，则要看任务是否需要实时调整。

第四，管理者要识别自己的时间偏好。有些管理者过于追求稳定，可能错失AI创新机会；有些管理者过度迷信未来，可能低估自学习AI的风险。更好的做法是让AI类型选择与具体价值创造目标相匹配。

第五，企业需要建立AI投资评估机制。在投资AI之前，企业应同时评估技术能力、任务特征、学习方式、行动权限、责任边界、解释性要求和组织承受能力，而不是只做财务预算测算。

十、局限与未来研究

第一，文章是一篇理论建构论文，没有对AI分类和命题进行实证检验。未来研究可以通过问卷、实验、案例或文本分析检验管理者时间取向如何影响AI投资选择。

第二，文章为了理论简洁，把行动自主性和学习自主性处理为高低二分。但现实中的AI自主性往往是连续的，有些AI可能在某些任务上高度自主，在另一些任务上仍然需要人类介入。

第三，文章主要聚焦管理者个人评估，但实际AI投资往往涉及董事会、高管团队、CIO、业务部门、用户和外部利益相关者。未来研究可以进一步考察多主体之间的权力、冲突和协商如何影响AI投资。

第四，文章主要讨论采纳前评估，但AI投资之后仍然需要持续评估。AI系统一旦进入组织流程，管理者还需要持续判断其表现、风险、责任、偏见和人机协同效果。

第五，未来研究可以进一步区分不同产业和业务流程。例如，医疗、制造、金融、招聘、营销和供应链中的AI投资评估逻辑可能并不相同。

十一、总结

这篇文章最值得关注的地方在于，它提醒我们：AI投资不是简单购买一种技术，而是决定把多少行动权和学习权交给AI。

有些AI只是给人建议，有些AI可以直接行动；有些AI按照预训练模型稳定运行，有些AI会根据新数据动态自我更新。这些差异意味着，管理者评估AI投资时，真正面对的是人机之间的权力分配问题。

未来取向管理者更愿意投资自学习AI，因为他们看重实验、创新和未来机会。过去取向管理者更偏好预训练AI，因为他们重视稳定、一致和可控。现在取向管理者则根据现实任务是否需要实时调整来选择AI类型。

一句话概括这篇文章：

管理者评估AI投资时，真正的问题不是“AI能不能做”，而是“哪些权力可以交给AI、哪些责任必须留在人手里，以及AI要为稳定当下还是探索未来服务”。