在快速技术变革时代重新思考组织与工作：《人工智能的加速》学术报告
本文是一篇发表于2026年《Journal of Management Studies》期刊上的特刊社论性文章。文章由Dominic Chalmers（格拉斯哥大学）、Richard ‘Rick’ Hunt（弗吉尼亚理工大学）、Stella Pachidi（伦敦国王学院）、Kristina Potočnik（爱丁堡大学）和David Townsend（弗吉尼亚理工大学）五位学者共同撰写。作为一期关于“人工智能：组织可能性与陷阱”特刊的引言与综述性文章，它旨在审视人工智能领域研究现状，提供一个整合性分析框架，并为未来研究指明方向。
文章主要论点的阐述
文章的核心论点围绕着人工智能如何以前所未有的速度和深度重塑组织管理理论的核心基础展开。作者们指出，当前管理学研究的一个显著局限是将“AI”视为一个单一概念，而忽视了预测性、生成性、代理性和具身性等不同AI系统在运作逻辑与组织影响上的本质差异。这种概念上的扁平化阻碍了理论的累积性发展。因此，文章的核心贡献在于提供了一个区分不同AI模式的概念框架，并基于此框架，整合分析了特刊中的研究成果，提出了前瞻性的研究议程。以下将详细阐述文章的几个主要观点：
论点一：人工智能的加速发展正对组织的认识论、互动性和制度基础产生根本性冲击，现有组织与管理理论（OMT）的适应能力面临挑战。 文章开篇即指出，人类对指数级增长的理解局限导致了AI技术进步速度与组织、制度及理论适应能力之间的巨大鸿沟。以ChatGPT 3.5（2022年11月发布）为代表的主流生成式AI的出现，标志着变革已从实验阶段进入日常组织实践。这种转变的规模与速度是历史性的：麦肯锡全球研究院（2023）估计到2030年美国经济中高达30%的工作时长可被自动化；高盛（2023）则认为约44%的法律专业任务在当前LLM（大型语言模型）能力下已可实现技术性自动化。这种冲击尤其深刻地影响了曾被以为免受自动化影响的知识工作，如咨询、会计和金融服务等行业已开始围绕AI自动化重新设计工作流程，并显著减少毕业生招聘规模。文章认为，AI不仅改变了工作内容，更在重塑专业知识习得、职业社会化与奖励的深层结构。从理论层面看，AI系统已不仅仅是决策支持工具，而是积极参与到组织意义建构的符号与认知基础中，与人类形成“伙伴”关系，重新定义判断的范畴并赋予新的权威形式。这要求管理学界发展出能够跟上一项不断挑战根深蒂固认识论规范的技术步伐的概念框架。
论点二：现有关于AI与组织的研究虽然数量激增且呈现概念多样性，但仍存在概念模糊、技术特质被忽视以及研究碎片化等问题。 文章通过对现有文献的叙事性回顾，将研究归纳为四个主要领域：工作场所中的AI、AI与战略管理、AI与创业，以及AI与伦理。在工作场所领域，研究关注人机协作、AI驱动的控制与监控以及对工作实践的影响，指出成功协作取决于技术满意度、任务-技术匹配、信任、理解和相关技能等因素。在战略管理领域，AI被视作提升决策理性、改变竞争规则的能力，但同时也可能因算法的本体论假设限制组织学习并产生新的短视。在创业领域，AI被用于探索性解决问题和新价值创造，但其效果受制于环境可预测性假设与创业活动固有的奈特式不确定性之间的张力。在伦理领域，研究关注算法管理中价值的机械化、偏见与公平、隐私与问责等广泛挑战。然而，文章尖锐地指出，现有研究存在三个突出问题：首先，研究具有强烈的概念导向，经验性工作相对滞后，这源于学者们在理论工具重建的同时试图预测AI的影响；其次，“AI”一词常被不加区分地使用，涵盖了架构、数据依赖和功能模式差异巨大的技术家族，这种概念的松散性导致了理论漂移；最后，将不同逻辑的系统统称为“人工智能”，模糊了它们各自独特的可供性，造成了理论与经验的碎片化。
论点三：为推进理论研究，必须超越“AI”的单一标签，构建一个能区分不同AI模式的概念框架，将其视为一个“流动的前沿”。 这是文章提出的核心理论框架。作者们主张，AI应被理解为一个不断变化的计算能力前沿，而非一个稳定单一的技术对象。他们区分了四种主要的AI模式，每种模式基于不同逻辑运作，并引发不同的组织后果与理论问题： 1. 预测性AI：早期组织研究主要关注此类系统。它们依赖模式识别来预测结果、分类实体或检测异常。其引发的组织张力核心在于不透明性、监控以及组织内认知劳动的重新分配。例如，放射科医生需要在算法概率评分与具体诊断判断之间进行权衡；专业服务公司的从业者则在让渡常规分析任务与保持解释权威之间进行管辖权谈判。 2. 生成性AI：这类系统生成合成的文本、图像、代码等多模态产物，将焦点从分析现有数据转向创造新材料。这导致了从“知识稀缺”到“知识泛滥”的转变，引发了关于作者身份、真实性和验证的新问题。在劳动力市场，它减少了对自由职业创意和写作工作的需求；在组织内部，它重塑了知识的生产、评估和验证方式，并可能因模型再现训练数据中的主导模式而导致概念趋同，同时幻觉风险也需要新的评估工作。 3. 代理性AI：这类新兴系统超越了生成产物，开始参与更结构化的问题解决。它们可以分解任务、调用外部工具、检索信息并构建多步骤分析。其组织张力围绕认知主权、问责制和决策中的劳动分工展开。随着AI在推理过程中承担更多工作，人类权威的边界变得不稳定且更具争议性，引发了关于责任分配模糊性、决策架构转变以及专业人员认知角色重新谈判等问题。文章特别指出，组织学者（关注关系性或社会物质性的能动性）与实践者/工程师（更工具性地描述能启动和排序任务的系统）对“代理性”的理解存在差异，而近期系统正将这两种解释融合。 4. 具身性AI：指计算智能与物理形态的整合。虽然目前在管理研究中探讨较少，但其发展迅速，并因人口老龄化、劳动力短缺等社会趋势而变得日益重要。它将重塑的不仅是工作流设计，更是组织生活的感官、空间和情感维度，引发关于物质协调、物理安全、情感劳动以及与自主机器共事的体验等组织张力。
这一框架的价值在于，它澄清了为何关于“AI”的组织研究常常产生异质甚至矛盾的发现。通过区分不同模式，研究者可以更精确地定位研究对象，理解其独特的组织可供性，并发展更有针对性的理论问题。
论点四：本期特刊的十四篇文章从多角度实证与概念化地探索了AI的组织影响，为理解AI如何重塑工作、战略、创业与伦理提供了丰富见解。 文章详细介绍了特刊中各篇论文的核心贡献，并将其归纳为几个集群： * 概念化与方法论：Huysman（2026）的受邀文章强调了从关系性视角研究AI的重要性，反对技术决定论。Stelmaszak等人（2026）则提出将AI重新概念化为一种通过人类与算法行动者复杂互动而涌现的组织能力。 * 工作场所中的角色与影响演化：多篇实证研究深入探讨了AI引入后职场的变化。例如，Mayer等人（2026）通过比较田野研究，展示了专家如何在银行、生物技术和招聘领域，通过不同的解释实践来维护自身权威，同时让客户理解和接受AI决策。Lee等人（2026）通过实验研究，揭示了在AI辅助决策中，用户与AI建议的初始差异如何随时间影响依赖程度和决策准确性。Yang等人（2026）研究了零工经济中不同形式的AI解释（反事实vs.事实，局部vs.全局）对决策接受度的影响，发现认知负载是关键机制。Vuori等人（2026）探讨了组织成员如何发展对AI的情感与认知信任，以及这种信任如何塑造他们对算法评估的行为反应。Siemon等人（2026）的实验表明，明确AI作为团队伙伴的角色（而非简单拟人化）能有效促进团队协作。Schulz等人（2026）利用纵向数据发现了公司AI采用与员工工作满意度之间的倒U型关系，并探索了探索导向和数据治理的调节作用。 * 对战略管理的影响：Hudson和Morgan（2026）指出，暴露于AI的行业公司面临更高的特质风险，而多元化的董事会网络有助于缓解这种不确定性。Li等人（2026）提出，拥有更高AI专业化的公司更可能收购AI公司以寻求增长。Humberd和Latham（2026）则运用代理理论，分析了随着AI自主性增强，责任、监督和控制如何被重塑，AI开始占据模糊的代理角色。 * 创业与伦理：Ramoglou等人（2026）进行概念分析，认为生成式AI时代的不确定性被激化，提出了一个人类与AI共生的机会搜索生态模型。He等人（2026）通过多研究设计，探讨了领导者在管理人机协作时，因暴露于多元道德规范而可能采取情境化道德判断，甚至导致不道德行为的伦理挑战。 * 总结性反思：Ramaul等人（2026）通过问题化综述，批判了将AI视为理想化优化器或类人行动者的主流视角，主张将其视为人类实践、数据基础设施和算法行为的演化集合体，从而为更 grounded 的理论化开辟空间。
这些研究共同表明，AI的影响并非孤立发生，而是通过人、数据、组织常规和制度期望之间不断变化的关系而塑造的。
论点五：基于现有进展与框架，管理学者亟需围绕AI引发的根本性组织变革，展开一个前瞻性的研究议程。 文章最后提出了一个包含六个维度的详细研究议程，旨在引导未来十年管理学的核心探索方向： 1. 组织中能动性的重新分配：当核心协调、战略提议、资源分配等功能让渡给算法代理时，组织的目的是什么？人类-机器混合性的得失是什么？哪些新旧组织形式最有利于引导AI产生积极影响？我们是否正在进入一个“后组织”时代？ 2. 组织常规的算法化：当AI工具能够基于组织数据学习并生成自身的常规时，谁“拥有”常规？当记忆分布在多个代理中时，常规如何“记忆”过去的行动？如果AI代理频繁更新，常规如何维持？组织常规是否会成为“活系统”？其演化速度超过人类治理机制时会发生什么？ 3. 算法丰裕时代的管理者认知：当管理者面临的不再是信息稀缺而是解释过载时，会发生什么？当个人必须裁决相互竞争的算法输出时，这种新的认知不对称将如何应对？组织能否培养出能够监督人类推理与分布式算法认知互动的人力资本？组织如何从关注个人专业知识转向治理异质性智能？ 4. AI驱动的内卷化：AI通过优化目标，可能无意中减少差异、同质化过程，导致活动日趋复杂、竞争激烈但停滞不前、模仿性强的“内卷”状态。这对于适应性、变异生成和真正创新是致命的。学者需要研究如何防范AI工具的方差破坏性，同时收获维持竞争均势所必需的效率提升。 5. 工作及其意义的转变：AI将如何促进或阻碍工作的意义？专业身份如何塑造对AI介导的权威的接受度？AI的“世界扁平化”影响与职业认同感、组织联结感的丧失之间如何平衡？ 6. 算法时代的组织治理与权力：当权威的所在是非人类时，组织如何管理责任？需要哪些新的治理结构来评估和分配对委托算法决策的责任？AI授权如何影响信任、问题升级、错误纠正和整体问责？在何种条件下人类会推翻或顺从AI的权威？计算的合法性如何与现有制度逻辑互动？何种治理机制能确保对算法权威的民主控制？
文章的学术意义与价值
本文作为一篇高屋建瓴的社论与综述，具有多重重要价值： 首先，它提供了关键的概念厘清。通过提出“预测性、生成性、代理性、具身性”AI的四分框架，文章为纷繁复杂的AI组织研究建立了急需的分析标尺，推动了该领域研究的精确化和理论累积。 其次，它实现了深度的研究整合。不仅系统回顾了四大主流研究领域的进展与不足，还详尽介绍了特刊中十四篇具有代表性的最新研究成果，为读者呈现了一幅该领域研究全景图与前沿动态。 再次，它指明了清晰的未来路径。提出的六大研究议程深刻触及了AI可能引发的组织学根本性挑战（如能动性、常规、认知、内卷、意义、治理），为后续研究者提供了富有洞察力和紧迫感的问题清单，具有强大的引领作用。 最后，它体现了深刻的批判与反思精神。文章始终强调技术的社会建构性、关系的相互塑造性以及理论的局限性，呼吁学者超越技术决定论和概念扁平化，采用更为精细和动态的视角来理解AI与组织的共同演化。这篇文章不仅是本期特刊的导读，更是AI与组织研究领域的一份重要纲领性文献，对于任何关注技术、组织与社会未来发展的学者和管理者都具有极高的阅读价值。