人与AI协同对组织学习的影响机制研究——探索与利用学习的视角

作者及机构
本研究由吴小龙（中山大学商学院；中山大学·深圳创新创业与科技金融研究中心）、肖静华（中山大学管理学院）、吴记（中山大学管理学院）、邓弘林（同济大学管理高等研究院）合作完成，发表于《管理科学学报》2024年9月第27卷第9期。

学术背景
随着人工智能（AI）技术的快速发展，AI已从工具演变为组织的知识生成主体之一，人与AI协同学习成为数字经济时代组织适应环境变化的关键议题。传统组织学习理论基于March的经典模型，聚焦人类作为唯一学习主体的探索式学习（exploratory learning）与利用式学习（exploitative learning）的平衡，但忽视了AI作为学习主体的影响。现有研究对AI在组织学习中的作用存在争议：部分学者认为AI可能削弱人类知识的独特性，降低决策多样性；另一部分则强调AI能加速知识获取。本研究旨在通过多智能体仿真方法，揭示AI引入、AI学习能力及环境不确定性对组织学习的影响机制，填补理论空白。

研究流程与方法
1. 模型构建与拓展
- 基础模型：基于March的组织学习仿真框架，将组织知识表征为30维向量，模拟人类成员通过探索（随机更新知识）或利用（向高知识水平者学习）提升知识水平。
- AI主体引入：新增AI作为学习主体，其知识向量仅在其专业维度（单一维度）非零，其他维度为0，体现AI的领域局限性。AI学习能力（(q_{ai})）由初始能力（(qs)）与协同度（(i)）共同决定，公式为 (q{ai} = \frac{1}{1+e^{-l \times i + b}})，其中 (l) 反映人类与AI知识一致性。
- 环境不确定性参数：通过概率参数（(p_{tb})）模拟不同动荡程度的环境（0为确定场景，0.9为高不确定场景）。

1. 仿真实验设计

   • 参数设置：组织成员50人，AI 15个；学习速度（(p_1)）分0.1（探索主导）和0.9（利用主导）；组织向AI学习速度（(p_3)）设为0.1与0.9对比。
     
   • 实验步骤：
     （1）初始化环境与主体知识向量；
     （2）每轮迭代中，人类通过探索或利用更新知识，AI根据学习能力调整专业维度；
     （3）组织以概率 (p_2) 或 (p_3) 吸收人类或AI的知识；
     （4）重复80轮，测量组织平均知识水平（正确反映环境的维度占比）。
     

2. 数据分析

   • 通过对比不同参数组合下的知识水平变化，分析AI引入、学习能力及环境不确定性的影响。
     

主要结果
1. AI引入的替代与互补效应
- 利用式学习：AI在专业维度显著替代人类利用式学习（(p_1=0.9)时，知识水平增速减缓）；
- 探索式学习：AI减少人类探索需求（(p1=0.1)时，知识多样性下降），但高能力AI（(q{ai}=0.9)）能提升整体知识水平。

1. AI学习能力的非线性影响

   • 利用主导场景中，AI能力增强时知识水平增幅递减；
     
   • 探索主导场景中，仅高能力AI可提升知识水平，但会降低成员知识独特性。
     

2. 环境不确定性的调节作用

   • 高不确定场景（(p_{tb}=0.9)）中，高能力AI与人类形成互补：AI快速生成高质量知识，人类迅速将其转化为组织惯例以应对变化。
     

结论与价值
1. 理论贡献
- 突破“人类唯一学习主体”假设，提出人机协同的双主体学习框架；
- 揭示AI在探索与利用学习中的差异化作用机制，为组织学习理论提供新视角。

1. 实践意义
   
   • 指导组织根据场景不确定性配置AI资源：确定场景优先利用AI提升效率，不确定场景需强化人机互补；
     
   • 提示AI应用需平衡知识效率与多样性，避免过度依赖导致创新力下降。
     

研究亮点
1. 方法创新：首次将AI作为学习主体纳入组织学习仿真模型，开发动态能力公式 (q_{ai})；
2. 场景深化：提出环境不确定性对人机协同的调节机制，弥补现有研究静态视角的不足；
3. 跨学科融合：结合管理科学与AI技术，为数字经济时代的组织变革提供量化依据。

其他价值
研究呼应国务院《新一代人工智能发展规划》的战略需求，为“人机协同增强智能”的落地提供微观机制支持，尤其对医药研发等依赖探索式创新的领域具有参考价值。