人工智能管理研究的范式演进：决策式AI与生成式AI的理论框架构建与未来展望

作者与发表信息 本项研究的作者团队包括陆金凤、朱国玮、罗映宇、钱无忌、孟陆和黄静（通讯作者）。研究发表于《管理世界》2026年第2期。该研究得到了湖南省自然科学基金、山东省泰山学者青年专家项目以及山东省自然科学基金青年项目的资助。

论文主题与背景 本文是一篇聚焦于人工智能（AI）时代管理研究的理论述评与框架构建型论文。其核心主题是：在生成式AI（Generative AI）快速崛起并与传统决策式AI（Discriminative AI）融合发展的背景下，如何从管理学的视角，系统性地辨析这两类AI的核心概念、能力基础、研究进展，并构建一个整合性的理论框架，以指导未来的管理实践与学术研究。

研究的背景源于人工智能技术的迅猛发展及其对经济社会产生的深刻影响。AI已成为驱动经济高质量发展、引领新质生产力飞跃的关键力量。当前，AI应用呈现出两个核心发展方向：侧重于分析、判断、预测的决策式AI，以及侧重于创造新内容、支持自然交互的生成式AI。尽管两者在实践中协同作用日益增强，但现有管理学研究往往采用泛化的“AI”概念，未能明确区分二者在内在机制、能力边界和应用逻辑上的本质差异。这种概念模糊导致研究结论冲突，阻碍了AI管理理论的深入发展。因此，本文旨在回应这一理论缺口，通过系统梳理文献，构建一个清晰的理论框架，为“人工智能+”时代的管理研究与实践提供系统性指导。

论文主要观点阐述

观点一：人工智能管理活动可概念化为由“分析、理解、管理、优化”四个阶段构成的完整过程，其能力基础根植于对人类“认知能力”与“情感能力”的模拟。 本文首先对AI代理参与管理活动的过程进行了理论抽象。通过对已有商业实践和管理文献的系统梳理，作者提出，AI执行管理任务的过程可归纳为四个循序渐进的阶段：1) 分析：识别潜在问题与挑战，涉及数据获取与分析；2) 理解：洞察问题背后的因果关系与内在机制；3) 管理：制定并实施解决策略；4) 优化：评估效果并持续改进。这四个阶段共同构成了AI代理的管理闭环。 支撑这一过程的能力基础，被界定为对人类智能核心的模仿：认知能力与情感能力。认知能力指信息处理、记忆、推理、问题解决等心理功能，是解决效率与效益问题的核心。情感能力指感知、评价、表达和调节情绪的心理功能，是处理情绪与社会交互问题的基础。这一划分明确了AI技术赋能管理的两个基本维度，为后续区分两类AI提供了理论锚点。

观点二：人工智能的发展经历了从“决策式AI”到“生成式AI”的演化，二者在核心能力上存在显著差异，这决定了其不同的功能定位与应用场景。 本文的核心贡献在于清晰界定了决策式AI与生成式AI。决策式AI是一种旨在优化和自动化决策的系统，它主要通过模拟人类的认知能力，依据预设规则高效执行分析、判断、预测等任务，为用户提供数据驱动的决策支持。其典型应用包括个性化推荐、风险预测、医疗影像诊断等。生成式AI则是一种旨在创建新内容和解决方案的系统，它不仅模拟认知能力，更关键的是发展出了模拟人类情感能力的潜力，能够生成文本、音频等多模态内容，并支持包含情感互动的自然交互。其典型应用包括智能客服、内容创作、情感陪伴等。 论文通过图表演示了这种演化路径：早期AI（约2010年前后）以决策式AI为重点，核心是模仿和增强认知能力；2020年后，生成式AI开始崛起，其在认知能力（尤其是创造性内容生成）上取得进步，更在情感能力上实现了突破——尽管这种“情感能力”本质上是技术性的识别与模拟，而非真实的体验，但已能显著提升人机交互的自然性与亲和力。二者功能互补：决策式AI侧重理性分析与优化决策，生成式AI侧重内容创造与情感赋能。

观点三：现有研究揭示了决策式AI与生成式AI在管理活动各阶段的应用、成效与局限，未来研究需针对这些局限深入探索。 基于构建的“AI类型—管理活动—能力基础”三维框架，本文对两类AI在四个管理阶段的相关研究进行了系统综述。 对于决策式AI，研究梳理表明：在分析阶段，其强大的认知分析能力已广泛应用于客户洞察、员工招聘、市场分析等领域，情感分析能力也有所发展但存在局限（如算法偏差）。未来研究需关注如何提升管理者对AI分析结果的信任（如处理人机认知冲突）、以及AI情感分析对员工心理的影响。在理解阶段，决策式AI擅长数据推理与预测，但在涉及复杂情境和个性化因素时理解不足，尤其在情感理解方面效用有限。未来应探索人机协同的理解机制，例如引入用户参与纠正AI对情感数据的理解。在管理阶段，决策式AI能提供管理建议或自动执行策略，但其过程不透明性（“黑箱”）导致的算法厌恶、以及情感能力的缺乏，阻碍了其在情感密集型任务中的应用。未来需研究如何增强AI可解释性，并权衡不同情境下AI拟人化与机械化的程度。在优化阶段，决策式AI能进行绩效评估与反馈，效果具有两面性（如提高效率但可能增加员工压力），且主要通过功能价值建立浅层情感联结。未来需研究如何优化反馈方式、缓解员工对AI评估的不公平感知，并通过人机协作建立更深层的情感关系。 对于生成式AI，本文重点梳理了其情感能力在管理各阶段的研究（其认知能力研究与决策式AI共享理论空间）。在分析阶段，生成式AI在跨模态、情境化的情感识别方面潜力巨大，能更精准地识别复杂情绪。未来需研究如何激励用户共享敏感的情感数据，以及AI情感识别对员工工作表现的影响。在理解阶段，生成式AI的核心优势在于同理心能力，能够解释情绪成因并进行共情表达，这在情感陪伴、心理健康等领域应用前景广阔。在管理阶段，生成式AI能进行情感调节与个性化互动，但面临情感反馈有效性、算法透明度与伦理风险等挑战。未来需探索人机情感协作的最佳模式与治理框架。在优化阶段，生成式AI能通过深度情感互动建立更持久的情感联结，但存在情感操控、隐私泄露与依赖风险。未来需研究如何设计负责任的AI以引导健康的情感关系。

观点四：本文构建了一个整合性的“人工智能管理研究理论框架”，并提出了四个关键的未来研究议题。 基于上述分析，本文的核心理论产出是一个系统性的研究框架（如图2所示）。该框架以“管理活动四阶段”为横轴，以“认知与情感能力基础”为纵轴，清晰地定位了决策式AI与生成式AI在不同管理环节的核心作用与研究焦点。决策式AI的研究主要围绕认知能力展开，并延伸至情感能力中的分析部分；而生成式AI研究的突破口与特色在于其情感能力在所有阶段的渗透与应用。 最后，论文从整体视角提出了四个未来研究议题，以引导学界应对AI融合发展的挑战：1) AI代理与人类代理的互动与协同机制：探讨人机如何优势互补、责任共担。2) AI代理的治理与伦理框架：关注算法公平、透明度、问责制与隐私保护。3) AI代理的能力演化与组织适应：研究组织如何随着AI能力升级而调整结构、流程与战略。4) “人工智能+”与新质生产力：探索AI如何深度融合产业、赋能高质量发展。这些议题为中国特色的AI管理研究体系构建指明了方向。

论文的意义与价值 本研究的首要意义在于理论贡献。它首次在管理学研究领域，明确区分并定义了决策式AI与生成式AI，打破了以往概念泛化的困局，为后续精准化、细分化研究奠定了基础。所构建的“管理活动-能力基础”整合框架，提供了一个系统性、结构化的分析工具，能够帮助研究者定位具体研究问题，理清理论脉络。 其次，研究具有重要的实践指导价值。框架帮助企业管理者和实践者清晰识别两类AI的不同能力与适用场景，避免“技术误配”，从而更合理地进行AI资源配置，提升管理效能。例如，在需要深度情感互动和创造性内容生成的场景中，应优先考虑生成式AI；而在需要高精度预测和自动化规则执行的任务中，决策式AI可能更有效。 最后，论文积极响应了国家“人工智能+”行动的战略部署，通过梳理理论、构建框架、提出议题，为推动人工智能赋能新质生产力发展、完善现代化产业体系提供了学术支撑与智力支持。它不仅总结了过去，更系统地规划了未来AI管理研究的路线图，对该领域的知识积累与理论演进具有显著的推动作用。