人工智能在组织管理中的应用：基于赋能与增益视角的分析

李晓华 李纪珍

［摘 要］作为一项对人类社会发展产生深远影响的技术体系，人工智能技术的商业化应用为企业实践和管理学理论带来了机遇与挑战。文章系统回顾了AI系统的特征，并阐明了这些特征对当前管理学理论边界、假设条件的影响。具体而言，分别从AI增益在位企业和AI 赋能创业企业两个维度综述了现有研究的主要观点，发现已有研究主要采用由外向内的分析视角，即企业如何利用外部的技术、知识和海量数据等产生有价值的洞见并赋能企业，但对于企业如何采用AI技术更好地执行组织内部职能、向用户传递价值的研究相对较少。结合现有文献和实地调研，提出了AI与企业管理的未来研究方向，有助于推动研究者从更加全面的视角审视技术对企业管理理论带来的机遇与挑战，促进新理论的提出和理论与实践的融合。

［关键词］人工智能；组织管理；赋能；增益；文献综述

［中图分类号］  F272.3［文献标识码］ A［文章编号］ 1673-0461（2023）04-0020-11

一、引言

人工智能（Artificial Intelligence， AI）是指一种能夠正确地解释外部数据并从这些数据中学习，通过灵活性适应实现特定目标和任务的“系统”能力［1］。它覆盖了各种活动和概念，包括使用多种软件和算法支持或执行以前需要人类认知能力才能实现的任务［2］。AI作为人类历史上的一项重要技术变革，对个体、企业和国家等不同参与主体的行为产生了深远的影响。从AI对企业的影响来看，截止到2018年，80%的大公司在核心业务的运营上已经采用了机器学习和其他形式的人工智能技术［3］。为了在技术变革中赢得一席之地，很多拥有AI技术的初创企业也纷纷涌入各个行业，试图通过先进的技术与大企业展开竞争。这些初创企业通常依赖高校、科研院所的基础科研技术，并以产学研合作的方式完成技术商业化，比如：科大讯飞、旷视科技、思必驰等都是致力于实现AI技术商业化的知名初创企业。同时，为了在新技术的变革中不被淘汰，很多在位企业也尝试通过AI技术实现组织变革，以企业数字化转型的方式重塑行业格局［4-5］。与其他技术相比，AI对经济和社会的影响比以往任何技术变革的影响都要大［6］，这些实践上的改变为组织管理研究带来了新的机遇与挑战。

人工智能不仅给企业实践带来了挑战，也对管理学理论的发展产生深远的影响。LVESQUE等（2022）认为AI改变了创业理论对不确定性的假设，即AI的使用会降低企业决策过程的不确定性，进而提高了研究的相关性，即理论与实践结合的紧密程度［7］。比如，通过AI算法对消费者的消费习惯进行分析有助于提升客户需求预测的准确率，降低了营销管理的不确定性。实践的改变也将对现有的营销理论提出挑战，并带来管理学理论的变革。然而，现有研究大多关注人工智能作为一项技术，如何赋能或增益传统产业，并聚焦于分析决策效率的提升［8］、人机交互与协同［9］、管理伦理［10］的讨论。但是为企业管理的理论和实践带来了哪些挑战，哪些有意义的研究值得进一步探讨目前尚不明晰。基于此，本文系统地综述人工智能与企业管理方面的研究，提出AI对组织管理带来的挑战，并在此基础上指出未来的研究方向。

二、人工智能系统

人工智能是指一种能够正确地解释外部数据并从这些数据中学习，通过灵活性实现特定目标和任务的“系统”能力［1］。AI代表的是一种系统智能，它通过机器阅读和计算机视觉消化吸收人类的知识，并利用这些信息对人类所执行的任务实现自动化和加速化［11］。这个系统中包括三个核心要素：场景结构、数据生成和通用机器学习（如图1所示）。也有人将其归纳为更广义的三要素：数据、算法和算力①。AI系统的三个要素决定了这个行业的基本特征以及使用AI系统进行创业的企业所面临的挑战和难题。

李晓华，李纪珍：人工智能在组织管理中的应用：基于赋能与增益视角的分析

2023年第4期

图1 AI系统的构成

资料来源：TADDY M.， The technological elements of artificial intelligence，2018， National Bureau of Economic Research。

首先，AI需要嵌入在特定的场景结构当中。场景结构是指在工程化任务方面的专业知识。目前AI只能在棋盘、视频游戏等场景结构相对明确的领域实现商业化，对场景的要求决定了企业需要拥有技术应用领域内的专业知识，并通过结构计量经济学的方式将这些知识进行总结提炼［11］，形成能够被AI系统处理的数据结构，之后才可以使用松弛法和探试法对数据进行处理。对创业企业而言，如果想要使用AI赋能某个细分场景，首先需要对场景内的知识有系统的理解，并将这些知识整合到产品开发当中。这使得基于AI的产品开发流程与传统的信息技术行业相比更加复杂，在定义产品之前先要对细分领域内的知识进行“结构化”处理，造成产品开发流程的向前延伸。

其次，AI需要数据生成的支持。数据生成是指用以训练AI系统的海量数据和用以生成支持算法学习所用数据的工具。数据的数量和质量决定了算法训练和算法优化的程度，它们也被认为是AI企业获得竞争优势的关键。以传统互联网为主的在位企业拥有大量的数据资产，与初创小企业相比，拥有天然的优势。为弥补初创企业的数据缺失，AI行业甚至出现了专门做数据标注的公司，比如Testin云测、数据堂等。他们通过大量的人力投入搜索静态和动态的数据，并进行筛选和清理，提供给初创企业使用。然而，初始数据的获得并不能保证企业获得持续竞争优势，企业还需要获得更多的动态数据进行算法迭代。为此，在发展路径上，企业一方面要考虑产品需求的满足，另一方面还要生成内部云端系统支持数据的存储和生成。CHALMERS等（2021）将这种现象称为“技术利用劣势”，用以描述在行业主流技术不成熟的情况下，初创企业进入该行业时所面临的劣势［12］。

最后，AI行业的规模化“生产”需要通用算法。机器学习是AI系统的“发动机”，从无结构的数据中寻找规律并做预测。通用算法意味着算法能够适应更复杂的场景，无需过多地调整就能将企业在一个细分领域内积累的算法迁移到另一个细分领域。当前AI行业的繁荣主要得益于深层神经网络的发展，它能够快速的从文本、音频和视频数据中发现规律，自动处理效率，相比之前的算法也有大幅提升。但一项AI产品开发的过程还包括配套的硬件设施的完备，大量数据和新算法工具的使用产生了并行计算需求。GPUs（Graphical Processing Units， GPUs）作为为并行计算提供支撑的硬件基础，为AI大规模的商业化提供了支撑，AI的繁荣也促进了以生产GPUs为主的企业市值的提升。虽然GPUs芯片的成本在不断下降，但该领域的技术创新仍有进步的空间。比如，基于深度学习算法的人工智能就像是一个“黑箱子”，人们以一定的输入得到输出结果的中间过程是不可控的。孙效华等 （2020）也提出，现在大部分的AI仍然是弱人工智能的，即AI能力只局限于特定的领域，与理想状况下的通用人工智能仍有很大的差距。因此，单纯依靠人工智能技术的进步难以解决复杂社会中的复杂问题。未来通过设计的引导和协调能力驱动人工智能产品的研究是重要趋势。其中，如何通过应用场景需求提炼产品形态，反推人工智能技术的完善是其中的重要方向之一［13］。

三、人工智能系统对在位企业和创业企业的影响

从企业层面来看，目前对AI的研究主要集中在新技术如何影响企业的决策过程和活动的开展方式［2］。现有关于AI的研究多以实践为导向，重点关注AI在各个领域内的应用探索，以及AI如何与企业发生关联 ［14-15］。其中，数字化技术是AI技术背景下的一个热点研究话题，他们共同作为宏观经济和政治变革的一部分存在［12］，并通过自动化和增益性提升管理效率，重塑行业生态。接下来，我们将从AI如何增益在位企业和AI如何赋能创业企业两个视角对已有文献进行回顾。

（一）AI增益在位企业

对于在位企业而言，AI是一项新兴的技术，是企业所面对的诸多外部环境变化中的一种变化。然而，以人工智能、大数据、区块链和物联网等为主的通用技术的发展正在引发第四次产业革命，并重塑产业格局和在位企业的竞争地位［16］。一方面，AI技术的扩散带来了机器学习技术和相关应用类产品、商业模式的创新；另一方面，AI技术对劳动力的替代造成劳动力成本投入與经济收益不成正比［17］，改变了企业之间竞争的基本规则。在这样的背景下，以“降本增效”为主的在位企业的数字化转型成为各大企业竞相追捧的发展模式，并影响企业管理中的员工、组织、客户等核心主体的决策行为与合作模式（如图2所示）。

图2 AI增益在位企业的作用机制

1.AI与员工互动

依据大数据和算法，AI辅助员工完成与认知相关的任务。多数研究表明AI技术在企业管理中的应用大大缓解了员工的压力，以银行业为例，AI技术框架下的虚拟机器人能够在封闭的场景中解答客户的问题，辅助甚至替代了部分冗杂、重复的工作，让员工有更多的时间与精力从事创造性的工作。然而，AI技术介入到人类工作中除了带来效率的提升之外也产生了诸多矛盾，主要体现在人与机器的互动活动中。比如，在进行算法决策之前，人类会对算法应该做什么，可以做什么和如何做有预期，这种预期来自人们长期在某一领域内工作的经验。带着这种预期，员工在与机器互动过程中，会对根据同一算法的相同结果给出不同的决策［18］。很多企业投入了大量时间、人力、资源等促进人力资源管理的数字化转型，并没有获得预期收益［19］。这说明AI技术并没有想象中的那样成熟，也无法解决企业场景中的各类问题。但考虑到AI可以主动接受人类的知识并自我学习和适应的特征，改善AI与员工的互动机制成为提高AI实用性的重要内容［20］。

为了进一步探索提升AI与员工的合作效率，促进AI对企业绩效提升的赋能作用，GLIKSON和WOOLEY（2020）提出信任机制的重要性［9］。他们认为改变AI在企业内的表现形式（机器、虚拟和嵌入）和“机器”的智能化程度（即它的能力），是增进人与机器之间认知信任的有效方式。员工与AI之间信任的增加能够提升合作效率，进而提高组织效率［20］。对于什么样的工作应该由人来完成，而什么样的工作应该由机器完成，HUANG、RUST和MARKSIMOVIC（2019）认为，未来人类将在感知类的任务中发挥更大的作用，比如通过与客户接触开发高附加值的服务［2］；而在类似于机械类的任务中将会被AI替代，并将未来的经济发展成为“感知经济”。与之类似的是，RAMPERSAD（2020）提出，尽管机器可以替代部分人类工作，但批判性思维、问题解决、沟通和团队合作等创造性较强的活动在人工智能时代依然是决定创新的关键要素［21］。这些研究结果表明，人与机器协作过程中可能产生人类决策的自主性问题，解决该问题的一种有效方案是人类以监管的角色分布在不同的决策点上，并在适当的时候进行干预、提供必要输入，提高决策结果的可控性［22］。

2.AI与组织决策

在组织与管理学研究当中，对技术与组织决策的研究有很长的历史。自20世纪70年代信息技术取得突破性进展后，越来越多的研究开始关注技术对组织决策和结构的影响。通过减少组织结构层级［23-24］和增加组织获取外部知识的能力［25］，信息技术促进了决策效率的提升。与信息技术相比，AI 系统可以通过机器阅读和计算机视觉提取人类的知识，并根据经验实现改进和适应，完成自我学习。因此，它可以对组织内部的复杂管理问题进行判断和决策［26-27］。机器学习作为AI的一个分支技术，对企业信息技术的管理有着深远影响［28］。

在组织决策中，AI可以辅助或替代以下三种决策：战略、战术和执行类的决策［29］，而在稳定和熟悉的情况下，AI所能发挥的作用更大。比如，在人力资源管理方面，AI可以帮助优化人力资源管理的流程，覆盖从员工雇佣到绩效评价再到解聘的各个环节［30-31］。此外，AI与大数据的结合还将极大地提升企业对消费者行为信息的掌握，促进对消费者偏好预测的精准度，减少产品与市场需求不适配的无效生产。具体到决策过程，SHRESTHA等（2019）论述了在哪些情况下，组织内部的决策将完全由AI替代，什么情况下应该采取AI与人类共同决策的混合模式。研究结果表明，决策空间的精确性、可供选择的替代决策数量、决策速度和决策对解释性和复制性的要求是影响AI在组织决策中发挥作用的关键要素［32］。METCALF等（2019）论述了AI对于解决人类决策偏差的影响，认为AI能够帮助企业避免一些由人类心理因素造成的偏差（比如羊群效应），并克服问卷调查、众包和预测模型等决策辅助工具的缺陷［27］。然而，目前只有少部分的数据被用来支持组织相关知识的创造和企业决策。

AI在组织决策中能否发挥作用受到技术和人的双重影响。比如，企业在实施AI替代人工之前，需要理解什么类型的技术适合解决哪种任务，每一种技术的优势和劣势是什么［33］。对技术所能发挥作用的理解不够深入可能导致企业的决策失误，对企业发展造成不可估量的负面影响。此外，AI辅助组织决策需要与其他技术结合。AI的概念在20世纪60年代已经被提出，并在20世纪90年代之后经历了漫长的衰败期。大数据技术的成熟是促成AI在2016年之后再度兴盛的重要原因，然而组织决策的基础是信息与数据，AI只是发挥大数据价值的一种方式［34］，如何实现AI与大数据技术的深度融合有待进一步讨论。

3.AI与客户关系

除了组织内部的管理，AI还可以通过管理与客户之间的关系提升企业绩效，对这一主题的讨论主要集中在市场营销领域。具体而言，AI算法可以广泛收集来自社交媒体、客户端的用户信息，发现被淹没的用户行为偏好信息，并从中找出规律，提高市场营销预测的准确率。比如，KUMAR等（2019）讨论了AI对实现产品、价格、网站内容和广告信息等与目标客户匹配问题的影响，认为通过个性化的品牌管理和顾客关系管理等信息关联与共享是决定AI在企业销售中发挥作用的重要因素［35］。OVERGOOR等（2019）等通过案例研究详细讨论了以下问题的重要性：企业如何实现数字化营销，以及如何在媒体时代优化顾客服务，在业务拓展、数据解释、模型与评价的框架下提出有影响力的战略［36］。采用自然语言处理、机器学习和统计算法，MUSTAK等（2010）系统分析了AI对营销领域带来的机遇与挑战，认为AI未来将在了解顾客情绪、分析顾客满意度、数字化口碑传播、顾客关系管理等10个营销话题中发挥重要作用［37］。

此外，快速变化的消费者需求让定制化成为营销领域的重要话题之一。通过AI对市场营销的内容和主要策略（包括产品、价格、选址和销售策略等）进行信息化管理［35］，提出个性化的参与式营销方法，是实现定制化的重要方面。定制化对于提高用户满意度起着至关重要的作用，但它也造成企业产品的标准化程度降低，应用于某一领域的相关设备、人员配备和专业知识储备等无法在另一个领域内复用等问题，增加了企业的生产成本。

（二）AI赋能创业企业

AI在创业领域的影响主要体现为对创业想法、创业过程和创业绩效的影响。相比于在位企业聚焦人工智能系统的“增益”作用，即对重复性工作的替代和决策效率的提升，AI对创业企业产生的影响主要体现为“赋能”作用，即创业企业作为行业中的弱小群体，在AI技术的辅助下有了更多的选择性和话语权。与在位企业类似，AI技术也是作为一种外部因素，影响了创业企业信息的可得性和资源分配，进而作用于企业创立的内外部因素、企业运行中的决策和价值创造，以及创业活动的产出（详见图3）。

1.AI与企业创立

AI影响了企业创立的内部外因素，进而影响了创业机会的开发过程。首先，AI作为一项技术变革，重塑了行业发展格局，并建立了新的基础设施，让先前无法实现的创业想法成为可能［38］。但是，AI也让行业垄断成为可能，拥有先进技术的大企业可以通过并购创业企业的方式完成多元化扩张。以阿里巴巴、腾讯、京东、美团等为主的大型平台企业在多个行业内都有涉足，挤压了创业企业的生存空间。这一过程还造成了企业发展的“阶层固化”，商业生态的流动性大幅降低。为了应对技术可能带来的垄断，相应的行业政策和法律法规也相继出台。因此，AI在为企业创立带来利好的同时也产生了一些负面影响，两者的交互促进了行业制度环境的变迁。

图3 AI赋能创业企业的作用机制

同时，AI还通过重塑风险承担和创造力在企业创立中的作用，影响个体的创业意愿［39］。一方面，AI极大降低了不确定性、减弱了创业风险，让很多风险承担能力较弱的个体有机会进入创业领域。现实中，越来越多的个体将创业作为一种谋生的手段，生存型创业大幅提高，微商、个人媒体号等都是这一现象的典型代表。另一方面，AI可以部分承担以前只有人类才能完成的认知性活动，减弱了创造力在创业企业中的重要性。比如，现实中大公司開始自建适用于不同领域的AI平台，该平台上嵌入了多样的模块化工具，创业者可以根据自身需求在平台上实现自我定制，满足了个体或组织的多元化需求。

2.AI与创业过程

创业过程中，机会识别、开发和组织结构设计是决定企业成长的两个关键要素。首先，AI算法极大提高了个体和组织搜索和传播信息的能力，这一变化让不同学科与行业之间的交流更加便捷，也促进了高新颖性、高质量的创业机会的产生。其次，AI对不确定性边界的影响改变了传统的机会识别过程［40］。比如，识别创业机会是富有想象力的决策过程，以创新性的方式成功匹配信息是优秀创业者的一个关键能力［41］。通过提升决策效率的潜力，AI降低了对创业者识别机会能力的要求，弱化了创业者信息匹配能力在创业进程中的影响。从赋能的视角来看，AI通过机器学习帮助创业者从海量信息中发现规律与模式，促进了创业机会的发现与识别［42］，也提高了创业者在面对多个创业机会时的决策效率。具体而言，实验是创业者验证创业想法的一种有效方式［43］，AI通过模拟的方式预先排除了一些质量不高的想法，缩短了企业通过实验验证想法的过程，加速了创业进程。此外，AI还将通过影响创始人及其创业团队的创新性、认知等因素影响创业机会的开发［39，44］。

尽管AI作为一项赋能工具加速了创业机会的识别与开发，但它也为创业公司带来了挑战。这种挑战主要来自在位企业进入新领域时竞争优势的强化［44］。在位企业拥有更多的基础知识、海量的真实数据和隐形资本等，这些优势让在位企业比初创企业更能把握市场发展的趋势。出现这种情况的原因是，AI系统中的场景结构与具体业务强关联［11］，缺乏对某一行业的深入理解让初创企业难以把握客户的真实需求，进而减缓产品-市场匹配（Product Market Fit，PMF）的速度。比如，在进入智能语音市场时，搜狗科技可以结合企业已经开发的地图，将语音技术快速导入，并通过地图在企业内部的使用验证其推广到更大的市场的可能性。在这一过程中搜狗不仅在智能语音的技术赛道获得了竞争优势，也通过与用户的磨合中提升了AI算法技术。相反，初创企业则需要依赖客户的数据与知识，并能在多次调试后完成PMF，不仅增加了成本，也降低了发展速度。

与在位企业相比，AI对创业企业组织结构设计的影响主要体现为组织结构的创新。对在位企业而言，AI带来了组织结构的变革，讨论的话题聚焦于企业转型，比如从层级制向扁平化组织的转型、企业数字化转型和平台型企业的转型等都是热点话题。AI对创业企业组织结构的影响则更加直接，它带来了新的组织结构设计。一方面，AI技术的开放属性改变了创业企业生存的外部环境［11］，面对开源技术，创业企业需要设置与之对应的面向开源社区技术开发的组织结构。同时，受AI技术高度依赖大数据的影响，创业企业在资源有限的情况下还需设立专门从事数据搜索和标注的部门，将一项产品开发的起点向前延伸，故而拓展了企业的边界。另一方面，AI底层技术的进步主要得益于高校、科研院所和大型企业的研发，越来越多的创业企业倾向于采用校企合作的模式实现技术引领战略，并改变着整个行业的生态。比如Face++就是中国科学院大学的衍生企业，在组织结构设计上也更多地借鉴了大学实验室松散、平等的工作氛围和项目制的组织结构设计。校企在研发和文化上的交互对产生新的组织形式起到了催化作用。

3.AI与创业产出

AI赋能创业企业还体现为它对创业产出的影响。创业产出通常分为非经济效益和经济效益两种。其中，非经济效益包括创业者的满意度和创业活动对社会福利带来的改变。不可否认的是，AI技术的应用提高了创业者的自主性［12］，增强了创业者的自我效能感，也让创业成为一项门槛较低的活动。AI对创业活动经济效益的影响机制目前还在探索阶段，学者们就AI是否促进了创业企业平均收益水平的上升仍存在争论。但从宏观层面来讲，AI技术的应用可以规避创业过程中的一些系统性风险、降低不确定性，进而提高创业活动的经济收益。

虽然现有研究尚未直观地测量出AI对创业企业经济效益的影响，但可以从AI所带来的企业销售能力和商业模式创新能力的提升上发现可能的作用机制。很多创业企业难以成功的一个关键原因是企业的销售能力较差，不能从技术或产品开发中获取利润，而AI技术通过算法实现了自动化销售，增加了创业企业成功的概率。同时，发现尚未被满足的细分领域的需求是企业获取经济收益的重要前提。AI技术让企业更便捷地了解消费者对产品性能和价格的反应，并根据这些信息快速调整价值主张，满足更多细分顾客的需求。

商业模式提供了一个“如何在业务战略、架构和经济领域建立一组相关的决策变量，以在确定的市场中创建可持续竞争优势的简明描述”［45］，而AI技术的使用将会重塑企业的商业模式［46-48］。首先，从关系连接的视角来讲，AI将改变利益相关者之间的关系。在创业情境下，决策通常受到人与人之间交互的影响，比如董事会会议、工作招聘、创业路演等活动中的交流与沟通可以为创业者提供有价值的信息和反馈，帮助其完善创业机会、了解客户需求、获得资本或订单。而AI技术可以自动探查和分析人与人之间语言和非语言上的互动，它比传统的人工打分和编码更加精确和有效，能够深化对创业者和投资人之间如何达成一致决策的理解［49］。其次，从价值创造的视角来讲，互联网和AI技术的协同使用促进了企业与用户、供应商等价值链条上其他利益相关者的价值共创，增加了价值创造渠道的多元性［50］。最后，AI重塑商业模式整个链条的决策流程。人工智能未来发展的一个重要方向是促进人与机器之间的对话，并将决策过程直接纳入其中，但受决策复杂度的影响，AI所能应用的场景有限。如何让AI成为一个促进企业可持续商業模式建立的工具、最大化人类的潜力是当前的重要任务［51］。这一认识对企业的战略规划有指导意义，即企业在战略上更应该关注利用基于现有客户、友商、内部员工的数据或其他数据进行深度分析，挖掘新的要素或实现不同要素之间的创新性连接，以创造新的业务形态和商业模式。

综上所述，目前对AI与企业管理的研究主要采用了由外向内的视角［37］，即企业如何利用外部的技术、知识和海量数据等产生有价值的洞见并赋能或增益企业。但对于企业如何采用AI技术更好地执行组织内部职能，向用户传递价值的由内向外视角的研究相对较少。

四、人工智能情境下组织管理面临的挑战

AI作为一种技术工具，虽然能够增益和赋能在位企业，但也为企业管理带来了诸多挑战。以场景结构、数据生成和通用机器学习构成的人工智能系统将改变管理学的一些基本假设，并改变管理学基本功能（解释、预测）的影响力。比如，机器学习理论和方法将使得基于大数据的预测更加可靠，心理学研究的预测功能也会强于解释功能［52］。以场景结构、数据生成和通用机器学习为主的人工智能系统赋予了人工智能行业新的特点，也为企业的发展带来了挑战。通过回顾文献和数据收集，本文总结了AI的特点及其对组织管理的启示（如表1所示）。

表1 人工智能对组织管理的启示

AI系统的特点文献来源实践启发未来研究方向

基础技术不成熟，基于深度学习算法的人工智能具有不可解释性，从输入到输出的过程不可控孙效华、张义文、周雯洁和张绳宸（2020）［13］采用不成熟的新兴技术创业对创业和管理带来挑战不确定性的改变对创业机会开发、企业成长、创业战略和创业绩效等方面的影响

通过开源化实现AI技术的迭代李修全（2020）［53］，GARUD（2013）［54］给予了缺乏技术积累的企业新的机会，AI赋能创业企业

AI系统的构成要素之一是领域结构（Domain Structure），技术在一个领域内的应用首先需要形成该领域内知识的结构TADDY（2018）［11］建立技术应用领域内知识的重要性，基于情境的学习

AI主流技术有开源性质，单纯依靠技术无法建立持久的竞争壁垒。技术工程化和场景中的默会知识与经验的积累是不可复制资源作者访谈整理②企业无法只靠技术建立竞争优势

不同的参与主体，包括传统企业、在位企业和创业企业在AI技术变革情境下的竞争优势获取及其实现路径

以深度学习为支撑的AI系统需要匹配实现大算力计算的云平台李修全（2020）［53］平台型企业的发展模式，企业边界扩大，增加了管理的复杂度

AI系统需要一个活动的系统去不断产生新的和有用的信息，以实现机器学习算法的自动学习TADDY（2018）［11］与数据拥有者“合作”的重要性，面向B端或G端的商业模式

技术开发难、技术应用广、产品形态少（是一种其他产品的辅助），产品变现难作者访谈整理管理产品开发流程的重要性以及与用户合作的必要性

AI技术影响企业边界的理论机制讨论

AI系统内的各项技术属于突破性技术，在产品开发过程中往往面临惰性和用户的抵抗GLASMEIE （1991）［55］ ，GARUD（2003）［54］教育用户的必要性标准制定对于教育用户、促进行业发展和企业创新的影响

（一）不确定性与组织决策

AI为解决创业领域的重大挑战带来机遇。理论与实践之间的相关性低被认为是创业领域的重大挑战［7，56］，即研究问题是否对当前的现实问题有启发，研究假设是否与实践者和政策制定者的逻辑直接相关，以及研究结论是否能够为潜在受众提供启发。随着高校科技成果在商业化中面临的问题日趋严重，很多大学开始从市场的视角重新审视科学研究的价值，并強调通过技术商业化创造社会影响力［57］。很多企业通过与利益相关者、受众沟通等方式解决该问题［56］，但仍需要更有效率的方式。AI可以从海量数据中提取共性因素，并通过严谨的分析提升创业理论构建和创业实践之间的相关度，增加了所提炼的理论的普适性，同时AI通过检验某个理论的边界条件提升理论的严谨性［7］。从实践角度来讲，AI通过促进知识在研究界和实践界的流动，缩小了创业研究与实践之间的鸿沟［44］。

不确定性是创业理论建构的重要边界条件，AI所提供的技术解决方案降低了不确定性［58］，对创业理论带来挑战。AI改变了主体与环境之间的互动关系，尤其是在不确定性环境下的创业行为［59］。AI 通过海量的数据分析发现“模式”，从而产生预测，预测精准度的提高将大幅降低不确定性［46］。这种改变一方面对现有的创业理论提出挑战，另一方面也增加了开发新的创业理论的机会［60］。比如TOWNSEND和HUNT（2019）提出AI将有效降低模式类创业的不确定性，即机器学习可以解决一些有规律可循的问题，降低创业者在机会识别过程中的不确定性［39］。未来研究可进一步探讨不确定性的改变对创业机会开发、企业成长、创业战略和创业绩效等方面的影响。

（二）AI技术迭代与企业竞争优势获取

企业竞争优势的获取是组织管理理论中的一个重要话题，现有研究从资源依赖论、企业能力理论等方面提出了有益的见解。然而，这些理论或假设战略几乎是同质的［61］，或假设资源是异质性的［62］，并尝试回答企业为什么不同？如何通过战略提升企业绩效？为什么有些企业在快速变化的环境中获得竞争优势等问题。随着以AI为基础的新一代信息技术的发展，越来越多的实践现象无法通过现有理论得到解释。

首先，AI技术的迭代过程部分是通过开源平台完成的，即使没有技术积累的企业也能通过开源的算法框架和代码完成前期的必要技术集成。从这个视角来看，AI不仅能够赋能现有企业效率的提升和成本下降，也能通过降低创业门槛的方式赋能创业企业的成长。与此同时，开源也使得企业很难通过技术建立领先优势，因为算法很可能被大公司公开，或以免费的方式开放给大众使用，导致创业企业积累的算法不能形成竞争壁垒。也有学者指出，人工智能技术也可能为创业企业带来新的机遇，并颠覆大企业主导的商业模式。这主要得益于创业企业的灵活性［63］，即企业能够根据外部快速变化的环境迅速调整发展方向，并获得竞争优势。

其次，AI产品的开发需要了解某个特定场景的知识结构［11］。这也是机器学习算法不完善造成的，因为算法只能处理拥有固定格式的数据结构，因而需要通过人工方式将场景内的需求、问题、操作流程等信息整合成结构化的知识。这一特征给企业带来的挑战是，如何更高效的学习场景内知识，以实现技术竞争力和企业市场拓展能力的综合提升。未来研究可以讨论不同的参与主体，包括传统企业、在位企业和创业企业在AI技术变革情境下的竞争优势获取及其实现路径。

（三）技术合作与企业边界的改变

AI技术的使用带来了商业运作方式从竞争逻辑向共生逻辑转变［64-65］。AI技术无法在各个场景之间通用的特点促进了需要拥有不同技术和领域知识的企业之间的合作，据世界知识产权局统计，有将近70%的AI专利发明被认为使用了跨领域的技术。AI和数字化技术的兴起使得平台模式越来越成为各大公司竞相追捧的战略［66］。比如在建筑行业，传统软件集成商广联达开始二次创业，建立智慧工地生态体系；语音交互提供商思必驰建立了AISpeech语音对话平台，将语音技术以模块化的形式赋能给客户。

首先，AI算法训练对数据和算力的需求促进了软件与硬件在同一个企业的集成。也就是说，企业需要将大数据上传到云平台或在芯片集成算法的方式实现数据、算力和算法的循环。将软件和硬件整合到一个企业的需求无疑扩大了企业的边界，也增加了组织内部管理的复杂度。管理复杂度的上升要求企业将部分业务剥离以缩减边界，而对产品开发所需要的相关领域知识的需求又需要实现不同领域内专业人才的整合，要求扩大边界。其次，AI系统的提升需要与G端和B端的客户合作，使用对方的数据验证“概念产品”，并在后续的产品开发过程中自我生成时时数据集以支持算法的改进。这一过程凸显了合作的重要性，拥有数据的合作方一般是B端的互联网企业或有关政府部门，因而人工智能行业的早期的商业模式也都是面向B端或G端的。最后，AI相关的技术开发难、技术应用广、产品形态少。AI底层技术无法支撑产品独立存在，而是作为一种辅助技术提升现有系统的效率，或嵌入在现有产品当中。产品定义不能在企业内部完成增加了产品开发的难度，如何管理产品开发流程，以比竞争对手更快的速度发布产品成为企业构建核心竞争力的关键要素。因为企业的竞争优势不在于预测技术增长的S曲线，而是预测竞争对手以怎样的速率投资到相似产品的开发上［67］。

针对这些特征，未来研究需要讨论AI和数字化技术的使用为企业边界理论的发展带来的挑战。对以下问题的探讨具有重大的理论和实践意义：AI技术改变企业边界的条件，以及企业边界变动的理论机制，包括治理机制、边界跨越能力的改变等［24］。

（四）突破性技术与标准制定

突破性技术的扩散过程也是教育用户的过程。AI技术虽然被认为是改变未来行业格局发展的关键技术，但AI如何更好地与社会经济和人类融合还面临诸多挑战。具体而言，新技术带来了新的生产和交易关系，并为用户、企业、政府以及其他利益相关者带来了冲突与挑战［68］。具体到组织层面，企业需要耗费大量的人力向用户介绍技术能够解决的问题，以及为用户创造的价值。即使客户愿意接受某项产品，也会对企业进行长达一年甚至两年的产品验证，增加了创业企业的产品验证成本。同时，伴随着媒体对AI所带来的潜在价值的过度宣传，公众对AI产品的预期也大幅提高。但目前AI底层算法技术尚不成熟，基于AI的产品性能通常低于公众的预期，带来了企业与用户、公众对AI技术认知上的紊乱。为了规范行业发展，有效的行业政策出台和标准发布将有利于整合不同利益相关者对AI的认知，促进不同技术解决方案的融合和行业的可持续发展［69］。行业标准的制定被认为是實现新兴技术扩散、教育市场的一种有效方式，未来研究可以进一步检验标准在促进企业市场拓展中的作用，以及如何利用标准实现产品创新，并挖掘标准促进企业竞争优势获取的关键机制。

五、结语

人工智能是新一代信息技术的关键组成部分，也是重塑未来行业发展格局的核心技术体系之一。人工智能技术不仅促进了企业管理实践的变革，也为管理学理论带了新的机遇与挑战。从人工智能的技术视角出发，本文系统梳理了AI的发展历程，并介绍了人工智能系统中的三个重要组成部分：场景结构、数据生成和通用机器学习。基于这些技术特点，本文从AI增益在位企业和AI赋能创业企业两个维度回顾了人工智能与企业管理中重要话题。具体而言，AI增益在位企业集中于讨论人工智能技术对企业带来的“降本增效”结果，本文分别从AI与员工互动、AI与组织决策和AI与客户关系三个方面阐明了现有文献的观点。同时，从企业创业、创业过程和创业结果三个层面梳理了AI赋能创业企业的相关研究。总结现有文献可以发现，多数研究采用了由外向内的视角［37］，即企业如何利用外部的技术、知识和海量数据等产生有价值的洞见并赋能企业，但对于企业如何采用AI技术更好地执行组织内部职能、向用户传递价值等由内向外视角的研究相对较少。

针对这一研究空白，本文从AI的技术特点出发，提出了四个重要的研究方向。这些研究方向注重探讨AI技术对管理学理论基本假设带来的挑战，包括不确定性、信息完备性和企业边界等。同时，针对人工智能技术对行业格局和社会结构所带来的颠覆性影响，本文还提出了标准制定在规范新兴行业发展和助力企业市场拓展中所发挥的作用。随着人工智能技术的商业化应用，越来越多的企业和用户开始享受技术进步所带来的红利，然而技术进步往往是一把双刃剑，在带来效率提升的同时也会引入新的风险和不确定性。现实中，很多企业在利用AI技术进行“降本增效”的改革或采用AI技术创办企业时面临很多现有管理学理论无法解释的现象，未来研究有必要进一步从AI的技术属性视角出发，分析它为管理学理论的假设与边界所带来的挑战，并提炼基于AI情境的创新性理论。

［注 释］

①

详细信息请参阅以下网址：https：//www.leiphone.com/news/202008/e4qym3ESJ2M9hdPt.html。

② 为了对人工智能系统有深入的理解，作者访谈了人工智能领域内的技术专家和采用相关技术创业的企业家。访谈主题包括AI技术与传统互联网技术的差异、为企业管理带来的挑战与机遇、技术商业化的决定因素等。[BFQ][ZK）]

［参考文献］

［1］HAENLEIN M， KAPLAN A. A brief history of artificial intelligence： on the past， present， and future of artificial intelligence ［J］. California management review，2019，61（4）：5-14.

［2］HUANG MH， RUST R， MAKSIMOVIC V. The feeling economy： managing in the next generation of artificial intelligence （AI） ［J］. California management review，2019，61（4）：43-65.

［3］GHOSH B， DAUGHERTY P R， WILSON H J， et al. Taking a systems approach to adopting AI ［M］. Harvard Business Review，2019.

［4］NAMBISAN S. Digital entrepreneurship： toward a digital technology perspective of entrepreneurship ［J］. Entrepreneurship theory and practice，2017，41（6）：1029-1055.

［5］BUTTIC V， CAVIGGIOLI F， FRANZONI C， et al. Counterfeiting in digital technologies： an empirical analysis of the economic performance and innovative activities of affected companies ［J/OL］. Research policy，2020，49（5）.（2020-06） https：//doi.org/10.1016/j.respol.2020.103959.

［6］MAKRIDAKIS S. The forthcoming artificial intelligence （AI） revolution： its impact on society and firms ［J］. Futures，2017，90（6）：46-60.

［7］LVESQUE M， OBSCHONKA M， NAMBISAN S. Pursuing impactful entrepreneurship research using artificial intelligence ［J］.2022，46（4）：803-832.

［8］胡祥培，李永刚，孙丽君，等.基于物联网的在线智能调度决策方法［J］.管理世界，2020，36（8）：178-189.

［9］GLIKSON E， WOOLLEY A W. Human trust in artificial intelligence： review of empirical research ［J］. Academy of management annals，2020，14（2）：627-660.

［10］WALLIS M G. Artificial intelligence for the real world of breast screening ［J/OL］. European journal of radiology，2021，144（11）.（2021-11）. https：//doi.org/10.1016/j.ejrad.2021.109661.

［11］TADDY M. The technological elements of artificial intelligence ［M］//The economics of artificial intelligence. Chicago： University of Chicago Press，2018：61-88.

［12］CHALMERS D， MACKENZIE N G， CARTER S. Artificial intelligence and entrepreneurship： implications for venture creation in the fourth industrial revolution ［J］. Entrepreneurship theory and practice，2021，45（5）：1028-1053.

［13］孫效华，张义文，侯璐，等.人工智能产品与服务体系研究综述［J］.包装工程，2020，41（10）：49-61.

［14］KOLBJRNSRUD V， AMICO R， THOMAS R J. How artificial intelligence will redefine management ［J］. Harvard business review，2016，2（1）：3-10.

［15］RUEL H， NJOKU E. AI redefining the hospitality industry ［J］. Journal of tourism futures，2021，7（1）：53-56.

［16］SCHWAB K. The fourth industrial revolution ［M］. Geneva： World Economic Forum，2016.

［17］GOLDFARB A， TUCKER C. Digital economics ［J］. Journal of economic literature，2019，57（1）：3-43.

［18］BURTON J W， STEIN M K， JENSEN T B. A systematic review of algorithm aversion in augmented decision making ［J］. Journal of behavioral decision making，2020，33（2）：220-239.

［19］FOUNTAINE T， MCCARTHY B， SALEH T. Building the AIpowered organization ［J］. Harvard business review，2019，97（4）：62-73.

［20］MAKARIUS E E， MUKHERJEE D， FOX J D， et al. Rising with the machines： a sociotechnical framework for bringing artificial intelligence into the organization ［J］. Journal of business research，2020，120（11）：262-273.

［21］RAMPERSAD G. Robot will take your job： innovation for an era of artificial intelligence ［J］. Journal of business research，2020，116（8）：68-74.

［22］DIETVORST B J， SIMMONS J P， MASSEY C. Overcoming algorithm aversion： people will use imperfect algorithms if they can （Even Slightly） modify them ［J］. Management science，2018，64（3）：1155-1170.

［23］GALLUPE R B， DENNIS A R， COOPER W H， et al. Electronic brainstorming and group size ［J］. Academy of management journal，1992，35（2）：350-369.

［24］李紀珍，李晓华.企业边界的动态性：基于信息技术视角的分析［J］.创新与创业管理，2018，8（2）：16-32.

［25］COHEN W M， LEVINTHAL D A. Absorptive capacity： a new perspective on learning and innovation ［J］. Administrative science quarterly，1990，35（1）：128-152.

［26］MAHROOF K. A humancentric perspective exploring the readiness towards smart warehousing： the case of a large retail distribution warehouse ［J］. International journal of information management，2019，45（4）：176-190.

［27］METCALF L， ASKAY D A， ROSENBERG L B. Keeping humans in the loop： pooling knowledge through artificial swarm intelligence to improve business decision making ［J］. California view，2019，61（4）：84-109.

［28］SHRESTHA Y R， KRISHNA V， VON KROGH G. Augmenting organizational decisionmaking with deep learning algorithms： principles， promises， and challenges ［J］. Journal of business research，2021，123（2）：588-603.

［29］DUAN Y Q， EDWARDS J S， DWIVEDI Y K. Artificial intelligence for decision making in the era of Big Dataevolution， challenges and research agenda ［J］. International journal of information management，2019，48（10）：63-71.

［30］TAMBE P， CAPPELLI P， YAKUBOVICH V. Artificial intelligence in human resources management： challenges and a path forward ［J］. California management review，2019，61（4）：15-42.

［31］呂越，谷玮，包群.人工智能与中国企业参与全球价值链分工［J］.中国工业经济，2020，36（5）：80-98.

［32］SHRESTHA Y R， BENMENAHEM S M， VON KROGH G. Organizational decisionmaking structures in the age of artificial intelligence ［J］. California management review，2019，61（4）：66-83.

［33］DAVENPORT T H， RONANKI R. Artificial intelligence for the real world ［J］. Harvard business review，2018，96（1）：108-116.

［34］GUPTA S， KAR A K， BAABDULLAH A， et al. Big data with cognitive computing： a review for the future ［J］. International journal of information management，2018，42（10）：78-89.

［35］KUMAR V， RAJAN B， VENKATESAN R， et al. Understanding the role of artificial intelligence in personalized engagement marketing ［J］. California management review，2019，61（4）：135-155.

［36］OVERGOOR G， CHICA M， RAND W， et al. Letting the computers take over： using AI to solve marketing problems ［J］. California management review，2019，61（4）：156-185.

［37］MUSTAK M， SALMINEN J， PL L， et al. Artificial intelligence in marketing： topic modeling， scientometric analysis， and research agenda ［J］. Journal of business research，2021，124（1）：389-404.

［38］DAVIDSSON P， RECKER J， VON BRIEL F. External enablement of new venture creation： a framework ［J］. Academy of management perspectives，2020，34（3）：311-332.

［39］TOWNSEND D M， HUNT R A. Entrepreneurial action， creativity， & judgment in the age of artificial intelligence ［J/OL］. Journal of business venturing insights，2019，11（6）.（2019-6）. https：//doi.org/10.1016/j.jbvi.2019.e00126.

［40］SHANE S， VENKATARAMAN S. The promise of entrepreneurship as a field of research ［J］. Academy of management review，2000，25（1）：217-226.

［41］ARDICHVILI A， CARDOZO R， RAY S. A theory of entrepreneurial opportunity identification and development ［J］. Journal of business venturing，2003，18（1）：105-123.

［42］PRFER J， PRFER P. Data science for entrepreneurship research： studying demand dynamics for entrepreneurial skills in the Netherlands ［J］. Small business economics，2019，55（3）：651-672.

［43］KERR W R， NANDA R， RHODESKROPF M. Entrepreneurship as experimentation ［J］. Journal of economic perspectives，2014，28（3）：25-48.

［44］OBSCHONKA M， AUDRETSCH D B. Artificial intelligence and big data in entrepreneurship： a new era has begun ［J］. Small business economics，2019，55（3）：529-539.

［45］MORRIS M， SCHINDEHUTTE M， ALLEN J. The entrepreneurs business model： toward a unified perspective ［J］. Journal of business research，2005，58（6）：726-735.

［46］AGRAWAL A， GANS J， GOLDFARB A. Prediction machines： the simple economics of artificial intelligence ［M］. Boston： Harvard Business Press，2018.

［47］LOEBBECKE C， PICOT A. Reflections on societal and business model transformation arising from digitization and big data analytics： a research agenda ［J］. The journal of strategic information systems，2015，24（3）：149-157.

［48］GOMEZURIBE C A， HUNT N. The netflix recommender system： algorithms， business value， and innovation ［J］. ACM transactions on management information systems，2016，6（4）：1-19.

［49］LIEBREGTS W， DARNIHAMEDANI P， POSTMA E， et al. The promise of social signal processing for research on decisionmaking in entrepreneurial contexts ［J］. Small business economics，2019，55（3）：589-605.

［50］TIDHAR R， EISENHARDT K M. Get rich or die trying… finding revenue model fit using machine learning and multiple cases ［J］. Strategic management journal，2020，41（7）：1245-1273.

［51］DI VAIO A， PALLADINO R， HASSAN R， et al. Artificial intelligence and business models in the sustainable development goals perspective： a systematic literature review ［J］. Journal of business research，2020，121（12）：283-314.

［52］YARKONI T， WESTFALL J. Choosing prediction over explanation in psychology： lessons from machine learning ［J］. Perspectives on psychological science，2017，12（6）：1100-1122.

［53］李修全.當前人工智能技术创新特征和演进趋势［J］.智能系统学报，2020，15（2）：409-412.

［54］GARUD R， TUERTSCHER P， VAN DE VEN A H. Perspectives on innovation processes ［J］. The academy of management annals，2013，7（1）：775-819.

［55］GLASMEIER A. Technological discontinuities and flexible production networks： the case of Switzerland and the world watch industry ［J］. Research policy，1991，20（5）：469-485.

［56］WIKLUND J， WRIGHT M， ZAHRA S A. Conquering relevance： entrepreneurship researchs grand challenge ［J］. Entrepreneurship theory and practice，2018，43（3）：419-436.

［57］李曉华，李纪珍，高旭东.大学的第三使命：从研究型大学向创业型大学的转型［J］.科学学研究，2020，38（12）：2131-2139.

［58］ALVAREZ S A， BARNEY J B. Discovery and creation： alternative theories of entrepreneurial action ［J］. Strategic entrepreneurship journal，2007，1（1-2）：11-26.

［59］MCMULLEN J S， SHEPHERD D A. Entrepreneurial action and the role of uncertainty in the theory of the entrepreneur ［J］. The academy of management review，2006，31（1）：132-152.

［60］VAN BURG E， ROMME A G L. Creating the future together： toward a framework for research synthesis in entrepreneurship ［J］. Entrepreneurship theory and practice，2014，38（2）：369-397.

［61］BAKER T， NELSON R E. Creating something from nothing： resource construction through entrepreneurial bricolage ［J］. Administrative science quarterly，2005，50（3）：329-366.

［62］BARNEY J. Firm resources and sustained competitive advantage ［J］. Journal of management，1991，17（1）：99-120.

［63］SMITH W K， BESHAROV M L. Bowing before dual gods： how structured flexibility sustains organizational hybridity ［J］. Administrative science quarterly，2019，64（1）：1-44.

［64］CENNAMO C. Competing in digital markets： a platformbased perspective ［J］. Academy of management perspectives，2021，35（2）：265-291.

［65］陈冬梅，王俐珍，陈安霓.数字化与战略管理理论——回顾、挑战与展望［J］.管理世界，2020，36（5）：220-236.

［66］彭本红，黄倩倩，郑田.智能制造开放式创新平台战略异质性研究：基于扎根理论双案例视角［J］.科技进步与对策，2021，38（10）：75-84.

［67］理查德·福斯特.创新：进攻者的优势［M］.北京：北京联合出版有限公司，2017.

［68］梁正，余振，宋琦.人工智能应用背景下的平台治理：核心议题、转型挑战与体系构建［J］.经济社会体制比较，2020，36（3）：67-75.

［69］KIM D H， LEE H， KWAK J. Standards as a driving force that influences emerging technological trajectories in the converging world of the Internet and things： an investigation of the M2M/IoT patent network ［J］. Research policy，2017，46（7）：1234-1254.

The Application of AI in Organizational Management：

The Analysis Based on the Perspectives of Empowerment and Augmentation

Li  Xiaohua1，  Li  Jizhen2

（1. School of Econometric and Management， Northwestern University， Xian 710127， China;

2. School of Econometric and Management， Tsinghua University， Beijing 100084， China）

Abstract：   As a technological system that has a profound impact on the development of human society， the commercial application of artificial intelligence technology has brought opportunities and challenges to the firm practice and enterprise management theory. This article reviews the technical characteristics of AI， and clarifies the influence of these characteristics on the current theoretical boundaries and assumptions of enterprise management theory. Specifically， the main points of the existing research are reviewed from the two dimensions of AI augmenting incumbents and AI empowering startups. It is found that the existing research predominantly adopts an outsidein analysis perspective， that is， how firms use external technology， knowledge， and massive data， etc.， to generate valuable insights and empower themselves， but there is relatively little research adopting the insideout perspective to explore how firms can use AI technology to improve internal organization functions and deliver value to users. Combining the existing literature and field research， this paper proposes the future research direction of AI and enterprise management， which is helpful to promote researchers to deal with the opportunities and challenges brought by technology to enterprise management theory from a more comprehensive perspective， and promote the proposal of new theories and the integration of theory and practice.

Key words：artificial intelligence; organizational management; enable; augment; literature review

（責任编辑：张积慧）