弥合成熟度-期望差距：生成式人工智能在公共研发中期评审战略决策中的作用与挑战

本综述系统探讨生成式人工智能（Gen AI）在公共研发中期评审中的应用潜力与风险，提出创新性成熟度-期望差距（MEG）框架，为动态评估技术采纳可行性提供理论支撑，助力公共部门实现负责任的人工智能集成（HITL机制）与风险可控的部署策略（TAM/UTAUT模型拓展）。

　　

Introducing MEG framework for Gen AI adoption

MEG框架捕捉了利益相关者对技术成熟度的认知与其实际能力之间的错位现象。该框架弥补了传统采纳模型（如技术接受模型TAM和统一技术接受与使用理论UTAUT）的局限性——这些模型聚焦静态的个体层面认知，却忽视了制度复杂性以及生成式人工智能（Gen AI）等新兴技术的动态演进特性。MEG被正式定义为技术期望（Technology Expectation, TE）与感知成熟度（Perceived Maturity, PM）之间的差值。在公共研发背景下，TE代表利益相关者基于当前技术发展轨迹对GenAI未来能力的预期水平，而PM则反映他们对其现有可用性和可靠性的评估结果。

H1: stakeholder differences in MEG perception

技术采纳受到不同群体间差异化期望的影响。利益相关者理论表明，角色不同的个体会依据其专业知识、优先事项和目标来差异化评估新技术。例如，商业领袖可能关注战略收益因而对人工智能持有更乐观的期望，而技术实践者因了解当前局限可能保持更谨慎的预期。因此，不同利益相关者群体（如政策制定者、项目管理者、评审专家）所感知的MEG值可能存在显著差异。

Research design

本研究采用双方法定量设计来评估公共研发中期评审中对GenAI的接受度，重点聚焦MEG概念。第一部分通过结构化专家调查评估预定义评价标准下的感知成熟度（PM）。第二部分通过基于机器学习的文献自动分类映射，量化技术期望（TE）。尽管测量PM和TE存在多种方法，但本研究选择的方法为跨标准比较提供了可扩展且客观的基础。

Diagnostic interpretation

利益相关者普遍认为GenAI处于中等成熟度，对结构化任务（如财务健康度评估、合规性审查）信心较高，而对解释性领域（如决策判断）评分较低。如图5所示，不同评价时点的差异较小，而跨评价标准的差异更为显著。在各类别中，信息风险管理（IRM）的PM得分最高，而管理控制（MC）中的战略判断任务得分最低。不同特征的受访者（如专业背景、机构类型）对成熟度的认知也存在显著分化。

Enhancing PM

缩小MEG的一种途径是通过提升利益相关者的理解和实践经验来提高GenAI的感知成熟度（PM）。既往研究表明，熟悉度和培训能增强采纳信任度（Horowitz等，2024；Weik等，2024）。针对政策制定者、研究人员和评审专家开展定向人工智能素养培训可增强采纳信心，具体培训建议参见附录A6。同时，公共部门试点项目的证据显示，实际接触可操作的人工智能工具能显著改善用户对其效用的认知。

Discussion and conclusion

本研究探讨了GenAI在公共研发中期评审中的作用，并提出MEG作为改进技术采纳决策的框架。MEG提供了一种基于证据的机制，用于识别复杂制度环境中的过度采纳或采纳不足场景。该研究通过弥补传统采纳模型在捕捉时间动态性和利益相关者异质性方面的局限，拓展了现有理论体系。与静态采纳模型不同，本文提出的MEG框架增加了动态视角，能够追踪技术能力与期望之间的演变关系。