知识密集型系统中生成式人工智能集成的社会技术框架：来自农业食品生态系统的洞见

《TECHNOLOGY IN SOCIETY》：A Socio-technical Framework for Generative AI Integration in Knowledge Intensive Systems: Insights from the Agri-food Ecosystem

　　

本文采用技术-组织-环境（TOE）与"前因-行为-后果"（ABC）双重视角，分析递归式的社会技术型生成式人工智能（GenAI）动态。通过人在回路（HITL）机制与基于知识图谱的三角验证法，提升研究的严谨性。提出一种可信的人工智能接地模型，用于人机协同共构。阐明碎片化的农业知识与创新体系（AKIS）如何演化为数字中介的知识生态系统。提出面向负责任规模化生成式人工智能的组织分阶段治理原型。

**引言**

农业食品系统被全球公认为知识密集度最高、社会嵌入性最强的生产形式之一，这反映出其对科学知识、本地专长以及社会文化背景的深度融合。然而，该行业正面临日益加剧的系统性压力，包括气候变化、人口结构转变以及知识碎片化（Klerkx & Rose, 2020；Mouratiadou et al., 2023）。在台湾，这些挑战尤为严峻。该行业以劳动力老龄化与短缺为特征，小农则持续面临数字鸿沟问题（Kvam et al., 2022）。制度安排往往造成能力差距，虽然研究基础雄厚，但与实际应用之间存在壁垒。因此，碎片化的农业知识与创新体系（AKIS）（Hermans et al., 2015）正面临向数字化农业知识与创新体系（DAKIS）转型的系统性压力，后者强调数字基础设施和平台如何重塑知识流动（Rijswijk et al., 2019）。

在这一转型过程中，生成式人工智能（GenAI）的迅速崛起标志着超越以往精准农业浪潮的质的飞跃。与以往专注于数据收集或预测算法的技术不同，GenAI利用大语言模型（LLMs）跨模态地生成、组织和情境化知识（Hughes et al., 2026）。虽然这为咨询服务带来了变革性潜力，例如自动虫害诊断、农食品营销和环境、社会与治理（ESG）报告（Bughin, 2024；Chen et al., 2022；Krupitzer & Stein, 2024），但也引入了重大的认识论和治理风险。这些风险包括幻觉、算法偏见以及人类专长的侵蚀（Theoharakis & Mylonopoulos, 2026），在信任和准确性至关重要的知识敏感型环境中尤为显著。

除了这些新兴风险外，当前文献往往将GenAI视为黑箱（Morgan, 2023）或可线性延伸至现有数字技术的问答系统（Yang et al., 2024），而非需要在组织情境中进行递归整合的推理架构（Haki et al., 2025）。因此，本研究将GenAI整合概念化为一种社会技术人工制品（Alter, 2015），在此过程中，技术能力、人类行为者、组织工作流程和制度条件相互建构，共同塑造新知识如何被创建、转移和治理。

从这一社会技术视角来看，GenAI充当一种边界对象（Prentice et al., 2023），其价值通过由组织行为中介的人机协作得以实现。在此框架下，概率性AI输出通过人在回路（HITL）配置被转化为情境化知识。此外，构建完善的、可信的知识图谱（KG）提供了一种辅助接地机制，通过整合领域知识（Zhong et al., 2024）、连接默会知识与显性知识，并降低幻觉和语义漂移等认识论风险。据此，本研究探索性地将KG嵌入GenAI辅助的定性分析中，作为结构性三角验证的机制，考察知识图谱如何能够在HITL配置中增强分析透明度和可追溯性。

近期的整合性研究表明，可以通过技术-组织-环境（TOE）背景下的"前因-行为-后果"（ABC）逻辑来审视技术采纳（Hughes et al., 2026；Wang & Zhang, 2025）。然而，鲜有研究将此整合视角应用于农业食品行业。这留下了一个空白，即我们尚不清楚GenAI能力如何作为技术前因发挥作用，以及人机协作和KG支持的接地机制如何在从碎片化AKIS向数字化整合与可持续DAKIS演化的过程中，将组织行为形塑为社会技术后果（Gebler et al., 2022）。

在实践中，中小企业（SMEs）存在显著治理缺口。近期研究表明，将AI治理整合到现有质量管理体系中可以提供务实的采纳策略（Gueorguiev, 2025）。虽然ISO/IEC 42001:2023标准建立了严格的AI风险管理框架，但其资源密集性往往超出中小企业的能力范围（Rajaram & Tinguely, 2024）。相反，ISO 9001作为一个基于"计划-执行-检查-处理"（PDCA）循环的广为人知的管理框架，为中小企业发展基础的AI素养和治理能力提供了潜在更有效且更可及的路径。

为弥补这些差距，本研究提出了一种GenAI整合的社会技术框架，立足于台湾农业食品行业的实证背景。在TOE × ABC视角的指导下，本研究探讨了三个研究问题（RQs）：

- **RQ1：** 在碎片化知识体系中，跨越技术、组织和环境维度的哪些社会技术前因驱动了GenAI的采纳？为什么GenAI必须与早期数字技术代际进行战略性区分，而不能被简单地视为其线性延伸？
- **RQ2：** 行为机制如何——特别是GenAI与知识图谱（KG）之间的协同效应——增强知识接地并降低认识论风险？
- **RQ3：** 哪些社会技术后果和治理路径使中小企业能够将全球标准与本地操作熟悉度相结合，从而负责任、可持续地规模化GenAI？

通过回答这些研究问题，本研究提供了一个系统性框架，用于审视GenAI如何能够支持农业食品行业数字与可持续转型的双重转型（Latino et al., 2025），助力碎片化AKIS向DAKIS的演化。在此背景下，负责任且可信的GenAI整合被定位为一种社会技术跨界对象（Prentice et al., 2023），它在全球数据标准与农业利益相关者的默会实践性微知识之间起中介作用（Latino et al., 2024）。这一框架强调以人为中心的GenAI整合，其中技术增强旨在强化而非取代本地专长（Corallo et al., 2024）。

基于这一视角，本研究的四个相互关联的贡献提升了我们对知识密集型系统中社会技术治理的理解。**理论上**，该综合框架将GenAI、知识图谱和人机协作整合为一个连贯的社会技术框架，将知识管理实践拓展至明确涵盖GenAI系统的可供性特征与问责需求（Schwartz & Te'eni, 2024）。**概念上**，分析发展了一种整合性的TOE × ABC视角，用以解释技术前因、组织行为与社会技术后果之间在从AKIS向DAKIS转型过程中的递归机制。**方法上**，本研究推进了一种反思性HITL定性方法，纳入基于知识图谱的结构性三角验证，展示了GenAI和知识图谱如何可以作为认识论协作者加以治理，而非被视为中立的分析工具。**实践上**，本研究提出了一种面向中小企业的双路径治理框架，通过基于ISO 9001的PDCA实践来操作化ISO/IEC 42001标准。这将GenAI合规性从监管负担重新定义为能力建设过程。

**部分摘录**

**农业食品系统的社会技术演化：从数字化到GenAI**

农业的数字化长期以来被认为是一种变革性力量，将农场管理从经验驱动转向数据驱动。对数字农业社会科学的综合综述已识别出关键主题集群，包括对农民身份的影响，以及权力、所有权和伦理问题（Corallo et al., 2024；Klerkx et al., 2019）。早期的创新如精准农业侧重于通过传感器和物联网进行数据收集，而

**研究对象与方法**

本研究考察台湾的农业食品行业，这是一个具有以下特征的情境：强大的制度研究能力与碎片化的小农经营之间存在显著的数字鸿沟。虽然承认数字化转型的广泛范围，本研究限定于知识相关流程，以便精确分析GenAI对认识论实践和社会技术适应性的影响（Johnson & Verdicchio, 2025）。农业食品行业为实证

**结果**

实证分析产生了175个开放编码和44个轴向主题，综合为11个选择性类别（SCs）。为展示GenAI采纳的社会技术逻辑，这些类别按照TOE × ABC交互矩阵进行组织。表3展示了TOE情境因素及其对特定ABC生命周期阶段的交叉影响，从而阐明了采纳过程中递归且相互关联的动态。

该矩阵便于

**讨论**

本研究通过将组织层面的AI赋能敏捷行为与生态系统层面的DAKIS演化相结合，利用整合的TOE × ABC框架推进了一种GenAI采纳的整合性社会技术解释。以往研究通常孤立地考察这些层面，而本研究发现则展示了它们的递归相互依赖性。

**结论与实践意义**

本研究基于台湾情境的定性证据，对GenAI在农业食品知识系统中的整合进行了全面的社会技术考察。通过追踪GenAI采纳如何通过情境条件、行为中介和涌现结果之间的递归互动展开，分析表明成功的整合不仅仅是一项技术升级，更是知识生态系统的行为与制度转型。而非

**CRediT作者贡献声明**

Peng Chun-Wei：写作-审阅与编辑，写作-初稿，可视化，验证，方法论，调查研究，形式分析，数据管理，概念化。Wang Jiun-Hao：写作-审阅与编辑，验证，监督，资源，方法论，概念化。Chang Hsin-Lu：概念化，验证，写作-审阅与编辑。

**未引用参考文献**

Wang et al., 2025。

**数据可用性**

与本文伴随的补充材料中包含手稿中引用的扩展知识图谱建模CSV文件。支持本研究发现的额外数据可从通讯作者处获取。

**稿件准备过程中GenAI和AI辅助工具的声明**

在准备本稿件过程中，作者使用ChatGPT、Google Gemini和NotebookLM辅助进行主题分析，作为研究设计的一部分，同时也用于语音转文字转录、翻译和语法润色。在使用这些工具后，作者对所有输出内容进行了仔细审阅、验证和编辑，以确保准确性、原创性和学术诚信，并对已发表文章的内容承担全部责任。

**资金来源与利益声明**

作者声明，他们未从公共、商业或非营利部门的任何资助机构获得专门资助；不存在可能影响本文报告工作的财务或个人利益冲突。

**利益冲突声明**

? 作者声明以下财务利益/个人关系，可能被视为潜在利益冲突：Jiun-Hao Wang报告与国家台湾大学存在以下关系：雇佣及非资金支持。鉴于其角色为 ，他未参与本文的同行评审，也无法访问有关其同行评审的信息。本文的编辑流程完全由另一位期刊编辑负责。

**致谢**

作者衷心感谢来自台湾农业食品和科研行业的所有受访者慷慨地分享他们的时间、见解和经历。他们的贡献对本研究的实证基础至关重要。

Peng Chun-Wei是台湾政治大学工商管理博士项目的一名博士研究生。他于2025年获得台湾大学生物产业传播与开发系在职EMBA项目硕士学位，此前于1990年获得淡江大学电子工程系学士学位。在业界三十余年的职业生涯中，他积累了跨越技术

Peng Chun-Wei | Hsin-Lu Chang | Jiun-Hao Wang