《Electronic Markets》：The fluid emergence of GenAI roles in temporary teams: How teams calibrate delegation under shifting situational demands
编辑推荐：
摘要：临时团队越来越多地利用生成式人工智能（GenAI）来应对不确定性和时间压力下的创新挑战，但现有研究更多解释了GenAI能做什么，而非其角色如何随情境需求变化而涌现。基于互动主义角色理论（interactionist role theory），研究人员对2
摘要：临时团队越来越多地利用生成式人工智能（GenAI）来应对不确定性和时间压力下的创新挑战，但现有研究更多解释了GenAI能做什么，而非其角色如何随情境需求变化而涌现。基于互动主义角色理论（interactionist role theory），研究人员对28个临时团队（共119名参与者）在48小时创新冲刺中进行了阶段层面的访谈。研究分析识别出仆人（servant）、顾问（counselor）、导航员（navigator）和先知（oracle）作为角色状态（role states），这些状态随着团队使用GenAI能力应对不断变化的情境需求而产生。研究人员将该过程理论化为委托校准（delegation calibration），即团队在任务片段（task episode）内确立GenAI的允许影响力（permitted influence）、预期产出（expected output）和预期依赖程度（intended reliance）。校准适配（calibration fit），即委托与任务片段条件的匹配程度，塑造了每个角色的特征性机遇与挑战：资源节省与偏差实现（仆人）、扩展创造力与琐碎建议（顾问）、协调洞察力与侵蚀独特性（导航员）、解决僵局与过度复杂性（先知）。
研究背景与问题
临时团队是为解决紧急复杂问题而短期组建、任务完成后即解散的集体。与传统稳定团队不同，这类团队缺乏共享历史和既定角色结构，其协调高度依赖于对特定任务片段情境需求的响应。随着情境需求变化，团队需反复重新分配工作与角色。生成式人工智能以其广泛的能力储备，能够以不同方式被用于应对不同需求，但这种灵活性加剧了临时团队本已存在的协调张力：一方面，GenAI可扩展团队能力；另一方面，它又放大了关于控制权和所有权的模糊性。现有信息系统研究分别从能力视角、委托与权力关系视角、以及协作伙伴视角探讨了GenAI在协作中的作用，但尚未阐明这些要素如何整合——即团队如何在情境需求变化中使用GenAI能力并赋予相应权利与责任，从而形成临时的GenAI角色。因此，本研究提出两个问题：GenAI角色如何在临时团队中随情境需求变化而涌现和转变？不同的GenAI角色如何带来独特的机遇与挑战？
研究方法与设计
研究人员采用理论引导的归纳分析方法，对28个临时团队（119名大学参与者）在为期48小时的创新冲刺中进行研究。团队跨学科组成，面向四家企业的真实挑战。整个冲刺期间每支团队均可使用ChatGPT Plus账户。研究人员在问题理解、构思和原型制作三个冲刺阶段后分别对各团队进行半结构化焦点小组访谈，累计采集17小时45分钟访谈数据。数据分析以任务片段为核心分析单元，经过开放式编码、主题凝练和模式聚类三个阶段，最终将重复出现的组合聚类为四种临时角色状态。
研究结果
仆人（Servant）角色：当团队面临过载积压和高时间压力的情境需求时，使用GenAI执行具体任务项。团队严格限定GenAI的贡献范围，允许并期望其交付指定项目但不重新定义问题或目标，人类成员保留目标和验收标准的控制权。这一角色带来的机会是资源节省，使团队能解放人力关注更需判断力的活动；挑战则是偏差实现，即GenAI有时未能按团队参数执行任务，导致团队不得不收回委托的工作。
顾问（Counselor）角色：当团队面临探索创意空间、避免过早收敛的需求时，使用GenAI进行思维反思。团队允许GenAI并列呈现替代方案但不决定方向，期望其提供反思性输入以刺激重新思考。机会在于扩展创造力，帮助团队发现盲点并发展差异化概念；挑战是琐碎建议，即GenAI的反馈可能流于泛化或表面化，未能真正拓展创意空间。
导航员（Navigator）角色：当团队面临组织非结构化数据、形成决策相关表征的需求时，使用GenAI进行信息综合。团队授予GenAI比仆人和顾问更宽的范围，允许其结构化或优先排序异构材料，期望产出连贯的理解表征。机会在于协调洞察力，帮助团队减少歧义并建立共享参照点；挑战是侵蚀独特性，即综合过程可能导致输出丧失团队自身风格和利益相关者特异性。
先知（Oracle）角色：当团队面临资源枯竭、无法继续推进的情境需求时，使用GenAI进行解决方案提议。团队给予GenAI最大影响力，允许其推断可行前进路径，期望交付可操作的解决方案方向。机会在于解决僵局，帮助团队恢复进展动力；挑战是过度复杂性，即GenAI提出的方案可能过于复杂，超出团队剩余评估和实施能力。
讨论与结论
研究人员将上述发现理论化为委托校准过程，即团队在任务片段内通过确立GenAI的允许影响力、预期产出和预期依赖程度来定位其角色。校准适配——委托与任务片段条件的匹配程度——决定了每个角色的特征性机遇与挑战。这一过程视角连接了既有研究中关于GenAI能力储备、委托与权威关系以及协作伙伴定位的多个线索，解释了GenAI角色如何通过临时团队内的互动涌现，以及为何每个角色都关联着特定的机遇与挑战。研究结论强调，团队应明确界定GenAI可以影响什么、应交付什么、团队计划多大程度上依赖其输出、以及这些输出将如何被审查。
