《Technovation》：Digital transformation through innovation: The human-AI decision spectrum
编辑推荐：
由人工智能（AI）应用驱动的快速变化且日益复杂的过程挑战了传统的创新概念。与普遍认为AI采纳可以增强创新产出的看法相反，管理人员仍然缺乏关于如何构建跨时间和空间的人机交互创新过程的实证指导。基于对航空航天、重型工程、信息技术和制药行业案例研究的观察，研究人员提
由人工智能（AI）应用驱动的快速变化且日益复杂的过程挑战了传统的创新概念。与普遍认为AI采纳可以增强创新产出的看法相反，管理人员仍然缺乏关于如何构建跨时间和空间的人机交互创新过程的实证指导。基于对航空航天、重型工程、信息技术和制药行业案例研究的观察，研究人员提出了一个数字创新的概念模型，以表示（i）关注知识创造和知识重用的学习过程（Learning Processes，LPs）和（ii）导致激进和渐进变化的产品开发过程（Product Development Processes，PDPs）。该概念模型是基于理论构建方法使用多案例研究归纳开发的。识别出一套以原创性（Originality）、可靠性（Reliability）、可转移性（Transferability）和适应性（Adaptability）（ORTA）为核心的变革性特征，用于指导涉及人与机器代理之间循环交接的多阶段和跨层创新过程的决策。这些ORTA特征构成了人类与人工智能决策频谱上战略决策的基础，有助于公司为数字化转型之旅中的生存和繁荣做好准备。
在数字化转型的背景下，人工智能（AI）应用的快速普及挑战了传统创新概念，现有研究缺乏对学习过程（LPs）和产品开发过程（PDPs）在人机交互（Human-AI Interaction）条件下如何演变的系统性理解，尤其缺乏如何结构多阶段跨层创新过程的实证指导。为填补这一空白，研究人员（Yufeng Zhang等）基于航空航天、重型工程、信息技术和制药四个行业的案例研究，采用归纳式理论构建方法，提出了一个数字创新（Digital Innovation）的概念模型，识别出以原创性（Originality）、可靠性（Reliability）、可转移性（Transferability）和适应性（Adaptability）（ORTA）为核心的变革性特征。这些特征位于人类与AI决策频谱（Human-AI Decision Spectrum）上，指导企业在数字化转型中平衡人类创造力与AI自动化，促进生存与繁荣。该论文发表在《Technovation》。
研究人员使用了多案例研究（Multiple Case Study）设计，从航空航天、重型工程、信息技术和制药四个行业各选取一家公司（Case A: 美国制药模拟平台企业，650名科学家；Case B: 英国航空航天部件供应商，10,000名工程师；Case C: 中国重型机械制造商，1,200名工程师；Case D: 越南IT服务商，16,000名工程师）。数据收集包括59名受访者的半结构化访谈、文档（年报、项目报告等）和直接观察。数据分析采用Gioia方法结合理论主题分析，构建一阶术语、二阶主题和聚合维度，通过颜色编码（红为人主导、蓝为AI主导、黑为混合）识别过程特征。
**4.1 ORTA特性**
**原创性（Originality）**：通过案例A（制药）发现，探索性过程导致激进变化，表现出高度原创性。案例A的数字模拟网络（Digital Simulation Network）依赖科学家主导的研究项目、外部合作和顶级期刊发表，形成以人类决策为先导的知识创造模式。
**可靠性（Reliability）**：通过案例B（航空航天）发现，探索性过程导致渐进变化，表现出高度可靠性。案例B的全球工程平台（Global Engineering Platform）通过AI系统对齐技术开发决策与工程任务组、通用操作标准，实现人类与AI协同的可靠输出。
**适应性（Adaptability）**：通过案例C（重型工程）发现，利用性过程导致激进变化，优先强调适应性。案例C的数字孪生系统（Digital Twin System）通过模块化组件、主导设计和人机混合决策，针对特定采矿挑战快速调整。
**可转移性（Transferability）**：通过案例D（IT）发现，利用性过程导致渐进变化，聚焦可转移性。案例D的最佳离岸平台（Best-Shoring Platform）依赖AI主导的虚拟协作、通用技术架构和标准化流程，实现知识跨项目高效转移。
**4.2 人类与AI场景下的ORTA特性**
数字学习环境（Digital LP Environment）：案例A和B在新知识创造中分别以人类主导的科学研究（A）和AI增强的工程能力（B）为特征；案例C和D在现有知识重用中分别以AI辅助的模块化创新（C）和AI主导的培训认证（D）为特征。
数字产品开发环境（Digital PDP Environment）：案例A和C通过人类与AI协作应对未知挑战（A: 模拟模型；C: 数字孪生）；案例B和D通过人机平台持续改进产品性能（B: 全球工程平台；D: 最佳离岸平台）。
**4.3 人类与AI决策频谱**
案例分析揭示了一个变革性特征频谱，从人类主导的智能增强（Intelligence Augmentation, IA）决策到AI主导的自主决策。原创性需要人类专家物理互动；可转移性需要AI主导的虚拟协作；可靠性和适应性处于过渡区，需要人类与AI平衡输入。
讨论部分总结指出，ORTA特性补充了现有AI能力发展理论，强调系统动力学（Systems Dynamics）在AI密集型环境中的重要性。研究通过系统视角（Systems Thinking）将LPs和PDPs视为复杂适应性子系统，提出了替代转型路径，并揭示了它们与转型环境的复杂联系。理论基础包括系统思维、知识基础观（KBV）和决策理论，扩展了关于人机交互悖论的理解。实践上，ORTA框架为管理者提供了诊断工具，支持在创新过程中合理分配人类创造力与AI自动化。
研究结论部分翻译：研究人员识别了创新过程（LPs和PDPs）与人类-AI决策配置演变之间的协同演化动态。通过ORTA特征并置于人类-AI决策频谱上，提供了一个新的理论视角，连接组织学习、创新与智能增强和AI自动化。研究还揭示了替代转型路径及其复杂互连，系统化理解了AI采纳中的创新过程。模型捕捉了ORTA特征在决策过程中的演变与动态：原创性对应探索性学习和知识创造；可靠性对应组织学习中的利用；可转移性对应知识转移和重用；适应性对应环境响应。该框架通过过程视角丰富了文献，展示了AI如何重塑组织知识的位置与模式。决策理论方面，人类-AI决策频谱扩展了有限理性概念，展示了AI如何增强认知能力，同时带来信任与解释性挑战。实践上，研究提供了行业特定见解，帮助企业在数字化转型中优化人机互补与战略决策。限制包括案例研究的因果性挑战，未来可采用纵向方法或实验设计深入探索人机交互行为动态。
