《Proceedings of the Design Society》：AI-assisted leading sustainability criteria development: a multiple case study
编辑推荐：
本研究考察人工智能（AI）如何支持可持续产品开发中的前瞻性可持续性准则开发，并将AI生成结果与来自4家瑞典公司的、由人工引导工作坊所产生的结果进行比较。结果表明，AI具备加速并拓展可持续性框架建构的能力，但情境相关性与合法性仍依赖参与式输入。研究发现提示，当A
本研究考察人工智能（AI）如何支持可持续产品开发中的前瞻性可持续性准则开发，并将AI生成结果与来自4家瑞典公司的、由人工引导工作坊所产生的结果进行比较。结果表明，AI具备加速并拓展可持续性框架建构的能力，但情境相关性与合法性仍依赖参与式输入。研究发现提示，当AI被整合进保留人类洞见与利益相关方参与的人机混合工作流时，其效能最高——这一结论为未来实施提供了实践指导。
该文发表于《Proceedings of the Design Society》，聚焦人工智能（AI）在可持续产品开发（Sustainable Product Development, SPD）中的适用边界，核心问题是：在企业前瞻性可持续性准则（Leading Sustainability Criteria, LSCs）开发过程中，AI究竟能在多大程度上替代人类，或作为人类的补充发挥作用。研究背景在于，SPD虽然已形成大量方法与工具，但其实际推广长期受制于高时间投入、强专家依赖和复杂协同过程。尤其在产品开发早期，设计决策往往决定产品大部分长期可持续性绩效，一旦材料、供应商与生产方式被锁定，后续调整空间便显著收窄。因此，如何以更高效率形成具有企业针对性、可操作性与前瞻性的可持续性准则，成为SPD领域的重要实践问题。与此同时，大语言模型（large language models, LLMs）等AI系统正在重塑设计过程中的知识整合与决策支持方式，但其在参与式可持续设计情境中的质量、可靠性、情境适配性与社会合法性仍存在关键疑问。正是在这一研究缺口下，研究人员围绕LEASA方法展开实证比较，评估AI在LSCs开发中的作用机制、能力边界与实际价值。
现有问题主要体现在三个层面。第一，SPD工具的实施通常需要跨部门利益相关方参与和外部可持续性专家引导，过程成本高、组织门槛高。第二，传统专家主导方法虽然能够提供较强的情境解释力，但速度慢、可扩展性有限。第三，AI虽能快速综合信息并生成结构化输出，但往往缺乏隐性知识（tacit knowledge，指难以形式化表达的经验性知识）、共识建构能力和对组织语境的深层理解，尤其在需要透明对话、价值权衡和利益相关方协调的场景中，单纯自动化容易失去准则的可信性与适用性。因此，本研究的意义不只是比较AI与人的“优劣”，而是识别何种条件下二者能够形成有效互补。
研究人员采用比较性多案例研究设计，以4家瑞典企业为对象，涵盖食品、清洁技术、工业机械和航空航天4个行业。所有企业均参与持续性的可持续性研究合作，且已完成或愿意开展LEASA工作坊及可持续性指纹（Sustainability Fingerprint, SF）工具实践。研究通过GPT-5（经由Microsoft CoPilot）执行3轮AI测试，并与1轮人工生成结果进行对比。测试1仅向AI提供企业所属行业、规模和基本特征，以及LEASA方法的高层次说明；测试2要求AI基于企业公开材料构建企业画像，并据此生成新的LSCs及可持续性合规指数（Sustainability Compliance Index, SCI）评分；测试3进一步将人工引导LEASA工作坊的输出资料输入AI，包括引导者笔记、数字白板记录和主题聚类分析结果。人工结果则来自测试4，即由企业内部3–6名代表与2–4名外部SPD专家通过两次半日工作坊形成的LEASA/SF输出。随后，研究从重叠与差异、指标具体性、生命周期覆盖范围、可持续性维度平衡及数据来源导向等方面进行分析，并结合企业代表评价、SPD专家评价及AI自评，考察AI辅助输出与纯人工输出在有用性、易用性和适用性上的差异。
方法概括而言，研究主要使用了4项关键技术与分析路径：其一，采用多案例比较研究设计，对4家瑞典、可持续性成熟度较高的企业进行并行分析；其二，以LEASA工作坊方法为主线，围绕LSCs与SCI生成展开分阶段测试；其三，利用GPT-5进行3层递进式提示（prompting）实验，从通用行业信息、公开企业信息到参与式工作坊资料逐步增强输入；其四，通过企业参与者、外部SPD研究人员和AI模型自评的三方定性评估框架，对AI辅助结果与人工结果进行比较。
研究结果部分呈现出清晰的层级演化特征，且原文按企业案例与综合比较展开。
4.1. Company A – food industry
Company A是一家家族所有的冰淇淋制造商，具有内部生产、包装和冷链配送能力。测试1中，AI主要围绕食品行业常见主题提出准则，如可持续采购、包装可回收性、水资源使用、劳动实践和冷链效率，指标多依赖认证评级和碳足迹等外部基准。测试2后，AI输出开始贴合企业特征，纳入可再生包装转型、工厂人机工程学、气候目标和产品层级温室气体（GHG）追踪。测试3引入工作坊参与式信息后，AI进一步识别出风味完整性、市场兼容性、供应商协作、动物福利和透明度等企业特定优先事项，指标也更具操作性，例如货架期度量、雨养作物比例和供应商邻近度。这表明，参与式输入显著提升了AI对食品企业内部价值主张与实际约束的捕捉能力。
4.2. Company B – cleantech industry
Company B开发水处理技术，服务于制造业、水产养殖与流程工业。测试1中，AI输出仍停留于一般工业逻辑，关注能效、包装废弃物、可回收性与供应商劳动权利。测试2开始体现企业独特价值主张，新增无生物杀灭剂（biocide-free）处理、健康与安全、客户成本节约等准则，指标具体到无添加系统比例与液体处置削减等。测试3在工作坊资料基础上形成最贴近运营现实的结果，增加了生物控制、细菌风险管理、有毒排放问题及危险部件监管，并将社会与治理维度延伸至客户赋能与供应链韧性。指标具体到平均故障间隔时间、可追溯性评分和停机成本，生命周期覆盖也扩展至安装、使用和可升级性。该案例说明，AI在接受利益相关方信息后，能够从“行业合规”转向“系统性能与风险管理”的深层表达。
4.3. Company C – industrial machinery industry
Company C生产建筑设备，拥有全球化生产与供应链，并推动电动化和燃油效率相关创新。测试1中，AI生成了制造业常见准则，包括减排、能效、负责任采购、劳动权利、危险物质和废弃物管理，指标偏抽象且以合规为导向。测试2与企业产品组合和创新议程更一致，引入电动化、燃油效率和全球供应链管理等主题，指标具体到电动型号销售占比、单位Scope 1–2排放和供应商行为准则覆盖率。测试3出现最大转变，研究通过工作坊输入使AI从外部合规视角转向内部优先事项，新增翻新追踪、多样性目标和报废终端可追溯性等准则，指标涉及风险观察频次、翻新经济性和物流优化。生命周期覆盖扩展至寿命终止阶段和次级供应商层级，循环性（circularity）成为核心主题之一。该案例显示，AI在更丰富输入下能够识别企业战略创新与循环商业模式之间的联系。
4.4. Company D – aerospace industry
Company D设计和制造航空航天部件，并使用增材制造（additive manufacturing, AM）等先进工艺。测试1中，AI主要锚定外部标准，覆盖负责任采购、危险物质、工人安全、能效、减废和可靠性等航空制造“必备项”，指标较抽象。测试2进一步呼应企业技术与战略，纳入AM、轻量化和供应商行为准则要求，指标开始反映AM能耗和供应商合规等运营现实。测试3则形成最具情境特异性的输出，增加了buy-to-fly比率、AM粉末安全、修复兼容性和可再利用废弃物流质量等准则，指标细化到翻新经济性、风险报告和再生废弃物收入。生命周期覆盖更加完整，对修复、再利用与循环性的强调尤为突出，社会准则也更加操作化，如无冲突采购和工作场所安全。该案例说明，在高监管、高技术行业中，AI只有在参与式知识支撑下，才能触及过程级安全与闭环修复等核心议题。
4.5. Comparative analysis
综合4个案例，研究得到两个层面的主要结论。
4.5.1. Evoluton of AI-assisted LSCs
首先，AI辅助LSCs表现出一致的演化轨迹：测试1产生通用、标准驱动的准则；测试2形成企业特定准则；测试3在参与式输入作用下转化为利益相关方知情且具有运营落地性的优先事项。跨案例共同出现的核心主题包括排放、能效、材料、负责任采购和工人安全，但只有在测试3中，不同行业的潜在优先项才被显化，例如食品行业的动物福利和风味完整性、清洁技术行业的生物控制与有毒水风险、工业机械行业的翻新经济性和多样性目标，以及航空航天行业的AM粉末安全和可修复性。研究据此指出，AI若缺少利益相关方输入，难以主动识别潜在而关键的情境议题。与此同时，AI的数据导向从测试1中的外部标准和认证，转向测试2中的企业披露信息，再转向测试3中的内部运营知识与利益相关方判断，说明信息“类型”与信息“数量”同样重要。随着输入加深，AI关注点也从合规逐渐转向战略与运营，并将供应商关系、组织文化、客户赋能和循环性纳入分析框架。
4.5.2. Comparing AI-assisted outputs to human-only results
其次，将测试3的AI辅助输出与测试4的纯人工结果比较后，研究发现两者各具优势而无法相互完全替代。SPD研究人员对“战略性”的理解存在分歧：一位更偏好AI版本，认为其覆盖全面、结构清晰，更利于战略决策；另一位则更偏好人工版本，强调其更具原则导向与前瞻视野。企业视角同样揭示出张力：AI辅助结果往往更全面，纳入供应商可追溯性、治理和全生命周期减废等议题；但人工结果则更聚焦企业近期最关键的决策重点。例如Company B中，AI强调治理和供应链追溯，而人工版本则集中于无生物杀灭剂处理与工人安全；Company D中，AI突出AM粉末安全、翻新经济性和废弃物再利用质量，而人工版本更突出气候影响和法规合规。这说明AI优势在于拓宽问题空间，人工优势在于强化情境相关性。时间效率则是AI最显著的优势之一：专家引导工作坊通常需要数小时准备与引导，常跨越1至2个完整工作日，而仅依赖公开数据的测试2可在约30分钟内生成近乎完整的结构化输出。尽管如此，企业代表指出，过于复杂的准则可能导致“分析瘫痪”，而人工结果由于维度更少、模式更清晰，往往更易于团队理解和应用。因此，研究结论并非“AI优于人”或“人优于AI”，而是两者形成互补：AI擅长扩大解空间，人类负责判断哪些方案在实践中真正有意义、可信且可执行。
讨论部分进一步指出，LEASA的价值不仅在于输出结果，更在于工作坊过程本身。该过程能够将多元参与者聚集在一起，形成共享理解、增强信任并建立利益相关方合法性。若完全以AI替代工作坊，这种学习维度将被削弱。研究同时强调，AI可在3个方面提供定向支持：一是作为启动工具，为企业快速呈现较宽广的可持续性议题图谱，避免过早收缩问题边界；二是快速生成SCI阈值初稿，提升一致性并减少歧义；三是弥合工作坊讨论记录与可执行输出之间的“翻译鸿沟”。然而，这种翻译并非纯技术问题，还涉及AI对人类价值、伦理和细微偏好的对齐问题，以及深度学习模型“黑箱”特性对解释性和问责性的制约。研究还指出，针对企业偏好的定制同样重要，例如在提示词中明确要求简洁还是描述性语言、工具面向愿景转型还是短期运营指导，这些调整都可能显著改善AI辅助结果的易用性。总体而言，时间效率是AI的重要优势，但代价是情境相关性和利益相关方参与的潜在削弱，因此最可行的路径是混合化（hybridization）而非替代。
结论部分可译为：本研究发现，尽管AI生成的准则在技术上具有连贯性，但在引入参与式输入之前仍然保持较强的通用性，这凸显出AI在解释具体情境方面的关键局限。可持续性领域的专业能力不仅是认知性的，也是社会嵌入性的，需要解释性框架与共识建构。研究表明，AI能够加速准则开发，但无法替代对有效可持续性决策至关重要的参与式过程。最具可行性的前进路径并非以AI替代人工，而是构建人机混合工作流：由AI负责范围扩展、信息综合、速度、一致性与可扩展性，由人类负责战略框定、情境解释、合法性建构与价值判断。未来挑战在于将这种混合模式转化为可操作流程，在保留工作坊学习价值的同时，充分利用AI的效率优势。
