《Proceedings of the Design Society》：AI-based scenario management for SMEs: the need for modular, explainable and reusable foresight pipelines
编辑推荐：
中小型企业(SMEs)通常缺乏进行有效场景管理的时间、专业知识和工具。本文提出了一种模块化的、AI赋能的场景架构，该架构在共享的知识骨干(knowledge backbone)上集成了引导式向导(guided wizard)和专家环境(expert envir
中小型企业(SMEs)通常缺乏进行有效场景管理的时间、专业知识和工具。本文提出了一种模块化的、AI赋能的场景架构，该架构在共享的知识骨干(knowledge backbone)上集成了引导式向导(guided wizard)和专家环境(expert environment)。该设计旨在减少工作量和工具碎片化，同时保留人类判断、结构质量、可解释性(explainability)和溯源(traceability)。所提出的模式概述了一个具备溯源意识的前瞻管道(foresight pipeline)，具有人机会话(human-in-the-loop)能力，旨在将一次性项目转化为可复用的组织知识。
研究背景与问题提出
在当今高度不确定性和复杂性的环境中，传统的预测中心决策模型已显现出局限性，因为无法准确预测未来事件，只能事后理解其原因。因此，仅依赖趋势追踪和外推不再足以支撑稳健的战略。场景方法(scenario methods)通过面向未来和网络化的推理开辟可能性空间，变得日益重要。然而，中小型企业(SMEs)在实际采用中面临多重障碍：感知复杂性高、资源与时间成本巨大、简化方法易导致系统结构丢失、难以匹配特定领域需求且参与度有限，以及积累的未来知识难以跨项目复用。此外，现有的数字工具多为单点解决方案，缺乏端到端的流程连续性、形态学(morphology)与一致性(consistency)的结构保真度、溯源(provenance)以及跨项目复用支持。尽管生成式人工智能(GenAI)在知识工作中展现出提升效率与质量的潜力，但其在场景实践中的应用仍需解决可解释性、治理和人机协作等挑战。为此，研究人员开展了此项研究，旨在为中小企业设计一种AI赋能的、模块化的端到端场景管理系统，以解决上述差距。该研究的概念框架和系统架构为中小企业提供了一种将碎片化步骤整合为连续、可审计场景管道的方案，其意义在于降低采用门槛、保留方法论严谨性并促进组织学习。该论文发表在《Proceedings of the Design Society》。
关键技术方法
研究人员采用了设计研究方法(Design Research Methodology, DRM)，包含四个阶段：研究澄清(Research Clarification, RC)、描述性研究I(Descriptive Study I, DS-I)、规定性研究(Prescriptive Study, PS)和描述性研究II(Descriptive Study II, DS-II)。本研究聚焦于RC、DS-I和概念层面的PS。首先，在RC阶段进行了以概念为中心的结构化文献综述，综合了场景方法基础、质量锚点（形态学/一致性）、参与/沟通/学习、治理/溯源/复用、数字/AI支持以及中小企业约束等问题，形成了问题图谱和初步设计启示。其次，在DS-I阶段，研究人员系统回顾了场景方法和软件实践的相关文献，分析了现有工具在中小企业应用中的不足，识别出对模块化架构、清晰服务接口、可解释输出和跨项目知识复用的需求。最后，在PS阶段，基于前述发现，研究人员提出了一个概念规范，定义了场景向导和专家环境在知识骨干上的系统架构，但该系统尚未实现，其实证评估留待未来的DS-II阶段完成。
研究结果
- 1.
Introduction
引言部分阐述了战略规划的背景，指出现有中小企业场景工作多以研讨会为中心、PowerPoint驱动且离线进行，导致溯源和数字化连续性薄弱。研究人员由此提出了一个AI赋能的模块化端到端场景管理方法，结合低门槛的向导和云基专家系统，覆盖从场景定义到影响分析的完整阶段，并通过模块化接口促进复用。
- 2.
Research methodology
研究方法中详细说明了DRM框架的应用。研究人员通过概念中心文献综述筛选了24篇候选文献，最终引用21篇，以此为基础界定问题并指导系统设计。当前工作完成了概念层面的PS，而实证评估将在机械工程用例中通过DS-II进行，比较传统工具链并进行消融分析。
- 3.
Problem analysis
问题分析部分通过结构化文献检索识别出五个核心问题集群：P1感知复杂性与低可理解性；P2高工作量与成本壁垒；P3过度简化与系统结构丢失的风险；P4与领域特定需求契合度低及有限参与；P5积累的关于未来的知识复用差。这些问题的根源在于方法论雄心与组织现实之间的鸿沟，尤其在中小企业中更为突出。
- 4.
State of the art
现状部分从四个方面展开。4.1节回顾了场景工作的概念基础，强调形态学分析和一致性检查作为质量锚点的重要性。4.2节扫描了市场工具，指出Shaping Tomorrow、Futures Platform、ITONICS、4strat的Foresight Strategy Cockpit和Parmenides EIDOS等工具虽在特定功能上出色，但均缺乏端到端的、可审计的场景管道。4.3节讨论了沟通与学习，指出场景应作为学习和决策架构，但目前组织记忆编码不足。4.4节探讨了数字和AI支持，总结了14个数字技术在场景预见中的应用案例，强调人类在解释和决策中的核心作用以及可解释性的非 negotiable 性。4.5节提炼了中小企业特定差距与设计启示，对应五个差距：集成与溯源、可理解性与参与、工作量与成本、结构保真度、复用治理，并转化为架构需求。
- 5.
Solution approach
解决方案部分提出了系统设计。5.1节设定了设计目标与指导原则：人机会话(human-in-the-loop)、可解释性与溯源、复用优先逻辑、渐进式披露(progressive disclosure)和secure数据路径。5.2节描述了解决方案概念与用户流程，系统由场景向导和专家环境组成，运行于知识骨干之上。五阶段流程包括：阶段1场景场定义（Assignment Clarifier、Layer Detector、Structure Checker）；阶段2场景场分析（Factor Scanner、Factor Catalog Checker、Factor Integrator、Influence-Matrix Appraiser、Relevance Appraiser、Key Factor Selector、Key Factor Optimizer）；阶段3场景预测（Portfolio Generator、Projections Catalog Checker）；阶段4场景构建（Consistency Appraiser）；阶段5场景解释（Scenario Writer、Impact Analyst、Dimensions Oracle、Assessment Designer）。5.3节阐述了技术架构与运维，采用云原生、面向服务的设计，包括前端UI、统一API层、内容分发层、模块化后端服务、异步任务服务、关系数据库（带版本控制）、AI运行时环境（模型无关编排）、文档渲染服务和身份认证服务，以支持可追溯性、结构保真度、可理解性和复用。
- 6.
Conclusion
结论部分总结了全文。研究人员强调系统并非完全自动化，而是重组场景工作，通过知识骨干连接因素、投影、场景及其溯源。该方法减少了扫描、策划等工作量，同时通过形态学和一致性感知工作流保持结构质量。未来将通过DS-II在机械工程案例中评估效率、可用性等指标，并扩展知识骨干和领域库。最终，该方案为中小企业提供了将一次性项目转化为可复用组织记忆的潜在可行路径。
总结讨论与结论翻译
讨论部分指出，本研究的系统并未追求完全自动化或取代专家引导，其价值依赖于理解原理并能做出情境敏感选择的信息使用者。同时，AI辅助引入了模型选择、偏差控制和数据保护等治理需求。此外，尽管模块化分配了复杂性，但中小企业在初期可能仍面临概念熟悉和使用纪律的挑战。未来实证研究需考察成本、工作量和采用情况。结论翻译如下：“本文介绍了一种针对中小企业条件的、基于AI的模块化端到端场景管理方法。该系统并非完全自动化场景工作，而是对其进行了重组。一个云基专家环境应支持更深层次的参数化，而共享的知识骨干则连接因素、投影、场景及其溯源。这种组合解决了先前识别的实践差距——复杂性、工作量、结构保真度、参与度和复用——且不稀释方法的核心逻辑。可解释性和溯源使团队能够检查假设、理解因果联系并跨周期复用材料。对该领域的预期贡献有两个方面。首先，该解决方案旨在减少扫描、策划、投影起草和一致性检查的工作量，同时将框架构建和判断保留给从业人员。其次，它旨在通过形态学和一致性感知的工作流保持结构质量，并通过单页文档(one-pagers)和可见的原理使结果可沟通。对于中小企业，该方法旨在支持适应短时间窗口、可暂停和恢复的流程，同时仍能产生决策就绪的输出。我们的系统设计模式是一种在知识骨干上具有人机会话能力的场景管道，可跨领域适配。”
