人工智能（AI）在学术文献中被广泛讨论，使用不透明性、准确性、信任、问责制和技术素养等反复出现的问题标签。这些标签也出现在开发和实施人工智能系统的组织环境中。然而，这种重叠可能会产生误导。批判性叙事和从业者问题化似乎针对相同的人工智能问题，却构建了关于这些问题是什么以及应如何解决的不同叙述。本文考察了两个工业实施环境中的部分对应关系，展示了共享的问题标签如何通过不同的人工智能观点、利益相关价值和行动背景获得意义。
批判性和治理导向的人工智能辩论中的问题叙事往往涉及与开发和实施人工智能系统的组织环境不同规模的问题。它们通常将人工智能框定为大规模社会转型的一部分，将不透明性、准确性、信任和问责制问题与民主、权力、不平等、自主和公共控制的关切联系起来 (Lindgren, 2024)。许多学者描述人工智能和机器学习具有重大的社会和政治影响。例如，学者们将人工智能与“新黑暗时代”(Bridle, 2018)、“对失败的永久接受”(Chandler, 2016)以及“黑箱社会”(Pasquale, 2016)联系起来。其他人认为，这些技术可以创造“机器学习政治秩序”(Amoore, 2023, 第 20 页)或“知识垄断”(Safadi & Watson, 2023, 第 1 页)。在本文中，我们将这些学术脉络称为批判性人工智能问题叙事。
这些与人工智能相关的问题并非凭空产生。它们回应了对人工智能系统如何开发、部署和治理的真实关切。然而，当在社会层面广泛阐述时，它们可能表现为人工智能本身的一般问题，而不是其含义取决于特定使用背景的问题化。因此，关于社会和人道主义人工智能关切的讨论通常强调人工智能系统的反复出现的特征，而较少显现这些关切如何在具体实施环境中对特定行为者变得相关、可操作或有争议。在这种意义上，人工智能辩论有时呈现的是 Bacchi (2015, 第 9 页) 所描述的“普遍问题表征”：一种在不考虑问题如何在实践中获得意义的情况下跨越语境传播的问题框架方式。
基于海运和汽车制造中人工智能实施的两个民族志案例研究，本文考察了从业者问题化如何与批判性人工智能问题叙事部分对应。为了考察这种关系，本文提出以下问题：从业者是如何阐述与人工智能相关的问题的，以及为什么看似共享的问题标签在工业实施环境中获得了不同的含义？选择这些案例是因为它们涉及明确定义的组织环境，其中开发者、管理者、运营者和监管行为者评估人工智能技术。这使得分析不透明性、准确性、信任、问责制和技术素养等关切如何在通常做出人工智能采用和使用决策的层面上变得有意义成为可能 (Berente et al., 2021)。
这一论点建立在科学技术和组织研究的基础上，这些研究表明人工智能系统并非作为现成技术实施，而是通过情境化工作实践、专业协商和组织调整嵌入的 (Alaimo & Kallinikos, 2021; Bar-Gil et al., 2024; Benbya et al., 2020; Faulconbridge et al., 2024; Rahwan et al., 2019; Waardenburg et al., 2022)。这些文献表明，人工智能的组织采纳涉及技术系统与组织环境之间的翻译、适应、容和协商。例如，Faulconbridge 等人 (2024) 展示了专业服务公司如何通过为其采用辩护，同时应对它们的局限性、不透明性以及对专业工作的影响，来容纳机器学习算法。基于这一研究体系，本文将从关注人工智能系统如何在组织中被容纳，转变为关注与人工智能相关的问题本身如何跨语境被阐述、优先排序和变得可操作。为了分析这一点，我们借鉴了问题化概念，在此将其理解为行为者根据特定的价值、责任和制度或组织条件将某些现象定义为问题的过程。
本文其余部分结构如下。第 2 节概述了作为分析参考点的精选批判性和治理导向的人工智能问题叙事。第 3 节发展了问题化、部分对应和部分可理解性的分析框架。第 4 节呈现了经验材料和分析方法。第 5 节分析了海运和汽车案例中如何阐述精选的人工智能问题标签。第 6 节讨论了共享的人工智能问题标签如何在认识论和组织环境中承载不同的意义、价值和实际后果，并考虑了对人工智能治理和组织人工智能研究的启示。
