《Electronic Markets》:Resource, actor, beneficiary, or agent? A service-dominant perspective on generative artificial intelligence
编辑推荐:
生成式人工智能(Generative Artificial Intelligence, GenAI)通过模糊资源、行动者和受益者之间的边界,挑战了服务科学的核心概念。本研究以服务主导逻辑(Service-Dominant Logic, SDL)为理论视角,回顾
生成式人工智能(Generative Artificial Intelligence, GenAI)通过模糊资源、行动者和受益者之间的边界,挑战了服务科学的核心概念。本研究以服务主导逻辑(Service-Dominant Logic, SDL)为理论视角,回顾了这些概念的独特属性,将代理(agent)概念引入SDL,并分析了GenAI在服务交换过程中的精确角色。研究人员采用两阶段研究方法:首先,通过系统性文献综述提炼资源、行动者、受益者和代理的定义属性;随后,依据这些属性评估了八个当代GenAI系统。证据表明,GenAI最宜被理解为操作性资源(operant resource),并依据设计与情境的不同,亦可被视为行动者和代理。相反,GenAI不符合受益者的条件,因为它既无法在个体层面现象学地体验和决定价值,也不是由具备此类能力的个体所组成的社会系统。研究结果提议对SDL的核心概念与理解进行更新,并对GenAI的角色给出细致的概念澄清,为旨在理解和设计包含GenAI的服务互动的研究人员与实践者提供指导。
生成式人工智能(Generative Artificial Intelligence, GenAI)正在深刻改变服务交换过程,也对服务科学中的核心理论框架——服务主导逻辑(Service-Dominant Logic, SDL)提出挑战。SDL将价值共创(value co-creation)理解为多个行动者通过整合资源为彼此创造价值的过程,其核心概念包括资源、行动者、受益者等。然而,GenAI既能自主生成新内容,又能参与资源整合,甚至表现出类似人类行动者的行为,这使得传统上资源、行动者与受益者之间的边界变得模糊。现有文献对GenAI的SDL定位并不一致:有的将其视为资源,有的视为行动者,有的则使用“代理(agent)”等相邻概念,导致分类混乱。这种概念上的模糊不仅影响理论刻画,也妨碍理解GenAI在服务生态系统中的实际角色。因此,本研究提出两个研究问题:(1)在SDL视角下,资源、行动者、受益者和代理各有哪些定义性特征?(2)GenAI在价值共创中究竟体现哪些角色,并如何推动SDL基本前提(Foundational Premise, FP)和概念的细化?
为回答上述问题,研究人员采用两阶段研究设计。第一阶段是系统性文献综述。研究人员遵循Webster和Watson的系统综述方法,在EBSCOhost、Scopus和Web of Science数据库中检索,初始获得658篇文献,经过筛选和全文评估后保留215篇,并运用Mayring的定性内容分析归纳出资源、行动者、受益者和代理的核心特征。第二阶段是实证分析。研究人员采用多案例研究思路,从Capterra、G2、Gartner Peer Insights、TrustRadius等市场报告和软件比较平台中筛选出八个广泛应用且高可见度的GenAI系统作为分析对象,包括ChatGPT、Gemini、Microsoft Copilot、GitHub Copilot、Jasper AI、Firefly、Synthesia和Grammarly。数据来源于公开文档、厂商资料以及与系统的直接交互,并由两位评估者独立编码,Cohen’s kappa系数为92.7%,显示高度一致。
结果一:资源、行动者、受益者与代理的特征。文献综述显示,SDL中的概念存在层级继承关系:受益者是行动者的特化,行动者又是操作性资源(operant resource)的特化。资源通用特征包括被行动者认可、可被整合、动态演化、嵌入系统等。八个GenAI系统均满足全部通用资源特征,说明GenAI可被视为一种资源。在对象性资源(operand resource)方面,GenAI仅满足“可见性”等少数特征,而缺乏被动性、有限性等关键属性,因此不是对象性资源。相反,所有GenAI系统都满足操作性资源的八项特征,如能够主动作用于其他资源、不可直接转移、具有动态性和潜在无限性等。在行动者特征方面,资源整合、目标导向和学习能力在GenAI系统中普遍满足,但“多角色与角色灵活性”存在差异:通用型系统(如ChatGPT、Gemini、Microsoft Copilot)比专用型系统(如Grammarly、Synthesia)更接近行动者。受益者特征方面,GenAI只满足“参与价值共创”这一项,而缺乏现象学体验、意识、情感和自主价值判断能力,因此不能成为受益者。代理特征方面,大多数GenAI系统满足非人类形式、有界自主、委托意向性、情境化代理等条件,但集体行动能力仅在部分系统中实现。
结果二:定位生成式人工智能。跨案例综合分析表明,GenAI最适合被定位为操作性资源;在具体设计和情境下,还可以被视为行动者和代理。GenAI不具备受益者资格,因为它既不是能够在微观层面现象学地体验和决定价值的个体,也不是能够通过内部成员调节价值判断的集体。这一结果为SDL核心概念的实证校准提供了支持。
讨论部分:研究人员指出,GenAI的资源属性不是本体论固有的,而是由行动者在具体情境中赋予的。虽然GenAI表现出自主性和目标导向,但其自主性与意向性始终是委托的、受限的,不能等同于人类行动者的现象学价值体验。对SDL而言,最重要的启示是明确区分行动者与受益者:行动者可以参与价值共创,但价值最终由另外的受益者体验和决定。因此,SDL的大部分基本前提仍然稳健,但FP6(A)和FP9(A)需要调整。FP6(A)应允许代理代表受益者参与价值共创,FP9(A)应取消“社会和经济”限定,以容纳技术型行动者。同时,FP7和FP10(A)需谨慎联合使用,避免默认参与价值共创的行动者必然同时是受益者。
结论翻译:在广泛文献综述的基础上,本研究提供了概念性基础,以整合SDL中资源(对象性/操作性)、行动者、受益者和代理的基本特征。通过阐明层级理解,本研究的框架为在SDL核心类别中定位GenAI提供了更清晰的基础。研究人员提出了对特定FP的调整,以增强概念清晰度。在此基础上,还将代理——一种非受益者,通过委托意向性、有界自主性和委托但受规制的决策权代表其他行动者(尤其是受益者)行动——定义为辅助概念,澄清了SDL应用中受益者与非受益者的区别。因此,本研究有助于进一步明确GenAI赋能情境下的SDL概念体系。在示例分析中,研究人员发现,所分析的GenAI系统不符合受益者条件,因为它们既不具备微观层面的现象学主观性,也不构成中观和宏观层面可通过意识个体调节价值接收和确定过程的个体集合。同时,这些系统接近操作性资源地位,并根据设计和情境,接近行动者和代理地位。然而,研究人员不排除未来技术可能表现出受益者的定义特征。此类发展将引发关于责任、问责、法律责任甚至技术权利的伦理、法律和道德问题。从实践角度看,本研究为从业者提供了具体示例,并为管理人员和系统设计