今日财经期刊佳作关注 人与AI协同的新型组织学习：基于场景视角的多案例研究

  二、今日财经期刊佳作关注  

人与AI协同的新型组织学习：基于场景视角的多案例研究

  导读  

一、引言

在2021年5月“加快构建中国特色管理学体系”研讨会上，与会专家提出人与AI的协同问题是当前企业界关注的新议题，亟需学者挖掘和提炼基于管理实践的理论（王永贵等，2021）。过去的30多年，企业通过利用早期的信息技术不断提升组织学习效率，以适应高度动荡的环境变化（Argote,2012）。但时至今日，环境的快速变化使应用性知识的生命周期变得日益短暂，组织面临“经验学习难以应对瞬时变化”的挑战（Rockart and Wilson,2019）；环境变化的高度复杂性使人类经验认知的局限变得日益凸显，组织学习面临“拍脑袋可能导致掉脑袋”的挑战（Koryak et al.,2018）。因此，单纯提高组织学习效率无法应对数字经济时代的环境挑战，企业需要利用新兴数字技术进行组织学习变革，以适应新的环境。其中，如何通过人与AI协同构建新型组织学习，成为业界和学术界共同探索的前沿课题（Makarius et al.,2020）。

大数据、算法和算力的发展使人与AI的协同学习成为推动企业组织学习变革的强大动力（Seeber et al.,2020）。现有研究聚焦探讨AI的工具价值，提出AI作为辅助组织学习的工具，有助于员工克服数据处理能力限制，实现对大数据的分析利用，帮助企业加速学习进程，改善学习质量（Grover et al.,2018；杨光和侯钰，2020）。但最近的研究提出AI具有分析和认知价值，其分析价值能够促进员工扩展学习搜索边界，加速从数据到知识的学习进程（Choudhury et al.,2020）；认知价值能够修正员工的认知偏差，实现从数据中探索和创造新知识（Haefner et al.,2021）。由此可见，随着数据积累和算力增强，AI正逐步成为组织中可与人类学习相互作用的学习主体，创造出以人为主体的学习方式难以产生的知识内容（Kellogg et al.,2020）。

同时，基于场景数据和算法的AI学习体现出显著的场景特征（Ransbotham et al.,2020）。有研究从场景特征出发，将AI应用场景分为任务规则相对静态、任务边界较为清晰的场景和任务规则相对动态、任务边界较为模糊的场景（Jarrahi,2018）。AI基于应用场景的数据和算法模型进行学习，形成对场景数据的分析和理解，最终实现知识输出（Choudhury et al.,2020）。然而，不同场景数据的输入方式和算法模型存在显著差异，不同的AI学习特征会影响人与AI的协同学习方式，而现有研究尚未对不同场景特征的协同学习方式进行探讨。

当前，一批先行企业正在通过实践探索AI的场景学习特征及价值实现方式。实践表明，一方面，AI具有“场景内专家”的特征，能基于场景特征拓展人的经验或强化人的认知，变革组织学习方式；另一方面，AI又有“场景外小白”的特征，缺乏通用和整合能力，难以完成跨场景工作（Reichstein et al.,2019）。因此，AI可以在场景中发挥主体作用，与人实现有效协同，发挥各自优势。例如，一项基于1500家企业AI应用的调研表明，当人与AI协同工作时，企业绩效能得到显著提升（Wilson and Daugherty,2018）。然而，现有研究还未关注不同场景中人与AI协同机制的问题。基于此，本文以当前AI深度应用的游戏、安防、金融和广告4个行业作为研究情境，选取符合理论研究中两类AI应用场景的4家企业作为案例对象，以人与AI协同学习作为研究焦点，探讨人与AI的协同学习机制，为构建数字经济时代的组织学习理论和环境适应性机制提供洞见，为企业开展双主体协同学习和工作提供借鉴。

本文可能的边际贡献主要体现在：(1)针对数字经济时代快速变化、高度复杂环境对组织学习带来的挑战（Grover et al.,2018），从AI应用的场景特征和学习特征两个维度提炼出确定场景利用式学习与不确定场景探索式学习两类人与AI协同的组织学习。确定场景利用式学习指在应对快速变化、高度复杂且确定的环境时，人的经验学习与AI的确定场景算法学习协同实现经验与分析的知识共创；不确定场景探索式学习指在应对快速变化、高度复杂且不确定的环境时，人的认知判断与AI的不确定场景算法学习协同实现预测和认知的知识共创。这一研究将AI作为组织的学习主体纳入March(1991）的组织学习理论框架，剖析AI深度应用的场景中人与AI协同学习的特征和方式，深化利用式和探索式学习在数字经济时代的内涵，拓展March(1991）组织学习分类的理论边界，为数字经济环境下的组织学习提供了一种新的分析框架。(2)提出确定场景利用式学习的经验拓展机制与不确定场景探索式学习的认知突破机制，构建与AI发挥工具作用的加速学习机制不同的人与AI协同学习机制。经验拓展机制和认知突破机制的提出深化了AI影响组织学习研究的机制内涵，拓展了组织学习机制的研究边界。(3)与现有研究针对以人为主体、AI为工具应对高度动荡环境的单主体经验学习逻辑不同，本文通过案例分析，提出人与AI共同应对环境的双主体协同学习逻辑，对组织学习适应数字经济时代快速变化、高度复杂的环境形成更丰富的认知（Seeber et al.,2020）。这种协同学习为构建新型组织学习开辟了新模式，可为人类智能与机器智能的协同创新研究提供启示。

二、文献综述

1. 组织学习方式的研究

组织学习是组织将经验转化为知识以适应环境变化的重要方式，在不同的情境下，组织经验与情境要素交互创造知识，进而形成不同的组织学习方式（Argote and Miron-Spektor,2011）。AI与大数据等技术的快速发展显著提升环境动荡程度，使高度动荡环境内涵发生变化，体现出瞬时变化、高度复杂的特征，也推动组织学习方式的变革（Seeber et al.,2020）。

March(1991）提出利用和探索两种不同的组织学习方式。利用式学习指利用现有知识和技术，提高企业运营效率；探索式学习指探索和发现新知识，构建新的组织惯例以应对技术变革剧烈、市场需求多变的动荡环境（Lavie et al.,2010;Saldanha et al.,2020）。在此基础上，基于经验来源差异和创新路径差异，后续研究者提出试错式和获得式、适应式和试验式两对组织学习概念。试错式和适应式学习强调利用内部经验强化组织惯例进行创新（Argote,2013）；获得式和试验式学习则强调整合外部信息获取新知识进行创新（Osiyevskyy et al.,2020）。由于现有研究中探讨的组织学习均为以人为主体的社会学习过程，强调基于主体间的互动产生组织知识（Argote and Manpreet,2017），因此，主要关注人在跨场景任务中的经验交互和学习行为。

然而，数字经济时代，AI基于数据学习的方式强调AI在单一场景中学习的特性，基于场景内的数据分析生成知识，有效丰富场景内的经验和认知内容（Reichstein et al.,2019；谢康等，2020）。因此，AI具有与人显著不同的场景学习方式。进一步地，AI的深度应用场景呈现不同的特征，一方面，在场景数据和任务规则相对静态、任务边界较为清晰的场景中，AI的高速计算能力有助于人类主体在场景中进行快速判断；另一方面，场景数据和任务规则相对动态，任务边界较为模糊的场景中，AI必须通过数据强化认知分析，与人的直觉和感知能力结合，迅速更新迭代数据中产生的知识（Jarrahi,2018；任晓明和李熙，2019）。然而，尽管现有研究分析不同场景特征中AI基于数据解析对场景任务执行的促进作用，但对人与AI不同的学习方式在场景中如何结合起来推动组织学习变革的过程仍缺乏关注，也未深入探讨双主体协同学习对现有以人为主体的探索式学习和利用式学习的影响机制。

2. 人与AI协同学习的研究

AI等新一代数字技术推动组织学习的根本性变革，改变组织学习的方式，拓展学习的渠道，强化企业通过数据形成知识的能力（Grover et al.,2018）。基于此，人与AI协同学习的探讨主要从人与AI的协同学习基础和学习方式两方面展开。

(1）人与AI的分析互补和认知互补构成双主体协同学习的基础。人对AI的数据输入和构建的算法模型是影响AI学习性能的关键，而AI基于数据的分析结果可以推进人对场景知识的理解（Shrestha et al.,2019）。具体而言，在分析互补方面，AI通过有监督的学习建立样本分析模型，可以在大量数据中迅速评估同一组目标函数，同时快速处理大量的数据，增强人在复杂环境中的分析和知识应用能力，替代人的复杂数据分析判断过程；而人能在松散的不确定边界进行更广泛的分析搜索，设定AI目标函数内容（Avgar et al.,2018）。在认知互补方面，人类越抽象的活动越容易算法化和程序化，形成基于AI的数字化操作，通过无监督的学习使AI可以构建自学习模型形成对环境的认知和适应；而基于人的常识、经验和创造力的活动难以被编码和程序化，需要随机应变、灵活应对（Holzinger,2016）。

(2）人与AI的协同学习研究，聚焦探讨AI的工具价值，仅有少量研究涉及AI的主体价值分析。在AI的工具价值研究中，主要关注AI对组织学习的加速机制和增强机制。加速机制指组织成员利用AI作为数据分析工具，突破人由于数据分析和数据搜寻能力限制导致的探索不足困境，提升组织的知识生成速度（Haefner et al.,2021）；增强机制指AI增强管理人员间的学习协作。由于个体的认知模式与经验背景差异，组织中的知识共识建立和传播成本较高，而AI基于客观数据分析产生的知识内容，更容易获得组织成员的理解和传播，有效降低管理人员间的知识解释和共享成本，增强协作效率（Holzinger,2016）。然而，上述讨论都是基于AI作为辅助学习工具的视角，着重剖析AI的工具价值对组织学习的积极作用，未探讨当AI可从数据中产生新的知识时，对人与AI的协同学习有何影响。

有研究尝试从AI作为学习主体的视角探讨人与AI的协同学习问题，指出人与AI的分析协同促进企业员工扩展学习数据搜索边界，加速企业从数据到知识的学习进程（Choudhury et al.,2020），丰富人的场景经验；认知协同通过AI对人类认知模式的模拟，基于神经网络、深度学习等算法技术，强化AI的自主学习能力，实现从数据中探索和创造新知识（Haefner et al.,2021）。因此，人与AI双主体的协同学习是二者优势互补的双向学习循环，但现有研究尚未剖析人与AI实现协同学习循环的过程和机制。

总体而言，现有协同学习研究强调AI的工具协同价值，促进以人为主体的组织学习优化。也有研究指出，随着AI的感知、理解、行动能力提升，可以识别复杂变量关系，从大数据中生成知识，突破人的分析和认知局限，发挥协同价值（Seeber et al.,2020）。基于现有研究分析，本文认为人与AI的双主体协同是不断迭代相互促进的过程，因此，亟需聚焦AI的主体协同视角，厘清人与AI协同学习过程，揭示人与AI的协同学习规律。

3. 适应高度动荡环境的组织学习逻辑

组织学习应对高度动荡环境变化的逻辑是组织行为领域的核心议题（Gupta et al.,2006）。现有研究主要从制度环境和产业环境两个维度考量数字经济时代的环境动荡性。其中，制度环境带来的影响主要体现在产业政策动荡方面，高产业政策动荡性会促进企业加大创新开放度，更倾向于通过实施数字化开放式创新来及时把握更加全面的市场信息，准确感知市场机会以降低研发的成本和风险；产业环境带来的影响主要体现在技术环境、市场环境和竞争环境动荡三个方面。在高度动荡的技术环境中，知识的有效期不断缩短，企业需要快速判断有价值的技术路线，提高现有技能和学习新技能（Osiyevskyy et al.,2020）；在高度动荡的市场环境中，新客户带来新的产品需求，整个客户群体的需求偏好也瞬时变化，因此，企业必须对当前客户与新客户的偏好变化做出快速反应（Park et al.,2020）；在高度动荡的竞争环境中，企业需要进行更多探索式学习，聚焦于研发新产品类型，构建自身独特竞争优势（Danneels and Sethi,2011）。

企业如何应对高度动荡的环境？现有研究基于March(1991）提出的探索式学习和利用式学习，强调以经验学习逻辑为基础的组织应对方式。具体而言，无论是探索式学习还是利用式学习，都是基于组织已有经验的学习方式，组织学习的内容取决于提供反馈的环境（Argote and MironSpektor,2011）。然而，由于企业行为的有效性因环境而异，在一个环境中增加适应度通常意味着对其他环境的适应度降低（Gupta et al.,2006）。因此，理论界提出企业在动态环境中的学习面临获得经验的环境并不总是与应用经验的环境相匹配的严峻挑战（Rockart and Wilson,2019）。

数字经济时代瞬时变化、高度复杂的环境加剧了环境认知与经验获取不匹配挑战的严峻性，使动荡环境内涵和应对方式发生变化。AI与大数据等技术的快速发展显著提升环境动荡程度。一方面，AI深度应用场景中需要通过学习形成知识的即时应用和根据数据进行快速迭代；另一方面，企业需要利用海量的数据获取更丰富和动态变化的信息，对不确定性状况的概率假设进行验证（任晓明和李熙，2019）。上述变化使得高度动荡的环境呈现根据数据即时反馈即时调整的特征（肖静华等，2020）。基于此，有研究提出数字化组织中利用AI技术进行整合式学习，应对动荡环境挑战（Rampersad,2020）。进一步地，研究指出，管理人员可以利用AI算法的灵活性特征，快速适应新的任务，促进创新想法和机会的产生（Haefner et al.,2021）。尽管如此，上述应对高度动荡环境还是强调人发挥AI工具价值的单主体经验学习逻辑，未进一步剖析人与AI双主体协同整合，进行相互促进和迭代优化，快速适应外部变化的学习逻辑。随着AI技术的高速发展，AI基于全样本数据的分析和实时迭代能力，与人的认知能力结合，为企业开辟了快速感知市场变化以更好适应环境的新路径（Rockart and Wilson,2019）。这一新的人与AI协同以应对瞬时变化、高度复杂的组织学习逻辑亟待理论研究进行细化。

综上所述，现有组织学习方式、人与AI协同学习等领域的研究，为本文探讨瞬时变化、高度复杂环境中人与AI的协同学习过程和机制提供了坚实的理论基础。但总体而言，现有研究存在拓展空间：(1)数字经济的环境特征催生了不同场景中人与AI协同的组织学习方式，现有文献还未对特定场景中人与AI协同的学习机制展开研究；(2)现有组织学习适应环境变化的研究主要基于以人为主体、AI为学习工具的单主体学习逻辑，对人与AI双主体协同学习应对高度动荡环境的逻辑还未展开探析。

4. 人与AI协同的组织学习分析框架

基于上文文献分析，本文将场景数据和任务规则相对静态、任务边界较为清晰的场景定义为确定场景，该场景中AI主要使用有监督学习算法；将场景数据和任务规则相对动态、任务边界较为模糊的场景定义为不确定场景，该场景中AI主要使用无监督学习算法。有监督学习是将一组给定的输入映射到一组给定的输出目标，学习过程可控性较高，且主要依赖于算法工程师基于场景经验的标记数据（Kaplan and Haenlein,2019）。因此，管理人员可较好地理解有监督学习的过程，通过有监督学习提升场景中的数据分析速度和分析效率，更多体现为对已知知识的利用。在无监督学习中，场景的输出结果由算法本身产生，算法需要从数据本身推断底层结构，进行场景的模拟和预测，且算法运行不需要算法工程师进行场景数据标记（Kaplan and Haenlein,2019）。因此，管理人员较难理解无监督学习的过程，需要根据即时反馈数据不断迭代调整AI参数，生成新的场景策略，更多地体现为对未知知识的探索。

就理论而言，如果从场景特征和组织学习特征两个维度构建人与AI协同的组织学习分类框架，可分为确定场景利用式与探索式学习，以及不确定场景利用式与探索式学习四类。但就实践而言，目前企业中体现较多的是确定场景的利用式学习与不确定场景的探索式学习，因此，本文聚焦于探讨这两类组织学习，对于确定场景的探索式学习与不确定场景的利用式学习，将在未来研究中进一步讨论。

三、研究方法

由于人与AI如何协同进行组织学习以提升组织适应性这一问题尚缺乏理论研究，本文遵循复制逻辑进行多案例研究设计，以产生新的理论。

1. 案例选择

本文选取4家企业作为研究样本，案例企业的关键信息见表1，案例选择理由如下：(1)遵循代表性原则。本文选择AI技术深度应用的行业，案例来自游戏、安防、金融和广告4大行业中以AI技术驱动业务发展的企业。4家企业所在的行业中场景类型包括任务边界较为清晰和任务边界较为模糊两类，AI的算法技术基本涵盖现有市场应用中成熟的算法和模型，因此，研究结论可以推广到更广泛的AI技术应用情境中，有效解释具有相似场景特征和算法类型中的人与AI协同学习现象。(2)遵循启示性原则。4家企业的AI应用场景中，人与AI的协同过程促进AI算法的迭代和优化，也丰富人的场景知识内容，促进人的场景理解深度，通过学习循环的建立推动组织学习的变革，实现高速的业务增长和塑造强大的创新能力。(3)遵循数据可获性原则。研究团队长期跟踪调研4家企业，通过3年多的实地调研，积累了丰富的一手素材。在此基础上，进一步聚焦本文研究问题进行深度访谈，充分考虑基于理论的比较以及案例之间的异质性，以产生更稳健的理论模型。具体地，本文选择AI驱动的业务类型分属不同技术应用领域的4家企业，其中2家企业在场景数据和任务规则相对静态、任务边界较为清晰的场景中，通过AI实现大数据分析，进行快速判断和调整；2家企业在场景数据和任务规则相对动态、任务边界较为模糊的场景中，通过人与AI协同利用即时产生的数据进行快速预测和决策。上述选择为AI对组织学习的影响研究提供了可比较的差异化情境设置。

2. 案例简介

企业A：成立于2006年，专注游戏开发和运营，是中国十大网游企业之一，2017年进入中国互联网企业百强榜。在人与AI协同方面，算法工程师和游戏开发人员将瞬时变化的场景特征用数据进行表征，将确定场景模型化，让AI进行训练学习，使游戏中的虚拟AI角色具备一定程度的判断力，在游戏过程中自动适应玩家的能力，匹配玩家的等级。据此实现游戏玩家特征识别、虚拟角色学习优化及对抗训练等功能，并应用到各种场景中训练虚拟角色，提高其智能化水平，进而提升玩家的游戏体验。

企业B：成立于2015年，聚焦于为客户提供个性化、场景化的智能安防服务，入选“2019福布斯中国最具创新力企业榜”。应用AI技术构建“感知—认知—决策”体系，为需要分析瞬时变化和高度复杂环境中海量视频数据的客户提供智能解决方案。通过各类认知技术进行数据采集，结合企业开发的算法模型进行智能分析，支持客户在确定场景中开展视频内容分析、异常信息探测、风险预测等服务。

企业C：成立于2016年，致力于成为用户的智能理财专家。通过评估用户的风险偏好、投资目标、财务状况等信息，为用户提供个性化、智能化的投资方案，以应对投资市场的高度不确定。在人与AI协同方面，结合投资顾问的专业经验与AI的深度学习，实时获取和分析投资市场海量数据，快速研判变化趋势，通过算法和模型定制风险资产组合，并持续优化和动态调整，以保障客户收益。

企业D：成立于2013年，聚焦于智能广告的开发和运营，其研发的智能创意系统是国内领先的AI创意和投放系统。在设计师开发各类创意广告的基础上，借助AI算法实时分析和预测用户的动态需求，并根据用户反馈实时优化创意要素的组合，实现广告与用户动态需求的即时匹配，助力各类企业开展智能化的精准营销。

3. 数据收集

本文数据收集历时3年半（2017年6月至2021年1月），使用半结构化访谈、现场观察、二手数据等多种方式获取数据。其中，半结构化访谈是主要数据来源，现场观察和二手数据拓展了研究团队对案例企业技术特征、场景化应用等的理解，提供可能推翻或强化访谈结论的信息，有效提升研究效度。本文对参与企业AI相关运营管理工作的高管、算法工程师、业务人员等进行了共55人次的半结构化访谈。在每一家案例企业中，企业负责人均提供了不同级别、不同岗位以及不同时期进入企业的员工访谈，以实现抽样的代表性。为确保访谈对象包括能提供新洞见的访谈者，本文通过最初的访谈者推荐能够提供进一步见解的访谈对象，使得访谈数据不断完善。此外，为使数据来源多样且数据之间相互印证，保证研究结论的信度和效度，除了半结构化访谈，研究团队还通过其他途径补充相关资料，主要包括：企业官网介绍、权威媒体报道、AI创新论坛、文献等资料；企业内部获取的资料，包括企业业务介绍视频和PPT等；研究团队实地参观企业的产品展厅、管理部门等；通过电话、微信等方式与企业人员保持持续交流。

4. 数据分析

本文遵循案例研究中质性资料的规范性编码步骤，将数据编码与分析过程分为初始编码、构念类别归纳、跨案例比较以及建立理论框架4个阶段（Miles and Huberman,1994）。通过数据分析，从访谈数据中挖掘人与AI协同学习的构念及其关系。经过系统的数据梳理和迭代分析，提炼出新的理论构念，在与现有文献对话的基础上，构建人与AI协同的组织学习理论框架。具体分析过程如下：(1)初始编码。根据访谈的数据，对每个企业的资料进行单独编码，并确定初始的分类。在反复阅读访谈文本的基础上，提炼出组织学习相关的构念，如知识迁移、知识吸收等，也对AI在组织学习中的作用进行识别，如数据分析、算法迭代等。具体而言，在编码中的构念来自于现有文献，以及初始研究框架中的数据概括（由访谈数据直接得出的一阶概念），当访谈内容难以直接编码时使用描述性的语句进行叙述。为了确保编码的稳健性，本文的编码过程在两组中进行，采用背靠背独立编码方式，并对完成的编码进行组内对比和组间对比，根据最终的意见达成共识。(2)构念类别归纳。在初始编码基础上，寻找一阶构念之间的联系，归纳形成理论维度。此时的构念和关系均来自数据的归纳总结而非先验的假设。每个案例中的编码结论和分析内容都会反馈给各个企业的负责人，进一步对编码内容进行讨论分析，以完善编码结构和内容。在数据分析过程中，如果发现数据缺失，会通过电话回访等方式补充。(3)跨案例比较。本文使用标准的跨案例分析方法，在案例中寻找相似的概念和关系，并比较不同案例在构念类别归纳的理论维度，对比组织学习中的流程、内容和数据分析方式的异同，在此基础上归纳提炼出类属，作为理论框架的基础。在此过程中，制作了许多图表，以便对比和分析编码结果。(4)建立理论框架。借鉴已有文献中关于组织学习以及信息技术对组织学习的影响研究，归纳出AI与管理人员协同的组织学习研究框架，提出“确定场景利用式学习”和“不确定场景探索式学习”两类AI驱动的组织学习方式。(1)

四、人与AI协同的组织学习过程分析

当前，在线游戏需要了解上千万用户的不同偏好并即时给出应对之策，智能安防需要在海量图片或视频中快速发现可疑分子，智能投顾需要秒级进行大量股票交易，在线广告需要对消费者的个性化需求和动态变化进行即时调整。传统以人为单一主体的组织学习方式正面临数字经济环境带来的巨大挑战，在确定的环境下，企业需要根据确定场景任务进行复杂的数据分析和场景判断，但人并不擅长瞬时学习和复杂运算；而在不确定的环境下，企业需要根据实时数据进行快速预测和决策，但人应对快速而高不确定环境中的问题面临极大挑战。与人的学习特征不同，AI具有处理瞬时变化、高度复杂和不确定问题的优势，能提供基于数据分析的知识发现。因此，人的经验优势与AI的计算优势相结合形成人与AI的协同学习，将成为数字经济环境下组织学习的重要方式。基于此，本文试图对人与AI协同的组织学习这一前沿问题进行探析，选择的4家案例企业均开展了人与AI的协同实践，通过调研和访谈发现，企业A和企业B形成的人与AI协同学习主要应用于瞬时变化、高度复杂且确定的场景，企业C和企业D形成的人与AI协同学习主要应用于瞬时变化、高度复杂且不确定的场景，据此，本文将其分别称为“确定场景利用式学习”和“不确定场景探索式学习”。

1. 确定场景利用式学习

在瞬时变化、高度复杂且确定的环境下，大量应用性知识具有高度情境化和结构化特征，如果完全靠人来学习，由于变化的快速性，经验积累的价值极低；由于高度的复杂性，学习的成本极高（Osiyevskyy et al.,2020）。基于此，可以通过人与AI协同的确定场景利用式学习，有效应对上述问题。一方面，人将经验知识转化为可供AI进行学习的模型，将场景的各类要素转化为可供AI进行学习的数据；另一方面，AI通过对瞬时复杂的确定场景数据处理，形成确定场景知识，替代人的学习并拓展人的经验，形成即学即用的模式。例如，在安防案例中，有大型集体活动安全保卫、海量人群中寻找在逃人员等不同场景，AI通过大数据和算法训练，形成人脸识别、身形识别、体态识别等超越人经验判断的知识，可以在海量图片和视频中进行精准识别，替代安防人员的长期摸索和训练，使安防人员转向进行多场景的知识应用与能力提升。由此，本文认为，确定场景利用式学习是确定场景中人与AI协同的利用式学习，指在应对瞬时变化、高度复杂且确定的环境时，通过人的经验学习与AI有监督机器学习的相互作用，实现二者的分析协同，共同对确定场景中的数据进行分析和应用，进而深化确定场景的知识，实现知识共创，构建学习循环。具体构建过程如下：

(1）组织成员的场景分析经验驱动AI进行模型构建（参见图1中的(1)），是二者协同进行确定场景利用式学习的前提。人基于业务场景问题进行多目标学习和交互，实现分析经验模型化，进而构建AI的特定目标函数学习能力，形成AI的特定目标函数限定学习模式，使AI具备更清晰的任务方向，分析更高效。首先，人进行确定场景的多目标学习。人在确定场景中具有多维学习目标，会综合各个目标来考虑方案，企业A的CEO指出：“游戏是否受欢迎要考虑画面好看、故事情节有趣、交互性强，还要能有效匹配玩家的等级，这些都是设计师要考虑优化的问题。”其次，场景分析经验模型化。算法工程师对管理人员的专业经验进行提炼总结，形成确定场景的模型构建，导入刻画快速变化且复杂的环境特征变量，并进行多轮模型调试，作为人与AI协同学习的基础。企业B的算法工程师提出：“场景中的业务知识和环境变化因素要转化成算法能理解的内容输入进去，再在这个基础上进行模型的训练。”最后，形成AI的目标函数限定学习模式。在确定场景中，AI基于人给定的目标函数模型进行学习，企业A的算法工程师表示：“每种算法只能解决特定场景中的特定问题，所以我们根据需要优化的具体项目来构建AI的模型，例如，要提升游戏体验，就会构建AI文本分析框架，挖掘用户的需求，确定改进方向。”

(2）基于AI的复杂数据分析应对组织成员难以解析复杂数据的问题（参见图1中的(2)）。尽管人有丰富的经验，但当需要分析的对象变化快速，数据量大且参数较多时，人通常难以进行有效计算和穷尽各种可能，因此，需要借助AI快速从数据中得出对特定场景的理解和洞见。首先，人难以解析场景中的复杂数据。企业A的算法工程师指出：“上百万的游戏玩家会产生上百万的用户游戏行为数据，而数据的复杂程度超过了人的分析范围，我们很难及时作出反应，必须要靠AI的协助。”其次，AI进行有监督学习，对确定场景数据进行分析。基于训练数据的更新和分析知识的输出，AI能有效应对高度复杂的场景。一方面，人不断将基于场景的数据提供给AI,AI基于场景数据的更新进行迭代学习，访谈中企业A的算法工程师表示：“通过数据训练，AI可以根据权重对不同维度的要素进行提取，判断面对的人类对手大概是什么样的级别。”另一方面，AI通过迭代学习对场景特征的构建要素及其关系进行识别和分析，再通过智能算法的对比和优选形成知识输出，使靠人难以快速判断的场景变得可判断。例如，游戏场景中进入一位新玩家，基于已有场景数据的分析和验证，可将新对象与已有数据进行比对，挖掘新对象的特征，将新的数据标签化和规则化，再输入到AI模型中，不断提高分析精度。最后，AI实现对复杂数据的快速解析。企业A的算法工程师指出：“通过海量数据的训练，不断改进算法精度，AI可以针对各种场景进行复杂数据的快速解析，对用户进行分析判断。”

(3)AI进行确定场景知识判断，修正组织中管理人员的分析偏差，深化场景知识内容（参见图1中的(3)）。在实现对复杂数据进行快速解析的基础上，人与AI共同对确定场景的知识进行判断，进而得出对场景更细粒度的分析知识。首先，由于人的经验局限，在场景中可能存在主观经验偏差，而AI通过对场景数据的分析判断，在一定程度上可弥补人的经验局限。企业A的算法工程师指出：“设计师都会根据自己的经验进行设计，但很多时候经验出现偏误，设计师自己察觉不到，AI的分析往往能起到校正作用。”其次，AI通过分析生成特定的场景知识，管理人员可以将其应用到相应场景中，共同形成对确定场景的知识判断。一方面，AI将场景中的产品特征、市场知识等内容数据化，并可实现实时形成和传递，数据知识拓展了以往基于人的经验判断的知识内容，再通过知识分享，借助AI的数据分析降低确定场景中的知识获取成本。企业A的副总裁在访谈中提到：“AI通过学习玩家行为获取到玩家的隐性偏好，会及时反馈给开发者，从而帮助开发者完善AI扮演的角色。”另一方面，人通过知识吸收将AI产生的场景知识转化为自身经验，再在具体的业务场景中进行实践应用。例如，企业A将AI与玩家在对抗中生成的策略用于新的游戏设计中，提升游戏的用户体验。最后，基于与AI的协同，人不断提炼确定场景的知识，实现场景知识的深化，挖掘单纯靠人难以获取的细粒度知识，并将个体知识转化为组织知识。企业A的CEO指出：“AI经常会有让人吃惊的地方，以前我们也对数据进行分析，但结果都不会脱离经验范围，但AI的分析就像显微镜，可以把以前隐藏的东西显现出来。”

通过上述人与AI协同学习的过程，最终实现确定场景的知识共创，以应对快速变化、高复杂度且确定的环境。确定场景知识共创主要包含经验知识共创和分析知识共创。(1)经验知识共创：当场景中出现AI难以准确判断的目标时，资深管理人员会根据长期的实践经验将场景目标结构化，使其分析特征可识别，再借助AI快速运算，提升对目标判断的准确性，在这一过程中也促进自身的经验积累。企业B的算法工程师在访谈中举例：“AI可以对视频中的所有对象进行扫描识别，当拿不准时就找最有经验的前辈进行判断，AI再做进一步分析。”(2)分析知识共创：AI基于大数据的即时分析和即时判断，能够拓宽人的经验边界，人将这些知识应用到业务场景中，又会生成新的知识。如企业A的算法总监指出：“AI通过海量数据分析可以准确捕捉不同用户的游戏行为习惯，即时生成匹配用户游戏行为的模型，从而有效促进工程师优化程序。”综上，确定场景利用式学习的特征由人的经验分析特征和AI的数据分析特征构成；学习的过程由场景分析经验模型化、确定场景数据分析和确定场景知识判断三步构成；学习的结果由人与AI协同的确定场景知识共创构成。

2. 不确定场景探索式学习

在瞬时变化、高度复杂且不确定的环境下，由于缺乏清晰明确的边界，人的经验对未来预测的有效性变得极低，从而使搜索、试验和冒险等组织学习的成本变得极高（Koryak et al.,2018）。基于此，企业需要基于AI对海量数据的分析，调整对环境中“全局最优”的理解，以有效进行针对性的不确定场景探索式学习，形成即时适应的模式。一方面，人为AI构建认知机制，通过构建AI认知模型将环境的变化转化为可供AI进行学习的数据；另一方面，AI通过对未来变化的可能性进行模拟，形成不确定场景知识，与人的直觉和推理相互补充和启发，形成模拟学习的模式。例如，在智能投顾企业的案例中，投资市场充满不确定，AI通过特征提取和复杂变量运算，通过海量的模拟比较，以迅速适应市场的剧烈波动，给出投资组合策略，以此与投资顾问的直觉判断相互作用，拓展人的认知，降低人的经验陷阱和认知偏差。由此，本文认为，不确定场景探索式学习是不确定场景中人与AI协同的探索式学习，指在应对瞬时变化、高度复杂且不确定的环境时，通过人的直觉判断与AI无监督机器学习的相互作用实现二者的认知协同，共同对不确定场景中的发展趋势进行探索和预测。具体构建过程如下：

(1）组织成员的场景认知学习驱动AI进行认知模型构建（参见图2中的(1)），是二者协同进行不确定场景探索式学习的前提。人基于不确定场景模糊学习，实现场景认知经验模型化，构建可实现自学习的AI能力。首先，人进行不确定场景模糊学习。在智能投顾市场中，上市公司的股价受到多重因素影响，导致波动频繁，因此，投资者在做决策时要综合考虑市场环境、股票收益、风险控制等各类要素，考虑主要因素进行模糊决策。市场的走势实时变化，而这种变化也在不断影响投资者的判断，正如企业C的CEO所述：“股票市场非常复杂，人要考虑的问题太多，而市场环境瞬息万变，整个判断过程决策结构并不清晰。”其次，人将场景认知经验模型化。算法工程师依靠经验与直觉，构建AI学习快速变化环境的规则和认知机制，使AI学习人的认知特征，在此基础上不断调试模型。企业C的算法工程师指出：“我们构建的神经网络模型通过无监督学习模仿人脑中那些有深度层次化特征的子模块，把握人的认知机理，通过数据的不断调试使得模型具备更强的认知能力”。最后，形成AI的不确定场景自学习能力。在不确定场景中，AI基于人给定的目标函数构建模型进行自学习，企业D的算法工程师指出：“我们是根据无监督学习的方法来构建算法的，算法可以根据数据内容不断分类数据和升级算法，不需要再进行人工的数据标注。”

(2）基于AI解析即时数据的能力应对组织成员难以解析即时数据的局限（参见图2中的(2)）。尽管人具有较强的认知能力，但在数据快速更新迭代的环境中，人的认知判断带有明显的局限，难以对即时的状况进行快速分析和应对，因此，在高不确定的环境中，需要借助AI的自学习适应特性快速解析不断迭代的数据。首先，人难以解析即时数据。正如企业D的CEO所说：“今天无论是从宏观到对手、到行业、到顾客，我们都在不确定当中。人做不到马上解析外部指数级增长的互动数据，难以进行高效决策。”其次，AI进行无监督学习，对不确定场景数据进行分析。基于算法工程师设置的不确定场景反馈数据更新机制与基于AI不确定场景的认知知识输出协同，AI能有效应对不确定的场景。一方面，基于对未来可能出现情况的模拟，在AI程序中设置不确定场景仿真计算和参数优化进行参数自学习，挖掘出未来可能出现的变量关系，进一步优化参数。企业C的CEO提出：“我们建立的模型有100多个参数，这种情形下人是无法计算的，我们可以用机器持续学习来优化模型参数，然后再根据市场数据调整。”另一方面，AI的模型适应市场趋势与用户行为的变化，有效匹配环境的动态性，形成基于数据的认知知识。正如企业D的算法工程师所述：“我们得决定在什么样流量的情况下，应该做多少个广告组合去投放。要通过算法去迭代适应，然后看投放的效果，再进行相应调整。”最后，AI实现快速解析即时数据。AI可通过即时产生数据进行算法迭代，正如企业C的算法工程师所说：“股票投资涉及的要素很多，业务场景非常复杂，且数据实时产生，受到各种动态因素的影响，所以只有分析实时数据算法和模型才有价值。”

(3)AI基于不确定场景数据分析，修正组织中管理人员的认知偏差，不断更新场景中的知识内容（参见图2中的(3)）。在实现对不确定外部数据进行快速解析的基础上，人与AI共同进行策略模拟，进而快速应对场景不确定性，实时更新场景知识。首先，在不确定场景中，人常会进行非理性决策，体现出许多认知偏见，如损失厌恶（相对于产生等价收益而言，避免损失的偏好）或确认偏差（解释新证据以确认先前存在信念的倾向）等，而AI的自学习能力和即时分析能力恰好能够有效弥补人的主观认知偏差，提升协同决策效率。企业D的CEO指出：“非理性投资决策是普遍存在的，我们并不真正了解自身存在的投资偏差，但我们的行为会反复体现投资偏好特征。”其次，AI实现不确定场景策略模拟。AI的不确定场景探索式学习改变了以人为主体的知识生成模式内涵，可以模拟不确定场景认知策略，提升组织成员适应动荡环境的能力，包括不确定场景知识反馈和策略应用。一方面是不确定场景知识反馈，拓展了以往基于人的经验形成的认知边界，探索出基于未来可能出现的情况的新特征变量。企业C的算法工程师指出：“通过不断让AI学习最新的股市数据，挖掘影响收益的未知变量，并将其学习结果及时传递给算法工程师。”另一方面，企业管理人员通过不确定场景知识的理解和迭代来实现应用价值，拓展了以往企业对未来进行分析的知识广度和深度。具体而言，不确定场景知识理解就是管理人员将AI不确定场景探索式学习形成的策略转化为人进行应用的知识维度，并理解不确定场景知识的作用边界。企业D的研发总监指出：“通过AI的‘态势感知’，可以帮助我们更好地适应市场需求变化，理解用户的隐性需求。”最后，基于与AI的协同，人不断实现不确定场景知识更新，提升不确定场景探索式学习产生知识的利用效率。正如企业D的算法工程师所述：“AI对市场数据和用户行为数据的分析是不断迭代的，这样产生的知识才能跟环境的变化相匹配。”

通过上述人与AI协同学习的过程，最终实现不确定场景知识共创。基于人与AI不确定场景协同学习，产生了二者共创的知识内容，可以通过无监督学习使AI具有自学习能力，对环境中不断产生的大数据实时分析，即时调整认知策略进行适应，以应对快速变化、高度复杂和不确定的外部环境。不确定场景知识共创包括预测知识共创和认知知识共创。(1)预测知识共创：人与AI的协同可以在不确定场景认知模型构建的基础上不断更新参数，将预测环境变化的因素纳入模型中考量。企业C的算法工程师提到：“参数设置是为了更好地刻画整个投资市场的动态变化，通过参数设置和环境预测匹配，使目标函数更清楚。因此，根据市场的变化趋势，模型中的参数也在不断调整进行适应，以反映真实的股市变化规律。”(2)认知知识共创：外部环境的变化速度和不确定性程度大大降低了人的认知经验有效性，但AI的加入让人的认知经验与AI的算法分析融合在一起，使得认知经验也能通过数据快速迭代，企业D的副总裁提到：“以前我们是知道一大类的用户群体大概的偏好怎样，但要去适应个体的偏好是做不到的，AI能够完整捕捉用户的行为数据，根据这些数据可以更好地去了解用户的偏好类型，也更新了我们的经验。”综上，不确定场景探索式学习的特征由人的认知特征和AI的自学习特征构成；学习的过程由场景认知经验模型化、不确定场景数据分析和不确定场景策略模拟三步构成；学习的结果由人与AI协同的不确定场景知识共创构成。

五、人与AI协同的组织学习理论分析

在以瞬时变化、高度复杂为主要特征的数字经济环境下，企业运营中大量应用性知识的生命周期日益缩短，严重影响以经验为主的组织学习的有效性，使既有利用式学习给企业带来的价值逐步下降，而探索式组织学习的成本却日益增大。因此，组织学习需要做出根本性变革以适应新的高度动荡环境（Hansen and Kien,2015）。尽管当前研究提出了利用数字技术提升组织学习的效率，但尚未突破既有组织学习的单主体逻辑（Haefner et al.,2021;Rampersad,2020）。然而，AI的快速应用正在推动组织学习发生根本性变革，突破以人为单一主体的组织学习模式，人与AI的协同合作将成为组织管理的新焦点（Makarius et al.,2020）。针对这一前沿议题，本文基于多案例的分析归纳，提出人与AI协同的两类新型组织学习：确定场景利用式学习与不确定场景探索式学习。下文将剖析两类学习的前提条件和过程机制，分析双主体协同学习与单主体经验学习的差异，为构建数字经济环境下的组织学习理论提供新的认知，为推动企业适应高度动荡的环境探索新的路径。

1. 人与AI协同学习的前提

人与AI的分析和认知能力存在很强的互补性（肖峰，2020）。在分析能力方面，人基于自身的大脑系统，具有根据实践探索进行经验分析的能力，但难以快速处理海量数据，而AI具有快速进行海量数据运算分析的能力。在认知能力方面，人擅长多维度的认知、创造性的活动和丰富的情感表达，而AI则擅长高度算法化和程序化的认知方式（Raisch and Krakowski,2020）。具体而言，当场景确定性较高、规则明确时，基于分析能力的互补，AI可通过对人的分析经验和规则模型化的学习，突破人的计算与分析限制，较好地解决复杂数据的推理与计算问题。因此，确定场景中人与AI的协同学习主要致力于挖掘场景中的细粒度隐性知识，深化人的场景经验知识。当场景不确定性较高、规则模糊时，基于认知能力的互补，AI可通过对人的认知经验和规则模型化的学习，提炼规律和规则，突破人的认知局限，较好地解决海量模拟的比较与判断问题。不确定场景中人与AI的协同学习主要致力于重塑人对场景规则的认知，生成新的场景知识，提升其对不确定环境的快速适应。由此可见，人与AI的分析和认知互补性构成人与AI能够协同学习的前提。当面临高度动荡环境时，需要将人类通过经验积累和联想感知形成的知识发现与AI通过海量数据计算和分析形成的知识发现相互融合，才能有效应对环境挑战（Avgar et al.,2018）。

2. 人与AI协同学习的过程机制

在组织学习领域，现有文献从学习知识特征差异提出利用式学习和探索式学习，从经验来源差异提出试错式学习和获得式学习，从创新路径差异提出试验式学习和适应式学习（Osiyevskyy et al.,2020）。然而，AI技术的发展推动了组织学习的根本性变革，改变组织学习的方式，呈现与以往人为主体的组织学习方式不同的特征。因此，对于特定场景中AI作为学习主体如何与管理人员协同学习，现有组织学习研究尚缺乏理论解释。

(1）确定场景利用式学习的过程机制。确定场景利用式学习指在应对瞬时变化、高度复杂且确定的场景时，通过人的经验学习与AI有监督机器学习的相互作用，实现二者的分析协同，共同对确定场景中的数据进行分析和应用，进而深化确定场景的知识，实现经验与分析的知识共创。其学习过程主要包含三步：(1)人将确定场景的分析经验转化为AI的分析模型和学习数据，为AI进行确定场景数据分析奠定基础；(2)AI基于有监督学习，通过大量场景数据的训练，对复杂数据进行快速解析；(3)AI挖掘出基于人的分析难以洞察的数据特征，形成能够精确刻画特定场景的知识，助力人进行相应的场景应用，进而形成新的分析模型构建基础。

在确定场景中，人主要进行利用式学习，基于已有的场景经验，执行相应的场景任务。现有研究分析了人如何利用AI突破海量数据搜寻和分析的限制，推动组织形成新的任务解决范式（Haefner et al.,2021），但强调的是AI作为工具的辅助作用，尚未探讨人与AI如何协同克服双方在确定场景中的缺陷，实现优势互补的问题。随着AI逐渐成为组织中的新成员（Seeber et al.,2020),AI不再仅仅扮演数据分析器的工具角色，而且逐步成为能进行学习并输出知识的组织主体。具体而言，AI基于迭代训练执行确定场景的任务，通过数据分析生成细粒度的场景知识，在一定程度上拓宽人的经验局限，形成协同学习效应。在这些场景中，AI具备执行特定任务的能力，实现与人的经验知识和分析知识共创，深化人对场景任务的理解。据此，本文提炼出确定场景利用式学习的经验拓展机制，即通过确定场景中人与AI协同的利用式学习，使人能从更多元的观测维度和更细致的观测粒度发现经验未能覆盖的知识，有效拓展经验边界。

总体而言，经验拓展机制的归纳不仅回应了现有研究对从数据到知识的学习过程的关注，丰富了人与AI在确定场景中分析协同的探讨，也为AI在确定场景中拓展人的经验，提升组织学习效能的观点提供了情境化的解释。

(2）不确定场景探索式学习的过程机制。不确定场景探索式学习指在应对瞬时变化、高度复杂且不确定的环境时，通过人的直觉判断与AI无监督机器学习的相互作用，实现二者的认知协同，共同对不确定场景中的数据进行分析和应用，进而创造不确定场景的知识，实现预测和认知的知识共创。其学习过程主要包含三步：(1)人将不确定场景的认知经验转化为AI的认知学习模型和学习数据，为AI进行不确定场景数据分析奠定基础；(2)AI基于无监督学习，通过多维数据与模型自学习特征变量的交互迭代，对即时数据进行快速解析；(3)AI挖掘出基于人的认知难以分辨的数据特征，形成不确定场景的策略模拟知识，助力人进行相应的场景应用，拓展人的知识边界，进而形成新的认知模型构建基础。

在不确定场景中，人主要进行探索式学习，基于对不确定场景的认知，快速预测和制定应对不确定性场景的策略。尽管现有研究指出人可以利用AI进行大数据的分析和模拟，扩展知识生成途径（Haefner et al.,2021），但强调的也是AI作为工具的辅助作用，尚未探讨人与AI如何协同克服双方在不确定场景中的缺陷，实现优势互补的问题（Koryak et al.,2018）。基于无监督学习的AI可通过自学习模式，为组织贡献从数据中学习获得的知识（Ransbotham et al.,2020），逐步成为组织学习的一类主体。具体而言，AI基于迭代学习执行不确定场景的任务，从不确定场景数据中自动学习生成具有新认知的场景知识，在一定程度上修正人的认知偏差，形成协同学习效应。在这些场景中，AI具备执行不确定场景任务的能力，与人的直觉和推理互相补充和启发，实现与人的预测知识和认知知识共创，拓展人对场景任务的认知。据此，本文提炼出不确定场景探索式学习的认知突破机制，即通过AI模拟人的认知，基于数据的认知模型形成对不确定场景的预测，与人的探索学习相互作用，突破人的认知局限。

总体而言，认知突破机制的归纳不仅回应了组织学习如何应对“乌卡时代”（VUCA）环境挑战的讨论（Osiyevskyy et al.,2020），深化了人与AI在不确定场景中认知协同的探讨，也为组织应对不确定环境下的创新策略提供了情境化的解释。

3. 双主体协同学习与单主体经验学习的比较

上述研究表明，人与AI的协同学习是两类不同主体的协同学习方式，以此来适应瞬时变化和高度复杂的环境（Osiyevskyy et al.,2020）。本文通过3个方面讨论来分析人与AI的双主体协同学习逻辑与以人为主体，AI为辅助学习工具的单主体经验学习逻辑应对高度动荡环境的差异。

(1）学习主体差异。既有的经验学习逻辑强调以人为主体、AI作为辅助工具的学习方式，侧重探讨组织利用AI技术突破个体数据搜寻和分析的约束，进行整合式学习（Haefner et al.,2021;Rampersad,2020）。尽管研究探讨基于AI的数据分析克服个体约束生成组织知识的过程，但并未从AI作为学习主体的视角探讨人与AI协同学习的深层次机理。本文研究表明，在AI深度应用的场景中，人与AI协同学习是不同主体的学习（Kellogg et al.,2020）。AI通过算力、算法和数据构建一种新的学习方式，从数据中生成知识，具有与人类不同的学习机制且不受人类情感的影响和限制。因此，本文聚焦探讨AI的主体协同价值，拓展现有基于AI工具价值探讨的研究边界，回应亟需关注AI从组织学习的辅助工具变为组织学习主体对组织管理影响的呼吁（Choudhury et al.,2020）。

(2）学习过程差异。人为主体、AI为辅助学习工具的经验学习逻辑强调基于AI对数据的解析，实现从数据到组织创意知识的学习过程（Haefner et al.,2021）。与此不同，本文关注人与AI双主体的协同学习循环过程，一方面，人与AI实现优势互补，构建场景学习基础，产生场景共创知识；另一方面，两类场景学习产生的共创知识又可以反馈给人与AI双主体，拓展主体知识边界，完善场景学习模型。因此，本文研究结论拓展关于AI作为工具的学习过程讨论，基于案例分析构建人与AI双主体的协同学习循环。

(3）学习机制差异。人为主体、AI为辅助学习工具的学习过程聚焦AI加快组织学习速度，提升组织学习的效率，侧重探讨AI的加速学习机制（Raisch and Krakowski,2020）。本文进一步根据AI深度应用的场景特征，提炼出确定场景利用式学习的经验拓展机制和不确定场景探索式学习的认知突破机制，剖析人与AI协同实现循环学习的内在机理，深化关于人与AI协同学习机制的讨论。

与现有研究中以人为主体、AI为工具的经验学习适应制度动荡和产业环境动荡的讨论不同，人与AI协同学习的场景强调组织学习生成知识的即时应用和数据驱动的知识快速迭代，应对的是瞬时变化、高度复杂的环境。因此，本文的研究为企业在VUCA时代构建适应瞬时变化、高度复杂环境的双主体协同学习提供了理论基础（Lee and Shin,2020）。

六、结论与启示

本文通过4家企业的案例研究，归纳出“确定场景利用式学习”和“不确定场景探索式学习”两类人与AI协同的组织学习，剖析人与AI协同的学习机制，为构建数字经济时代的组织学习理论进行探索性研究。研究发现：(1)人与AI的分析协同构成确定场景利用式学习前提。确定场景利用式学习中，算法工程师和管理人员基于场景分析经验构建AI的场景分析模型，将组织经验迁移至AI中，使得AI有效执行场景任务。最终，人与AI协同形成分析知识共创和经验知识共创，拓展确定场景中人的经验边界，形成对利用式学习的经验拓展机制。(2)人与AI的认知协同构成不确定场景探索式学习前提。不确定场景探索式学习中，算法工程师和管理人员基于场景认知经验构建AI的自学习场景认知模型，建立AI通过数据自学习的基础，使得AI可基于即时反馈数据生成新的知识，降低人的经验陷阱和认知偏差，拓展知识边界。最终，人与AI协同形成认知知识共创和预测知识共创，突破人的固有认知模式，形成对探索式学习的认知突破机制。总体而言，人与AI协同的组织学习基于对大数据的实时迭代，实现全样本数据的动态分析，构建起新型组织学习方式，使企业能更好地适应数字经济时代的环境。基于此，本文得出以下启示：

(1）在组织管理层面，VUCA时代的到来使环境变化的速度越来越快、幅度越来越大、不确定性越来越高，这样的环境特征促使企业需要不断调整和更新现有知识提升环境适应性。一方面，环境变化的快速性使组织面临“经验学习难以应对瞬时变化”的挑战，因此，需要通过人与AI协同的确定场景利用式学习，利用AI学习拓展人的经验局限，以适应环境变化；另一方面，环境变化的高不确定性使组织面临“拍脑袋可能导致掉脑袋”的挑战，因此，需要通过人与AI协同的不确定场景探索式学习，利用AI学习突破人的认知局限，以适应环境变化。总体而言，人与AI协同的组织学习将成为企业适应高度动荡环境的重要方式。

(2）在产业发展层面，由于中国产业起步较晚，低效生产、低端供给等问题使供给侧结构性改革极为迫切，需要通过数字化转型，实现经济结构的根本变革，进而推动生产力的整体跃升。然而，中国传统产业既面临从粗放式管理到数字化管理的能力跨越，又面临从工业化到智能化的体系跨越，数字化转型难度极大（肖静华等，2021）。本文研究表明，人与AI协同形成的新型组织学习是实现能力跨越和体系跨越的重要基础，不仅能加速组织学习的效率，更能促进组织学习的创新，因此，传统产业需要加快AI技术的深度应用，为数字化转型注入新动能，推动产业高质量发展。

(3）在国家战略层面，将AI作为经济发展的新引擎，同时提出大数据驱动知识学习、人机协同增强智能等是AI发展的重点领域。本文通过案例研究归纳出人与AI协同学习的经验拓展机制与认知突破机制，为探索AI如何改变人类学习与思维模式提供了场景化解释，可以为各级政府提炼面向智慧医疗、智能制造、智慧教育等前沿应用场景的人与AI协同案例，并以典型案例为抓手促进AI创新应用、打造竞争新优势提供理论参考。

未来仍存在继续改进和拓展的空间：(1)在其他行业中可能还存在不同学习内容和学习路径，未来需对更多行业中人与AI的协同学习机制进行探讨；(2)未来需进一步分析组织结构、团队合作方式及机制设计等如何影响确定场景利用式学习与不确定场景探索式学习；(3)未来需对人与AI协同中的冲突进行探析。

参考文献

• [1]任晓明，李熙.自我升级智能体的逻辑与认知问题[J].中国社会科学，2019,(12):46-61.

• [2]王永贵，汪寿阳，吴照云，吴晓波，毛基业，戚聿东，张维，苏宗伟，朱旭峰，杨开峰，杨立华，席酉民，李新春，张玉利，徐向艺，刘志阳，闫妍，魏江，郜亮亮.深入贯彻落实习近平总书记在哲学社会科学工作座谈会上的重要讲话精神，加快构建中国特色管理学体系[J].管理世界，2021,(6):1-35.

• [3]肖峰.人工智能与认识论的哲学互释：从认知分型到演进逻辑[J].中国社会科学，2020,(6):49-71.

• [4]肖静华，胡杨颂，吴瑶.成长品：数据驱动的企业与用户互动创新案例研究[J].管理世界，2020,(3):183-205.

• [5]肖静华，吴小龙，谢康，吴瑶.信息技术驱动中国制造转型升级———美的智能制造跨越式战略变革纵向案例研究[J].管理世界，2021,(3):161-179.

• [6]谢康，夏正豪，肖静华.大数据成为现实生产要素的企业实现机制：产品创新视角[J].中国工业经济，2020,(5):42-60.

• [7]杨光，侯钰.工业机器人的使用、技术升级与经济增长[J].中国工业经济，2020,(10):138-156.

• [8]Argote, L. Organizational Learning:Creating, Retaining, and Transferring Knowledge[M]. Berlin:Springer Science and Business Media, 2012.

• [9]Argote, L. Organization Learning:A Theoretical Framework[M]. Boston, MA:Springer, 2013.

• [10]Argote, L., and E. Miron-Spektor. Organizational Learning:From Experience to Knowledge[J]. Organization Science, 2011,22(5):1123-1137.

• [11]Argote, L., and H. Manpreet. Organizational Learning and Management of Technology[J]. Production and Operations Management, 2017,26(4):579-590.

• [12]Avgar, A., P. Tambe, and L. M. Hitt. Built to Learn:How Work Practices Affect Employee Learning during Healthcare Information Technology Implementation[J]. MIS Quarterly, 2018,42(2):645-660.

• [13]Choudhury, P., E. Starr, and A. Rajshree. Machine Learning and Human Capital Complementarities:Experimental Evidence on Bias Mitigation[J]. Strategic Management Journal, 2020,41(8):1381-1411.

• [14]Danneels E., and R. Sethi. New Product Exploration under Environmental Turbulence[J]. Organization Science,2011,22(4):1026-1039.

• [15]Grover, V., R. H. L. Chiang, T. P. Liang, and D. Zhang. Creating Strategic Business Value from Big Data Analytics:A Research Framework[J]. Journal of Management Information Systems, 2018,35(2):388-423.

• [16]Gupta, A. K., K. G. Smith, and C. E. Shalley. The Interplay between Exploration and Exploitation[J].Academy of Management Journal, 2006,49(4):693-706.

• [17]Haefner, N., J. Wincent, V. Parida, and O. Gassmann. Artificial Intelligence and Innovation Management:A Review, Framework, and Research Agenda[J]. Technological Forecasting and Social Change, 2021,162:120392.

• [18]Hansen, R., and S. S. Kien. Hummel’s Digital Transformation Toward Omnichannel Retailing:Key Lessons Learned[J]. MIS Quarterly Executive, 2015,14(2):51-66.

• [19]Holzinger, A. Interactive Machine Learning for Health Informatics:When Do We Need the Human-in-the-loop[J].Brain Informatics, 2016,3(2):119-131.

• [20]Jarrahi, M. H. Artificial Intelligence and the Future of Work:Human-AI Symbiosis in Organizational Decision Making[J]. Business Horizons, 2018,61(4):577-586.

• [21]Kaplan, A., and M. Haenlein. Siri, Siri, in My Hand:Who’s the Fairest in the Land? On the Interpretations, Illustrations, and Implications of Artificial Intelligence[J]. Business Horizons, 2019,62(1):15-25.

• [22]Kellogg, K. C., M. A. Valentine., and A. Christin. Algorithms at Work:The New Contested Terrain of Control[J]. Academy of Management Annals, 2020,14(1):366-410.

• [23]Koryak, O., A. Lockett, J. Hayton, N. Nicolaou, and K. Mole. Disentangling the Antecedents of Ambidexterity:Exploration and Exploitation[J]. Research Policy, 2018,47(2):413-427.

• [24]Lavie, D., U. Stettner, and M. L. Tushman. Exploration and Exploitation within and across Organizations[J].Academy of Management Annals, 2010,4(1):109-155.

• [25]Lee, I., and Y. J. Shin. Machine Learning for Enterprises:Applications, Algorithm Selection, and Challenges[J].Business Horizons, 2020,63(2):157-170.

• [26]Makarius, E. E., D. Mukherjee, J. D. Fox, and A. K. Fox. Rising with the Machines:A Sociotechnical Framework for Bringing Artificial Intelligence into the Organization[J]. Journal of Business Research, 2020,120:262-273.

• [27]March, J. G. Exploration and Exploitation in Organizational Learning[J]. Organization Science, 1991,2(1):71-87.

• [28]Miles, M. B., and A. M. Huberman. Qualitative Data Analysis[M]. Los Angeles, CA:Sage, 1994.

• [29]Osiyevskyy, O., G. Shirokova, and P. Ritala. Exploration and Exploitation in Crisis Environment:Implications for Level and Variability of Firm Performance[J]. Journal of Business Research, 2020,114:227-239.

• [30]Park, Y. K., P. A. Pavlou, and N. Saraf. Configurations for Achieving Organizational Ambidexterity with Digitization[J]. Information Systems Research, 2020,31(4):1376-1397.

• [31]Raisch, S., and S. Krakowski. Artificial Intelligence and Management:The Automation-Augmentation Paradox[J].Academy of Management Review, 2020,46(1):192-210.

• [32]Rampersad, G. Robot Will Take Your Job:Innovation for an Era of Artificial Intelligence[J]. Journal of Business Research, 2020,116:68-74.

• [33]Ransbotham, S., S. Khodabandeh, D. Kiron, F. Candelon, M. Chu, and B. LaFountain. Expanding AI’s Impact with Organizational Learning[R]. MIT Sloan Management Review and Boston Consulting Group, 2020.

• [34]Reichstein, M., G. Camps-Valls, B. Stevens, M. Jung, J. Denzler, and N. Carvalhais. Deep Learning and Process Understanding for Data-driven Earth System Science[J]. Nature, 2019,566(7743):195-204.

• [35]Rockart, S. F., and K. Wilson. Learning in Cycles[J]. Organization Science, 2019,30(1):70-87.

• [36]Saldanha, T. J. V, A. Sahaym, S. Mithas, M. G. Andrade-Rojas, A. Kathuria, and H. Lee. Turning Liabilities of Global Operations into Assets:IT-enabled Social Integration Capacity and Exploratory Innovation[J].Information Systems Research, 2020,31(2):361-382.

• [37]Seeber, I., E. Bittner, R. O. Briggs, T. de Vreede, G. J. De Vreede, A. Elkins, and G. Schwabe. Machines as Teammates:A Research Agenda on AI in Team Collaboration[J]. Information and Management, 2020,57(2):103-174.

• [38]Shrestha, Y. R., S. M. Ben-Menahem, and G. Von Krogh. Organizational Decision-making Structures in the Age of Artificial Intelligence[J]. California Management Review, 2019,61(4):66-83.

• [39]Wilson, H. J., and P. R. Daugherty. Collaborative Intelligence:Humans and AI Are Joining Forces[J]. Harvard Business Review, 2018,96(4):114-123.

【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。

《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第2210期）

编辑整理：蔡子团队  

团队成员：李莉、郭蔷、马洪梅、蔡跀、陈晨、张晓丹、白晓萌、李茸茸、梁晓娟、王建飞、吴玉婷、王晴晴、丁慧