加载 Spotify 播放器；Spotify 可能会设置 Cookie。本设备将记住您的选择。
主要发现
- 生成式人工智能加快了数据综合、用户需求聚类以及创意生成的进程，但与对照组相比，更快的产出速度和更多的创意数量并未稳定转化为更高质量的方案构想。
- 缺乏结构化的AI使用与认知固着、批判性审议减少以及团队对最终创意方案拥有感的削弱存在关联。
- 当生成式AI被分配给有限且明确的分析性任务，而人类团队保留问题界定、创意筛选和最终方案决策的责任时，AI的作用最为高效。
- AID思维通过明确的治理机制规范了人机创意协作，这些机制包括任务与角色分配、提示词脚手架以及人类能动性检查点。
- 治理常规的执行程度并不均衡，且在积极的引导、提示词指导、模板和结构化文档的支持下效果更佳。
实践启示
CIO / IT 高管
Establish governance structures that help teams decide where GenAI can add value in creative work while keeping human responsibility for framing, evaluation, and consequential decisions explicit.
IT 经理
Provide prompt guidance, structured documentation, and explicit human checkpoints to help teams critically evaluate AI contributions and retain ownership of final concept decisions.
商业战略师
Design creative workflows with explicit human agency checkpoints at which teams critically evaluate, adapt, or reject AI-generated contributions before proceeding.
研究人员
Investigate how structured work-design interventions like AID Thinking impact the trade-off between AI-driven content acceleration and human critical deliberation in collaborative creative teams.
政策制定者
Develop guidance that keeps human accountability explicit when generative AI contributes to collaborative creative work, particularly for consequential evaluation and design decisions.
摘要
本研究开发并评估了AID思维（AID Thinking），这是一种旨在将生成式人工智能融入协作创新活动的工作设计干预范式。遵循四个周期的设计科学研究方法，研究人员结合设计思维挑战与AI能力，并在包含44名参与者的三个研讨会周期中对该范式进行了测试。数据收集结合了团队设计产出、提示词日志、研讨会前后问卷调查以及深度访谈，以深入考察团队如何构建人机协作。
核心问题
虽然生成式人工智能能够加速内容创作与信息分析，但将其引入协作性创意工作会带来社会技术层面的风险。团队可能会面临过度依赖、设计固着、批判性讨论减少以及最终设计选择权责不清等问题。在缺乏结构化协作设计的情况下，仅仅让团队使用AI工具可能会削弱人类的能动性，且并不必然能够提升创意产出的质量。
文稿
Expert: 谢谢 Anna。这项研究由 Stephan Leible、Dejan Simic、Furkan Dursun、Florian Straetmanns 以及 Constantin von Brackel-Schmidt 共同完成。他们关注的核心议题是：企业在引入生成式人工智能辅助创意团队时，应该如何构建合理的人机协作结构，以避免潜在的协作风险。
Host: 很多企业现在都在使用生成式 AI 来加速头脑风暴和方案设计。但在没有明确规范的情况下，把 AI 引入团队协作通常会面临哪些现实问题？
Expert: 现有的实际观察表明，生成式 AI 确实能显著提高内容创作和信息整理的速度。但是，团队在协作过程中容易出现社会技术层面的风险。例如，当团队缺乏结构化的协作流程时，成员容易出现认知固着，也就是思维被 AI 初始生成的方案所局限；同时，团队内部的批判性审议往往会减少，成员可能产生过度依赖，甚至对最终方案的归属感和责任界定变得模糊。研究指出，仅仅让团队自由使用 AI，并不必然会带来更高质量的创意产出。
Host: 这项研究是如何对这种协作现象进行测试的？他们采用了什么样的方法？
Expert: 研究团队采用了四个周期的设计科学研究方法，开发并评估了名为 AID 思维的工作设计干预范式。他们在包含44名参与者的三个研讨会周期中对该范式进行了测试。在数据收集方面，研究人员结合了团队最终的设计产出、提示词交互日志、研讨会前后的问卷调查，以及深度的后续访谈，以此追踪团队在不同条件下的协作模式和认知状态。
Host: 那么具体的测试结果如何？生成速度加快和点子增多，是否带来了更好的方案？
Expert: 结果显示并非如此。数据表明，生成式 AI 确实加快了数据综合、用户需求聚类以及初步创意的产出速度，但与对照组相比，更快的速度和更多的创意数量，并没有稳定转化为更高质量的最终构想。
Host: 也就是说，产出效率与方案质量之间并不存在直接的线性关系。那研究中观察到的有效协作模式是怎样的？
Expert: 研究发现，当生成式 AI 被限定在明确的分析性任务中，例如辅助归纳定性数据或整理需求，而人类团队牢牢保留问题界定、方案筛选和最终决策的权责时，人机协作的效果最为理想。反之，如果在核心决策阶段过度引入 AI，团队对方案的自主权和批判性讨论就会受到削弱。
Host: AID 思维范式具体是通过哪些机制来解决这些失衡问题的？
Expert: AID 思维主要建立了三项治理机制：一是明确的任务与角色分配，界定人类与 AI 各自负责的工作边界；二是提供提示词脚手架，规范人机交互方式；三是设立人类能动性检查点，强制团队在推进前对 AI 的产出进行反思与评估。不过，研究也客观指出，团队在执行这些治理常规时的表现并不均衡。要让这些机制充分生效，通常需要配合积极的现场引导、规范化的提示词模板以及结构化文档支持。
Host: 对于企业管理者和创新团队负责人来说，这些发现有什么切实的实践意义？
Expert: 关键启示在于，企业不应当仅仅将 AI 作为工具发放给团队，而是必须主动进行工作流程的重新设计。在落地时，管理者可以采取三个具体行动：第一，解构创新流程，明确界定哪些分析环节允许 AI 参与，哪些发散与收敛环节必须由人类主导；第二，在流程中嵌入制度化的人类检查节点，要求团队在采纳 AI 提议前必须记录审议意见，防止认知固着；第三，提供标准化的提示词模板和协作流程指引，降低执行偏差，确保人机协作能够维持高质量的标准。
Host: 总结来说，在创意创新活动中应用生成式 AI，核心不在于工具的生成能力有多快，而在于企业如何设计人机协同的分工与治理机制，从而在利用计算效率的同时，保护人类的判断力和责任感。非常感谢 Alex 的专业解析，也感谢大家的收听。我们下期 A.I.S. Insights 再见。
Expert: 谢谢 Anna，再见。
Generative AI, Design Thinking, Human-AI Collaboration, Creative Knowledge Work, Creative Teamwork, Work Design