中圖分類號：C93 文獻標識碼：A 文章編號：2097-0145（2025）03-0009-08 doi：10.11847/fj.44.3.9

0 引言

生成式人工智能（generative artificial intelligence，GAI相比于傳統(tǒng)人工智能，不僅能夠分析和理解數(shù)據(jù)，還具備生成新內(nèi)容的能力，不論是在創(chuàng)造性還是易用性方面均有巨大提升[1]。例如，OpenAI發(fā)的大語言模型GPT，用于構(gòu)建會話式人工智能系統(tǒng)ChatGPT。該系統(tǒng)能夠高效地理解人類的自然語言輸人，并作出有意義的回答。此外，同樣由OpenAI開發(fā)的針對圖像類型數(shù)據(jù)的生成式人工智能DALL-E-2，能夠根據(jù)文本描述創(chuàng)建相關的高質(zhì)量圖像。

近年來，以ChatGPT為代表的生成式人工智能交互應用迅速發(fā)展，并獲得了社會各界的廣泛關注。GAI技術(shù)的發(fā)展呈現(xiàn)出全球化競爭態(tài)勢。除OpenAI的GPT系列外，國內(nèi)外研究機構(gòu)和企業(yè)也取得了重要突破。例如，Google的PaLM模型在復雜推理任務上表現(xiàn)出色，Anthropic開發(fā)的Claude模型在安全性和可控性方面具有優(yōu)勢。國內(nèi)方面，百度的文心大模型、阿里巴巴的通義千問以及深度求索（DeepSeek）的DeepSeek-R1等大語言模型都在中文理解和本土化應用方面取得了顯著進展。這些技術(shù)進步為GAI在管理領域的創(chuàng)新應用奠定了堅實基礎。從技術(shù)發(fā)展路徑來看，GAI模型經(jīng)歷了從特定任務導向到通用智能的演進過程。早期生成式模型主要針對特定領域任務進行訓練，如機器翻譯、文本摘要等，其目標是實現(xiàn)特定場景下的專業(yè)化應用。隨著無監(jiān)督預訓練技術(shù)的突破，大規(guī)模語言模型逐漸成為主流，這種模型通過海量數(shù)據(jù)預訓練獲得通用語言理解能力[2]，再通過微調(diào)適配具體任務，顯著提升了模型的泛化能力和遷移學習效果。

隨著GAI技術(shù)的不斷發(fā)展和應用場景的拓展，人工智能也將在企業(yè)管理領域發(fā)揮更加重要的作用[3]。GAI的多模態(tài)內(nèi)容生成能力賦能到企業(yè)管理領域，可以推動管理創(chuàng)新，為企業(yè)帶來前所未有的機遇。同時，這也將面臨多種挑戰(zhàn)。本文梳理了GAI的發(fā)展脈絡，詳細闡述了GAI賦能管理創(chuàng)新的典型應用，包括新產(chǎn)品設計、客戶關系管理、精準營銷和供應鏈管理等，并進一步提出了GAI在管理創(chuàng)新領域應用所面臨的一系列挑戰(zhàn)。

1GAI的發(fā)展

GAI的發(fā)展是技術(shù)與應用雙重演進的過程。每一次生成式模型的革新不僅推動了GAI技術(shù)的突破，也改變了人與組織的交互方式。GAI的發(fā)展可以被分為三個重要階段，分別是神經(jīng)網(wǎng)絡引入前的探索期、神經(jīng)網(wǎng)絡的引入和架構(gòu)創(chuàng)新期以及目前的大模型驅(qū)動的跨模態(tài)智能發(fā)展期。GAI的發(fā)展不僅僅是技術(shù)進步的過程，更是其與人、組織關系不斷演化的過程。從早期單一任務的智能化嘗試，到如今多模態(tài)、通用人工智能的發(fā)展，GAI正在深刻改變?nèi)伺c組織的交互模式，推動管理方式的變革。未來，GAI如何進一步融人組織結(jié)構(gòu)、重塑管理實踐將成為管理科學的重要研究方向。

在第一階段，即神經(jīng)網(wǎng)絡引入前的探索期，生成式模型主要依賴統(tǒng)計方法，如馬爾可夫鏈和基于概率的語言模型。然而，這些方法在建模復雜數(shù)據(jù)結(jié)構(gòu)時存在顯著局限，難以生成長文本或高質(zhì)量圖像，導致其應用范圍受限。例如，基于概率的文本生成模型雖然在短句生成上有所應用，但是在長文本的連貫性方面表現(xiàn)不佳。

在第二階段，深度學習方法的應用推動了GAI的發(fā)展，使其具備更強的表達能力和適應性。自然語言處理領域中，允許對相對長的依賴關系進行建模，但仍存在梯度消失問題，限制了其實際應用。計算機視覺領域中，傳統(tǒng)的圖像生成方法依賴人工設計特征的技術(shù)，往往無法生成復雜圖片。生成對抗網(wǎng)絡的出現(xiàn)突破了這一瓶頸，能夠生成高質(zhì)量圖像，推動了圖像合成、藝術(shù)創(chuàng)作等領域的應用。此外，變分自編碼器以及流模型更多技術(shù)的提出，為高維數(shù)據(jù)建模提供了新的可能，使GAI在圖像合成、缺陷檢測、自動風格遷移等應用中發(fā)揮作用。

第三階段的標志性技術(shù)突破提升了生成模型在文本處理中的能力，例如BERT（bidirectionalencoderrepresentationsfromtransformers）以及GPT（generativepre-trained）系列的成功應用。在組織管理層面，GAI文本生成能力的提升推動了營銷文案改進、智能辦公自動化等智能化辦公應用。2021年，視覺領域?qū)崿F(xiàn)了更精確的圖像生成，并推動了GAI在多個領域的應用。隨著多模態(tài)大模型的發(fā)展，GAI的能力從單模態(tài)拓展至跨模態(tài)，為企業(yè)智能決策、產(chǎn)品設計、自動化市場分析等提供了新的可能[4]。

GAI新技術(shù)的快速發(fā)展對管理中的人和組織都有著顯著影響。GAI很大程度上提高了員工的工作效率，減少了重復性任務的負擔，推動了工作模式的智能化轉(zhuǎn)型。同時，GAI的普及也引發(fā)了技能更新的需求，員工需要適應AI協(xié)作的工作環(huán)境。而在組織層面上，GAI也同樣是企業(yè)數(shù)字化轉(zhuǎn)型的有力工具，可以進一步提高企業(yè)的決策效率和市場競爭力。例如，GAI的智能數(shù)據(jù)分析能力能夠使企業(yè)更快地洞察市場趨勢，優(yōu)化運營流程。同時，GAI的普及也對企業(yè)治理、數(shù)據(jù)隱私以及道德風險等方面提出了新的挑戰(zhàn)。

2GAI賦能的管理創(chuàng)新

GAI擁有強大的學習理解、生成多模態(tài)數(shù)據(jù)、自動化和自適應進化能力，這也使其能夠在不同領域產(chǎn)生新的、有意義的內(nèi)容。本文將詳細闡述GAI在新產(chǎn)品設計、客戶關系管理、精準營銷和供應鏈管理等方面的創(chuàng)新應用，并總結(jié)面臨的挑戰(zhàn)，如圖1所示。

內(nèi)容風險挑戰(zhàn) 管理創(chuàng)新 應用風險挑戰(zhàn)

不可靠性 新產(chǎn)品設計 精準營銷 企業(yè)層面

：調(diào) ·需意控攝 ·推薦統(tǒng) ·過度行業(yè)取代

欺騙性 客戶關系管理 供應鏈管理 ·技能需求結(jié)構(gòu)變化

·使應 ·智知客 ：充管理送 ·員工管理變革

控制權(quán)喪失 ·供應鏈風險管理 個人層面

可解釋性

不透明 ·消費者剝削

·不可解釋性 ·決策控制權(quán)喪失

幻覺性 生成式人工智能 ·隱私侵犯

·內(nèi)在和外在幻覺 ·倫理道德問題

·世界知識偏差數(shù)字鴻溝 數(shù)據(jù)質(zhì)量 法律法規(guī) 技術(shù)創(chuàng)新·企業(yè)角度的鴻溝 ·數(shù)據(jù)采集能力 ·數(shù)據(jù)使用權(quán) ·硬件：基礎設施、可持續(xù)性·群體角度的鴻溝 ·預處理能力 ·生成內(nèi)容版權(quán) ·軟件：模型參數(shù)、人智協(xié)同·使用能力 ·法律主體與統(tǒng)一監(jiān)管發(fā)展制約因素挑戰(zhàn)

2.1 新產(chǎn)品設計

GAI在新產(chǎn)品智能設計領域應用日益廣泛，它為產(chǎn)品設計帶來了前所未有的創(chuàng)意和效率，其賦能新產(chǎn)品設計主要包括需求挖掘和創(chuàng)意生成兩個階段。

需求挖掘階段，GAI可從海量異構(gòu)歷史數(shù)據(jù)中快速、全面和準確地挖掘用戶需求。傳統(tǒng)的機器學習方法，如貝葉斯、支持向量機、卷積神經(jīng)網(wǎng)絡等要為特定任務訓練專門的模型，這需要大量的樣本數(shù)據(jù)且耗時耗力。而GAI能夠通過生成式方式判別跨領域的多源異構(gòu)信息，全面挖掘用戶的潛在需求。企業(yè)界和學術(shù)界開始探索利用GPT分析電商平臺的在線評論，針對用戶畫像挖掘用戶對產(chǎn)品的差異化需求。Shulex公司推出了GPTExtension可以對亞馬遜平臺上的評論進行管理和維護，商家可以一鍵獲取GPT對產(chǎn)品評論的智能分析，獲知產(chǎn)品的優(yōu)勢和劣勢、客戶需求等。Vadla等[5提出了一個AI驅(qū)動的情感分析方法，利用GPT對亞馬遜的用戶評論數(shù)據(jù)中涉及到的產(chǎn)品屬性進行監(jiān)測，并對屬性的情感進行實時分析。相關研究對比了GPT和傳統(tǒng)機器學習方法在基于在線評論的產(chǎn)品特征情感分析的效果，結(jié)果顯示GPT在情感極性分類上有著較高的精度[6。此外，有學者探索了GAI模擬用戶角色和生成用戶故事的方法。Goel等[7]研究了GAI如何扮演用戶角色輔助設計師了解用戶需求，他們首先將海量的用戶訪談數(shù)據(jù)輸入到GPT中進行自動學習，接著讓GPT扮演用戶與設計師對話，為設計師提供用戶的需求并持續(xù)改進設計。Zhang等8基于GPT-4 提出了用戶故事生成方法，通過自動生成用戶故事來確定用戶需求。隨著GAI技術(shù)的發(fā)展，GPT-4的多模態(tài)理解能力已可以實現(xiàn)從文本、圖像、視頻、腦電和生理等多模態(tài)數(shù)據(jù)中更智能和全面地挖掘用戶需求。

創(chuàng)意生成階段，GAI可通過用戶需求、產(chǎn)品結(jié)構(gòu)和產(chǎn)品功能的系統(tǒng)分析，自動生成新產(chǎn)品創(chuàng)意。傳統(tǒng)的產(chǎn)品創(chuàng)意生成方法基于歷史數(shù)據(jù)中的產(chǎn)品特征進行簡單的檢索和參考，這種方式容易出現(xiàn)思維局限性，導致創(chuàng)意雷同。而GAI除了能從歷史數(shù)據(jù)中獲知產(chǎn)品特征，還能生成新穎的、多樣的創(chuàng)意，輔助產(chǎn)品設計者開發(fā)全新的產(chǎn)品。GAI可以從海量數(shù)據(jù)中直接獲取產(chǎn)品創(chuàng)意，如，利用GPT-2從在線評論中識別和提取產(chǎn)品的創(chuàng)意，輔助產(chǎn)品改進和新產(chǎn)品開發(fā)[9]。此外，GAI可以給機器賦予一定的角色并參與到新產(chǎn)品的設計過程中，幫助設計師完成工作。如，已有研究將GAI當作人類團隊成員，參與到產(chǎn)品設計的頭腦風暴中[10]，也有研究將GAI當作知識豐富的領域?qū)＜覅⑴c到創(chuàng)意的設計中[11-12] C

2.2 客戶關系管理

客戶關系管理作為企業(yè)與客戶互動的核心環(huán)節(jié)，正迎來GAI技術(shù)的深刻變革。GAI在客戶關系管理中提升智能客服效率和效果方面有著創(chuàng)新應用。

GAI拓寬了文本內(nèi)容生成的途徑，能夠快速實現(xiàn)文本智能生成與用戶進行實時交互問答，提供24小時無間斷對話和信息檢索等服務，自動處理常見問題和投訴，使客戶能夠快速獲得解決方案。Niszczota和Abbas[13]評估了不同GPT模型作為金融機器人客服的能力，發(fā)現(xiàn)GPT-4在金融知識問答中表現(xiàn)得最好。此外，GAI強大的自我整合和分析能力，可以針對客戶服務中涉及的問題提供解決方案，即通過海量數(shù)據(jù)自動生成新的知識更新知識庫，并進行知識預測，提高智能客服回復內(nèi)容的準確性。而這一能力的突破也歸功于大模型增強了企業(yè)知識圖譜的構(gòu)建、推理和問答能力[14]，為智能化的知識管理提供解決方案。一方面，大語言模型的信息提取能力和內(nèi)部蘊含潛在知識的能力，可以從多種數(shù)據(jù)源中抽取知識，并對企業(yè)的知識圖譜進行自動構(gòu)建[15];另一方面，基于大模型設計的知識問答系統(tǒng)，可以通過圖遍歷自動學習知識圖譜，對知識進行查詢、評估和提煉[16]，提高問題回答的效果。

2.3 精準營銷

GAI作為數(shù)字化營銷的新引擎，為企業(yè)營銷注入了更多的創(chuàng)新力，將為企業(yè)帶來更多的商業(yè)價值和競爭優(yōu)勢。目前GAI賦能企業(yè)精準營銷應用主要體現(xiàn)在推薦系統(tǒng)和廣告營銷兩個方面。

個性化推薦方面，GAI能夠根據(jù)用戶的興趣、行為和歷史數(shù)據(jù)，為用戶推薦個性化的產(chǎn)品或服務，提高用戶的購買率和忠誠度。文獻［17]指出GAI可以更好地理解用戶偏好并提供上下文感知的建議，可廣泛應用在諸多領域進行產(chǎn)品或服務推薦。在圖書領域，趙楊等[18構(gòu)建了一個基于GAI的智慧圖書館體系框架，利用GPT與用戶進行多次語言交互，并結(jié)合用戶的歷史閱讀記錄等數(shù)據(jù)，為圖書自動生成推薦語并精準地推送給目標用戶，提高圖書推薦的精度；目前已有圖書館用GPT創(chuàng)建機器人提供圖書推薦服務。在酒店推薦中，Remountakis等[19]發(fā)現(xiàn)將GPT融人到酒店推薦系統(tǒng)中可以更深入地理解客戶偏好，提供更精確的酒店推薦，提高客戶滿意度。

廣告營銷方面，GAI強大的多模態(tài)內(nèi)容創(chuàng)造能力，可以對廣告營銷的流程進行系統(tǒng)重構(gòu)，推動了廣告智能制作和投放的智能變革。首先，GAI快速生成個性化、情境相關和復雜內(nèi)容的能力，很大程度上減少了制作廣告內(nèi)容的成本和時間。Meta公司推出了GAISandbox工具，幫助廣告創(chuàng)作者在公司的Facebook或Instagram平臺上制作不同版本的廣告。當廣告創(chuàng)作者輸人廣告文案時，GAI將自動生成幾個廣告進行測試，同時該工具還提供圖像裁剪功能，可以為各種媒體（如社交帖子或短視頻）創(chuàng)建不同長寬比視覺效果的廣告。此外，GAI具備的實時對話和互動反饋能力，可以根據(jù)用戶的行為記錄，向目標用戶投放更精準、更具創(chuàng)意和故事性的個性化廣告，提高廣告的點擊率和轉(zhuǎn)化率，進而提高產(chǎn)品的銷量。

2.4 供應鏈管理

GAI的發(fā)展也推動了供應鏈管理創(chuàng)新，它不僅提高了供應鏈的效率和響應速度，還通過數(shù)據(jù)驅(qū)動和智能決策優(yōu)化了整個供應鏈的運營。GAI在供應鏈管理中有著極大的潛能，可應用于庫存管理、物流配送和供應鏈風險管理等多個環(huán)節(jié)。

庫存管理中，GAI可以通過歷史銷售數(shù)據(jù)、生產(chǎn)數(shù)據(jù)和市場趨勢等預測季節(jié)性的倉儲需求，為企業(yè)提供動態(tài)的庫存優(yōu)化建議，預防庫存過?；虿蛔悖岣邘齑婀芾淼臏蚀_性。 和Kmiecik[20]對比分析了GPT和ARIMA兩種方法對企業(yè)倉儲需求的預測效果，發(fā)現(xiàn)GPT的預測精度和穩(wěn)定性更高，大模型融人到公司系統(tǒng)無論在短期和長期內(nèi)都能提高公司庫存管理的準確性。Patil等[21]開發(fā)了一個生成式用戶界面的實時庫存管理系統(tǒng)，該系統(tǒng)將多個大模型集成到傳統(tǒng)的庫存管理系統(tǒng)中，可以實現(xiàn)自然語言與庫存的實時會話交互，增強了企業(yè)軟件的用戶體驗。

物流配送中，GAI解決方案在貨物的運輸、配送和交付環(huán)節(jié)都有著廣泛的應用。GAI可以不斷地從各種來源獲取實時的天氣和交通等數(shù)據(jù)，預測物流配送途中可能遇到的風險，優(yōu)化配送路線，確?？焖偾医?jīng)濟高效的運輸方案。Jackson等[22]開發(fā)了一個基于GPT-3的物流仿真系統(tǒng)，通過人與系統(tǒng)的交互對物流過程進行仿真和實時優(yōu)化。

供應鏈風險管理中，企業(yè)通過構(gòu)建知識圖譜管理供應鏈、產(chǎn)業(yè)鏈業(yè)務數(shù)據(jù)及專家知識，幫助企業(yè)識別和評估供應鏈中的潛在風險。GAI強大的語義理解和推理能力也使得供應鏈知識圖譜的構(gòu)建和風險識別更加高效、準確和智能化，為供應鏈的持續(xù)安全和穩(wěn)定提供了強有力的支撐。文獻[23]探索了多個大語言模型在供應鏈知識圖譜構(gòu)建過程中實體識別的應用，利用這些模型該研究從新聞文章中識別了供應鏈風險相關的實體，為企業(yè)識別供應鏈風險提供了決策支持。Gadzo和Liu[24]利用多個大語言模型融合供應鏈和宏觀經(jīng)濟數(shù)據(jù)構(gòu)建供應鏈知識圖譜，并將其應用到多個真實場景中準確地預測了供應鏈風險。

3GAI在管理創(chuàng)新中的挑戰(zhàn)

GAI作為一種新興技術(shù)，在管理創(chuàng)新領域中展現(xiàn)出了巨大潛力，同時也伴隨著多種挑戰(zhàn)。這些挑戰(zhàn)不僅關乎技術(shù)本身，更是對管理治理能力的重大考驗。面對這些挑戰(zhàn)，不僅要積極推動技術(shù)的應用，更需要高度重視潛在的風險挑戰(zhàn)，思考如何在進行管理創(chuàng)新的同時，確保GAI技術(shù)安全、可靠、可控地健康發(fā)展。GAI在管理創(chuàng)新中的挑戰(zhàn)具體體現(xiàn)在以下幾個方面。

3.1 內(nèi)容的質(zhì)量風險

（1）不可靠性

GAI作為現(xiàn)代管理創(chuàng)新活動中日益普及的輔助工具，其在提高工作效率方面的潛力是巨大的。然而，當前人工智能生成內(nèi)容的可靠性面臨著兩大質(zhì)疑：內(nèi)容的虛假性與偏見問題，人工智能的諂媚行為。

首先，GAI的內(nèi)容生成通?；诤Ａ繑?shù)據(jù)的學習，這些數(shù)據(jù)中可能包含不準確、有偏見的信息，或者數(shù)據(jù)未能及時反映最新的社會發(fā)展和知識更新。因此，人工智能在處理這些數(shù)據(jù)時會產(chǎn)生帶有誤導性的反饋，這些反饋可能是錯誤或虛假的，也可能是帶有偏見的[25-6]。其次，GAI系統(tǒng)有時可能會為了迎合用戶或評估者的偏好，生成具有吸引力但不準確的內(nèi)容。這種行為被稱為人工智能的諂媚行為，不僅損害了生成內(nèi)容的可靠性，也削弱了用戶對人工智能輸出的信任。在管理創(chuàng)新中，決策的制定往往依賴于準確且客觀的信息。GAI作為信息收集與分析的輔助工具，當其生成內(nèi)容存在虛假性、偏見或諂媚行為時，會導致管理者基于錯誤信息做出決策。例如，在市場調(diào)研分析中，如果GAI提供的消費者需求數(shù)據(jù)存在偏見，管理者可能會誤判市場趨勢，開發(fā)不符合市場需求的產(chǎn)品或服務，從而造成資源浪費和市場機會錯失。

（2）欺騙性

GAI的欺騙行為將對使用者帶來三種主要類型的風險：惡意使用、結(jié)構(gòu)效應和控制權(quán)喪失[27]。惡意使用風險中，心存惡意的使用者利用GAI的欺騙行為，有意地使他人產(chǎn)生錯誤信念，進而引發(fā)一系列基于欺騙的危害。此外，生成內(nèi)容的欺騙傾向可能導致社會結(jié)構(gòu)的深層次變化，這些變化可能對社會整體的信念塑造與社會穩(wěn)定構(gòu)成威脅，導致社會認知和價值觀的扭曲。最后，當人工智能系統(tǒng)的目標與使用者的利益相沖突，它們依然會選擇自主地輸出與使用者本意不同的內(nèi)容，這種控制權(quán)的喪失不僅損害了用戶對人工智能的信賴，也可能引發(fā)不可預測的后果。在管理創(chuàng)新的環(huán)境中，信息的真實性和控制權(quán)至關重要。若惡意使用者利用GAI的欺騙行為，將打破信息傳遞的真實性鏈條，使得管理決策所依賴的信息被污染。例如，在精準營銷中，虛假的消費者需求數(shù)據(jù)可能誤導企業(yè)制定錯誤的營銷策略，造成資源浪費。

（3）可解釋性

雖然GAI在各領域各方向都能給予用戶反饋，但其內(nèi)在的“黑匣子”特性使得人工智能系統(tǒng)并無法呈現(xiàn)出反饋答案的推理過程，具有非常低的透明性與可解釋性。在實際的管理決策中，這種缺乏透明性與可解釋性的特點，對組織或個人的管理決策活動產(chǎn)生了多方面的負面影響。

首先，用戶對AI的信任是人機合作的基礎，而GAI不可解釋的決策邏輯會削弱用戶信任，這可能會阻礙AI技術(shù)的應用和推廣。此外，GAI的不可解釋性還可能影響用戶的情緒和行為，如果用戶無法理解系統(tǒng)給出的建議或決策的原因，他們可能會感到困惑或失望，從而減少使用該系統(tǒng)的感知用戶價值，甚至出現(xiàn)對人工智能系統(tǒng)的算法厭惡。其次，由于GAI模型通常需要依賴大量實時更新的數(shù)據(jù)，因此不透明性使得數(shù)據(jù)的來源、處理方式和潛在的偏見難以被監(jiān)控和評估，使用者難以發(fā)現(xiàn)潛在的問題。在管理創(chuàng)新決策中，管理者需要理解決策依據(jù)以確保決策的合理性和可追溯性。GAI缺乏透明性和可解釋性，使得決策過程中信息的輸人與輸出之間缺乏清晰的關聯(lián)展示。管理者無法像傳統(tǒng)決策分析那樣，通過明確的推理步驟來驗證決策的正確性，從而增加了決策的不確定性和風險。例如，在供應鏈管理中，GAI可能識別出供應鏈中的瓶頸，但無法解釋其識別依據(jù)，導致管理者難以制定有效的解決方案。

（4）幻覺性

在自然語言處理領域，尤其是在大語言模型的應用中，GAI生成的文本雖然在表面上看起來流暢且自然，但實際上與輸人的源內(nèi)容并不相符，甚至可能是完全捏造的信息，這種生成內(nèi)容給用戶一種虛假的真實感幻覺[28]。在管理決策活動中，幻覺現(xiàn)象的出現(xiàn)可能會導致嚴重的后果。管理創(chuàng)新依賴于對實際情況的準確把握，而GAI的幻覺現(xiàn)象打破了信息與現(xiàn)實的對應關系，管理者基于這些虛假信息構(gòu)建管理策略和行動計劃，必然導致實踐與預期的偏差，最終影響企業(yè)的管理創(chuàng)新效果和發(fā)展。如果GAI在提供決策支持時產(chǎn)生了幻覺，這不僅可能誤導決策者，導致錯誤的決策制定，還可能增加溝通成本和糾正錯誤所需的資源。在企業(yè)進行創(chuàng)新戰(zhàn)略規(guī)劃時，若GAI基于幻覺生成的行業(yè)趨勢分析與實際調(diào)研資料不符，管理者據(jù)此做出的戰(zhàn)略決策可能會偏離市場實際需求，導致企業(yè)資源錯配，錯失發(fā)展機遇，給企業(yè)帶來巨大的市場風險。

3.2 技術(shù)的應用風險

（1）企業(yè)運營風險

隨著GAI技術(shù)的飛速發(fā)展和廣泛應用，業(yè)界對GAI計算能力的提升、大型數(shù)據(jù)集的獲取和高技能人才的培養(yǎng)已投人了大量的關注與資源，一定程度上已超越學術(shù)界和政府。這種趨勢不僅重塑了GAI領域的研究格局，也對企業(yè)本身的運營產(chǎn)生了深遠的影響[29]

一方面，如果企業(yè)在生產(chǎn)、運營和管理等核心活動中過度依賴GAI系統(tǒng)，忽略人工自行驗證和檢查的過程，一旦該系統(tǒng)本身出現(xiàn)技術(shù)問題或使用權(quán)限受到限制，企業(yè)的主要活動將受到重大影響[30]。另一方面，GAI的應用對勞動力市場和企業(yè)人力資源管理提出了新挑戰(zhàn)。首先，Noy和Zhang[31]通過實驗研究表明，在專業(yè)寫作任務中，使用GAI工具的情況下，完成任務的平均時間減少了 40% ，產(chǎn)出質(zhì)量提升了 18% ，這說明GAI快速強大的文本處理與編輯能力對一些職業(yè)產(chǎn)生了積極的影響。但與此同時，人工智能也使得一些職業(yè)面臨被取代的風險，例如新聞媒體與藝術(shù)行業(yè)[32]。2022年，我國約 19.05% 的工作崗位正面臨著較高的被人工智能替代的風險[33]。其次，盡管GAI可以提高一些工作的創(chuàng)造性，但這種增益作用具有明顯的技能偏見。Jia等[34通過在一家大型電話營銷公司進行的田野實驗發(fā)現(xiàn)，對于高技能員工，AI輔助是提升創(chuàng)造力和工作績效的有力工具；而對于低技能員工，則可能面臨更大壓力和職業(yè)發(fā)展挑戰(zhàn)。這提醒企業(yè)和管理者，GAI的應用要關注低技能員工的需求，通過培訓等方式提升他們的技能，減少技能偏見帶來的負面影響。因此，GAI技術(shù)的技能偏見，可能會導致企業(yè)調(diào)整勞動力需求結(jié)構(gòu)，減少對低技能勞動力的需求。這種變化為企業(yè)人力資源管理帶來了新的挑戰(zhàn)，無論是績效評估體系、員工職業(yè)技能培訓，還是員工的組織承諾構(gòu)建，都需要進行相應的調(diào)整。

（2）個體使用風險

GAI技術(shù)的應用，對使用者個人而言，也帶來了一系列風險與挑戰(zhàn)?；谏鐣W與心理學理論，已有研究將用戶對人工智能的使用體驗歸納為四個方面：數(shù)據(jù)捕獲、分類、委托和社交互動[35]。此外，GAI的廣泛應用，還引發(fā)了倫理問題。一方面，當GAI技術(shù)被惡意使用時，將對他人和社會造成傷害。例如，深度偽造技術(shù)能夠生成高度逼真但虛假的內(nèi)容，從而導致錯誤信息的傳播和不良后果，如學術(shù)研究中的學術(shù)不端行為[36]以及互聯(lián)網(wǎng)虛假評論。另一方面，如果GAI系統(tǒng)的設計和開發(fā)未能充分考慮道德價值觀，可能會導致系統(tǒng)在應用過程中出現(xiàn)不道德行為。例如，研究發(fā)現(xiàn)大語言模型能夠通過分析用戶提供的上下文推斷出個人隱私信息，致使用戶的個人隱私權(quán)受到侵犯。在客戶關系管理中，這可能引發(fā)客戶對企業(yè)使用GAI的信任危機，影響客戶對企業(yè)的信任而導致客戶流失。

3.3 發(fā)展的制約因素

（1）數(shù)字鴻溝的存在GAI作為一種新興的數(shù)字技術(shù)，其發(fā)展并非均衡，導致了數(shù)字鴻溝的進一步深化，形成了當前的“智能鴻溝”。數(shù)字鴻溝的存在，對GAI的發(fā)展帶來諸多挑戰(zhàn)[37]。首先，從企業(yè)角度看，在不同國家的企業(yè)之間，由于資金、數(shù)據(jù)、技術(shù)、人才等資源的不均衡分配，一些企業(yè)能夠充分利用GAI技術(shù)推動創(chuàng)新，而其他企業(yè)則因缺乏數(shù)據(jù)優(yōu)勢和技術(shù)人才而難以發(fā)揮GAI技術(shù)的最佳潛能。其次，從群體角度看，用戶對GAI技術(shù)的認知程度、使用能力和評估水平存在顯著差異。數(shù)字弱勢群體由于缺乏對技術(shù)的了解和應用能力，可能更容易成為詐騙等惡意行為的受害者，這不僅影響了他們從GAI技術(shù)中獲益的機會，也增加了他們面臨的風險。管理創(chuàng)新需要技術(shù)、資源和人才的支持。數(shù)字鴻溝的存在使得不同主體在獲取和利用這些關鍵要素時存在差異，資源豐富的主體能夠更好地借助GAI推動管理創(chuàng)新，而資源匱乏的主體則受到限制，從而導致發(fā)展差距進一步拉大。例如，在企業(yè)內(nèi)部，若企業(yè)員工存在較大的數(shù)字素養(yǎng)差距，可能導致內(nèi)部溝通不暢，創(chuàng)新理念難以有效傳達和實施，影響企業(yè)整體的創(chuàng)新能力提升。

（2）數(shù)據(jù)的高質(zhì)量需求

GAI模型依賴于大規(guī)模文本數(shù)據(jù)集的訓練，這些模型的性能和輸出質(zhì)量直接受到訓練數(shù)據(jù)質(zhì)量的影響。訓練數(shù)據(jù)中包含任何的偏見或不準確信息，都可能在模型的最終輸出中反映出來[38]。然而，獲取和整理高質(zhì)量數(shù)據(jù)集的任務充滿挑戰(zhàn)。這可能包括手動搜集大量的文本數(shù)據(jù)，這些數(shù)據(jù)需要精確地代表目標群體或現(xiàn)象。此外，還需要進行數(shù)據(jù)清洗和預處理工作，以消除錯誤、重復和不相關的信息。這個過程不僅耗時耗力，還需要專業(yè)的數(shù)據(jù)科學家和領域?qū)＜业膮⑴c，以確保數(shù)據(jù)集的相關性和準確性。盡管合成數(shù)據(jù)集的出現(xiàn)和應用提供了一種解決數(shù)據(jù)質(zhì)量和代表性問題的潛在方法，但當前的GAI模型在采用合成數(shù)據(jù)時仍面臨障礙。在管理創(chuàng)新應用中，不準確的GAI模型輸出會誤導管理者決策。例如，在客戶關系管理中，基于低質(zhì)量數(shù)據(jù)訓練的GAI無法準確分析客戶需求和行為，企業(yè)可能制定錯誤的客戶營銷策略，影響客戶滿意度和忠誠度。

（3）法律法規(guī)的變革

GAI的迅猛發(fā)展與廣泛應用，對相關行業(yè)的法律法規(guī)體系提出了新的要求。這不僅涉及對人工智能產(chǎn)品的約束性法規(guī)，也包括對人工智能事故的責任追究機制?，F(xiàn)有的政策法規(guī)仍難以充分支撐和保障人工智能技術(shù)的健康發(fā)展。首先，在數(shù)據(jù)的使用上，由于GAI模型的訓練依賴于大量來自互聯(lián)網(wǎng)的數(shù)據(jù)，這些數(shù)據(jù)的版權(quán)和授權(quán)問題往往不夠明確和透明。盡管目前的法律法規(guī)已經(jīng)涉及了數(shù)據(jù)版權(quán)問題，但在作品復制、風格模仿等侵權(quán)問題上，尚缺乏具體明確的規(guī)定[32]。其次，隨著技術(shù)的進步與落地，AI系統(tǒng)可能作為非人類實體，成為管理創(chuàng)新活動的超級主體，并極有可能成為法律主體。而當前法律體系難以適應這種變化，需要進一步考慮非人類實體的法律地位與責任定義。法律法規(guī)的不完善使得企業(yè)在創(chuàng)新過程中面臨不確定性和風險，影響企業(yè)的創(chuàng)新投人和行為，同時也不利于行業(yè)的有序發(fā)展。因此，監(jiān)管機構(gòu)需要深入理解GAI在不同應用場景下的具體情況，并制定相應的法規(guī)[39] 。

（4）技術(shù)創(chuàng)新的挑戰(zhàn)

GAI技術(shù)的突飛猛進，不僅對硬件技術(shù)資源提出了前所未有的挑戰(zhàn)，也對軟件系統(tǒng)的復雜性處理、倫理設計提出了新的考量。在硬件方面，GAI的大模型訓練對計算資源的需求激增，對基礎設施的性能要求超出了傳統(tǒng)以CPU為中心的云計算架構(gòu)的承載能力。硬件技術(shù)資源不足將限制GAI在管理創(chuàng)新中的應用規(guī)模和效率。例如，企業(yè)在進行大規(guī)模數(shù)據(jù)分析和模擬用于新產(chǎn)品設計與研發(fā)時，因硬件性能不足無法快速得到結(jié)果，將影響決策的及時性。在軟件方面，GAI模型在實踐應用的過程中，面臨著處理問題復雜性的挑戰(zhàn)。現(xiàn)實世界的應用場景通常涉及多重影響因素、非線性和長延遲等問題，這使得GAI模型的參數(shù)等關鍵操作信息難以直接獲取，進而影響模型輸出的準確性與有效性。

4結(jié)論與展望

GAI作為一次顛覆性的技術(shù)變革給管理領域創(chuàng)新帶來了廣闊的前景和巨大的挑戰(zhàn)。在此背景下，本文首先詳細介紹了GAI的技術(shù)發(fā)展，以及其強大的學習理解、多模態(tài)數(shù)據(jù)生成、自動化和自適應進化能力。其次，本文深入闡述了GAI在四個管理領域的創(chuàng)新應用。具體地，新產(chǎn)品設計方面，GAI能夠挖掘用戶需求并生成新產(chǎn)品創(chuàng)意，為新產(chǎn)品提供創(chuàng)新靈感；客戶關系管理方面，GAI作為智能客服可以提升客戶服務效率與質(zhì)量，增強了客戶的體驗;精準營銷方面，GAI能夠為用戶推薦個性化的產(chǎn)品或服務，并實現(xiàn)了廣告的精準投放；供應鏈管理方面，GAI能夠提高庫存管理的準確性和物流的效率，幫助企業(yè)識別和評估供應鏈中的潛在風險。再次，本文提出了GAI在管理創(chuàng)新中遇到的三個方面的挑戰(zhàn)，包括：內(nèi)容質(zhì)量風險，即不可靠性、欺騙性、可解釋性和幻覺性;技術(shù)應用風險，如企業(yè)運營風險和個體使用風險；GAI發(fā)展的制約因素，如數(shù)字鴻溝的存在、數(shù)據(jù)的高質(zhì)量需求、法律法規(guī)的變革、技術(shù)創(chuàng)新的挑戰(zhàn)等。

本文開展的總結(jié)和凝練工作，有助于將GAI技術(shù)應用到管理創(chuàng)新方面，并開展更深人的學術(shù)探索和廣泛的應用實踐。隨著GAI技術(shù)在不同領域的應用，其觸角已深深嵌人經(jīng)濟、社會、科技乃至日常生活的每一個角落，大數(shù)據(jù)、人工智能技術(shù)、組織環(huán)境演變和人機交互的深度融合使得管理決策變得愈加復雜，這也為管理者進行管理創(chuàng)新與實踐帶來了前所未有的挑戰(zhàn)與機遇。進一步的研究可以著力于構(gòu)建人工智能在管理創(chuàng)新中的新方法和新模型，揭示GAI在管理實踐中的新機理，設計適用于新型管理問題和決策的策略和模式。

參考文獻：

[1]Garcia-Penalvo F，Vázquez-Ingelmo A.What dowe mean by GenAI？A systematic mapping of the evolution， trends，and techniques involved in generative AI[J]. International Journal ofInteractiveMultimediaand ArtificialIntelligence，2023，8（4）：7-16.

[2]Brown T，Mann B，RyderN，et al..Language models are few-shot learners[J].Advances in Neural Information Processing Systems，2020，33：1877-1901.

[3］孫辰朔，林志杰.推動人工智能創(chuàng)新與治理協(xié)同發(fā)展 [N].光明日報，2023-05-15（02）.

[4]Liu Z，LinY，Cao Y，etal..Swin transformer：hierarchical vision transformer using shifted windows [A]. Proceedings of the IEEE/CVF International Conference on Computer Vision[C].Online，2021.10012-10022.

[5]Vadla MKS，Suresh M A，Viswanathan VK.Enhancing product design through AI-driven sentiment analysis of Amazon reviews using BERT[J]. Algorithms，2024， 17（59） ： 1-17.

[6]Mughal N，MujtabaG，Kumar A，et al.．Comparative analysis of deep natural networks and large language models for aspect-based sentiment analysis[J].IEEE Access，2024，12：60943-60959.

[7]Goel T，Shaer O，Delcourt C，et al.．Preparing future designers for human-AI collaboration in persona creation [A].Proceedings of the 2nd Annual Meeting of the Symposium on Human-Computer Interaction for Work [C]．Oldenburg，2023．1-14.

[8]ZhangX，Liu L，WangY，etal..Personagen：a tool for generating personas from user feedback[A]. 2O23 IEEE 31st International Requirements Engineering Conference （RE）［C]．IEEE，2023．353-354.

[9] Zhang M，F(xiàn)an B，Zhang N，et al.. Mining product innovation ideas from online reviews［J].Information Processingamp; Management，2021，58（1）：102389.

[10]Lavris F，Skraba A. Brainstorming will never be the same again-a human group supported by artificial intelligence［J]. Machine Learning and Knowledge Extraction，2023，5（4）：1282-1301.

[11]Zhu Q，Luo J. Generative design ideation：a natural language generation approach[A]. International Conference on-Design Computing and Cognition[C].Cham： Springer International Publishing，2022.39-50.

[12]吳小龍，肖靜華，吳記.當創(chuàng)意遇到智能：人與AI協(xié) 同的產(chǎn)品創(chuàng)新案例研究[J].管理世界，2023，39（5）： 112-126.

[13]Niszczota P，Abbas S.GPT has become financially literate ：insights from financial literacy tests of GPT and a preliminary test of how people use it as a source of advice [J]．Finance Research Letters，2023，58：104333.

[14]Pan S，Luo L，Wang Y，et al.. Unifying large language models and knowledge graphs： a roadmap[J]. IEEE Transactions on Knowledge andData Engineering， 2024，36（7） ：3580-3599.

[15]Chen B，Bertozzi A L. AutoKG：efficient automated knowledge graph generation for language models[A]. 2023 IEEE International Conference on Big Data （BigData）[C]． IEEE，2023.3117-3126.

[16]Choudhary N，Reddy C K. Complex logical reasoning over knowledge graphs using large language models[J]. arXiv preprint arXiv： 2305.01157，2023.

[17]Al-Hasan T M，Sayed A N，BensaaliF，et al.. From traditional recommender systems to GPT-based chatbots ： a survey of recent developments and future directions [J].Big Data and Cognitive Computing， 2O24，8（4） ： 36.

[18］趙楊，張雪，范圣悅.AIGC 驅(qū)動的智慧圖書館轉(zhuǎn)型： 框架、路徑與挑戰(zhàn)［J].情報理論與實踐，2023，46 （7） ：9-16.

[19]Remountakis M，Kotis K， Kourtzis B，et al..ChatGPT andpersuasive technologies for the management and deliveryofpersonalizedrecommendationsinhotel hospitality[J]. arXiv preprint arXiv： 2307.14298，2023.

[20] Sk6rn6g D， Kmiecik M. Supporting the inventory management in the manufacturing company by ChatGPT [J]．LogForum，2023，19（4）：535-554.

[21]Patil O，Kulkarni H，Pottavathini R，et al..Real time inventory management system powered by generative user interface[J]. International Journal of Scientific Research in Engineering and Management，2024，8（4） ： 1-6.

[22]Jackson I，Jesus Saenz M，Ivanov D. From natural language to simulations：applying AI to automate simulation modelling of logistics systems ［J]. International Journal of Production Research，2024，62（4） ：1434-1457.

[23]Shishehgarkhaneh MB，Moehler RC，F(xiàn)ang Y，et al.. Transformer-based named entity recognition in construction supply chain risk management in Australia[J]. IEEE Access，2024，12： 41829-41851.

[24]Gadzo R，Liu Y. Entity alignment for knowledge graphs in the context of supply chain risk management[A]. CEUR Workshop Proceedings[C]. Hersonissos， 2024.8.

[25] Stokel-Walker C，Noorden R V. The promise and peril of generative AI[J]．Nature，2023，614（1）：214-216.

「26]Kidd C.Birhane A.How AI can distort human beliefs [J]．Science，2023，380（6651）：1222-1223.

[27]Park PS，Goldstein S，O’Gara A，et al.．AI deception：a surveyof examples， risks， andpotential solutions[J].Patterns，2024，5（5）：100988.

[28]DwivediY K，KshetriN，HughesL，et al..Opinion paper：“So what if ChatGPT wrote it？” Multidisciplinary perspectives on opportunities，challenges and implications of generative conversational AI for research，practiceand policy[J].International Journal ofInformation Management，2023，71：102642.

[29]Susarla A，Gopal R，ThatcherJB，et al.．The Janus effectof generative AI：chartingthe path for responsible conduct of scholarly activities in information systems [J].InformationSystemsResearch，2023，34（2）：399-408.

[30]Ahmed N，Wahed M，Thompson N C. The growing influence of industry in AI research[J]. Science， 2023，379（6635）：884-886.

[31]Noy S， Zhang W. Experimental evidence on the productivityeffects ofgenerative artificial intelligence[J]. Science，2023，381（6654）：187-192.

[32]EpsteinZ，HertzmannA，CreativityIOH，etal..Art and the science of generative AI[J].Science，2023， 380（6650）：1110-1111.

[33]王林輝，胡晟明，董直慶.人工智能技術(shù)、任務屬性與 職業(yè)可替代風險：來自微觀層面的經(jīng)驗證據(jù)[J]. 管理世界，2022，38（7）：60-79.

[34]JiaN，Luo X，F(xiàn)angZ，etal..When and how artificial intelligence augments employee creativity[J].Academy ofManagement Journal，2024，67（1）：5-32.

[35]PuntoniS，ReczekRW，GieslerM，etal..Consumers and artificial intelligence：an experiential perspective [J]．Journal of Marketing，2021，85（1）：131-151.

[36]VanDisEAM，BollenJ，ZuidemaW，etal..ChatGPT： five priorities for research[J].Nature，2O23，614 （7947）：224-226.

[37]史丹，聶新偉，齊飛.數(shù)字經(jīng)濟全球化：技術(shù)競爭、規(guī)則 博弈與中國選擇[J].管理世界，2023，39（9）：1-15.

[38］林志杰，羅欽芳.數(shù)據(jù)：共譜數(shù)智未來［N].大眾日報， 2024-02-27（07）.

[39]Gervais D J，NayJJ.Artificial intelligenceand interspecificlaw[J].Science，2023，382（6669）： 376-378.

Management Innovation and Challenges Empowered by Generative Artificial Intelligence

YANG Xian ^1，2 ，LUO Qinfang23，LI Bu2，LIN Zhijie2 （1.SchoolofEconomicsandManagement，China UniversityofPetroleum，Beijing102249，China;2.Schoolof Economics and Management，Tsinghua University，Beijing1084，China;3.ColegeofManagement，ShenzhnUniversity，hnzen 518055，China）

Abstract：Thepowerfullearing understanding，multimodaldatageneration，automatio，andadaptive evolutioncapabilitiesof generative artificial intellgence（GAI）have brought broad prospects for management innovation.Atthe same time，the integrationofmultiplefactorssuchasbigdata，artficialintellgencetechnology，human-computerinteraction，andthe evolution of management environments has also brought enormous challenges to management innovation.

Thisarticle first elaboratesonthe technologicaldevelopmentof generativeartificial inteligence.Thedevelopmentof GAIcan be dividedintoseveral important stages，namely theexplorationperiodbefore theintroductionof neural networks，the introductionandarchitecture innovationperiodof neuralnetworks，andthecurrent developmentperiodof largemodeldriven crossmodal intellgence.ThedevelopmentofGAIis notonlya processof technological progres，but alsoa continuous evolution of itsrelationship with peopleandorganizations.Inthe future，howcan GAI be further integrated into organizational structureandreshape management practices willbecomean important research direction in management science.Furthermore，an in-depth analysisisconductedon the innovative applications ofGAI in four management areas. Specifically，for new product design，GAI can explore user needs and generate new product ideas， providing innovative inspirationfornew products．Forcustomerrelationship management，GAI，asanintelligent customer service representative，can improve customer service eficiency and quality，enhancing the customer experience.For precision marketing，GAIcan recommend personalized products or services to users and achieve precise advertising placement.For supply chain management，GAI improves theaccuracyof inventory managementand the eficiencyoflogistics，helpingenterprises identifyandevaluatepotentialrisksinthesupplychain.Finally，thisarticle proposes three challenges that GAI faces in managing innovation，including content qualityriskssuch as unreliability， deception，interpretability，andillusion，technologyapplicationriskssuchasenterpriseoperational risksand individual usage risks，aswellasconstraining factors forGAIdevelopmentsuch as theexistenceof digitaldivide，high-qualitydata demand， legal and regulatory changes，and technological innovation challenges.

These challenges have also brought new opportunities and directions for theresearch of GAI inthe field o management.The research contributes to the development of new theoriesand methods for GAI in managemen innovation，and also promotes the practical applications.

Keywords：generative artificial inteligence；human-computer interaction；management innovation；riskandchalenge