我在每个领域都看到了这一点，于是把它作为我的博士课题。博尔顿大学的 MBA（获 The Bolton Award）已经教会我用真实工作检验理论。我在曼彻斯特城市大学完成的博士研究，探讨的是知识共享行为：人们如何看待共享、有什么意愿、实际做了什么，以及是什么让他们共享或保留。在我看来，这些模式正是 AI 如今运行的基础。模型用人们选择分享的内容来训练，用它来回答，再把它传给提问的人。AI 对组织的影响由此而来，它也可能悄悄削弱自己所依赖的人类专业知识。这两点都无法靠供应商的幻灯片来判断。
会议论文
示意场景
主张。一家公司引入 AI 助手，并说员工能更快找到答案。
系统行为。助手立即作答，回复看起来很规整，但内容质量参差不齐。
人的反应。问题在于，当机器先给出答案时，同事是否仍被视为专家，同行之间是继续互相反馈，还是就此停止。
商业后果。如果同行之间的交流减少，存在于人与人之间的知识可能会变少，即便答案来得更快。
决策。在更大范围推广之前，先做一个有边界的试点，在使用数据之外配合访谈，再决定是扩大、重新设计还是等待。
这一视角背后的论文研究的是在线社区，而不是 AI。这个场景只是把该视角用到新的环境中；它并不能说明 AI 的表现与之相同。
示意场景
主张。一家公司计划以同样的方式，向英国和德国的团队推广同一个 AI 工具。
系统行为。该工具对每个用户的表现完全一致。
人的反应。论文样本发现，英国和德国的参与者描述了不同的人脉建立与反馈方式。这个场景要问的是，同样的推广在两个国家是否会让人感觉不同。
商业后果。同一份推广方案可能更适合其中一个团队，而公司只能事后才发现。
决策。通过两国的新访谈来检验这个问题，再决定是部署一套方案、按团队调整，还是等待。
这一发现来自一项研究，对象是英国和德国低代码、无代码社区中数字创业者的知识共享行为。它不是关于 AI 部署的证据。