在根本性不确定性中导航：生成式人工智能时代的企业数字化转型动态—适应模型

这对日常工作为何重要

许多人感觉生成式人工智能正在以比公司规划更快的速度改变工作。本论文提出了一个简单但紧迫的问题：当最重要的技术既强大又不可预测，甚至其创造者也难以完全理解时，商业战略会发生什么变化？作者主张，与其把人工智能当作按路线图推广的另一种工具，企业必须重新构想它们的学习、决策和竞争方式，以应对地面不断移动的世界。

从井井有条的计划到不断变化的地面

几十年来，管理思维假定新技术的演进大体可预测。公司在旁观望，等到工具成熟且被充分理解后，再启动有计划的“数字化转型”项目以投入使用。在这种较旧的观念中，企业整合资源、选择合适的技术并执行精心设计的项目，以在竞争中获得稳定优势。技术本身被视为可知、可控的要素，是通向成功的理性配方的一部分。

当核心技术不再按常理行事

生成式人工智能打破了这一舒适叙事。随着模型规模增长，其能力可能突然显现，而且内部机理极为不透明，连专家也难以解释其得出结论的过程。公司采用的 AI 系统，其未来的技能、弱点和副作用无法用简单直线预测。这就产生了论文所称的“根本性不确定性”：问题不仅是缺乏数据，而是传统预测和规划的方法不再奏效。管理者面对的不是稳定的进步阶梯，而是一个不断演进、部分神秘的伙伴，可能带来意外的好处或风险。

通过实践学习，而非通过预测

在这种新现实中，论文认为公司必须颠倒先思考后行动的常规顺序。由于没人能事先完全把握生成式 AI 在具体业务中的表现，企业需要探索、试验，然后对发现进行理解。作者称之为“自适应意义建构”（adaptive sensemaking）：小规模、反复的试验，人们观察 AI 在真实工作中的表现，发现意外用法和失效模式，并逐步建立可操作的理解。战略不再是纸上的固定计划，而是从与技术的实际互动中演化出的过程。

组织内部的拉扯与推动

这种持续的试验在企业内部产生张力。高层希望秩序、控制和可靠的结果；与 AI 共事的一线团队则发现零散且出人意料的可能性，这些往往不符合既有规则。论文指出，这种摩擦并非应被消除的问题，而恰恰是进步的引擎。自上而下的压力将实验指向业务目标，而自下而上的发现则迫使组织调整其结构、流程甚至目标。如果管理得当，这种“争论与适应”循环使企业既能利用已有知识，又能探索 AI 所带来的新可能。

将适应力转化为真正优势

由于强大 AI 工具和数据正越来越多地被更多参与者获得，单一模型或数据集无法保证长期优势。论文认为，真正的制胜资产是“动态适应能力”：组织持续重构其学习、试验和变更路径的能力。通俗而言，持久的优势并不在于拥有最好的工具，而在于最善于从工具中学习并据此重塑业务。那些培养起持续适应能力的公司，能将许多短暂的优势串联起来，在每个具体优势迅速消失的环境中保持领先。

对未来的含义

对普通读者而言，主要结论是生成式人工智能迫使企业以灵活的学习循环取代僵化的长期计划。论文结论是，企业应把 AI 看作一个需要小心探索的强大且不可预测的合作者，而不是一个可以安装完成的成品。那些在安全试验、开放的失败讨论以及欢迎变革的文化上投入的组织，最有可能繁荣。在生成式 AI 时代，生存与成功不在于一次性掌握机器，而在于不断与之共同学习并持续进步的能力。

引用: Lu, T. Navigating foundational uncertainty: a dynamic-adaptive model of enterprise digital transformation in the age of generative AI. Humanit Soc Sci Commun 13, 451 (2026). https://doi.org/10.1057/s41599-026-06689-z

关键词: 生成式人工智能, 数字化转型, 组织学习, 商业战略, 竞争优势