生成式人工智能賦能的管理創新與挑戰

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相比于傳統人工智能，不僅能夠分析和理解數據，還具備生成新內容的能力，不論是在創造性還是易用性方面均有巨大提升[1]。例如，OpenAI發的大語言模型GPT，用于構建會話式人工智能系統ChatGPT。該系統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開發的針對圖像類型數據的生成式人工智能DALL-E-2，能夠根據文本描述創建相關的高質量圖像。

近年來，以ChatGPT為代表的生成式人工智能交互應用迅速發展，并獲得了社會各界的廣泛關注。GAI技術的發展呈現出全球化競爭態勢。除OpenAI的GPT系列外，國內外研究機構和企業也取得了重要突破。例如，Google的PaLM模型在復雜推理任務上表現出色，Anthropic開發的Claude模型在安全性和可控性方面具有優勢。國內方面，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。這些技術進步為GAI在管理領域的創新應用奠定了堅實基礎。從技術發展路徑來看，GAI模型經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，其目標是實現特定場景下的專業化應用。隨著無監督預訓練技術的突破，大規模語言模型逐漸成為主流，這種模型通過海量數據預訓練獲得通用語言理解能力[2]，再通過微調適配具體任務，顯著提升了模型的泛化能力和遷移學習效果。

隨著GAI技術的不斷發展和應用場景的拓展，人工智能也將在企業管理領域發揮更加重要的作用[3]。GAI的多模態內容生成能力賦能到企業管理領域，可以推動管理創新，為企業帶來前所未有的機遇。同時，這也將面臨多種挑戰。本文梳理了GAI的發展脈絡，詳細闡述了GAI賦能管理創新的典型應用，包括新產品設計、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在管理創新領域應用所面臨的一系列挑戰。

1GAI的發展

GAI的發展是技術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技術的突破，也改變了人與組織的交互方式。GAI的發展可以被分為三個重要階段，分別是神經網絡引入前的探索期、神經網絡的引入和架構創新期以及目前的大模型驅動的跨模態智能發展期。GAI的發展不僅僅是技術進步的過程，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、通用人工智能的發展，GAI正在深刻改變人與組織的交互模式，推動管理方式的變革。未來，GAI如何進一步融人組織結構、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，即神經網絡引入前的探索期，生成式模型主要依賴統計方法，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據結構時存在顯著局限，難以生成長文本或高質量圖像，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不佳。

在第二階段，深度學習方法的應用推動了GAI的發展，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，傳統的圖像生成方法依賴人工設計特征的技術，往往無法生成復雜圖片。生成對抗網絡的出現突破了這一瓶頸，能夠生成高質量圖像，推動了圖像合成、藝術創作等領域的應用。此外，變分自編碼器以及流模型更多技術的提出，為高維數據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揮作用。

第三階段的標志性技術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，視覺領域實現了更精確的圖像生成，并推動了GAI在多個領域的應用。隨著多模態大模型的發展，GAI的能力從單模態拓展至跨模態，為企業智能決策、產品設計、自動化市場分析等提供了新的可能[4]。

GAI新技術的快速發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型。同時，GAI的普及也引發了技能更新的需求，員工需要適應AI協作的工作環境。而在組織層面上，GAI也同樣是企業數字化轉型的有力工具，可以進一步提高企業的決策效率和市場競爭力。例如，GAI的智能數據分析能力能夠使企業更快地洞察市場趨勢，優化運營流程。同時，GAI的普及也對企業治理、數據隱私以及道德風險等方面提出了新的挑戰。

2GAI賦能的管理創新

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

內容風險挑戰 管理創新 應用風險挑戰

不可靠性 新產品設計 精準營銷 企業層面

：調 ·需意控攝 ·推薦統 ·過度行業取代

欺騙性 客戶關系管理 供應鏈管理 ·技能需求結構變化

·使應 ·智知客 ：充管理送 ·員工管理變革

控制權喪失 ·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 ·決策控制權喪失

幻覺性 生成式人工智能 ·隱私侵犯

·內在和外在幻覺 ·倫理道德問題

·世界知識偏差數字鴻溝 數據質量 法律法規 技術創新·企業角度的鴻溝 ·數據采集能力 ·數據使用權 ·硬件：基礎設施、可持續性·群體角度的鴻溝 ·預處理能力 ·生成內容版權 ·軟件：模型參數、人智協同·使用能力 ·法律主體與統一監管發展制約因素挑戰

2.1 新產品設計

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

需求挖掘階段，GAI可從海量異構歷史數據中快速、全面和準確地挖掘用戶需求。傳統的機器學習方法，如貝葉斯、支持向量機、卷積神經網絡等要為特定任務訓練專門的模型，這需要大量的樣本數據且耗時耗力。而GAI能夠通過生成式方式判別跨領域的多源異構信息，全面挖掘用戶的潛在需求。企業界和學術界開始探索利用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對產品評論的智能分析，獲知產品的優勢和劣勢、客戶需求等。Vadla等[5提出了一個AI驅動的情感分析方法，利用GPT對亞馬遜的用戶評論數據中涉及到的產品屬性進行監測，并對屬性的情感進行實時分析。相關研究對比了GPT和傳統機器學習方法在基于在線評論的產品特征情感分析的效果，結果顯示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據輸入到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技術的發展，GPT-4的多模態理解能力已可以實現從文本、圖像、視頻、腦電和生理等多模態數據中更智能和全面地挖掘用戶需求。

創意生成階段，GAI可通過用戶需求、產品結構和產品功能的系統分析，自動生成新產品創意。傳統的產品創意生成方法基于歷史數據中的產品特征進行簡單的檢索和參考，這種方式容易出現思維局限性，導致創意雷同。而GAI除了能從歷史數據中獲知產品特征，還能生成新穎的、多樣的創意，輔助產品設計者開發全新的產品。GAI可以從海量數據中直接獲取產品創意，如，利用GPT-2從在線評論中識別和提取產品的創意，輔助產品改進和新產品開發[9]。此外，GAI可以給機器賦予一定的角色并參與到新產品的設計過程中，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專家參與到創意的設計中[11-12] C

2.2 客戶關系管理

客戶關系管理作為企業與客戶互動的核心環節，正迎來GAI技術的深刻變革。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新應用。

GAI拓寬了文本內容生成的途徑，能夠快速實現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，發現GPT-4在金融知識問答中表現得最好。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，即通過海量數據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知識圖譜的構建、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部蘊含潛在知識的能力，可以從多種數據源中抽取知識，并對企業的知識圖譜進行自動構建[15];另一方面，基于大模型設計的知識問答系統，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作為數字化營銷的新引擎，為企業營銷注入了更多的創新力，將為企業帶來更多的商業價值和競爭優勢。目前GAI賦能企業精準營銷應用主要體現在推薦系統和廣告營銷兩個方面。

個性化推薦方面，GAI能夠根據用戶的興趣、行為和歷史數據，為用戶推薦個性化的產品或服務，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品或服務推薦。在圖書領域，趙楊等[18構建了一個基于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，并結合用戶的歷史閱讀記錄等數據，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創建機器人提供圖書推薦服務。在酒店推薦中，Remountakis等[19]發現將GPT融人到酒店推薦系統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強大的多模態內容創造能力，可以對廣告營銷的流程進行系統重構，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、情境相關和復雜內容的能力，很大程度上減少了制作廣告內容的成本和時間。Meta公司推出了GAISandbox工具，幫助廣告創作者在公司的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，可以根據用戶的行為記錄，向目標用戶投放更精準、更具創意和故事性的個性化廣告，提高廣告的點擊率和轉化率，進而提高產品的銷量。

2.4 供應鏈管理

GAI的發展也推動了供應鏈管理創新，它不僅提高了供應鏈的效率和響應速度，還通過數據驅動和智能決策優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節。

庫存管理中，GAI可以通過歷史銷售數據、生產數據和市場趨勢等預測季節性的倉儲需求，為企業提供動態的庫存優化建議，預防庫存過剩或不足，提高庫存管理的準確性。 和Kmiecik[20]對比分析了GPT和ARIMA兩種方法對企業倉儲需求的預測效果，發現GPT的預測精度和穩定性更高，大模型融人到公司系統無論在短期和長期內都能提高公司庫存管理的準確性。Patil等[21]開發了一個生成式用戶界面的實時庫存管理系統，該系統將多個大模型集成到傳統的庫存管理系統中，可以實現自然語言與庫存的實時會話交互，增強了企業軟件的用戶體驗。

物流配送中，GAI解決方案在貨物的運輸、配送和交付環節都有著廣泛的應用。GAI可以不斷地從各種來源獲取實時的天氣和交通等數據，預測物流配送途中可能遇到的風險，優化配送路線，確保快速且經濟高效的運輸方案。Jackson等[22]開發了一個基于GPT-3的物流仿真系統，通過人與系統的交互對物流過程進行仿真和實時優化。

供應鏈風險管理中，企業通過構建知識圖譜管理供應鏈、產業鏈業務數據及專家知識，幫助企業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建和風險識別更加高效、準確和智能化，為供應鏈的持續安全和穩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濟數據構建供應鏈知識圖譜，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在管理創新中的挑戰

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

3.1 內容的質量風險

（1）不可靠性

GAI作為現代管理創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容的可靠性面臨著兩大質疑：內容的虛假性與偏見問題，人工智能的諂媚行為。

首先，GAI的內容生成通常基于海量數據的學習，這些數據中可能包含不準確、有偏見的信息，或者數據未能及時反映最新的社會發展和知識更新。因此，人工智能在處理這些數據時會產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，在市場調研分析中，如果GAI提供的消費者需求數據存在偏見，管理者可能會誤判市場趨勢，開發不符合市場需求的產品或服務，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、結構效應和控制權喪失[27]。惡意使用風險中，心存惡意的使用者利用GAI的欺騙行為，有意地使他人產生錯誤信念，進而引發一系列基于欺騙的危害。此外，生成內容的欺騙傾向可能導致社會結構的深層次變化，這些變化可能對社會整體的信念塑造與社會穩定構成威脅，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容，這種控制權的喪失不僅損害了用戶對人工智能的信賴，也可能引發不可預測的后果。在管理創新的環境中，信息的真實性和控制權至關重要。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據可能誤導企業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，但其內在的“黑匣子”特性使得人工智能系統并無法呈現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的感知用戶價值，甚至出現對人工智能系統的算法厭惡。其次，由于GAI模型通常需要依賴大量實時更新的數據，因此不透明性使得數據的來源、處理方式和潛在的偏見難以被監控和評估，使用者難以發現潛在的問題。在管理創新決策中，管理者需要理解決策依據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展示。管理者無法像傳統決策分析那樣，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，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容并不相符，甚至可能是完全捏造的信息，這種生成內容給用戶一種虛假的真實感幻覺[28]。在管理決策活動中，幻覺現象的出現可能會導致嚴重的后果。管理創新依賴于對實際情況的準確把握，而GAI的幻覺現象打破了信息與現實的對應關系，管理者基于這些虛假信息構建管理策略和行動計劃，必然導致實踐與預期的偏差，最終影響企業的管理創新效果和發展。如果GAI在提供決策支持時產生了幻覺，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。在企業進行創新戰略規劃時，若GAI基于幻覺生成的行業趨勢分析與實際調研資料不符，管理者據此做出的戰略決策可能會偏離市場實際需求，導致企業資源錯配，錯失發展機遇，給企業帶來巨大的市場風險。

3.2 技術的應用風險

（1）企業運營風險

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

一方面，如果企業在生產、運營和管理等核心活動中過度依賴GAI系統，忽略人工自行驗證和檢查的過程，一旦該系統本身出現技術問題或使用權限受到限制，企業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人力資源管理提出了新挑戰。首先，Noy和Zhang[31]通過實驗研究表明，在專業寫作任務中，使用GAI工具的情況下，完成任務的平均時間減少了 40% ，產出質量提升了 18% ，這說明GAI快速強大的文本處理與編輯能力對一些職業產生了積極的影響。但與此同時，人工智能也使得一些職業面臨被取代的風險，例如新聞媒體與藝術行業[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現，對于高技能員工，AI輔助是提升創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發展挑戰。這提醒企業和管理者，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技術的技能偏見，可能會導致企業調整勞動力需求結構，減少對低技能勞動力的需求。這種變化為企業人力資源管理帶來了新的挑戰，無論是績效評估體系、員工職業技能培訓，還是員工的組織承諾構建，都需要進行相應的調整。

（2）個體使用風險

GAI技術的應用，對使用者個人而言，也帶來了一系列風險與挑戰。基于社會學與心理學理論，已有研究將用戶對人工智能的使用體驗歸納為四個方面：數據捕獲、分類、委托和社交互動[35]。此外，GAI的廣泛應用，還引發了倫理問題。一方面，當GAI技術被惡意使用時，將對他人和社會造成傷害。例如，深度偽造技術能夠生成高度逼真但虛假的內容，從而導致錯誤信息的傳播和不良后果，如學術研究中的學術不端行為[36]以及互聯網虛假評論。另一方面，如果GAI系統的設計和開發未能充分考慮道德價值觀，可能會導致系統在應用過程中出現不道德行為。例如，研究發現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受到侵犯。在客戶關系管理中，這可能引發客戶對企業使用GAI的信任危機，影響客戶對企業的信任而導致客戶流失。

3.3 發展的制約因素

（1）數字鴻溝的存在GAI作為一種新興的數字技術，其發展并非均衡，導致了數字鴻溝的進一步深化，形成了當前的“智能鴻溝”。數字鴻溝的存在，對GAI的發展帶來諸多挑戰[37]。首先，從企業角度看，在不同國家的企業之間，由于資金、數據、技術、人才等資源的不均衡分配，一些企業能夠充分利用GAI技術推動創新，而其他企業則因缺乏數據優勢和技術人才而難以發揮GAI技術的最佳潛能。其次，從群體角度看，用戶對GAI技術的認知程度、使用能力和評估水平存在顯著差異。數字弱勢群體由于缺乏對技術的了解和應用能力，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技術中獲益的機會，也增加了他們面臨的風險。管理創新需要技術、資源和人才的支持。數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推動管理創新，而資源匱乏的主體則受到限制，從而導致發展差距進一步拉大。例如，在企業內部，若企業員工存在較大的數字素養差距，可能導致內部溝通不暢，創新理念難以有效傳達和實施，影響企業整體的創新能力提升。

（2）數據的高質量需求

GAI模型依賴于大規模文本數據集的訓練，這些模型的性能和輸出質量直接受到訓練數據質量的影響。訓練數據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，獲取和整理高質量數據集的任務充滿挑戰。這可能包括手動搜集大量的文本數據，這些數據需要精確地代表目標群體或現象。此外，還需要進行數據清洗和預處理工作，以消除錯誤、重復和不相關的信息。這個過程不僅耗時耗力，還需要專業的數據科學家和領域專家的參與，以確保數據集的相關性和準確性。盡管合成數據集的出現和應用提供了一種解決數據質量和代表性問題的潛在方法，但當前的GAI模型在采用合成數據時仍面臨障礙。在管理創新應用中，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，基于低質量數據訓練的GAI無法準確分析客戶需求和行為，企業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）法律法規的變革

GAI的迅猛發展與廣泛應用，對相關行業的法律法規體系提出了新的要求。這不僅涉及對人工智能產品的約束性法規，也包括對人工智能事故的責任追究機制。現有的政策法規仍難以充分支撐和保障人工智能技術的健康發展。首先，在數據的使用上，由于GAI模型的訓練依賴于大量來自互聯網的數據，這些數據的版權和授權問題往往不夠明確和透明。盡管目前的法律法規已經涉及了數據版權問題，但在作品復制、風格模仿等侵權問題上，尚缺乏具體明確的規定[32]。其次，隨著技術的進步與落地，AI系統可能作為非人類實體，成為管理創新活動的超級主體，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。法律法規的不完善使得企業在創新過程中面臨不確定性和風險，影響企業的創新投人和行為，同時也不利于行業的有序發展。因此，監管機構需要深入理解GAI在不同應用場景下的具體情況，并制定相應的法規[39] 。

（4）技術創新的挑戰

GAI技術的突飛猛進，不僅對硬件技術資源提出了前所未有的挑戰，也對軟件系統的復雜性處理、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以CPU為中心的云計算架構的承載能力。硬件技術資源不足將限制GAI在管理創新中的應用規模和效率。例如，企業在進行大規模數據分析和模擬用于新產品設計與研發時，因硬件性能不足無法快速得到結果，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。現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結論與展望

GAI作為一次顛覆性的技術變革給管理領域創新帶來了廣闊的前景和巨大的挑戰。在此背景下，本文首先詳細介紹了GAI的技術發展，以及其強大的學習理解、多模態數據生成、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新應用。具體地，新產品設計方面，GAI能夠挖掘用戶需求并生成新產品創意，為新產品提供創新靈感；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品或服務，并實現了廣告的精準投放；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在管理創新中遇到的三個方面的挑戰，包括：內容質量風險，即不可靠性、欺騙性、可解釋性和幻覺性;技術應用風險，如企業運營風險和個體使用風險；GAI發展的制約因素，如數字鴻溝的存在、數據的高質量需求、法律法規的變革、技術創新的挑戰等。

本文開展的總結和凝練工作，有助于將GAI技術應用到管理創新方面，并開展更深人的學術探索和廣泛的應用實踐。隨著GAI技術在不同領域的應用，其觸角已深深嵌人經濟、社會、科技乃至日常生活的每一個角落，大數據、人工智能技術、組織環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新與實踐帶來了前所未有的挑戰與機遇。進一步的研究可以著力于構建人工智能在管理創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.推動人工智能創新與治理協同發展 [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，Fan 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.當創意遇到智能：人與AI協 同的產品創新案例研究[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 驅動的智慧圖書館轉型： 框架、路徑與挑戰［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，Fang 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、任務屬性與 職業可替代風險：來自微觀層面的經驗證據[J]. 管理世界，2022，38（7）：60-79.

[34]JiaN，Luo X，FangZ，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.數字經濟全球化：技術競爭、規則 博弈與中國選擇[J].管理世界，2023，39（9）：1-15.

[38］林志杰，羅欽芳.數據：共譜數智未來［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