本文提出“人类瓶颈”框架,系统分析生成式人工智能在创意生成、筛选测试、消费者洞察、扩散与市场学习等创新阶段中的双重作用:对于信息、容量和方法论约束,AI能够显著缓解;对于依赖隐性经验、非规范行为和组织激励的约束,AI可能强化问题,人的判断、实地观察与责任承担仍不可替代。报告进一步讨论组织协同、技能退化、代表性偏差,以及生成式AI引发的开发曲线倒置和创新流程重构。
报告标题:《Innovating with Generative AI: A Human Bottleneck Framework》(《生成式人工智能与创新:人类瓶颈框架》)。
作者:Julian De Freitas、Ayelet Israeli、Gideon Nave、Artem Timoshenko、Olivier Toubia。
发布机构与日期:所提供文本未明确标注正式发布机构、期刊或发布日期,但正文引用了大量截至2026年的研究,因此应将其视为一篇面向学术与管理实践的研究框架论文,而非传统券商或公司研究报告。
主题:生成式人工智能如何改变企业创新流程,尤其关注创意生成、筛选测试、消费者偏好测量、扩散及市场学习中的人类认知、社会和组织约束。
报告的核心观点并不是“生成式AI会不会取代人类”,而是应追问在创新流程的哪些环节、通过什么机制、AI能够替代或增强人类工作。作者提出“人类瓶颈”视角:创新效率的限制往往并非单纯来自信息不足,而是源于认知固着、社会评价压力、群体共识、偏好不可表达、非理性行为和组织激励等人类机制。生成式AI对这些瓶颈的作用并不一致,可能缓解某些信息、容量和方法论限制,也可能通过典型化输出、流畅性偏误、模型同质化和自动化依赖进一步放大问题。
报告没有股票评级、目标价、收入预测、利润预测或企业估值,因此不属于通常意义上的投资研究报告;其“判断对象”是创新管理体系和人机分工,而非某一家上市公司。总体立场是:AI适合处理信息性、规模性和方法性任务;人类仍应掌握涉及隐性经验、真实非理性行为、激进重构和重大责任判断的环节。
作者首先指出,生成式AI已经被用于社会舆情挖掘、产品概念生成、市场反应模拟、沟通文案、偏好测量、审美设计和扩散预测等多个环节,但相关实证研究的发展速度快于统一解释框架的形成。因此,报告不按照具体模型能力或固定流程阶段来组织分析,而是围绕相对稳定的人类瓶颈展开,因为AI能力会快速变化,但人类的认知、社会和组织约束具有更强的持续性。
这一框架有两个重要含义:
创意生成的基本难题是同时获得“原创性”和“适用性”:创意必须区别于已有方案,又必须可行并能解决实际问题,单纯追求创意数量并不足够,因为一个极佳创意的价值可能高于大量普通创意。
作者区分了三类瓶颈,其中第一类是个人层面的认知固着。它包括功能固着、心理定势和专家近视:既有经验和知识有助于快速解决熟悉问题,却会把注意力限制在已知路径上,使人难以发现偏离专业领域的新方案。真正突破既有心智模型的典型来源是“领先用户”,即那些需求极端、现有产品已经无法满足、因而被迫自行创造解决方案的用户;这种通过实践形成的默会知识难以从语言材料中获得。
生成式AI在未经设计的使用方式下可能加深固着。LLM依据上下文预测后续词元,早期输出会把后续内容锚定在相近概念上;而人类看到这些典型输出后,又会因记忆提取受限而减少原本可能想到的替代方案。这形成“模型先趋同、人类再被模型输出进一步锚定”的双重机制。
作者建议使用结构化提示,让模型先生成简短概念,再要求其进行更大胆、更独特的修订,最后扩展为完整方案;这种类似链式思考的安排可以增加模型在单次会话中的创意多样性,但对人类自身的创意多样性几乎不起作用。因此,该方法是对模型的干预,而不是对人类认知的治疗。对于需要真实生活经验的突破,最有效的方案仍是领先用户计划和民族志研究,而不是继续扩大模型规模。
设计固着发生在社会层面。设计师参考成功案例可以学习有效策略、提高平均质量,但也容易复制案例的表面特征,而不是抽取真正起作用的核心原则。报告引用开放式众包竞赛的结果说明,能够看到领先作品的开放竞赛通常带来更高的平均质量,却显著降低原创性;盲评或看不到他人方案的竞赛则更有利于原创,但平均质量较低。这体现了“质量—原创性”的权衡。
在AI环境下,问题从个体看到某个范例,扩展为模型共同使用同一个集中式训练分布。不同模型会从相似的知识和对齐分布中抽样,导致独立会话的输出聚集在相近区域,这被作者称为模型规模上的设计固着或模式坍缩。其集体后果是“公地悲剧”:每个设计师的生产率可能提高,但整个行业探索的解空间变窄。
作者提出两类干预:一是使用人物角色提示,例如要求模型以退休政治家、邮票收藏者或非专业外行的视角思考,以把模型推向训练分布中的不同区域;二是让AI生成成功案例的变体,保留核心构成但改变外在执行方式,使设计师学习“为什么有效”,而不是直接复制“长什么样”。
组织创意会议中的第三个瓶颈是心理安全。员工可能不是想不到新点子,而是担心被同事嘲笑、被上级否定或因地位较低而不被认真对待,于是实际目标从“提出新颖想法”转变为“提出可接受的想法”。同时,“是的,而且……”式协作更有利于扩大联想范围,而批判式互动更适合对有限候选方案进行渐进式完善;两者没有绝对优劣,关键在于组织是否有意识地安排先发散、后收敛。
AI可以通过私人交互降低即时社会评价风险,使员工向模型表达原本不敢在会议中提出的想法。但是,如果这些AI创意随后在等级分明的会议中公开评审,权力影响仍会重新出现,瓶颈只是从创意生成转移到了创意评价。
作者建议采用“AI中介的混合名义流程”:员工先私下借助AI生成和完善想法,再将想法匿名提交,由AI去除来源信息、统一表达、合并近似方案并保留异常特征,之后才进行集体讨论。在发散阶段,AI承担“yes-and”促进者角色;在收敛阶段,AI转为质疑假设、识别失败模式和完善可行性的批判者。这种安排的关键不是让AI自动营造心理安全,而是通过流程设计把创意生产与社会展示、发散与收敛分开。
筛选阶段决定哪些想法进入开发、哪些被放弃,但评审发生在市场验证之前,因此被否决的好创意通常不会留下可观察的失败记录。作者识别出新颖性厌恶、认知负荷和共享心智模型锁定三类瓶颈。
评估者即使口头上支持创新,也往往把新颖性与不确定性、不可行性联系起来,并用损失厌恶放大新方案的潜在下行风险。AI会通过“认知流畅性”加剧这一问题:LLM输出通常表达完整、结构清晰、语言流畅,评估者可能把“容易理解”错误当成“质量更高”,形成对AI方案的虚假正面判断。
对应的流程干预包括统一所有方案的写作格式、隐藏作者身份、将人类和AI提交改写为相同风格,从而消除AI文本的表面流畅性优势。此外,评估“可行性”和“新颖性”的先后顺序会改变入选组合的平均水平与波动性:先评估可行性可能提高平均创新水平但降低方差,先评估新颖性则可能保留更多高风险、高潜力项目。
AI可以显著增加进入筛选池的创意数量,使人类评估者更快转向启发式判断,并更依赖流畅性、来源专业性和表面连贯性。因此,认知负荷本身未必直接反对新颖性,但会降低新颖性厌恶发生的门槛,成为偏见的“容量放大器”。
报告引用一项基于153场创意竞赛、超过74,000份提交的研究:将LLM评分与历史专家评分结合后,平台在识别全部赞助方入围选择的情况下,相比简单按专家平均分排序,可减少审阅28.4%的提交内容。但作者特别强调,大部分收益来自重新加权历史专家评价,使之更贴近赞助方偏好,而非来自LLM信号本身。这意味着AI更适合用于筛选“哪些项目值得人类仔细看”,而不应直接替代实质判断。
长期共同评审会使小组形成隐含的“什么样的项目才算有前景”的标准,新成员通过观察项目被接受或拒绝来学习这些标准,最终形成自我强化的评审文化。如果AI按照历史评审结果训练,就会把未被明确讨论、甚至未被成员真正认可的偏见编码进系统,并扩大到每一次个人决策。
更严重的是,带有叙事解释的AI拒绝建议可能提高评估者的服从率,却不提高其辨别AI判断正误的能力;评估者会减少对原始材料的独立核查,尤其在边界案例中不再推翻AI建议。因此,解释性并不总是改善决策,流畅而自信的理由可能成为否决高潜力创意的现成借口。
作者建议:如果有可观察的市场结果,应使用销售、采用率和后续成功等结果变量训练模型,而不是直接复制历史“通过/不通过”标签。如果被否决的项目没有后续结果,则更保守的做法是让AI为项目生成最强辩护,帮助抵消评审者对下行风险的过度关注;在筛选环境中,某些情况下不提供解释反而可能比提供叙事性理由更能保留人的批判性审查。
作者使用“真实性”而非“准确性”,因为消费者偏好并不是预先存储、等待研究者提取的固定事实,而是在具体情境、比较对象、产品组合和情绪状态中被构造出来的。例如,消费者对蜡烛的偏好可能同时受到气味、罐体、颜色、包装和周围环境影响,过度控制实验环境反而可能去除真实采用所依赖的情境因素。
生成式AI主要面临三类问题:
对于异质性,作者认为LLM联合分析在已有产品和属性上可以低成本提供大致量级正确的总体支付意愿;对成熟品类中的增量功能,使用该品类历史人类数据微调能够提高总体预测,但不能跨品类推广,也不能恢复可靠的细分差异。更稳妥的做法是把LLM响应作为经人类小样本校准的辅助数据,使用去偏数据增强或重新加权方法;未经校准的合成数据替代可能反而扩大偏差。
对于提示混淆,直接把竞争者价格、门店类型等变量写进提示会制造“焦点化”问题;例如明确告诉模型竞争品价格后,购买概率可能变成价格低于竞争者时为1、高于竞争者时为0的阶梯函数,失去真实消费者的平滑反应。作者建议“揭示实验设计而非过度揭示情境变量”,即告诉模型某变量正在被实验操纵及其取值范围,从而减少混淆,同时避免把变量人为置于消费者注意中心。
可表达性鸿沟指消费者实际上可能存在某种需求,却因从未见过可行解决方案而没有相应词汇。触屏手机就是例子:在产品出现前,消费者很难明确表达对滑动导航或触屏交互的偏好。问卷、访谈和焦点小组主要只能获取消费者能够理解和表达的需求,真正的“隐藏需求”仍需通过民族志和观察消费者如何应对现有产品失败来发现。
语言模型只能处理训练语料中已经被语言表达过的偏好,扩大评论、访谈和客服数据规模可以扩展已表达需求的词汇,却无法触及表达之前的体验层。AI可以作为研究人员的“刺激物”,通过生成图像或模拟访谈激发研究人员原本隐性的判断;同时,它能大规模把评论和客服原话转化为结构化“待完成任务”或客户需求陈述,且在相关研究中表现接近专业分析师。 但它不能取代观察真实用户、发现尚未命名的需求。
创新扩散不是独立消费者反应的简单加总,而是早期采用者、意见领袖、社会身份和参考群体共同作用的社会过程。因此,AI代理模型虽然可以构建模拟人群和传播路径,但如果单个数字消费者本身无法复制新产品采用中的非规范行为,社会层面的模拟就会继承并放大这些错误。现阶段AI更适合筛选可能的扩散路径,而不能裁定哪条路径必然实现,关键判断仍需真实用户、领先用户和民族志研究支持。
市场上线后会产生评论、社交媒体、客服工单、退货、社区讨论、搜索和分群销售等海量信号,而这些数据存在明显选择偏差:评论偏向满意或不满意的极端者,早期评论者与后期买家不同,社交媒体偏向活跃且善于表达的人,客服数据偏向失败问题。AI可以显著缓解信息容量约束,自动分类、聚类、总结并抽取客户需求,使市场监听的成本和延迟下降。
但瓶颈会从“看不完数据”转移为“如何优先排序”:最频繁出现的主题不一定是最重要的创新信号,沉默的不采用和新兴使用场景反而可能最难被捕捉。因此,未来关键不只是摘要质量,而是能否设计出既保留强信号、又能发现弱信号和异常值的分诊架构。
组织即使获得了更好的市场信号,也可能因为沉没投入、政治压力和既有决策责任而选择性解释证据。AI没有过去决策的自我利益,理论上可以平等呈现投诉和好评;但其流畅摘要也更容易被管理层选择性引用,从而把确认偏误包装成“AI支持的结论”。报告明确指出,目前尚无直接实证研究判断AI最终会减少还是增强这种动机性解释,因此这是该框架中的重要开放问题。
作者认为,AI工具真正的价值取决于谁拥有配置权、解释权和责任,而不只是模型性能。消费者洞察、产品和设计团队最了解什么是好输出,数据科学团队掌握技术基础设施,工程团队则负责部署、维护和治理,因此更合理的组织安排是集中技术底座、分布式协作开发,而不是将AI完全锁在IT部门或完全交给业务专家。
生成式AI还可能导致“技能流失”和“自动化陷阱”:初级员工不再通过亲自生成创意、接触消费者和判断错误来形成默会能力,组织可能拥有大量熟练使用AI输出的人,却缺乏发现AI错误的判断力。如果创意、筛选、偏好模拟和消费者访谈都由AI完成,整个学习循环可能逐渐脱离真实消费者和真实市场,即使每个单独工具看似准确,系统整体也会产生“合成反馈闭环”。
代表性风险则表现为AI更擅长多数群体和富裕、高教育消费者,平均偏好被保留,细分差异和长尾需求被抹平;这会使最难被AI复制的群体,恰好成为最不容易获得创新资源的群体。
图1上半部分展示传统产品开发:从创意到原型需要较长时间,但从少量原型到可靠、规模化、可上市产品的路径相对清晰。图1下半部分展示生成式AI产品:从创意到原型的时间显著缩短,企业可以快速产生大量原型;但从原型到可靠产品的工程、测试、验证、安全、集成和可靠性工作变得漫长,且占据后续大部分时间。
这意味着企业不能再用“演示效果好”“原型生成快”判断项目价值,真正的筛选问题变成:企业是否具备领域数据、验证体系、检索和基础架构、故障兜底以及上线后的维护能力。作者据此预测,传统财务和阶段门流程可能导致大量停滞的AI试点,早期闸门对最终部署风险的解释力下降,而竞争优势将转向原型之后的可靠化能力。
图2以“创新者、解决方案、用户、需求”四类要素说明三种人机协作模式。
作者认为当前行业过度关注模式1,而长期价值可能更多来自模式2和模式3,因为后两者承认真实用户和人类经验仍是需求信息的关键来源。
当AI代理成为产品用户时,传统消费者洞察、偏好测量和用户体验概念都需要重构。AI代理的“偏好”通常不是情绪性、情境性偏好,而是由人类或组织写入配置的目标函数,因此优化代理标准可能与优化人类实际满意度发生偏离,尤其是在高参与度和真正新颖的产品上。这会形成新的委托—代理问题:代理执行的是被编码的偏好,而不是人类在实际使用情境中可能形成的偏好。
报告没有使用DCF、可比公司、市盈率、EV/EBITDA或其他金融估值方法,也没有给出目标价、评级或财务预测。其价值判断是概念性和组织管理层面的,核心评估标准是哪些瓶颈能够被AI缓解,以及企业是否能建立可靠部署、真实市场校验和责任治理能力。
报告识别的主要风险包括:
报告提供了不少缓解方向,如匿名化混合头脑风暴、统一评审格式、使用结果变量训练模型、以校准后的合成数据辅助而非替代人类调查、保留领先用户和民族志研究,以及在每个阶段设置真实消费者和真实市场触点。 不过,对动机性解释、AI访谈真实性和弱市场信号识别,作者明确承认实证证据仍不足。
报告的优势是机制导向,避免把所有AI应用简单归为“增强”或“替代”,并且反复强调不同瓶颈需要不同干预。但其局限也很明显:大量证据来自工作论文、预印本和截至2026年的新近研究,部分结论仍处于早期验证阶段。此外,框架强调人类约束的持久性,这种审慎立场有助于防止技术乐观主义,但也意味着对于未来模型是否可能学习更丰富的多模态、行为和情境信号,报告没有给出明确的可检验时间表。作者本人也承认,这不是永久地图,而是基于当前能力和当前机制的条件性判断。
这篇报告最重要的结论是:生成式AI不会均匀地改善创新流程,作用方向取决于瓶颈背后的机制。对于认知固着、筛选容量不足、市场文本聚合等信息性或规模性问题,结构化提示、模型辅助排序、数据增强和自动化抽取能够带来明显改善。 但对于领先用户的默会知识、消费者的情境化和非理性偏好、尚未被语言表达的隐藏需求、组织中的动机性解释以及责任承担,AI目前只能辅助,不能替代真实的人类参与。
图表进一步强化了这一判断:生成式AI把产品开发从“原型难、后续相对清晰”变成“原型易、可靠化难”,同时把创新架构从AI单独充当创新者,拓展为AI帮助真实用户表达需求、甚至让用户借助AI自行创新。 因此,作者的总体立场不是拒绝AI,而是主张一种有边界的人机分工:让AI承担可规模化的信息处理,让人类保留真实经验、激进重构、弱信号解释和最终责任。真正的管理挑战不在于企业是否已经使用AI,而在于当AI吸收越来越多形成判断力的工作后,组织是否仍然保有解决新问题所必需的人类能力。
2608.07504.pdf