文献名称：.Amaya, J. & Holweg, M. (2024). Using algorithms to improve knowledge work

.Journal Of Operations Management, 70(3), 482-513.

研究问题：组织的数字化转型正在重塑知识型工作的性质——这种工作需要人类的专业知识来做出有意义的决策，从而为组织增加价值（Bechky，  2006；Davenport，  2015；Staats 等人，  2011；Starbuck，  1992）。这种转变的关键是采用“现代算法解决方案”（Angelopoulos 等人，  2023），正式定义为自主从数据中学习并模仿人类决策的系统（Angelopoulos 等人，  2023；Bailey 等人，  2019；Bailey & Barley，  2020）。例子包括用于预测建模的机器学习 (ML)，以及像 Claude 和 ChatGPT 这样的生成式人工智能 (AI) 系统。以下我们将这些解决方案简称为“算法”。在法律、医疗保健和制造业等各个领域，组织已广泛采用算法来转变知识工作，进而通过降低成本、提高质量、加快交付和/或提高组织中执行的知识工作的安全性来创造竞争优势（Sako 等人，  2022 年；Sampson 和 dos Santos，  2023 年；Senoner 等人，  2022 年；Spring 等人，  2022 年）。

然而，算法在实现这些好处方面的有效性仍存在广泛争议（Brynjolfsson 等人，  2019 年）。主流经济研究表明，算法可以提高日常工作的生产力，但它们在知识工作中可能不会产生同样的效果（例如，Autor 等人，  2003 年；Autor 和 Salomons，  2018 年；Frey 和 Osborne，  2017 年）。该论点认为，对知识工作至关重要的人类技能，如创造力、社交智力和灵巧性，可能会经受住自动化的考验。因此，在“学习算法”（Faraj 等人，  2018 年）、“现代认识论技术”（Anthony，  2018 年）、“智能技术”（Bailey & Barley，  2020 年）和“人工智能”（Lebovitz 等人，  2021 年）等标签下，新兴的关于算法实际应用的社会学和学习研究往往侧重于算法对专家如何建立对某个主题的理解以做出决策的影响（和危险）（Anthony，  2018 年；Lebovitz 等人，  2021 年；Waardenburg 等人，  2021 年）。他们担心的问题之一是，用算法解决方案取代人类的专业知识可能会从长远来看阻碍学习和表现（Balasubramanian 等人，  2022 年）。剩下的问题也是我们调查的重点：一个组织如何采用算法解决方案来创造和维持需要熟练工作的知识密集型任务的改进。

研究模型示意图：

论文摘要：我们探讨了组织如何在需要熟练技能的工作环境中利用算法来改善知识工作，这些任务与传统上一直是学术研究重点的常规任务不同。通过对一家跨国能源公司正在进行数字化转型的四个业务领域的多个案例研究，我们发现与文献预测相反，需要熟练技能的工作也可以从采用算法解决方案中受益。为了从中受益，业务领域采用了两种不同的途径来转变知识工作。第一种侧重于自动化特定任务，在单个任务中用算法取代人类活动。第二种涉及重新设计整个流程，即在集成算法时重新设计与手头任务相邻的步骤序列。我们发现这些途径对改善知识工作的能力有不同的影响，这表明任务与所选途径之间的一致性对于实现任何改进都至关重要。我们还发现，维持任何改进的能力取决于知识制度的调整——认可知识的实践和结构。基于这些发现，我们提出了一个在知识工作中采用算法解决方案的通用过程模型。在未来工作辩论的更广泛背景下，我们的研究结果挑战了普遍的观念，即任务的技能要求决定了知识工作可以通过算法解决方案得到改善的程度。

研究空白：实践中的认知观点认为，技能代表了人们集体的、共同的、理所当然的做事方式，而这很难在算法解决方案中捕捉到。先前的研究表明，某些技能（例如创造力、社交智力和动手灵活性）很难编入算法（Frey & Osborne，  2017）。创造力，即产生新颖和有价值想法的能力（Amabile，  1983），在知识工作中对于理解和探索具有可变输入、过程或输出的问题非常重要（Schmenner，  1986）。设计定制服务或处理不确定性需要创造力（Kellogg & Nie，  1995；March，  1991；Staats 等，  2011），尤其是在涉及承担风险的决策的情况下（Harvey，  2016；Schmenner，  1986）。社交智力包括通过识别暗示、理解情绪和意图以及做出适当反应来应对社交场合，这对于需要高度客户参与的知识工作至关重要（Brandon-Jones 等人，  2016 年；Lewis & Brown，  2012 年）。它能够诊断客户问题并提出解决方案（Abbott，  1988 年；Schmenner，  1986 年；Silvestro 等人，  1992 年）。解决方案的质量在很大程度上取决于服务提供商与客户互动以及收集必要信息以识别和理解客户特定问题的能力。最后，手动灵活性，即协调手指或手的动作来操纵和组装物体，对于培养技能和获得工作合法性至关重要（Beane，  2019 年；Sergeeva 等人，  2020 年）。因此，在实践中，创造力、社交智力和灵巧性仍然是非常有价值的技能，但很难将其编入算法（Sampson，  2021）。

理论视角：虽然经济学、社会学和学习观点对于理解知识工作的数字化转型起到了重要作用，但它们不足以解释组织何时成功或失败地利用算法解决方案来改进知识工作。为了弥合这一理论上的鸿沟，我们借用了组织研究中的一种理论，即“实践中的认知”。该理论将知识（或“认知”）视为社会实践中的一项持续成就（Nicolini，  2011；Orlikowski，  2002；Tsoukas，  2005）。知识不是静态的能力或个人特质，而是被视为一项持续的成就，随着人们参与规范结构化的实践而不断发展（Hadjimichael 和 Tsoukas，  2019；Orlikowski，  2002；Østerlund 和 Carlile，  2005）。我们认为这种观点对于研究利用算法对运营绩效的影响特别相关，因为它注重实践和实证观察。

主要命题：

命题1：当加入算法解决方案时，重新设计整个业务流程将比仅仅自动化流程中的特定任务更能提高运营绩效。

命题 2：在整合算法解决方案时，对算法的输出进行社交和验证将使算法的建议得到更广泛的接受。

命题3.当结合算法解决方案时，调整知识体系可以提高组织维持运营绩效改进的能力。

命题论据：

• 从本质上讲，流程再造不仅使业务领域能够获取显性知识，而且还能获取原本可能隐藏的宝贵隐性知识。通过获取这些隐性知识，业务领域获得了必要的洞察力，可以重新设计他们的工作实践，以考虑或转变这些隐藏的理解，最终确保算法输出的质量。在任务自动化途径中，这种结果不太可能发生。走这条路线的业务领域更容易忽视这些细微而隐晦的理解，在某些情况下，这会导致工作转型存在缺陷或与既定的认知实践不相容。反过来，这些项目被证明不太成功。
• 除了根据适当的方案验证算法输出外，有效的人机算法协作还需要组织将算法输出（例如，决策、建议、摘要）和经验教训进行社会化。不幸的是，许多组织中的知识共享已被纳入共享备忘录或知识库中。这对于验证算法输出是无效的。首先，算法黑盒既是一个技术问题，也是一个社会问题（Anthony，  2021）；员工可能会毫无疑问地接受算法输出，从而传播错误信息或不适当的决策。远程工作促进了个性化学习，从而加剧了这种情况，并导致批判性评估算法输出所需的专业知识不平衡。降低这些风险需要一种更积极的知识共享形式，在参与小组中验证算法输出和经验教训。这可以采取分享算法输出失败和成功的故事和轶事的形式。这些故事充当了“智慧积累宝库”，有助于工人参与集体建构，促进人类学习（Brown & Duguid，  1991）。例如，审计人员讨论 NLP 算法存在缺陷的风险分析时，可能会发现需要将审计分为不同的背景（例如财务和工程），以改善风险领域识别。因此，我们建议，提高算法建议的接受度需要改进评估方案和社交输出（包括吸取的教训和做出的决定），以促进持续学习。
• 维持改进的能力是流程改进成功的最终指标。了解如何维持改进的关键是承认任务不仅构成工作，而且还塑造和重塑学习（Orlikowski，  2002）。我们的分析表明，调整知识实践的项目在实施算法解决方案时更有可能实现运营效益。这是因为实施算法需要重塑工作实践，这本质上会改变人们获取知识和技能的方式。重塑工作实践决定了哪些技能变得相关，哪些实践支持学习，以及如何评估知识质量。如果不加以深思熟虑，组织就有可能让员工的专业知识和技能不再与不断发展的实践保持一致，无论他们多么聪明和有经验，都无法有效地为流程做出贡献。调整知识制度可以减轻这种风险。它促使组织评估其验证知识输出（例如报告、演示文稿、分析）的方法是否仍然有效，如果无效，则确定合适的替代方案。它还确保建立新的结构来识别和推广新技能。这有助于公司维持通过集成算法解决方案实现的运营绩效改进。

研究变量：在第一轮中，我们旨在描述每个业务领域内的知识工作。要求受访者提供其工作的详细描述，以 10 点李克特量表量化各种任务所需的技能水平。例如，我们询问了完成这些任务的创造力、社交智力和灵巧程度。我们进一步要求他们限定他们的熟练工作以及在给定任务中使用算法解决方案的感知适合度。在第二轮访谈中，我们的重点转向了解算法在各个领域的应用方式，以及它们对改善知识工作的影响。受访者被要求详细说明涉及算法解决方案的具体项目，确定受影响的知识工作任务，并检查由此对运营绩效产生的影响。

研究层面：

个人层面：我们的分析使我们能够为管理人员制定出一种理论，以有效地引导数字化转型；

团队层面：业务领域提供了一个很好的机会将研究结果推广到更广泛的人群，因为它们实际上像大多数中型私人服务组织一样运作，工作被组织成任务，由为广泛客户提供服务的专家组进行；

企业层面：考虑到一家能源公司正在进行的数字化转型，我们确定了采用算法的不同方式、它们在提高知识工作效率和质量方面的成功（或失败）以及对专家学习的残留影响。

样本对象：横截面数据，2019 年 11 月至 2021 年 10 月期间，我们对业务服务（n  = 18）、维护运营（n  = 11）、内部审计（n  = 15）和钻井作业（n  = 11）领域的员工进行了 55 次半结构化访谈。这些访谈平均每次持续 75 分钟，在私人房间或通过 Zoom 进行。在两年内对这些业务领域的员工和经理进行了 55 次半结构化访谈。此外，还通过参与者观察的详细记录和内部绩效报告的分析来补充数据。

研究结论：我们的案例研究揭示了两种转型途径在促进业务领域内算法的使用方面发挥的积极作用，即使对于以前需要熟练技能的工作也是如此。这些业务领域的知识工作性质复杂、依赖于上下文、具有时间性和情境性（Brown & Duguid，  1991；Lave，  1988）。因此，这项工作的有效性取决于个人的具体技能、他们积累的经验（诀窍）以及他们对组织协议的掌握（知识）。通过参与任何一种转型途径，业务领域都采用了实践来应对知识工作带来的挑战。除了让组织更容易在需要熟练技术的工作中使用算法之外，我们发现两种转型途径对最终的运营绩效有不同的影响，如表 5所示。通过自动化特定任务将算法引入知识工作的业务领域与重新设计整个流程的业务领域相比，看到收益的可能性较小。起初，自动化某项特定任务似乎是一种改变工作的合理方法。与更彻底的改变相比，它可以帮助降低新技术的风险，让员工对算法不那么害怕（Truelove & Kellogg，  2016）。然而，这种方法也存在风险。当任务不仅需要熟练技术，而且紧密耦合或涉及大量输入和输出变化时，这种途径效果并不好。在这种情况下，仅仅改变一项任务是不够的，需要采取更广泛的方法来改变整个流程。

研究贡献：我们的研究为关于工作数字化转型的更广泛辩论做出了贡献，使学者和从业者更好地了解组织如何在涉及熟练决策的知识工作中使用算法来创造和维持运营改进（Angelopoulos 等人，  2023 年）。具体来说，我们做出了三个关键贡献。首先，我们挑战了这样一种观点，即任务技能要求决定了知识工作中算法改进的程度。相反，我们认为任何改进都取决于组织如何改变嵌入任务的工作。这扩展了技术与组织规范、规则和实践交织在一起的概念（Faraj & Pachidi，  2021 年；Orlikowski & Barley，  2001 年），其好处取决于在特定背景下看到的转变。其次，我们通过确定一种具有两种途径的算法采用模型，提出了一种关于技术变革的新视角：（1）通过在特定任务中替代人类活动来“自动化任务”，以及（2）通过重新设计相邻的步骤序列来“重新设计流程”。我们发现，这些途径在创造和维持运营改进方面产生了不同的结果：虽然重组途径通常会带来更大的运营改进，但有证据表明，任务自动化途径往往更受青睐，因为它符合机构惯性并且更易于实施。最后，我们将流程改进和实践知识文献联系起来，以解释如何根据组织遵循的转型途径创造和维持改进。最后，我们讨论了我们的研究结果如何为管理者提供信息，让他们了解如何实现算法使用所承诺的最佳结果。

阅读感想：通过阅读本篇文献，我学习到了组织研究中的一种理论，即“实践中的认知”。该理论将知识（或“认知”）视为社会实践中的一项持续成就，我认识到知识不是静态的能力或个人特质，而是被视为一项持续的成就，是随着人们参与规范结构化的实践而不断发展的。

通过阅读本篇文献，我还认识到该篇文章的分析是归纳的、迭代的和比较的。目的是通过检测案例中和案例之间的模式来阐述算法解决方案的采用和知识工作转型的理论。作为这一分析策略的基础，作者使用了持续比较法。在多次迭代中，阅读并编码了访谈记录和观察笔记，寻找四个业务领域在算法采用方面的相似之处和差异。这些迭代分为三个主要分析阶段：了解当前的知识工作、确定由算法解决方案触发的知识工作转型过程以及解释采用算法解决方案的结果差异。作者还应用轴向编码，建立了描述性理论类别，以一阶编码捕捉相似性和关系。最后，提炼并映射了这些主题之间的关系，以开发解释知识工作转变的阶段。第二阶段分析的结果是一个关于在知识工作中采用算法解决方案的扎根理论模型。

通过阅读本篇文献，我意识到自己要是以后要做基于案例的研究的话，我们的研究结果的普遍性是一个突出的问题。我们的案例旨在实现自然的普遍性而不是统计的普遍性，从独特案例而非常见案例中汲取见解。因此，在转移这些研究结果时必须小心谨慎。