0 引言 知识创造是企业应对环境变化、提升核心竞争力与实现持续发展的关键[1]。传统范式下，企业致力于将个人经验知识转化为组织知识，以实现组织知识创造[2]。随着生成式人工智能的兴起，尤其是近期深度求索大模型(DeepSeek)出现，引发了知识创造范式的根本性变革——人工智能不仅展现出超越个体经验的知识生成效率，而且在复杂问题解决方面呈现独特的创新优势[3]。当前，企业正积极部署大模型，人工智能已在多个场景、多个行业的知识生成中发挥了重要作用。例如，人工智能在营销领域能够提供深入的客户洞察、用户行为分析和外部市场趋势[4]，在战略领域能够识别并评估潜在的商业机遇[5]，在医药行业可以加速药物研发[6]。因此，随着人工智能时代的到来，企业面临着新的重大机遇，同时也是重大挑战——如何将人工智能生成的知识即人工知识(artificial knowledge，AI)[7]，转化为组织知识以实现组织知识创造。这一问题的解决对于企业在人工智能时代获取竞争优势具有重要意义。本文聚焦这一问题展开研究。 近年来，人工知识生成与转化的话题引发了学术界的广泛讨论。一些学者关注人工知识生成与转化的潜能与效能。例如，数字技术文献主要探讨了如何改进人工智能算法和模型，以提高人工知识生成的潜能[8]；知识管理文献探讨了人类专家如何向人工智能转移经验知识，以提升人工知识生成的质量[9]；战略管理文献探讨了人工智能生成的见解如何辅助人类智能以增强战略决策[5]。另一些学者关注到人工知识生成与转化的风险，指出人工知识存在偏见、幻觉等问题[3]。这些研究表明人工知识生成对理论和实践具有重要意义，但也提醒人们应重视如何有效转化人工知识。从人工知识生成机理来看，其数据驱动的知识生成范式与人类经验驱动的知识创造范式存在本质差异，无法被组织直接应用[10]。尽管这一数据驱动范式显著提升了知识创造的效率，但对知识质量的保证仍然存在疑问[3]。因此，唯有当人工知识能够被有效转化为组织知识，才能真正为组织带来实质性的价值。此外，虽然少数文献已关注到人工知识与人类知识的相互作用对组织知识创造的促进作用[11-12]，但尚未对人工知识转化为组织知识的具体过程机制及关键触发活动进行细致刻画，同时也缺乏从动态视角审视其迭代机理的研究。由此可见，人工知识如何转化为组织知识仍是一个亟待解决的关键理论问题。 为了回答这一问题，本文借鉴了NONAKA的组织知识创造理论。该理论虽未明确将人工智能视为知识创造主体，但其对显性知识和隐性知识相互转化的关注，为理解人工知识向组织知识转化提供了可行的理论逻辑。具体而言，人工智能生成的知识本质上属于显性知识，组织成员在学习和吸收过程中可将其内化为隐性知识；而内化后的隐性知识又可在组织共享和互动中被外显化。将这一路径与人工智能的知识生成特征相结合，为重新审视新时代下的组织知识创造理论提供了独特视角。基于NONAKA的显性-隐性知识转化逻辑与框架，本文将进一步阐明人工知识向组织知识转化的全过程，以揭示如何在组织层面实现知识创造。具体来说：首先，探讨人工知识转化为组织知识时4种知识转化模式的作用机理；其次，阐释触发这4种知识转化模式动态转换的关键活动；再次，剖析基于这些动态转换所形成的人工知识转化螺旋及其基础因素；最后，综合上述探讨构建出一个人工知识转化为组织知识的理论框架(即人工智能驱动的组织知识创造框架)。 1 理论基础 1.1 人工智能与人工知识 随着人工智能特别是生成式人工智能的快速发展及强大工具的不断涌现，一个令人兴奋且复杂的知识管理新时代已经拉开帷幕[3]。在此背景下，人工智能在知识生成方面的潜力备受瞩目并引起了广泛关注。早期研究主要关注人工智能对人类智能的模仿能力。有学者指出，人工智能在学习、规划和问题解决等任务中能够模仿人类智能，通过更高层次的自主知识生成来展现其实力[9]。还有学者进一步指出，人工智能具备创造能力，不仅能够产生高度新颖的想法，还能提供恰当的问题解决方案[13]；未来的人工通用智能(artificial general intelligence，AGI)预期将展现出更加卓越的创造能力，即学习新知识、产生新输出、评估和改进输出的能力[13]。还有一些研究则聚焦于人工智能的自主学习能力。学者们发现，人工智能能够自发进行知识学习与创造，进而从海量数据中发现和创造知识[14]。通过模型的自我学习和优化，人工智能能够创造全新的知识和观点，并能够对知识进行深化、延展和创新[10]。人工智能的记忆能力和计算能力、汇集能力和综合能力远超人类，使得其学习效率实现快速提升[15]。 在人工智能知识生成机制快速演化的同时，学术界对人工知识的理解也在不断深化和发展之中。相关研究已经涉及哲学、情报学和管理学等多个学科领域，产生了一系列关于人工知识的新概念和新观点。学者们普遍认为，人工知识具有生成异质性。人工知识的生成主要基于算法和数据集，这种数据驱动的知识生产过程与人类的知识生产模式迥异[16]。正是由于其区别于人类知识的特殊性，出现了“三阶知识”[17]、“暗知识”[18]、“智能系统知识(intelligent system knowledge)”[19]等新概念。本文采纳DI VAIO等[7]提出的“人工知识”一词，指代人工智能生成的知识。另一些学者强调人工知识的认知增强性，指出人工知识可以弥补人类认知局限以增强人类的创造力[20]。正是由于其可以与人类知识产生强大的互补效应，越来越多的学者强调人机协同的必要性[21]，强调人工知识与人类经验知识的协同整合可以发挥更强大的增强效应[11]。然而，人工知识的广泛应用也伴随着一系列潜在风险，引发研究者的警惕与反思。一方面，人工知识往往缺乏常识支撑，可能具有偏见或错误[9]，人工智能生成不易理解、不真实或不可靠的内容甚至会误导用户的认知[22]。从人机互动角度来看，用户对不同人工知识的处理方式，也进一步凸显了其应用中的不确定性[3]。例如，由于人工知识通常是自发输出，用户在面对较为复杂的人工知识时，可能并未充分理解或内化就直接应用于实践；对明显不准确或可疑的人工知识，用户也未必会进行必要的检验与验证；即便是被认可为有用的人工知识，如果缺少适当的共享机制或意愿，也无法得到有效传播。这些因素都在不同程度上增加了人工知识在实践运用中的潜在风险[3]。
