生成式 AI 不是创新万灵药：四校联合研究拆解 AI 与创新瓶颈

哈佛商学院、沃顿商学院、西北大学凯洛格商学院与哥伦比亚商学院的研究者在《国际市场营销研究杂志》邀约的工作论文中提出一个关键判断：决定生成式 AI 在创新流程中助推还是破坏作用的，不是模型本身有多先进，而是瓶颈本身的内在机制。基于这一分析框架，研究者系统梳理了 AI 在创意生成、创意筛选、消费者洞察、传播与市场学习四个阶段的双面效应。

研究框架：约束视角而非能力视角

与多数讨论聚焦「AI 能做什么」不同，这项研究追问的是：究竟有哪些认知层面、社会层面、组织层面的约束长期阻碍创新，AI 又会如何与每一类约束交互？研究者整合近年来生成式 AI 与创新相关的实证研究，覆盖创意多样性、AI 模拟消费者、算法筛选创意、上市后复盘分析等方向，并结合创造力研究、消费者行为研究等成熟成果，对每个创新阶段统一追问三个问题：底层的人类约束是什么？默认使用 AI 时会如何影响该约束？有针对性的流程重构如何落地？

四大创新阶段的 AI 效应

创意生成：AI 压缩而非拓展创意空间

创意生成的目标是挖掘真正具备突破性的异类想法，本质是一场寻找例外的探索。如果直接使用大模型而不做结构化约束，会出现两步式思维收窄：大模型本身倾向输出统计意义上最常见的回答，而人类读到这类偏保守的输出后，自身思维也被锚定。更严重的是，由于多数模型训练数据集高度趋同，不同团队的独立创新反而收敛到少数设计方向，个体效率提升换来的是市场层面创意多样性的下降。

对应的解决思路是改造模型而非改造人：使用思维链提示词，先让模型完成初稿，再明确要求其向更大胆、差异化更强的方向迭代，对模型效果显著，但无法帮助人类突破被锚定的思维。

创意筛选：精致输出放大评审偏见

评审委员会对新颖创意天然抱有偏见，原创想法风险感更强，于是稳妥、熟悉的方案往往被优先选中。生成式 AI 以一种全新方式放大了这种偏见：AI 生成的提案天然行文流畅、结构完整，流畅度很容易被误等同于方案质量。

更隐蔽的风险来自用历史评审数据训练筛选模型——这并非消除偏见，而是把偏见大规模固化为「客观算法」。一项实地实验还发现：当评审者同时拿到 AI 建议与模型撰写的理由时，更容易直接否决提案，但分辨 AI 判断对错的能力并没有提升。值得注意的是，同一实验显示，只保留 AI 的黑盒推荐结果、不附带推理理由，最终决策质量反而更高。

消费者洞察：模拟数字人低估现实摩擦

让大模型扮演上千个不同消费群体，模拟价格变动反应，会得到平滑向下的需求曲线，但结果存在严重失真：模型并非基于真实人群训练，会把「高价」解读为「高端定位」而非「单纯涨价」。基于真实行为数据搭建的数字孪生效果更好，但仍系统性低估沉没成本、切换成本、信息叙事框架等导致新产品失败的现实摩擦。

研究者建议：数字人可用于初步筛选，但涉及关键行为的判断必须保留真人调研，包括领先用户小组、民族志实地调研等。

传播与市场学习：客观复盘还是合理化包装

这是四大环节中 AI 真正缓解瓶颈的唯一阶段——它可以消化海量评论、社交讨论、客服工单，聚类总结的规模远超分析师团队。但难题随之而来：AI 每周提炼的上百条诉求中，恰恰是最重要的信号（如新兴使用场景、某类用户始终无法接受产品）最容易被频率统计式摘要掩埋。更深层的隐患是，AI 输出流畅笃定的总结，方便团队选择性截取内容、佐证既有立场，尤其当提问方式已暗含期望答案时，AI 会迎合人的想法。

核心结论与实践启示

研究的结论可以提炼为一条原则：那些本质属于信息处理、海量数据、流程类瓶颈，刻意设计系统后，生成式 AI 非常适合解决；如果瓶颈根植于真实体验、人类非理性行为、组织利益博弈，无论模型迭代到什么程度，AI 都很难奏效。

研究者向创新管理者提出一项比 AI 应用清单更有价值的诊断工具：在引入任何新工具、新工作流之前，先判断阻碍进度的到底是信息问题、人类判断问题，还是组织激励机制问题。

论文最值得警醒的观点着眼于组织长期演变：当 AI 接手越来越多的创意生成、筛选、消费者模拟工作，基层员工失去亲手实操、积累判断力的机会，整个创新部门会陷入「自动化陷阱」——每一项独立 AI 工具单独测试都表现良好，但完整反馈回路慢慢脱离真实用户，锚定的只是其他模型的输出。论文给出的对策不是抵制 AI 落地，而是明确哪些环节必须保留人与现实世界的直接接触：深度接触领先用户、民族志实地调研、由人承担关键决策并为之负责。这些环节是承重墙体，保障整套自动化体系不会脱离客观现实。