AI把创新效率拉满，为什么好想法却越来越少？

同样手握大模型，不同团队的创新输出却天差地别。AI 能够大幅提升处理效率，却容易放大人类固有的认知偏差与组织偏见。创新不全是技术问题，认清 AI 的能力边界，守住人与真实世界的连接，才是破解创新困局的关键。

如今几乎所有创新团队都手握相同工具：同样的大模型、大同小异的提示词库。但产出的创新成果却天差地别。一部分团队迎来创意爆发，另一部分团队却被大量同质化、毫无记忆点的想法淹没，这些创意读起来仿佛出自同一人之手。问题不在于选用哪一款模型，而在于生成式AI会作用于创新流程中深藏的人类固有瓶颈。面对AI，这些瓶颈会呈现截然不同、甚至截然相反的变化。

这是一篇受《国际市场营销研究杂志》邀约撰写的工作论文的核心观点，作者来自哈佛商学院、沃顿商学院、西北大学与哥伦比亚大学。研究没有纠结生成式AI“能做什么”，而是提出一个更具长远价值的问题：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发生交互？

为解答该问题，研究整合了近年来生成式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，同时结合数十年来在创造力、不确定性下的决策判断、消费者行为领域的成熟研究成果。针对下文的四大创新阶段，研究统一追问三个问题：底层的人类约束是什么？不加审慎设计、直接使用生成式AI时，会对该约束产生何种影响？如果进行有针对性的流程重构，又该如何落地？

这套统一分析框架，让我们可以用同一套判断逻辑，去审视表象完全不同的各类瓶颈——例如评审委员会对新事物的偏见，或是消费者在亲身体验产品前，根本说不清自己想要什么。AI到底是消解了这一瓶颈，还是在无形中让问题变得更严重？

创新管理者目前还没有充分意识到这个问题的重要性。事实证明，有一部分约束确实可以被生成式AI真正化解；还有一部分，AI看似在帮忙，实则让问题进一步恶化；更有一部分约束，即便未来迭代出更强大的模型，也依旧束手无策。

想当然认为AI可以修复创新痛点

本身就是误区

绝大多数关于AI与创新的讨论，都默认AI可以全方位消除创新流程中的摩擦。普遍的设想是：AI可以彻底替代人类创新者的部分工作，产出更多创意、更快完成测试、降低调研成本、加速经验复盘。

而本文的分析框架对这一观点提出反驳。研究沿着创新全流程的四大环节——创意生成、创意筛选、消费者洞察、市场学习，逐一梳理各类瓶颈后发现：在绝大多数环节，如果简单粗暴使用AI，不做刻意的流程优化，AI的默认效果往往是加剧原有瓶颈，而非消除瓶颈。

背后的原因在于：绝大多数创新瓶颈本质是人的问题，而非技术问题。人们会固守固有认知；评审团队会形成圈层偏好，判定什么才算“有潜力”；消费者只有亲眼见到产品，才知道自己想要什么。生成式AI以海量人类过往产出数据为训练素材，很容易复刻造成这些瓶颈的固有行为模式，只不过速度更快、规模更大。

下面具体来看，生成式AI会在创新各个环节如何放大人类固有瓶颈，以及对应的解决思路。

1、创意生成：过度偏向常规化想法

创意生成，就是为新产品、新服务、新功能构思备选方案的过程。一个超凡出众的创意，价值远胜过几十个普通合格的点子。因此这个环节的目标，不是堆砌一大堆尚可的方案，而是挖掘真正具备突破性的异类想法。本质上，创意生成是一场寻找例外的探索，而非追求高效产出的流水线作业。

如果人们在头脑风暴时直接使用大模型，不做结构化约束，会同时出现两种问题。大模型本身会倾向输出统计意义上最常见的回答——毕竟它的训练逻辑就是根据概率续写文本。而当人读到这类偏向常规的输出后，自身思维也会被锚定，很难再想出原本可能迸发的另类创意。于是形成两步式的思维收窄：AI先给出偏保守的想法，再进一步限制人类的思考边界。

更严重的是，这会演变成系统性问题。多数生成式模型训练数据集高度趋同，不同公司的独立团队在用AI开展所谓“创意工作”时，最后很容易收敛到少数几类设计方向。个体生产效率提升了，但整个市场层面的创意多样性却在下降。

针对这一问题，要改造的是模型，而非人的思维。使用思维链提示词，引导模型先完成初稿，再明确要求它向更大胆、差异化更强的方向迭代，对AI本身效果十分显著。但这套方法无法帮助人类提升自身思考质量。一旦人的思维被AI给出的初始想法锚定，单纯告诉自己“拓宽思路”基本无效，甚至会进一步被AI的输出裹挟。

2、创意筛选：对大模型产出的精致方案产生偏见

创意筛选阶段，企业需要决定哪些创意获得资金支持，哪些被搁置，一般由阶段评审委员会或者项目组合评审小组完成。该环节需要在高度不确定下做出判断：市场尚未给出反馈，很多创意本身也没有完全落地成型。评审团队有意识或潜意识的评判标准，最终会决定企业后续落地的全部产品。

评审者向来对新颖创意抱有偏见：原创想法风险感更强、难以预判结果，于是评审会无意识地优先选择稳妥、熟悉的方案。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，而流畅度很容易被误等同于方案质量。一个表述精致的点子，会拿到更高评分，但这和它本身是不是更好的创意毫无关系。对应的解决办法要从流程制度入手，而非依赖技术：所有提交方案统一格式化，再交由评审打分，并且隐藏该创意来自人类还是AI。

这还不是筛选环节中，生成式AI悄悄放大瓶颈的唯一陷阱。还有一个更隐蔽的风险：如果你拿评审委员会过往通过/否决的历史决策去训练筛选大模型，并没有消除流程偏见，反而是把偏见大规模固化，包装成客观的算法结果。近期一项实地实验得出更值得警惕的结论：当评审者拿到大模型给出的建议，同时附带模型撰写的理由时，他们更容易直接盖章否决提案，但分辨AI判断对错的能力并没有提升。模型给出的理由没有辅助人类判断，反而直接替代了人的思考。这种现象，在最考验人类判断力的边缘待定项目上表现得尤为突出。

对应的干预思路，和大多数企业正在搭建的系统恰恰相反：去掉大模型给出的解释文本。同一项实验显示，只保留AI的黑盒推荐结果、不附带推理理由，相比保留模型解释，最终决策质量反而更高。

3、消费者洞察：调研变快，真实答案变少

创意通过筛选之后，会打磨成包含具体功能、定价、定位的完整方案。对方案开展测试，本质是摸清客户的真实诉求，这便是偏好测量阶段：企业长期依靠问卷、访谈与联合分析研究，将产品概念转化成对市场需求站得住脚的判断。

对于想用AI模拟消费者的从业者来说，论文这一部分结论十分现实。举个例子，如果你让大模型扮演上千个不同消费群体，模拟他们对价格变动的反应，你会得到一条平滑向下的需求曲线，但这份结果存在明确且严重的失真。模型并非基于真实人群训练，它不会把价格变动当作实验变量，只会把价格当成解读背景的线索——高价会被解读为“高端”，而不是“同一个产品单纯涨价”。于是真实消费者涨价之后形成的下行需求曲线，在AI模拟中可能变成一条水平线，甚至向上倾斜。

基于真实用户丰富行为数据搭建的AI数字人（数字孪生）效果会好一些，但依旧缺失关键一环：真实消费者会做出大量非理性选择，而这些选择极大程度决定新产品能否成功落地。人们会留恋沉没成本，会过度放大切换产品的痛苦。反观模拟数字人，做出理性选择的概率远高于真实人类，这就意味着，它会系统性低估那些导致新产品失败的现实摩擦。

目前这个问题还没有完美的解决方案。数字人并非毫无用处，部分调研问题可以用它做初步筛选；但遇到决定新产品成败的关键行为，不能轻信模拟结果。但凡决策涉及沉没成本、转换成本、信息叙事框架，更稳妥的方式还是保留真人调研：领先用户小组、民族志实地调研，去观察用户真实行为，而不是只看模型预测的选择。

4、传播与市场学习：确认偏误依旧存在，只是说辞更有说服力

传播与市场学习覆盖产品上市之后的全部环节：推动创新大规模落地，解读市场反馈，指导下一轮决策。产品采纳既是个体行为，也是社会化过程，受到早期使用者、口碑传播驱动。而市场反馈需要收集、甄别优先级、正确解读，才具备参考价值。

产品上线后，海量反馈会涌现，远超团队处理上限：各平台评论、社交讨论、客服工单、退货记录、论坛帖子。生成式AI在这个环节确实能发挥价值：它可以消化海量信息，做聚类、总结，处理规模是分析师团队无法企及的，提炼结构化客户需求的质量，已经接近专业分析师水平。四大环节里，这是唯一一个瓶颈真正被AI缓解的阶段。

但难题也随之而来。AI每周会提炼出上百条用户诉求，哪些值得落地，哪些只是个别用户的噪音？对创新最重要的信号，比如新兴使用场景、某一类用户群体始终无法接受产品，恰恰是频率统计式摘要最容易掩埋的信息。

更深层的隐患，出现在反馈给到内部利益相关团队之后。企业向来倾向于用有利自身的视角解读市场反馈。AI本身不会为去年的产品项目背负业绩压力，理论上它可以同等客观标记大量差评和好评。AI输出流畅、笃定的总结，固然方便信息整合，却也方便团队选择性截取内容，佐证自己原本就持有的观点；尤其当提问方式已经暗含团队期望得到的答案时，AI会迎合人的想法。AI整合反馈，最终是带来更客观的复盘，还是仅仅把固有合理化包装得更有说服力，仍是这套分析框架下最重要的待解问题。

核心结论

梳理完以上四个阶段，可以提炼出一条核心原则：决定AI起到助推还是破坏作用的，不是AI模型有多先进，而是瓶颈本身的内在机制。

那些本质属于信息处理、海量信息、流程类的瓶颈（待评审方案过多、待阅读反馈文本庞大、格式掩盖真实质量），只要刻意设计系统，生成式AI就非常适合解决这类问题。

与之相对，如果瓶颈根植于真实体验、人类非理性行为、组织利益博弈，AI就很难奏效。无论模型迭代到什么程度，都解决不了这些现实：对于从未接触过的产品品类，消费者无法明确表达自身偏好；管理者在一个失败项目上投入两年政治资本后，总会选择性解读数据，无论数据本身质量多高。

这给管理者带来比AI应用清单更有价值的工具：引入任何新工具、新工作流之前，先做一次诊断。阻碍进度的到底是信息问题，还是人类判断问题，抑或是组织激励机制问题？这套视角下，每个创新阶段都有清晰启示：

1.创意生成：不加约束的生成式AI会压缩创意空间，而非拓展。优化要针对模型提示词，而不是调整人的心态。

2.创意筛选：AI无法消除评审团队对新想法的偏见。要么借助精致的输出放大偏见，要么把偏见大规模编码固化，除非刻意重构整套流程。

3.消费者洞察：模拟消费者是高效的初筛工具，但会低估那些真正决定新产品生死的非理性现实阻碍。

4.传播与市场学习：AI解决了上市后反馈信息过载的问题，但同样可以给团队提供更华丽的说辞，去捍卫已经做出的决策。

论文最令人警醒的观点，并非针对某一个瓶颈，而是着眼于组织长期演变。当AI接手越来越多创意生成、筛选、消费者模拟工作，基层员工失去了亲手实操、积累判断力的机会。企业会出现一大批熟练使用AI输出结果的人，却缺少可以识别AI输出何时出错的直觉。

把这种情况扩散到整个创新部门，就形成自动化陷阱：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。创意构思、筛选、测试、访谈全部交由模型完成，而模型训练素材又是其他模型的输出，不再锚定真实市场。一切变快，却脱离现实根基。

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。这些不是AI时代的怀旧遗留产物，而是承重墙体，保障整套自动化体系不会脱离客观现实。

技术会持续迭代，但那些瓶颈——认知锚定效应、基于身份地位开展评估、消费者口头表达与真实行为之间的鸿沟，数十年以来始终稳定存在。把创新战略建立在底层机制之上，而非押注模型能力，才更经得起时间考验。

关键词：

朱利安·德弗雷塔斯（Julian De Freitas）、阿耶莱特·伊斯雷利（Ayelet Israeli）、吉迪恩·纳韦（Gideon Nave）、阿尔乔姆·季莫申科（Artem Timoshenko）、奥利维耶·图比亚（Olivier Toubia）| 文

朱利安·德弗雷塔斯是哈佛商学院市场营销方向助理教授。阿耶莱特·伊斯雷利是哈佛商学院马文·鲍尔工商管理副教授，同时担任哈佛商学院数字数据设计研究院客户智能实验室联合创始人。吉迪恩·纳韦是沃顿商学院市场营销系副教授。阿尔乔姆·季莫申科是西北大学凯洛格商学院市场营销助理教授，研究方向聚焦AI在营销分析与消费者洞察领域的应用。奥利维耶·图比亚是哥伦比亚商学院市场营销教授，定量营销领域公认的领军学者。

周强 | 编校

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org