从模型设计到组织设计：生成式 AI 中的复杂度再分配与权衡
计算机与社会
2026-05-18 v2 机器学习
多智能体系统
综合经济学
经济学
摘要
本文提出 Generality-Accuracy-Simplicity (GAS) 框架，以分析大型语言模型(LLM)如何重塑组织和竞争战略。我们认为，将 AI 视为简单输入成本的削减掩盖了两个关键动态：(a) 晸杂性、准确性和简单性之间的内在权衡，以及 (b) 复杂度在利益相关者之间重新分配的过程。尽管 LLM 似乎通过简单接口提供了高晦杂性和准确性，但这种用户端的简单性掩盖了复杂度向基础设施、合规和专业人才的显著转移。因此，GAS 权衡并未消失，而是从用户端转移到组织端，造成新的管理挑战，尤其是针对高风险应用的准确性。我们认为，竞争优势不再来源于单纯的 AI 采用，而是源于通过设计抽象层、工作流程对齐和互补专业技能来掌握这种重新分配的复杂度。本研究通过阐明可扩展认知如何重新定位复杂度并重新定义技术集成条件，推进了 AI 战略。
引用
@article{arxiv.2506.22440,
title = {From Model Design to Organizational Design: Complexity Redistribution and Trade-Offs in Generative AI},
author = {Sharique Hasan and Alexander Oettl and Sampsa Samila},
journal= {arXiv preprint arXiv:2506.22440},
year = {2026}
}