文|朱帅

随着人工智能技术的持续突破，大模型正从“工具型技术”演进为“认知型基础设施”。如果说以往的信息技术主要解决“更快获取信息”的问题，那么以大模型为代表的新一代人工智能，则开始深度介入“如何生成知识”这一核心环节。由此，一个值得重新审视的问题浮出水面：在数字经济时代，究竟“谁来生产知识”？这一变化正在企业运营、产业分工乃至宏观经济运行中引发具体而深刻的结构性调整。

一、知识生产的主体正在发生转移

长期以来，知识生产并非单纯由人来完成，而是依附于一整套高成本的组织与流程体系：问题定义、资料收集、逻辑推演与表达输出，往往被拆分在不同角色之间，由专家经验进行串联。这一体系的约束不在于人是否具备能力，而在于各环节间存在较高的转换成本。从信息到结构、从结构到表达，均依赖个体经验完成非标准化加工。因此，知识生产能力难以规模化复制，其瓶颈不仅是人力数量，更是隐性经验难以被转译与调用。

大模型的引入，改变的正是这一“经验转译机制”。与传统工具不同，其核心作用并非简单提升单一环节效率，而是将原本依赖个体的隐性加工过程进行显性化与模块化处理。具体表现为：一方面，大模型可将非结构化信息直接转化为结构化表达；另一方面，通过多轮交互与多智能体协同，它能在生成过程中动态修正逻辑路径，使专家反复推敲的推理过程被“外部化”为可调用能力。由此，知识生产中最难规模化的“中间环节”被显著压缩甚至替代。

在研发与分析场景中，这一变化体现为生产流程的重组而非单点提效。以软件开发为例，传统“编码—调试—修正”具有明显序列性，而引入大模型后，开发者可并行生成多个实现路径，再基于结果筛选与迭代，过程从“逐步逼近正确答案”转向“在候选解中选择最优解”。类似地，在医疗辅助决策中，多智能体系统通过知识萃取、风险识别与决策支持的分工协同，将原本集中于单一医生的判断过程拆解为多个可复用模块，实现诊疗能力的稳定输出。这意味着，知识不再主要以个体经验形式存在，而是以流程化能力嵌入系统之中。

在内容生产领域，变化同样不在于写得更快，而在于生产函数的关键变量发生替换。传统高质量内容依赖“信息占有 + 表达能力”的双重积累，而在大模型介入后，表达能力被显著弱化，信息整合与判断能力成为核心门槛。实际生产中，“先由模型生成初稿，然后人工筛选与修正”正在替代“从零撰写”的主导路径，创作行为由“生成”转向“选择与重组”。这一变化直接导致内容生产的组织方式调整：个体不再需要完整覆盖调研、写作与优化全流程，而是更多承担“问题设定与结果判断”的角色。

从更底层看，大模型并未简单降低知识生产成本，而是改变了知识生产能力的存在形态：由依附个体的“内生能力”，转变为可通过接口调用的“外部能力”。这种转变带来的关键影响在于，知识生产不再以“谁具备经验”为边界，而以“谁能够有效调用系统能力”为边界。由此，“谁来生产知识”的问题，正从主体归属问题，转化为能力配置与调用方式的问题，知识生产体系由此进入以人机协同为基础的结构性重组阶段。

二、企业决策机制正在被重构

如果说知识生产主体的变化回答的是“谁来做”，那么更为关键的转变在于“如何做”，即组织内部决策机制的重构。长期以来，企业决策依赖层级结构完成信息筛选与解释：一线负责采集与反馈，中层承担整合与判断，高层基于有限信息做出最终决策。中层管理者的核心作用在于对信息进行语境化解释与经验性过滤，本质上是“认知中介”角色。

大模型的介入，改变的正是这一“认知中介”的运作方式。一方面，模型能够对跨层级、跨来源的信息进行统一处理，使原本需要逐级汇总的信息可被直接调用；另一方面，通过实时解析非结构化信息，模型将依赖经验的“情境判断”转化为可计算过程。由此，决策流程从“逐级加工的信息传递”，转向“基于同一信息底座的并行判断”，中层在信息整合中的不可替代性被显著削弱。

在具体运行机制上，这种变化表现为决策活动的两项重构。其一，从“路径依赖型决策”转向“候选解选择型决策”。传统决策依赖既有经验路径逐步逼近结果，而大模型可在同一时间生成多个备选方案，组织通过快速筛选实现最优选择，决策核心从“如何推导结论”转变为“如何选择最优解”。其二，从“事后分析”转向“过程嵌入式判断”。模型在业务流程中持续提供实时反馈，使决策不再集中于某一节点，而是分布于整个执行链条。

以供应链管理为例，其关键变化不在于处理速度提升，而在于决策单元的重构。传统系统主要基于结构化数据进行规则运算，而大模型能同时整合非结构化信息，将原本分散于不同部门的判断统一到动态决策体系中。采购、物流与风险控制由此形成联动，决策由“局部最优”转向“系统最优”。

进一步看，这一变化指向组织认知结构的调整：从“以人作为唯一判断主体”，转向“以人机协同作为基本决策单元”。随着智能体（Agent）在企业中的深度嵌入，决策过程不再是单一主体的线性判断，而是由多个具备特定功能的子系统协同完成，人类更多承担目标设定、约束定义及结果校验等角色。这意味着，决策能力正从个体经验中“抽离”，转化为可在不同场景中复用的系统能力。

由此带来的影响，并不仅限于效率提升，而是组织分工逻辑的再划分：一方面，依赖信息不对称与经验中介的岗位价值被削弱；另一方面，能够定义问题、重构约束条件并对模型输出进行判断的能力，成为新的稀缺资源。资源配置效率也因此出现新决定因素——不再主要取决于信息占有量，而取决于对信息的组织与调用能力，即“知识流”的运转方式。

三、对产业分工与创新模式的深远影响

当知识生产能力由个体专属资源转变为可广泛调用的外部能力后，产业分工的基础逻辑随之发生深刻变化。传统分工体系建立在“能力稀缺性”之上：不同组织通过占有差异化知识与人才，形成明确的功能边界，并依赖层级结构完成协同。企业规模在很大程度上取决于其内部整合多种专业知识的能力。

大模型的引入，改变的不是单一环节效率，而是能力配置方式本身。当分析、设计、内容生成等通用能力可通过模型接口获得时，原本需要在组织内部完成的多环节协同，被压缩为“调用外部能力+内部整合”的新模式。企业边界出现收缩趋势：部分中间职能不再以独立岗位形式存在，而是转化为嵌入业务流程的功能模块。组织结构的变化，本质上是从“岗位分工”转向“能力调用分工”。

这一变化在不同规模主体中呈现差异化影响。对大型企业而言，优势不再仅靠人力与资本投入，而在于能否构建稳定的模型应用体系，将分散能力整合为可持续的业务流程；对中小企业和个人而言，关键在于“能力获取方式”的转变——通过调用外部模型，可在较短时间内形成跨领域综合能力，从而进入原本由大型组织主导的领域。但这种能力扩展更多是进入门槛的降低，而非持续竞争优势的自动获得，后者仍取决于问题定义、资源整合与场景理解等更高层能力。

进一步看，知识能力的可及性提升并未单向导向分散化，而是同时强化了新的集中机制。一方面，模型训练与优化高度依赖高质量数据与算力资源，使掌握这些要素的主体在能力供给端形成优势；另一方面，模型作为通用能力平台，其规模效应与网络效应推动能力供给呈现集中趋势。由此，产业分工呈现“接口开放—能力集中”的双重结构：应用层参与主体更加广泛，但底层能力的控制权可能向少数平台型主体聚集。

在这一背景下，分工格局的演变不再仅由市场自发决定，而与制度供给密切相关。围绕数据开放、算力布局与模型应用的政策安排，正在直接塑造能力分布方式。例如，推动通用大模型在重点行业的规模化应用、构建高质量数据资源体系、发展面向具体场景的智能体应用，本质上是在构建能力供给与调用的基础设施。其核心意义在于，通过制度设计影响未来产业中“谁能够获得能力、以何种方式参与分工”的基本格局。

四、从“用知识”到“造知识”的政策启示

当大模型将知识生产能力由“使用工具”拓展为“参与生成”之后，其影响已超越企业层面的效率提升，开始作用于经济运行。原有政策体系多聚焦“促进知识扩散与应用”，而在知识可规模化生成的背景下，政策重心需转向“如何组织知识生产能力”。

首先，数据已成为决定知识生成能力上限的基础资源。大模型对数据的依赖不仅在于规模，更在于结构、质量与可持续性。碎片化、低一致性数据难以支撑稳定输出。因此，政策重点应从单纯“开放数量”转向构建高质量数据供给体系，包括统一标准、明确权属、合成数据规范及动态更新机制。《“数据要素×”三年行动计划（2024—2026年）》及国家数据局相关部署，已明确将打造高水平人工智能训练数据集作为重点，为“人工智能+”提供可信知识底座。

其次，决策过程由“人主导”转向“人机协同”，现有责任与治理框架需重构。关键在于明确不同场景下人机的功能边界：在医疗、法律、金融等高风险领域，模型宜作为信息整合与方案生成工具，最终判断由人负责；在低风险、高频场景中，可适当提升模型自动决策权重。治理重点应从“限制使用”转向构建分层分类的协同机制。《“人工智能+制造”专项行动实施意见》提出的工业智能体分类分级管理、安全风险监测预警及监管沙盒等举措，正是这一方向的实践探索。

再次，教育体系的能力培养逻辑必须调整。当信息获取与基础表达可通过模型外部化后，个体竞争优势不再依赖“掌握多少知识”，而在于定义问题、组织知识和判断结果的能力。教育目标需从“知识传递”转向“认知能力构建”，重点培育跨领域整合、批判性思维、复杂问题拆解以及人机协作素养。《“人工智能+教育”行动计划》已部署相关课程体系改革与教师角色转型，回应人在新知识生产体系中的角色变化。

综合来看，大模型引发的不是单一技术变革，而是知识经济运行方式的整体重塑：知识的生成、调用与分配逐步转向以系统能力为支撑的模式。人不再是知识的唯一直接生产者，而是问题的提出者、过程的组织者与结果的判断者。

展望未来，知识生产将从“少数主体的专属活动”转向“人机协同的常态化过程”。这一转变的核心意义在于重构创新生成机制：更多主体得以参与问题提出与方案探索，但持续创新能力取决于对系统能力的整合运用水平。经济竞争的关键，也将从“谁掌握更多知识”转向“谁能更高效地组织与调用知识生产能力”。主动适应并塑造“人工智能+”背景下的知识生产体系，已成为影响未来发展格局的重要变量。

（作者系赛迪研究院研究员）

编辑：杨琳