生成式 AI 如何改變藝術創作的創新常規

1. 基本資訊

這篇論文是 Wenyi Chu、David Baxter、Yang Liu 的研究，題目為 Exploring the Impacts of Generative AI on Artistic Innovation Routines，為 2025 年已被 Technovation 接受刊登的 accepted manuscript。從檔名可對應 DOI 為 10.1016/j.technovation.2025.103209。研究主題落在 GenAI、human-AI collaboration、routine dynamics、artistic innovation 的交會處，方法上屬於 歸納式單一個案質性研究。

2. 研究問題

作者真正想回答的問題很集中：GenAI 到底如何改變藝術創作的日常創新常規？ 既有 GenAI 管理研究多半談教育、金融、專業服務，或者停留在「效率變高了嗎」這類結果層次；但創意產業的工作不是線性加工，而是跨角色、反覆迭代、邊做邊改的複雜協作。作者因此把問題下沉到微觀流程層次，想看 GenAI 不只改變產出快慢，而是如何嵌入創作團隊的問題定義、方案搜尋、評估與修改流程，進而重塑創新活動的運作邏輯。

3. 理論基礎

本文核心理論是 routine dynamics。這個視角把組織常規看成兩個面向的交織：一是較抽象、共享的 ostensive aspect，也就是大家理解中的「這個流程通常怎麼做」；二是具體情境中的 performative aspect，也就是人在某次任務裡實際怎麼做。作者進一步採用 routine cluster 的觀點，認為藝術創作不是單一流程，而是多個相互依賴的子常規組成的群集。GenAI 在這裡被視為一種 technological artifact，不只是工具，也會和人、任務、會議互動形成社會物質性的協作配置。這使研究不再只是問「AI 好不好用」，而是問「AI 如何改變常規之間的路徑、介面與節奏」。

4. 研究架構

研究場景是中國一家具規模的 show production 公司 TF。作者把藝術創作拆成幾個主要階段：creation planning、designing、prototyping、production、rehearsal，並區分出 creativity 與 innovation 兩類彼此交錯的 routine clusters。研究框架的關鍵設定是：GenAI 可能同時以兩種方式進入這些常規。第一種是 個人工作工具，協助設計師、導演、編劇、動態視覺人員更快產出概念、圖像與修改版本。第二種是 團隊溝通媒介，在會議裡即時把抽象想法視覺化，讓不同專業的人同時參與問題搜尋、方案搜尋與初步驗證。作者因此關注的不是單一任務效率，而是 GenAI 是否會讓原本分段、序列化的創作與創新流程，變成更同步、更混合的迭代事件。

5. 假設邏輯

這篇不是假設檢驗論文，沒有 H1、H2 這種正式假設；但它有很清楚的 命題式推論邏輯。作者的邏輯大致是：如果 GenAI 能在個人層次大幅擴張搜尋、生成與視覺化的能力，那它會提升創意工作的速度、數量與部分品質；如果 GenAI 又能在團隊層次成為共享的工作介面與討論媒介，那它就不只是加快單一步驟，而會讓原本先後分開的 問題定義、問題搜尋、方案搜尋、初步驗證 在同一個 local event 中同步發生。換句話說，作者推論 GenAI 的關鍵影響不只在 performative 改善，而在於 ostensive sequence 被重組，常規之間的路徑與介面因此改變。

6. 方法

方法上，本文採 inductive single-case study。個案公司 TF 擁有 300 多位內部專業人員，研究資料主要涵蓋 2023 年 3 月到 11 月 GenAI 被廣泛導入後的組織實踐。資料來源相當扎實，包括 264 份次級文件、14 次管理會議非參與觀察、兩階段共 33 場半結構訪談，以及 shadow observation。第一階段訪談主要理解創作流程與初期採用情況，第二階段則深入追蹤 GenAI 在創意與創新工作中的實際使用。資料分析採 Gioia method 與 NVivo 編碼，先從中文原始資料做系統化分析，再轉譯成英文分析架構；作者還在 2024 年 10 月回到個案現場進行 findings discussion，算是做了某種 member check，增加詮釋可信度。

7. 結果

研究結果可以分成兩層。第一層是 個人層次的生產力與角色擴張。GenAI 在概念發想、圖像生成、故事草擬、桌面原型等工作上，明顯提升速度與可比較的替代方案數量；有受訪者估計某些 desk-relevant tasks 的效率提升可達 50%，特定視覺概念生成甚至更高。不過這種效果並不平均，因為 3D 模型、串流動態視覺、實體製作等工作仍高度依賴人力與專業判斷。第二層是 集體層次的常規重組。當 GenAI 被帶進會議現場，不同角色可以即時看圖、改 prompt、討論可行性與設計限制，讓原本需要分階段傳遞的創意與創新流程，變成問題與方案同步探索的即時迴圈。作者最重要的發現是：GenAI 改變的不是單純「多一個工具」，而是把 routine clusters 的 path、interface 與 feedback loops 改寫了；但這種變化仍屬於局部調適，而不是整套制度的全面翻新。

8. 理論貢獻

本文最大的理論價值，是把 GenAI 從「效率技術」提升為「改變常規動力學的社會物質介面」。首先，它補強了 routine dynamics 文獻中對新技術人工製品的討論，證明 GenAI 不只影響單一步驟的 performative variation，也可能引發 ostensive aspect 的實質改動。其次，研究把 human-AI collaboration 從個體使用擴展到 群體共同協作，指出 AI 在會議、即時討論與跨專業對話中能扮演工作媒介。第三，它提出一個很值得後續研究的命題：組織未必需要 top-down 的正式流程再設計，光是多位行動者在 local events 中反覆用 AI 協作，就可能慢慢把常規序列改寫。這個切角比常見的 adoption 研究更接近機制層次。

9. 實務意涵

對實務來說，作者給的啟示很務實。第一，創意型組織不應只把 GenAI 當作個人提速工具，而要刻意設計 collective use 的場景，尤其是在概念發散、跨部門評估與快速迭代時。第二，導入 AI 的價值不該只看「能不能替代人」，而要看它是否能幫人更快形成可討論的中介產物，讓不同專業更早進入同一輪決策。第三，人類專業仍然關鍵，特別是在 prompt quality、結果評估、情境判斷、物理可行性檢查 上。第四，管理者需要接受 GenAI 造成的效率提升是 不均衡的，因此可能連帶影響角色邊界、流程分工與功能重組，而不是所有部門同步等比例受益。

10. 研究限制

限制也很清楚。第一，這是 單一國家、單一公司、單一創意產業場景 的個案，外推到其他創意產業或一般知識工作時要保守。第二，研究時點落在 GenAI 發展相對早期，很多工具能力還不成熟，因此觀察到的流程邊界可能會隨技術進步而變動。第三，作者強調 group-AI interaction，但這種群體與 AI 的同步協作是否能在其他產業複製，目前仍缺乏比較研究。第四，本文是質性機制研究，不是因果識別設計，所以它能很好地說明「怎麼變」，但不能精準回答「在哪些條件下變得更多、效果有多大」。

11. 對我研究的啟發

這篇對我最有用的地方，不只是它談 GenAI，而是它提供了一個把 GenAI 協作、知識創造、流程重組 接起來的中層機制框架。我最近的文獻主線已經逐漸聚焦在 human-GenAI collaboration、認知風格、knowledge seeking 與 knowledge creation；這篇剛好補上「這些結果可能是透過什麼樣的常規變化發生」的缺口。它提醒我，未來研究不一定只能把 AI 當成獨立變項，也可以把它放進 routine interface、problem-solution search synchronization、cross-functional interaction 這些更細的機制變項裡看。若往我的主題延伸，我覺得有幾個很值得發展的方向：不同認知風格者在與 GenAI 協作時，是否會採取不同的問題搜尋與方案搜尋節奏；AI personalisation 是否會改變知識尋求的廣度與深度；以及團隊在導入 AI 後，知識創造究竟是被促進，還是只是把前段探索壓縮得更快。這篇很適合當我之後串接 cognition 與 organizational process 的橋梁文。

12. 整體評價

我認為這篇 值得讀，而且值得保留作為後續研究的 framing paper。它的優點很明確：題目切得準，不只談「GenAI 很有影響」，而是具體說明它怎麼改變常規的路徑、介面與序列；理論上用了 routine dynamics，讓文章比一般 AI adoption 論述更有結構；對我自己的研究線也非常可重用。它的弱點則在於證據類型仍是單一質性個案，且研究對象是創意產業中的 show production，情境特殊性高，因此若要拿來支持普遍性的管理結論，仍需要更多跨產業比較與後續實證。即便如此，作為今天只讀一篇的選擇，這篇的 新穎性、機制密度與可延展性 都比另外兩篇候選更強。