跨領域看生成式 AI 如何改變決策

1. 基本資訊

這篇論文由 Mousa Albashrawi 單獨撰寫，2025 年刊登於 Journal of Innovation & Knowledge。它不是單一情境的實證測試，而是一篇以系統性文獻回顧加主題分析為核心的綜整研究，目的在於把分散在醫療、法律、教育、商業與技術系統中的 GenAI 決策研究拉回同一張圖上。作者真正想做的不是證明 GenAI 「好不好用」，而是整理它究竟在不同決策場景裡扮演什麼角色、帶來哪些共同收益，以及暴露哪些重複出現的風險。

2. 研究問題

這篇的核心研究問題是：GenAI 如何在不同領域中改變決策的準確性、效率、個人化程度與治理需求。更具體地說，作者要回答兩層問題。第一，GenAI 在醫療、法律、商業、教育、旅遊與技術系統等不同場景中，各自被拿來做什麼。第二，跨場景比較後，哪些效益與風險是共通的，例如效率提升、偏誤、幻覺、透明度不足與責任歸屬問題。這使整篇文章的重點不在單點發現，而在建立一個可供後續研究反覆使用的比較框架。

3. 理論基礎

本文的理論基礎不是單一經典理論，而是建立在跨領域 decision-making 文獻的整合上。作者把 GenAI 視為一種新型決策支援機制，其價值來自快速處理資訊、生成建議與支援人類判斷，但其問題也同樣來自這種生成能力本身，特別是偏誤、錯誤自信、可解釋性不足與倫理責任不清。整體來看，這篇更像是在發展一個跨域的中層理論視角：GenAI 並非單純自動化工具，而是會重新配置人類判斷、監督與制度治理邊界的決策參與者。

4. 研究架構

作者以系統性搜尋 Scopus 後人工篩選的方式，將 101 篇文獻整理為八大主題類別：醫療與臨床決策、法律決策、商業與金融決策、教育決策、旅遊與消費者決策、技術系統與框架、倫理決策，以及協作與跨領域決策。後續分析並不只是逐類摘要，而是進一步用比較表與交集圖整理不同領域的共同問題。整個架構的貢獻在於，它讓讀者看見 GenAI 決策研究的核心不是分散的應用案例，而是由效率、信任、偏誤、監督、協作與治理等幾條主軸串起來的。

5. 假設邏輯

這篇不是假設檢驗論文，因此第 5 段更適合寫成論證邏輯。作者的基本命題是：GenAI 在各領域都會先以資訊處理效率、建議生成能力與個人化回應創造吸引力，但只要決策風險升高，偏誤、幻覺與黑箱問題就會迅速浮現，因此人類監督與治理機制必須同步升級。換句話說，這篇的邏輯不是「GenAI 會取代決策者」，而是「GenAI 會先重塑決策流程，再逼迫組織與制度重新定義哪些部分可以交給 AI、哪些部分必須保留給人」。這個論證也自然導出作者最後提出的八條研究命題與未來研究方向。

6. 方法

方法上，作者採系統性文獻回顧與主題分析。檢索時以 Generative AI、GenAI、Generative Artificial Intelligence 搭配 Decision Making、Decision-Making 等關鍵字搜尋 Scopus，再經人工篩選納入 101 篇相關研究。之後把文獻依主題群組整理，並進行跨領域比較。這種方法不提供原始因果識別，但非常適合用來建立研究地圖、辨識共通機制與找出跨領域研究缺口，尤其對像你這種要把 human-GenAI collaboration 拉回較高層理論框架的人特別有用。

7. 結果

整體結果非常一致地指出，GenAI 幾乎在所有領域都展現三種明顯優勢：更快的資料處理、更強的決策支援，以及更高的個人化潛力。醫療與法律場域最常看到的是它能快速整理資訊並支援初步判斷；商業與金融場域則凸顯它在分析、風險評估與營運優化上的價值；教育、旅遊與協作場域則強調個人化與即時互動。然而，跨領域也重複浮現幾個風險。第一是偏誤與幻覺。第二是透明度與可解釋性不足。第三是高風險情境下不能脫離人類監督。作者因此的結論不是「全面擁抱」，而是「條件式整合」。

8. 理論貢獻

這篇最重要的理論貢獻，在於把原本分散在不同學門的 GenAI 決策研究拉成一個可比較的跨領域框架。它讓人看到，醫療、法律、商業、教育與技術雖然任務不同，但共同都在處理三件事：效率提升、風險外溢與治理補位。第二，它把「人機協作」從單一互動層次提升到制度與架構層次，指出問題不只是人信不信 AI，而是不同領域如何重新分配判斷權、責任與驗證權。第三，它提出多代理框架、透明度要求、風險容忍模型與 stakeholder-aligned ethics 等可進一步理論化的命題，為後續研究提供了比單篇實證更可重用的上位結構。

9. 實務意涵

對實務界而言，這篇最有價值的提醒是：導入 GenAI 決策支援不能只追求快，還要同步設計驗證、解釋與監督機制。醫療與法律等高風險場域尤其不能把 AI 當成獨立裁決者，而應把它定位為輔助判讀、資訊彙整與方案生成工具。商業與教育場域雖然風險較低，但同樣需要處理偏誤、錯誤推薦與使用者過度依賴。作者實際上是在提醒組織，真正該投資的不只是模型能力，而是 AI 接入決策流程後的治理設計，包括審核流程、透明度要求與人機分工規則。

10. 研究限制

第一，這篇屬回顧研究，證據強度取決於既有研究本身，因此不適合拿來當單一因果主張的最終證明。第二，作者整合的 101 篇研究雖然跨域，但各領域成熟度差異很大，像醫療文獻明顯比法律或教育領域更豐富，這會影響比較的均衡性。第三，文章提出的八項 proposition 很有方向感，但多數仍停留在研究議程層次，尚待更多任務層級與組織層級的實證研究驗證。也就是說，這篇很強在搭架構與指出機制，不強在提供已被充分驗證的定論。

11. 對我研究的啟發

這篇對我最可重用的地方，是它提供了一個把 AI × 知識創造、AI × 創新機制、human-GenAI collaboration 與 organizational decision-making 串起來的橋樑。我可以從這篇延伸出一個很清楚的研究思路：不要只問 AI 會不會提升創意或績效，而要問 AI 參與後，決策流程中的知識搜尋、替代推理、偏誤修正、角色分工與責任感知如何改變。若再往我的 認知風格 線推進，就可以進一步問，不同認知風格的人會把 GenAI 當成探索工具、驗證工具，還是直接當成判斷外包對象，而這些差異是否會導向不同的知識創造品質與長期能力後果。這篇因此非常適合當 framing paper，而不是只當背景文獻。

12. 整體評價

我會把這篇收進核心文獻，但定位更偏向 framing paper 與 research agenda support，而不是核心實證依據。它非常值得讀，因為它幫我把近來看過的許多單點研究重新排成結構化地圖，尤其對我後續若想處理 GenAI 與決策、知識創造或協作機制的整體論述很有用。若要當 empirical support，必須再搭配特定場域的實證文獻；若要當 methods reference，這篇也不是首選。但作為一篇界定問題、整理跨域機制、指出可研究命題的上位文章，它的可重用性很高。