（问题）随着生成式人工智能加速进入内容生产、产品设计、广告营销等领域，“它能否真正提升创造力”成了许多机构关注的新课题。一方面，这类系统识别模式、快速生成文本和方案上优势明显；另一上，创造力往往依赖跨界联想、价值判断和情境洞察，难以用单一的“下一步预测”来概括。实际使用中，有的团队虽然引入工具，却出现创意趋同、产出增多但质量未见提升等情况，说明“会用”与“用好”之间仍有不小差距。 （原因）剑桥大学研究人员近期在《信息系统研究》发表成果指出，关键不在于系统能否输出内容，而在于人机协作方式是否设计得当。研究团队对“增强学习”提出新的理解：在生成式人工智能时代，学习不再只是个人技能的累积，更像一个共同过程——人负责提出目标与做出判断，系统负责生成与分析，双方通过反馈不断调整分工，形成动态的合作关系。如果仍把它当作简单的信息检索或一次性“点子生成器”，协作就容易停留在表层叠加，难以产生高质量创新。 为验证这个判断，研究团队开展了三项相互衔接的实验，每项约160至200名参与者，围绕社会与环境议题等创意任务设置重复协作情境。结果显示：人机组合并不会因为反复合作就自然变得更有创造力。更分析发现，参与者常见三种协作路径：一是人类单向提出想法，系统仅用于记录或润色；二是人类向系统“要想法”，再自行筛选；三是人类与系统围绕初稿持续交换反馈、共同完善。只有第三种“共同完善”能大幅提升创意表现，但在自然情境下，参与者反而较少选择这种更耗时却更有效的方式。研究还发现，只要给出明确指引，让参与者把注意力从“不断生成新想法”转向“围绕已有想法迭代优化”，人机团队在重复任务中的创意表现就会明显改善。 （影响）这一发现为各行业的数字化转型提供了直接启示：引入生成式人工智能，并不等同于自动获得更强的创新能力。缺少流程拆解、评价标准和反馈机制时，工具可能带来“产出膨胀”和“决策疲劳”，甚至因过度依赖模板化表达而削弱原创性。相反，当协作被嵌入结构化工作流，并以“迭代优化”为核心目标时，生成式人工智能更可能成为创新助力，帮助团队在创意评估、受众趋势分析、结构与节奏校正等环节提升效率与质量。 研究以流媒体行业为例指出，一些机构并不把剧本创作视为一次完成的线性任务，而是拆解为创意生成、评估筛选、迭代打磨等阶段：编剧负责世界观、人物动机、主题立意等关键环节，系统则可在角色弧线、叙事节奏、观众偏好等维度提供分析支持，从而服务内容开发与市场策略。重点不在“让系统写完”，而在于把系统纳入迭代链条，形成可追踪、可复盘的改进闭环。 （对策）研究团队据此提出，组织层面的针对性支持至关重要。其一，要明确协作任务的分工边界：由人把关价值判断、伦理与情境合理性，由系统承担快速生成、信息整合与结构检视，避免责任模糊导致质量失控。其二，要把创意工作流程阶段化，将“生成—评价—修改—再评价”制度化，鼓励围绕同一方案开展多轮反馈，而不是追求一次性的大量产出。其三，要为员工提供可操作的提示构建与迭代方法培训，包括如何提出约束条件、如何要求给出可检验的依据、如何对输出进行对比评估与再加工。其四，要建立结果评估标准，不只看数量与速度，更看新颖度、可行性与社会价值，并通过复盘机制沉淀可迁移的方法。 （前景）从更长远看，生成式人工智能对创意产业的影响，可能会从“替代焦虑”逐步转向“协作重构”：一些岗位将更多承担策划统筹、审美判断、风险把控与跨领域整合；一些流程将更依赖数据与反馈驱动的迭代。研究提示，决定创新成效的关键不在工具本身，而在协作机制与组织能力建设。随着应用进一步普及，如何在提升效率的同时守住原创与责任边界，如何把“共同完善”变成可复制的工作习惯，将成为机构竞争力的重要分水岭。
从研究结论看，生成式人工智能不是创意的“万能钥匙”，更像一面镜子，会放大团队的工作方式与管理水平。只有把协作规则讲清、把迭代机制建好、把评价标准立稳，技术才能真正转化为创新能力。对各类组织而言，下一步关键不只是接入工具，而是重塑创意生产的流程与方法，让“共同完善”成为人机协作的核心动作。