《Journal of Industrial Information Integration》：Human-Centric Automation to Intelligent Information Integration: A Mixed-Methods Framework for Industry 5.0 Manufacturing
编辑推荐：
为解决工业4.0（I4.0）时代因技术中心主义和信息碎片化导致的决策质量不佳问题，研究人员针对向工业5.0（I5.0）过渡的制造环境，开展了一项关于人类专业知识、数据治理成熟度与AI驱动分析（AI-Driven Analytics， AA）如何共同影响决策质量（Decision Quality， DQ）的混合方法研究。研究构建并验证了“人-智信息集成框架”（Human–AI Information Integration Framework, HAIIF），指出AI驱动分析对决策质量有强正向作用，而在不成熟的信息系统中，人类认知与数据治理反而存在负面关联。该研究为设计人机协同、可互操作且具韧性的智能制造系统提供了实践指导。
想象一下未来的工厂：机器轰鸣，数据奔流，人工智能（AI）一刻不停地分析着海量信息，试图优化生产流程。然而，当生产线出现一个前所未有的异常情况时，算法却陷入了沉默。谁来解释这个异常？谁来结合多年的现场经验做出最终判断？这正是工业革命演进到今天，从工业4.0（I4.0）迈向工业5.0（I5.0）时所面临的核心拷问。I4.0构建了连接万物的数字骨架，实现了高度的自动化和数据驱动，却因其技术中心主义的倾向而备受批评——它常常“见数不见人”，忽略了人类智慧和情境推理的独特价值。随之而来的信息孤岛、异构平台间的数据壁垒，以及自动化对人类角色的模糊化，反而可能损害最终决策的质量（DQ）。
在此背景下，工业5.0（I5.0）应运而生。它并非要取代I4.0，而是作为一个互补的范式，在其建立的赛博物理系统基础之上，将人类专业知识重新整合为智能制造系统不可或缺的核心要素。I5.0的核心是实现人类与AI的真正协同，让人的创造力、伦理判断和适应性与机器的精准、高速计算能力深度融合。然而，一个关键问题尚不明晰：在这种新型人机共生系统中，人类认知、数据治理和AI分析能力究竟如何相互作用，才能共同催生出高质量的决策？这正是Colin M Richardson在其发表于《Journal of Industrial Information Integration》上的研究要解答的难题。
为了深入探究这一复杂议题，研究人员采用了一种严谨而全面的混合方法设计。首先，他们通过向英国82家正处于向I5.0转型过程中的制造企业发放结构化的在线问卷调查，收集定量数据。这份问卷精心设计了四个部分，分别测量组织概况、数据治理（Data Governance, DG）成熟度、数字化与AI技术采纳情况以及人在回路（human-in-the-loop）实践，所有构念均基于成熟量表进行了适应性调整。随后，基于对定量数据的初步分析，研究团队有目的地选取了14位来自不同组织、担任不同角色（如运营经理、数据科学家、数字化转型负责人）的专家，进行了深入的半结构化访谈。定量数据通过结构方程模型（PLS-SEM）进行分析，以验证变量间的统计关系；定性访谈记录则通过专题分析法进行编码，旨在揭示这些统计关系背后深层的作用机制和情境因素。这种定量与定性相结合的方法，既能从宏观上把握行业趋势和结构关系，又能从微观上深入理解人智协作的实践细节与挑战，从而实现方法论的三角互证，确保研究发现的稳健性与深刻性。
研究结果揭示了几个关键且富有启发性的发现。首先，定量分析表明，在向I5.0过渡的制造环境中，AI驱动分析（AA）对决策质量（DQ）具有强烈的正向影响。这意味着，即使其他条件不完善，引入强大的AI分析工具本身就能显著提升决策的准确性和及时性。然而，一个反直觉的发现是，人类认知（Human Cognition, HC）和数据治理（DG）成熟度均与DQ呈显著的负相关。这并非否定人或制度的重要性，而是揭示了在当前许多制造企业的信息系统中，当系统是碎片化或弱集成时，过度依赖未经结构化的人类判断，或实施僵化、不完整的数据治理流程，反而会引入认知负荷、解释不一致性和程序性障碍，从而制约决策的适应性和质量。
其次，定性分析为上述定量发现提供了生动的解释和深化。通过分析398条编码陈述，研究人员识别出阻碍有效人智信息集成的多重结构性障碍：
- •
信息孤岛与语义不一致：不同系统（如新旧设备、不同供应商的软件）之间数据格式、定义不统一，导致“元数据丢失”（如上下文信息、数据字典），数据在流转中丧失本意，变得不可靠。
- •
遗留系统与手动处理：大量老旧设备无法生成或传输结构化数据，迫使员工采用Excel表格等手动方式录入数据，不仅效率低下，更成为错误和偏差的主要来源。
- •
技能鸿沟与信任危机：员工缺乏必要的数字素养和数据科学技能，无法有效理解、使用或质疑AI的输出。同时，对AI“黑箱”运作方式的不透明感到恐惧和不信任，导致部分员工甚至抵制或消极使用新技术。
- •
知识与情境的脱节：自动化减少了直接参与流程的人力，但未能有效捕获和编码他们的隐性知识（Tacit Knowledge）。当经验丰富的员工离职或退休，关键的上下文知识和问题解决能力也随之流失，使得AI系统在遇到非例行情况时无所适从。
这些定性发现精准地解释了为何HC和DG在定量模型中会呈现负面影响——它们并非自身无价值，而是在一个支离破碎、互操作性差的技术生态中，其潜力被严重抑制，甚至可能拖累系统表现。
最后，为了整合这些发现并提出系统性的解决方案，研究提出了 “人-智信息集成框架”。该框架将决策质量（DQ）概念化为一种 “混合智能” 的涌现属性。它清晰地展示了人类情境化推理、稳健的治理结构以及AI分析能力三者如何通过动态互动，共同支撑起适应性且可信的决策。框架的核心逻辑在于：AI驱动分析提供计算支架和模式识别能力；人类认知负责提供伦理监督、创造性问题解决和对AI输出的情境化验证与解释；而成熟的数据治理则确保信息在系统间流动时的语义一致性和可靠性，为前两者的有效协作搭建“高速公路”。只有当这三者协同而非割裂地工作时，才能实现真正的I5.0愿景。
研究结论与重要意义。这项研究通过实证方法，首次将社会技术理论与工业AI部署实践联系起来，系统地揭示了在向工业5.0过渡的制造环境中，人类专业知识、数据治理与AI驱动分析对决策质量的复杂影响机制。其核心结论是：迈向智能、自适应的制造系统，关键在于实现有效的人-智信息集成，而不仅仅是部署更先进的AI工具。AI分析是强大的助推器，但若缺乏与之匹配的、能编码和流转人类智慧的信息架构，以及灵活而非僵化的治理体系，人类和制度因素反而可能成为瓶颈。
这项研究的意义重大且深远。在理论层面，它超越了以往对人智协作的概念性讨论，提出了一个经过实证检验的、可操作的理论框架（HAIIF），为理解人机混合智能如何提升组织决策过程提供了新的视角。在实践层面，它为制造业管理者和技术架构师提供了清晰的行动指南：投资AI技术的同时，必须同等重视打破数据孤岛、建立语义一致的数据模型、投资于员工的数字技能培训以弥合信任鸿沟，以及设计能够保留和整合人类隐性知识的系统。这警示业界，忽略“人”与“信息流”的深度整合，单纯追求技术的自动化，很可能无法收获预期的决策质量提升，甚至可能适得其反。该研究标志着工业5.0从理念走向实践的关键一步，为构建真正以人为本、兼具韧性、可持续性和高效率的下一代智能制造系统指明了方向。
