设想一个团队让 AI 整理材料、提出方案、分配下一步任务。会议变快了，但新问题也出现了：谁来审阅建议？谁能改变系统排出的优先级？省下的时间，又由谁决定如何使用？
这是本栏目编写的场景。它提醒我们，“AI 队友”不只是一个关于亲近感的称呼，还可以引出对任务、权限和组织安排的追问。Seeber 等人的文章，正是从团队协作的角度展开这组问题。
一分钟读懂
- 读者用途：在采用 AI 协作系统前，检查团队的分工、审阅和调整条件。
- 研究材料：65 位协作研究者贡献的 819 条想法与问题，经整理形成研究议程。
- 核心结构：机器系统、协作安排与制度环境三个设计领域，以及 17 组可能的双向后果。
- 阅读边界：这些后果是有待研究的可能性，不是已经测出的发生率，更不构成因果定律。
01 · 队友是一个设计问题
这篇文章由 Isabella Seeber 与跨机构研究团队共同撰写，发表于《Information & Management》2020 年卷期。第一作者当时署名因斯布鲁克大学。论文关注具有一定自主性、能够参与共同目标的机器队友，以及这种设想怎样改变协作研究的问题。p. 1 ↗
这里不能把所有 AI 工具都直接归为同一种队友。一个只负责转写的功能，与能够提出任务安排、参与对话的系统，实际介入的位置不同。使用怎样的机器、参与什么协作，需要被具体说明。pp. 2–3、5–6 ↗
因此，题目中的“叫作”带着一个检查：我们有没有因为用了关系性的名称，就省略了实际能力与工作安排？反过来，一个被称作普通工具的系统，也可能通过任务分配影响团队行动。名称值得研究，但还需要与具体设计对照。
文章开头出现灾害应对的设想，用来帮助展开机器参与协作的想象。它不是研究团队报告的一次实际 AI 救灾部署；阅读时不能把引导场景当成研究结果。pp. 1、3 ↗
02 · 八百多条问题怎样产生
研究团队在 2018 年开展调查，向协作研究领域的人征集想法。65 位回应者中也包括共同作者；开放式头脑风暴与带提示的提问，共产生 819 条想法和问题。随后，作者团队通过内容分析反复归类，形成议程结构。方法，pp. 3–5 ↗
这个数字说明材料的规模，不代表 819 项独立研究，也不是 65 个已经部署 AI 的工作团队。回应者是研究者，所关注的问题可能与实践者的优先事项不同。作者在局限中专门承认这一点。p. 10 ↗
部分后果之间的关联，也是作者在分析多条材料时综合形成的，并不一定由某一位回应者完整提出。因此，更准确的读法是：这些是通过专家材料组织出来、值得后续验证的问题，而不是研究者已经发现的一组普遍规律。p. 10 ↗
这种议程仍然有价值。它帮助我们在关注收益时，也把可能的损失放进研究设计，避免等问题发生后才想起没有留下观察位置。
03 · 不只设计机器，也设计协作
论文提出三个相互关联的设计领域。第一个是机器系统本身，包括交流、学习、可见性与可靠性等特征。第二个是协作，涉及团队、任务和工作实践。第三个是制度环境，涉及责任以及教育培训等安排。pp. 5–6；图 3，p. 10 ↗
这意味着同一个系统，放到不同工作方式中，不能自动被当成同一个完整干预。团队成员是否能看到建议依据，能否提出异议，任务怎样拆分，培训是否使人理解自己的角色，都进入协作条件。
把这个结构用于一次教研活动，本栏目建议分别写下：AI 被允许做什么，教师怎样共同检查，组织怎样安排时间与责任。若只更换模型，却让审阅负担无人承担，就仍然留下了协作问题。
三个领域也不能完全分开。为了更容易发现错误，可能需要界面展示，也需要有人负责看，还需要保留检查的时间。单独说“人类在环”并没有把这些安排交代完整。
04 · 更快之后，谁来消化
论文整理的可能后果之一，是工作节奏加快与认知负担增加之间的张力。机器可能带来更多、更快的信息处理，但团队成员如何跟上、如何理解，也需要研究。这是议程提出的方向，不是本文测量出的效率代价。p. 8，§5.2.2 ↗
设想 AI 在十分钟内列出许多可行建议，团队可能节省搜集时间，也可能需要更多审阅时间。要了解整体变化，可以把生成、筛选、核查、沟通和返工放在同一个任务过程中观察，而不只记录第一份结果到达的速度。这是编辑延伸。
另一个方向涉及团队知识可能得到扩展，也可能发生流失。论文没有断言外包工作必然导致能力下降，而是把不同走向都列为待研究的问题：团队怎样处理知识，哪些条件有助于保留和发展它？p. 7，§5.1.2；p. 10 ↗
因此，“繁琐部分交出去，人就能专注判断”可以是一种实践期待。它是否成立，要看交出去的工作包含什么、腾出的精力去了哪里，以及人的判断是否仍有足够材料支撑。
05 · 承担任务，不等于保留控制
文章还提出“更多责任与失去控制”的关联，以及“更高可见性与隐私损失”的关联。这里的责任与控制，是研究议程中的概念问题，不能直接读成法律责任应如何分配的规则。p. 8，§5.2.7–5.2.8 ↗
作者明确提醒，不意图给这些关联指定因果方向。例如，可见性与隐私之间也可以从反方向提出问题；目前的材料不足以证明一项必然造成另一项。p. 10 ↗
对团队实践，可以把控制拆成具体动作：谁能暂停某一步，谁能覆盖建议，改变需要经过什么程序，错误之后能否回看？这些问题由本栏目整理。它们比一句“最终还是人负责”更容易检查实际安排。
如果教师名义上保留判断，却没有时间阅读系统输出，或者无法修改系统给出的分类，那么保留了哪一种判断权，就需要继续说明。我们不必先假定这种情况普遍存在；研究可以寻找发生或没有发生的条件。
06 · 研究启发
可以把机器、协作、制度三个领域作为描述情境的线索，再观察速度、知识和控制等结果如何变化。论文的 17 组后果适合启发问题，不适合直接充当已验证变量关系。研究者还需要实践者材料与具体工作记录来检验这些可能性。pp. 9–10 ↗
07 · 延伸阅读与练习
- 想先把议程读成一张地图？ 对照原文图 2 与图 3，再读局限部分，区分设计条件与预期后果。pp. 9–10 ↗
- 想区分信任与交付任务？ Lee 与 See（2004）讨论适当依赖，可以帮助把“愿意交给系统”接到具体能力与任务。论文 ↗
- 想看当代教师使用中的负担？ Lyu 等（2025）可作为生成式 AI 情境的对照；其材料没有验证本文全部议程。论文 ↗
给一次 AI 分工画出检查点。 这是本栏目的讨论练习。
- 交付：AI 具体接手哪一段工作？
- 理解：谁需要看懂结果，依据在哪里？
- 调整：谁能暂停、修改或退回建议？
- 回看：怎样记录省下的时间、新增负担和知识变化？
“队友”可以是讨论的起点。把这些安排说明白，才能进一步判断这段协作在什么地方帮助了团队，又在哪里需要修改。
原文与版本
Seeber, I., et al. (2020). Machines as teammates: A research agenda on AI in team collaboration. Information & Management, 57, 103174.
核对范围：正文 pp. 1–10；附录问题库未逐条重编码。页码为文章页码，与本地 PDF 页序一致。DOI 含 2019，期刊卷期采用 2020。AI 教研场景与练习为编辑延伸。
更新于 2026-09-13 · v0.1。