摘要

大语言模型（LLM）作为生成式人工智能的代表性技术，在政务服务智能问答场景中引发了技术范式与治理模式的深刻变革。本研究基于社会技术系统理论，通过对B市“京京”智能问答系统从规则化AI到生成式AI的演进过程进行纵向案例分析，发现政务服务智能化跃迁不仅是技术迭代，更是技术、组织、制度等多要素协同演进的系统性变革。其核心价值体现为两大转变：一是技术嵌入模式从“工具适配”转向“认知协同”，大模型凭借卓越的语义理解、知识生成与多轮交互能力，实现个性化、实时政务服务，服务准确率达95%，用户满意度显著提升；二是技术治理范式从单一部门主导转向跨部门协同与政企联合创新，知识生产从人工标注跃升为敏捷化人机协作治理。研究提炼出三条实践路径：构建“政企联合创新体”、完善技术适配与评测体系、以及重构政务知识治理模式。本文创新性地将“制度”维度融入社会技术系统理论，构建适用于政务智能化转型的“五要素”分析框架，揭示制度在驱动大模型价值落地与组织适应性变革中的关键作用，为推动高效、智能、可持续的政务服务转型提供理论指导与实践参考。

Abstract

Large Language Models (LLMs), as a hallmark of generative artificial intelligence, have catalyzed a profound shift in the technological paradigm and governance model of intelligent question-answering systems in government services. Grounded in socio-technical systems theory, this study conducts a longitudinal case analysis of the evolution of B City’s “Jingjing” intelligent Q&A system from rule-based AI to generative AI. It finds that the intelligent transformation of government services is not merely a technological upgrade but a systemic evolution driven by the interplay of technology, organization, and institutions. The core value of this transformation is manifested in two key shifts: first, the mode of technology integration transitions from “tool adaptation” to “cognitive collaboration,” with LLMs leveraging superior semantic understanding, knowledge generation, and multi-turn interaction capabilities to deliver personalized, real-time government services, achieving a 95% service accuracy rate and significantly enhancing user satisfaction; second, the governance paradigm shifts from single-department dominance to cross-departmental collaboration and public-private joint innovation, with knowledge production evolving from manual annotation to agile human-machine collaborative governance. The study distills three practical pathways: establishing a “public-private joint innovation ecosystem,” refining technology adaptation and evaluation systems, and reconstructing government knowledge governance models. By innovatively incorporating the “institutional” dimension into socio-technical systems theory, this paper constructs a “five-element” analytical framework tailored to the intelligent transformation of government services. It elucidates the pivotal role of institutions in driving the effective implementation of LLM value and organizational adaptation, offering theoretical guidance and practical insights for promoting efficient, intelligent, and sustainable government service transformation.

关键词：生成式人工智能；大语言模型；智能问答系统；社会技术系统；制度协同；政务服务智能化

Keywords: Generative Artificial Intelligence; Large Language Models; Intelligent Q&A Systems; Socio-Technical Systems; Institutional Collaboration; Intelligent Government Services

一、引言

（一）研究背景

近年来，人工智能技术的快速发展为政务服务提供了全新的变革机遇。特别是以大语言模型（LLM）为代表的生成式人工智能技术，因其卓越的语义理解、知识生成与人机交互能力，推动政务服务从数字化迈向智能化阶段。这些模型不仅能处理复杂语义、生成高质量响应，还能通过微调与上下文学习适应多样化场景，广泛应用于公共服务、交通、工业等领域。在政务领域，智能问答系统作为典型应用，以实时对话、高效便捷、突破时空限制的优势，成为提升服务效率、减轻人力负担、优化用户体验的重要工具。研究表明，智能问答系统可自动化处理80%以上的重复性咨询，显著缓解人工坐席压力，提升公众满意度。

然而，传统规则化人工智能技术在政务问答场景中存在明显局限，如语义理解不足、知识库维护繁琐、以及对复杂情境适应性差，导致“答非所问”问题频发。全国调查显示，虽然400余家政府网站已开通智能问答服务，但回复质量普遍较低，难以满足公众日益增长的服务需求。大语言模型技术的突破为解决这些痛点提供了可能，其核心价值在于：一是深度语义解析，支持意图识别与多轮对话；二是自主知识生成，减少人工干预；三是高适应性，提供个性化服务体验。这些特性不仅提升了服务效率，还推动了治理模式的创新。

（二）研究问题

面对大模型技术的冲击，学界与业界共同关注：大模型在政务服务场景的嵌入是否仅为工具化升级，还是技术与组织、制度等要素的系统性协同演进？政府组织如何通过制度设计与组织调适，最大化大模型的价值特性？本研究以某市智能问答系统为案例，探讨大模型驱动政务服务智能化跃迁的动力机制与实践路径，旨在揭示技术嵌入、组织变革与制度创新的互动关系。

（三）研究意义

理论上，本研究将“制度”维度融入社会技术系统理论，构建“技术-组织-参与者-任务-制度”五要素框架，拓展了现有理论在政务智能化转型中的适用性。实践上，通过剖析某市案例，提炼可复制的实践路径，为其他地区推进数字政府建设提供参考。

二、文献综述

（一）政务服务智能化研究

1. 规则化人工智能的应用与局限

规则化人工智能基于预设规则与决策树，广泛应用于政务服务以缓解人力不足、提升效能与支持决策。例如，智能问答系统通过关键词匹配处理常见咨询，智能审批优化流程。然而，其局限性显著：依赖结构化数据，难以处理复杂语境；缺乏自主学习能力，无法适应动态需求；跨部门协同与个性化服务能力不足，制约了深度智能化发展。

2. 生成式人工智能的应用前景

生成式人工智能以大语言模型为核心，具备自主生成文本、理解复杂模式的能力。有学者指出，其在政务领域的价值包括：提升服务效率、优化用户体验、推动治理现代化。例如，基于BERT的文本分类和基于ChatGPT的舆情识别，助力智能运营与个性化服务。大模型的核心价值特性体现在：一是深度语义理解，支持多轮交互与意图捕捉；二是高效知识生成，动态提供政策解读；三是适应性强，应对多样化场景。然而，其“幻觉”问题、数据安全风险与高成本部署等挑战需通过治理机制解决。现有研究虽探讨了前景与风险，但对大模型价值特性与社会要素协同的动态过程分析不足。

（二）社会技术系统理论

社会技术系统理论认为，组织由技术系统（工具、流程）与社会系统（人员、结构、文化）构成，两者相互依存，需协同优化。该理论超越技术决定论，强调技术嵌入需适配组织环境与制度规范，为分析大模型驱动的政务智能化提供系统性视角。Leavitt提出组织由技术、结构、参与者与任务四要素构成，任何要素的变化均引发其他要素调整。

（三）社会技术系统视角下的政务服务智能化

该理论揭示政务智能化为技术、组织、制度等多要素互构的动态过程。大模型的引入推动人机协同，提升治理效能，但需制度支持以平衡创新与风险。现有研究表明，外部环境（如政策支持）与组织内部协同（如政企合作）对智能化转型至关重要。然而，针对智能问答场景的分析不足，特别是大模型“幻觉”问题与政务场景高准确性需求的矛盾，以及制度与技术互动机制的探索仍显薄弱。

（四）研究空白与理论拓展

为填补空白，我们希望将“制度”维度融入社会技术系统理论，构建“五要素”分析模型，强调制度在塑造大模型价值落地中的作用。制度包括正式规则（如法律法规）与非正式规范（如组织文化），影响技术选择与应用效果。希望通过制度视角，深入剖析大模型驱动政务智能化转型的动力与路径。

三、研究设计

（一）研究方法

计划采用演绎式思路，以社会技术系统理论为基础，通过纵向案例研究方法，追踪某市智能问答系统从规则化AI到生成式AI的演进，探究大模型价值特性嵌入的动力机制与实践路径。纵向案例研究适合分析复杂社会技术过程，捕捉技术范式转变与组织调适的动态关系。

（二）案例选择

选择的智能问答系统需要具有典型性与代表性。作为国内首个政务服务大模型应用探索案例，其服务2000万人口，年日均咨询2000次，评估排名全国省市级前列。能通过创新实践积累了丰富经验，为研究技术跃迁提供了理想窗口。

（三）数据收集

为确保信效度，采用三角验证方法，数据来源包括：

1. 深度访谈：访谈市政务服务与数据局、技术供应商、委办局工作人员及用户，近百次，聚焦政策背景、技术演进、组织调适与服务效能。

2. 文档资料：收集政策文件、工作方案、项目报告等。

3. 参与式观察：参与系统测试与评估6次，收集记录。

（四）数据分析

采用半结构化访谈，围绕五要素设计提纲。数据编码结合“自上而下”与“自下而上”策略，分为初始编码、聚焦编码与理论编码三阶段，确保分析系统性与理论深度。

四、案例分析

（一）规则化AI阶段

早期系统建设，基于规则化AI，采用关键词匹配与预设回复，缓解人工坐席压力，覆盖社保、公安等服务领域。初期系统能处理基础查询，但语义理解有限，面对口语化或复杂提问常“答非所问”。后系统引入深度学习，增强语义分析能力，提供个性化解答。然而，知识库维护成本高、数据更新滞后等问题仍制约智能化水平。

（二）生成式AI阶段

该市启动大模型应用探索，选取政务咨询为突破口，通过“赛马机制”测试多家大模型，最终选定三家，结合多家试点单位（面向公众、面向企业）展开实践。核心价值特性包括：

1. 语义理解与多轮交互：准确率达95%，24小时响应率99.9%，支持非标准表述处理。

2. 知识生成效率：通过动态语料库与强化学习，提供实时政策解读。

3. 个性化服务：从被动响应转为主动引导，提升用户体验。

关键实践包括：

1. 模型训练：组建联合创新体，汇集政务语料，聚焦高频场景优化模型。

2. 技术路径：解决数据安全与模型训练矛盾，采用加密传输与权限管理。

3. 落地模式：创新政企合作，明确数据共享与服务监督权责。

4. 常态化测评：构建多维度评测体系，模型准确率从65%提升至95%。

（三）五要素分析

1. 技术维度

规则化AI依赖预设规则，适合标准化任务，但语义理解受限。生成式AI以认知协同为核心，支持复杂对话与自主学习，显著提升服务质量，但需应对“幻觉”风险与高测评复杂度。

2. 组织维度

规则化AI在单一部门内运行，部署简单但创新有限。生成式AI需跨部门协同与政企联合，初期成本高，但通过创新体实现资源整合与持续学习。

3. 参与者维度

规则化AI对人员技术要求低，生成式AI需算法工程师与业务专家协作，B市通过“结对机制”提升技术素养，领导支持为转型提供保障。

4. 任务维度

规则化AI局限于预设问题，生成式AI扩展至非标准场景，支持多轮交互与个性化服务，显著提升用户满意度。

5. 制度维度

规则化AI融入现有监管框架，生成式AI需动态制度支持。通过“赛马机制”、安全规范与备案制度，平衡创新与合规，形成制度赋能技术、技术倒逼制度创新的循环。

五、动力机制与实践路径

（一）动力机制

大模型驱动的政务服务智能化跃迁为技术、组织、参与者、任务与制度的多维协同过程：

1. 技术维度：从工具适配到认知协同，大模型作为“认知伙伴”，实现语义理解与知识生成。

2. 组织维度：跨部门协同与政企联合创新体，打破数据孤岛，提升资源配置效率。

3. 参与者维度：领导力与技术素养提升，支撑人机协同模式。

4. 任务维度：从效率导向到知识生成变革，构建动态服务体系。

5. 制度维度：动态制度调整与安全规范，确保技术落地合规性。

（二）实践路径

1. 政企联合创新体：通过“结对机制”与“闭环运营”，实现权责共担与资源互通，破解需求偏差。

2. 技术适配与评测体系：构建全面评测体系，迭代优化模型性能，确保准确性与安全性。

3. 重构知识治理：建立动态知识库与人机协作机制，实现敏捷治理。

六、结论与展望

（一）研究结论

本研究有望揭示大模型在政务服务中的价值特性：通过认知协同提升效率与体验，通过制度创新实现技术落地与治理优化。实践路径验证系统的成功，为数字政府建设提供示范。

（二）研究局限

单一案例可能限制结论普适性，技术快速迭代对研究时效性提出挑战。

（三）未来展望

未来研究可聚焦：提升模型准确性与安全性、整合跨部门知识资源、完善多维度评估体系，推动政务服务深度智能化。