超越效率陷阱:区域人工智能暴露度、人工智能知识以及数据驱动价值主张的不对称治理
《Technovation》:Beyond the efficiency trap: Regional AI exposure, AI knowledge, and the asymmetric governance of data-driven value propositions
【字体:
大
中
小
】
时间:2026年10月01日
来源:Technovation 12.0
编辑推荐:
•AI知识生成架起了区域AI暴露度与企业DDVP之间的桥梁。•AI知识为企业DDVP提供了诠释框架。•AI知识对效率导向型DDVP的支持更易实现对产品导向型DDVP的支持。•感知与捕捉能力主要增强效率导向型DDVP。•重构能力有助于突破效率陷阱,实现产品导向型DDVP。
*
•AI知识生成架起了区域AI暴露度与企业DDVP之间的桥梁。•AI知识为企业DDVP提供了诠释框架。•AI知识对效率导向型DDVP的支持更易实现对产品导向型DDVP的支持。•感知与捕捉能力主要增强效率导向型DDVP。•重构能力有助于突破效率陷阱,实现产品导向型DDVP。
**引言**
企业越来越多地采用数据驱动的价值主张(DDVPs)来增强竞争优势(Urbinati et al., 2019; Medeiros and Ma?ada, 2022; Fast et al., 2023)。DDVPs代表数据融入价值创造逻辑的过程,涵盖流程优化以及产品或服务创新(Choi et al., 2024; Günther et al., 2022; Zeng and Glaister, 2018)。近期研究深化了对DDVPs内部资源循环(Günther et al., 2022)和货币化原型(Ritala et al., 2024)的理解,但均未探讨什么触发了企业开发DDVPs,以及什么塑造了它们的战略方向——特别是数据驱动的价值创造逻辑是导向运营效率还是产品创新。数据资源本身并不赋予战略价值,其战略价值取决于揭示潜在可能的诠释性知识以及将数据导向特定价值主张的动态能力(Mikalef and Pateli, 2017; Nyk?nen et al., 2026)。
然而,这一文献仍然局限于组织边界之内。尽管Kokshagina等人(2024)呼吁超越数据的供给侧视角,转向协同设计与诠释性参与,但他们并未说明空间环境如何为这一过程提供知识。企业并非在孤立中制定数据驱动战略;它们的选择受到地理和认知上邻近的同行的影响(Boschma, 2005; Dahlke et al., 2024)。为考察这一外部维度,我们引入区域AI暴露度(RAE),定义为当地行业同行的AI相关创新活动的平均强度。基于资源基础观及其在数字语境中的最新拓展(Barney, 1991; Helfat et al., 2023; Krakowski et al., 2023),我们将企业层面的AI知识生成定位为外部创新语境与企业DDVP之间的桥梁。我们推论,较高的RAE可能通过增加当地行业同行AI相关知识生产的强度,为企业外部技术搜索提供更丰富的语境(Katila and Ahuja, 2002; Laursen and Salter, 2006),同时也通过区域嵌入的劳动力流动和互动增加本地化知识溢出的机会(Almeida and Kogut, 1999; Boschma, 2005)。通过吸收和重组这些外部知识输入与既有知识库,企业可能生成更多的自身AI知识(Cohen and Levinthal, 1990)。此类AI知识使企业能够认识数据的潜力、识别适用场景,并将其导向特定的价值创造目的。然而,AI知识具有战略上的不确定性:它可以服务于效率导向目标(如流程优化、自动化)或产品导向目标(如创新、客户价值创造),这取决于企业如何将其情境化。由此引出我们的第一个研究问题:区域AI暴露度如何通过AI知识生成塑造企业的DDVPs?
这一情境化挑战源于AI知识的战略不确定性。尽管AI技术的功能逻辑是通用且显性的,但企业层面的AI知识生成(通过研发和专利编码)将此逻辑嵌入企业特定的技术轨道中。然而,即便这种企业特定知识也不预先决定其指向效率还是产品价值创造逻辑。其转化为不同价值创造导向因此需要组织层面的激活。遵循Kemp(2024)的观点,将AI知识嵌入价值创造逻辑需要重塑企业相互依存的惯例和边界系统,以在战略架构中情境化AI的功能逻辑。这种重塑超越了AI工具的技术部署;它要求通过管理者认知、资源承诺和结构重新对齐来动态激活潜在的战略可能。动态能力理论通过感知、捕捉和重构的独特但互补功能来捕捉这一组织层面的激活(Teece, 2007),这些功能决定了AI知识是否以及如何被导向效率导向或产品导向的战略目标。因此,我们将动态能力概念化为调节角色,塑造AI知识与DDVP导向之间的关系,由此引出我们的第二个研究问题:动态能力如何调节AI知识向效率导向与产品导向DDVP转化的效应?
为回答这些问题,我们分析了2013年至2023年中国上市公司的面板数据。本研究有三项关键贡献。第一,它通过理论化区域AI暴露度作为企业DDVPs的外部前因,拓展了企业数据驱动战略研究。我们将AI知识生成定位为区域AI暴露度转化为企业层面战略导向的中介机制,从而打开了外部技术环境如何塑造企业数据驱动战略的黑箱。我们超越了当前DDVP解释中占主导地位的、以内部资源供给和货币化过程为中心的研究(Günther et al., 2022; Ritala et al., 2024),并将Kokshagina等人(2024)的诠释性转向从组织边界推进到空间领域。第二,它通过明确AI知识使数据具有战略可操作性的诠释机制,推进了资源基础观。我们详细阐述了AI知识如何通过其预测、学习和交互等功能属性,使企业认识数据潜力并将其与价值创造逻辑连接起来。第三,它贡献于动态能力理论,揭示感知、捕捉和重构作为边界条件,非对称地治理AI知识向不同价值创造导向的转化,阐明了将通用AI知识导向特定战略目标所需的组织层面激活。
本文其余部分组织如下。第2节构建理论框架和研究假设。第3节详述数据、变量和方法。第4节报告主要结果。第5节呈现调节效应分析。第6节讨论研究发现及其理论阐释。第7节提出启示、局限性和未来研究方向。
**分节摘要**
**数据驱动的价值主张(DDVPs)**
战略管理文献将数据视为竞争优势的战略资源(McAfee and Brynjolfsson, 2012; Fast et al., 2023)。然而,数据与传统资源不同:其价值不是固有的,而是诠释性的(Farboodi and Veldkamp, 2021; Nyk?nen et al., 2026)。为竞争优势配置数据因此需要互补性知识投入,以诠释数据能做什么、适用于何处以及如何与价值创造相联系(Teece, 1986; Gupta and…
**数据来源与样本选择**
初始样本包含2013至2023年所有中国A股上市公司。为构建综合数据集,我们将企业层面数据与来自多个来源的区域统计数据合并。具体如下:•财务与治理数据:来自中国股票市场分析研究(CSMAR)数据库。•AI知识生成与组织指标:专利数据来自中国国家知识产权局(CNIPA)。•高管背景:详细…
**基准结果**
表3报告了从区域AI暴露度(RAE)通过企业AI知识生成到DDVP的路径的2SLS结果。Kleibergen-Paap rk LM统计量显著(p < 0.01),拒绝了识别不足的原假设,且报告的第一阶段F统计量超过10,缓解了弱工具变量的担忧。
Panel A报告了第一阶段结果。在所有设定中,RAE与企业AI知识生成正相关。这一关系在…之后依然稳健。
**调节效应**
为考察动态能力(DC)在2SLS框架下的调节作用,我们处理了内生中介变量(AI_Know)与调节变量(DC)之间交互项的内生性问题。与Wooldridge(2010)一致,我们引入RAE×DC作为额外工具变量。
第一阶段同时预测AI_Know和AI_Know×DC:
AI_Know_{i,t} = α? + α?·RAE_{i,c,s,t?1}×DC_{i,t} + α?·DC_{i,t} + α?·RAE_{i,c,s,t?1} + α?·Industry_trend_{i,k,t} + X'_{i,t}γ + Z'_{c,t}? + μ? + δ? + θ? + ε_{i,t}
(AI_Know×DC)_{i,t} = γ? + γ?·RAE_{i,c,s,t?1}×DC_{i,t} + γ?·DC…
**核心发现**
现有研究主要通过内部资源循环(Günther et al., 2022)和货币化原型(Ritala et al., 2024)来解释DDVPs。Kokshagina等人(2024)通过呼吁超越数据的供给侧视角、转向协同设计与诠释性参与,推进了这一文献;然而,即便这一诠释性转向仍然局限于组织边界之内,因为它未说明空间环境如何为这一过程提供知识。这留下两个关键…
**理论启示**
我们的发现具有三项关键理论启示。第一,我们通过识别区域AI暴露度作为企业DDVPs的外部前因,拓展了数据驱动战略研究。现有DDVP论述主要集中于组织内部动态(Günther et al., 2022; Ritala et al., 2024),对技术环境的空间维度缺乏探索。我们理论化AI知识生成为连接区域创新…的桥梁机制。
**声明:稿件准备过程中生成式AI和AI辅助技术的使用**
在本工作准备期间,作者使用ChatGPT润色了本文。在使用该工具后,作者根据需要审核和编辑了内容,并对发表文章的内容承担全部责任。
**CRediT作者贡献声明**
黄敏敏:撰写——初稿、方法论、形式化分析。杨瑞:撰写——审阅与编辑、监督、概念化。
**资助**
本研究由中国国家社会科学基金资助(项目编号:19BGL025)。
**利益冲突声明**
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
**致谢**
本研究在中国国家社会科学基金(项目编号:19BGL025)的支持下完成。
黄敏敏(Minmin HUANG)是苏州大学商学院的博士研究生,研究方向包括人工智能与企业创新。
黄敏敏 | 杨瑞