《Journal of Environmental Management》:Orchestrating AI-based circular business models through platform ecosystems: Review, framework, and future directions
既有研究已考察人工智能(AI)与循环商业模式(CBMs)的若干孤立侧面,包括生命周期优化、利益相关者协作以及AI赋能型产品与服务。然而,现有文献仍呈碎片化状态,对于AI如何在平台生态系统中重塑循环价值创造、治理与协同,理解仍较为有限。为弥补这一缺口,研究人员对88篇同行评议论文开展了系统性文献综述,并采用主题分析(thematic analysis)构建了一个整合性的、过程导向的框架。分析识别出AI-CBM转型的三个相互依赖维度:战略重构、AI驱动的非物质化以及生态系统平台化;同时也识别出在转型过程中出现的社会—技术张力,包括各种障碍、伦理与解释性挑战,以及战略权衡。研究发现表明,AI-CBM转型通过实验、验证与再校准的递归循环展开,因为某一维度的发展会暴露出数据成熟度、治理安排与生态系统协同中的失配。该框架进一步区分了AI何时仅是边缘性使能因素,何时成为循环价值逻辑的构成性要素,以及何时作为塑造生态系统结构的基础设施运行。在概念层面,本研究阐释了AI如何通过数据驱动惯例与平台基础设施,重组循环价值的界定、评估与协同。在实践层面,本研究提出了与数据成熟度、生态系统对齐、治理、参与及价值分配相关的决策启发式与就绪条件。研究将AI-CBM转型界定为一种跨越社会—技术配置的运动,这些配置在对AI的结构性依赖程度上存在差异,并要求战略意图、技术能力与生态系统协同之间持续保持对齐。
1. Introduction
论文指出,企业正同时受到技术创新、社会期望演化与可持续转型加速的共同推动,价值创造及环境责任的理解正在被重塑。在此背景下,循环经济、人工智能(AI)与平台生态系统的交汇催生出基于人工智能的循环商业模式(AI-CBM)。文章将其界定为:把机器学习、预测分析等AI能力嵌入循环经济逻辑,使企业不仅能够延长产品生命周期、减少资源消耗、推动再生性系统运行,还能借助数字平台对多主体间的数据流、活动与决策权进行编排。作者强调,与传统循环商业模式(CBM)相比,AI-CBM的关键差异不在于单纯使用数字工具,而在于AI可能从“支持既有循环安排的工具”转变为“构成价值创造与协调机制的核心”。现有研究虽已涉及AI循环产品设计、组织阻力管理、AI模型与业务知识耦合、生态伙伴共创等议题,但整体上缺乏统一定义、边界区分与实施机理解释。因此,本文提出核心研究问题:企业如何运用AI来撬动循环商业模式,并试图从过程视角解释其跨企业、跨生态系统展开的机制。
2. Research methods
本研究采用系统性文献综述(SLR)方法,遵循规范化检索、筛选、提取、编码与综合程序。研究人员基于Web of Science与Scopus数据库,围绕“Artificial Intelligence”与“Circular Economy”“Circular Business Model”“Resource Efficiency”“Reverse logistics”“Zero Waste”“closed loops”“sustainable product management”“product lifecycle management”等关键词构建检索式,并限定为英文同行评议期刊论文,聚焦管理学、商业、会计与运营管理相关学科领域。经过题名摘要筛选与全文审查后,最终形成88篇文献样本,时间跨度为2019年至2026年1月。分析层面,文章没有采用单纯文献计量法,而是选取主题分析以提炼潜在理论假设、概念重叠与研究范式。经多轮迭代阅读与归纳编码,研究形成20个一阶范畴、8个二阶主题,并进一步凝练为四个聚合主题,最终构建出一个解释AI-CBM转型的过程模型。作者还辅以关键词共现网络与描述性文献计量分析,以增强分析严谨性与可追溯性。
2.1. Description of sample
在样本构建部分,文章详细交代了数据库选择、关键词迭代优化、语言与文献类型限制,以及排除标准。作者指出,AI-CBM属于新兴研究领域,因此检索策略有意纳入与AI、循环经济、资源效率、产品生命周期管理等相关的多元术语,以尽可能捕捉虽未明确自称“AI平台”或“循环商业模式”但实质涉及AI赋能循环实践的研究。文中也反思了仅纳入英文、国际索引期刊论文的局限,认为该做法有助于保证可复制性和概念一致性,但也意味着数据库更多反映主流学术话语,而未必能完整呈现全球不同制度环境下、尤其是基础设施约束较强地区的异质性实践。
2.2. Data analysis
在数据分析部分,作者说明主题分析被用于超越描述性归类,转而理解各研究如何界定AI与CBM的关系、AI为何以及如何被用来提升效率、实现可持续目标或增强竞争优势。编码过程中,研究特别关注多利益相关者视角、AI嵌入循环实践的复杂性与情境依赖性。最终形成的分析框架将AI-CBM视为一种动态、递归、情境化的转型过程,而非线性阶段模型。作者据此提出三大核心维度——战略重构、AI驱动的非物质化、生态系统平台化——并将障碍、伦理解释性挑战、战略权衡作为贯穿性社会—技术张力加以讨论。
3. Findings
研究发现部分是全文理论贡献的核心。作者指出,AI在循环商业模式中的角色并非单一,而是沿着结构性嵌入深度变化:其一,AI可作为边缘性使能因素,仅提升既有循环流程效率;其二,AI可成为企业层面循环价值逻辑的构成性基础,使价值主张与价值获取依赖AI的预测与适应能力;其三,AI还可上升为生态系统层面的结构化基础设施,通过平台架构塑造参与规则、数据访问、责任边界与跨主体协同。围绕这一判断,文章提出了边界条件,用以区分过程层级、企业层级与生态系统层级的AI整合形态,并进一步说明AI-CBM转型不是线性推进,而是随着数据成熟度、治理结构和生态协同状态的变化,不断经历前进、回退与再对齐。
3.1. Strategic reframing
战略重构是AI-CBM形成的起点。该部分强调,企业首先必须重新界定何为“价值”,并把循环价值从抽象愿景转化为可由数据驱动惯例支撑的绩效主张。随着AI逐步嵌入价值评估逻辑,环境绩效、生命周期延展、资源使用效率等目标被转化为可度量、可比较、可实时调整的信号。研究表明,许多企业由传统产品导向转向服务导向与解决方案导向,AI支持按使用付费、动态定价、预测性维护等新型价值主张,并使企业能够将可持续性叙事与经济回报结合起来。与此同时,战略重构并不仅是外部市场定位的改变,也涉及内部组织能力、跨职能协调、员工参与和数据驱动惯例的制度化。文章指出,若缺乏透明沟通、领导层愿景、解释型AI与可信数据实践,利益相关者可能质疑AI主导的循环价值主张,从而削弱其合法性与扩散能力。
3.1.1. Mechanisms and boundary conditions to transition from strategic reframing to AI and data driving dematerialization
作者进一步将战略重构向非物质化过渡的条件概括为两个“阈值”。一是叙事阈值,即企业必须把前瞻性愿景转化为可执行、可理解的操作承诺,使组织成员明确哪些活动应当改变、哪些仍可保持稳定。二是验证阈值,即试点项目不仅要展示技术可行性,还要证明AI模型能够系统嵌入循环业务知识,并带来可观察的生命周期或资源收益。如果试点暴露出数据质量薄弱、验证机制不足、价值主张与实际绩效信号失配,企业便可能回退至战略重构阶段,重新校准目标、指标与投资重点。
3.2. AI and data driving dematerialization
在第二个核心维度中,文章将非物质化界定为企业通过数据中介协调逐步降低物质强度的过程。AI在此主要通过预测分析、模式识别、实时监测与仿真优化,减少原材料投入、延长产品寿命、改善逆向物流、提升再制造与回收效率。作者指出,只有当这些优化不再只是局部流程改进,而是嵌入治理惯例、影响绩效评价、连接价值获取逻辑时,AI驱动的非物质化才真正逼近AI-CBM。此处,数据可靠性、验证机制、安全保障以及组织对数据洞察的理解和行动能力成为关键前提。研究还强调,非物质化是一个反复学习过程:算法试点常常暴露数据互操作性、模型验证、责任分配等问题,从而推动企业不断调整治理规则、平台架构与运营流程。
3.2.1. Mechanisms and boundary conditions to transition from AI and data-driven dematerialization to ecosystem platformization
从非物质化转向生态系统平台化,同样取决于两个阈值。其一是可重复性阈值,即数据驱动的资源优化实践必须能够在不同运营情境下稳定复现,而非依赖少数管理者的特殊干预。其二是协同阈值,即企业发现单边优化已不足以维持循环绩效,必须与外部参与者围绕数据接入、质量标准、参与规则和责任机制达成共享安排。当数据实践尚不稳定、伙伴抵制共享治理规则、或能力发展速度与生态承诺不匹配时,企业往往不会贸然平台化,而会回到前一阶段重新夯实非物质化基础。
3.3. Ecosystem platformization
生态系统平台化是AI-CBM最深层的结构转型。文章指出,当AI嵌入平台架构后,平台不再只是交易媒介,而成为塑造循环活动编排方式的基础设施。平台架构规定谁可以参与、在何种条件下访问数据、如何分配决策权、如何界定问责边界,以及价值如何在多方之间被分配。研究表明,平台化能够提升可追溯性、促进材料流协调、推动创新扩散并支撑系统层面的资源效率提升,但同时也可能集中控制权、放大强势主体优势并提高中小企业(SMEs)的进入与适应成本。文章特别强调,平台治理不是技术集成的附属问题,而是决定AI是否能够真正发挥生态系统结构化基础设施作用的核心。参与式规则制定、分层数据访问、共享问责机制以及将回收商、保险商、物流服务商等异质主体知识嵌入AI模型开发,是提高平台合法性与韧性的关键。
3.4. Barriers to transition to AI-CBM
在障碍部分,作者将AI-CBM转型受阻归因于既有线性生产逻辑、基础设施锁定和评价体系惯性。首先,许多AI系统仍围绕吞吐量、成本最小化和短期效率构建,难以容纳再利用、耐久性与再生性反馈逻辑。其次,数字基础设施与分析能力的不均衡分布,使大企业更易从数据密集型AI中获益,而资源有限的中小企业则难以进入。再次,现有绩效指标与商业语言往往偏好短期回报,抑制了面向长期再生效应的价值重构。作者指出,这些障碍并非单纯外生约束,而是在战略重构、非物质化与平台化的推进过程中逐步累积、相互嵌合并形成路径依赖。
3.5. Ethical and interpretive challenges in AI-CBM transition
伦理与解释性挑战部分强调,AI-CBM不仅涉及效率提升,更牵涉“何种循环价值被看见、被测量、被认可”。文章提出两类核心机制:一是认识论约束,即复杂循环价值被压缩为狭窄、可量化指标后,许多关系性、地方性、再生性贡献会从评价体系中消失;二是规范性位移,即随着算法输出被制度化为默认依据,原本依赖协商的人类判断被逐步替代,导致决策权、责任归属与申诉空间变得模糊。特别是在多主体平台生态系统中,数据谱系不完整、审计线索不清、算法黑箱效应增强,使受影响主体更难解释或挑战AI决策。由此,平台架构同时也是一种评价体制,决定哪些知识可被编码、哪些贡献可被承认,以及哪些主体拥有解释和修正算法结果的权力。
3.6. Strategic trade-offs in AI-CBM transition
战略权衡部分集中讨论开放性、控制权、透明性与依赖性之间的张力。一方面,推动AI-CBM规模化需要更高程度的数据共享、接口标准化和流程可追踪性;另一方面,企业又希望保护专有算法、维持竞争优势并避免监管暴露。随着平台生态系统扩展,企业可能越来越依赖特定云平台、模型供应商与软件维护体系,从而形成技术锁定、退出成本上升以及议价能力下降。作者还指出,AI基础设施本身会带来云计算能耗、模型重复训练等隐性环境成本,某些被视为“非物质化进展”的成果可能被这些新增负担部分抵消。因此,AI-CBM并非天然实现可持续性,而是在扩大协调能力的同时,持续生产新的价值分配与控制问题。
4. Discussion and implications
讨论部分系统提炼了研究贡献。首先,文章超越一般CBM研究中对驱动因素与障碍的静态梳理,提出AI通过数据化价值界定、反馈循环中的持续再评估,以及平台基础设施中的协调嵌入,重塑循环商业模式的价值创造、交付与获取机制。其次,研究从战略层面说明企业如何把AI嵌入商业模式核心,并通过可持续叙事、数据透明实践与治理安排获得合法性。第三,文章反对将AI-CBM进展理解为固定成熟度阶段,而主张以阈值、回退点与递归循环来描述其演化。第四,论文把障碍、伦理挑战与战略权衡纳入同一社会—技术分析框架,揭示算法、组织、治理与价值评价之间的深层耦合。第五,文章将AI-CBM置于更广泛的社会—技术转型理论中,指出企业层面的微观实践如何通过平台扩散逐渐影响行业层面的资源治理、责任分配与价值秩序。
4.1. Practical implications
实践层面,作者提出若干管理启发式。其一,应将战略重构视为暂定性主张,在数据成熟度不足时避免过早扩张宏大叙事,而应先建立可追溯、可争议、可验证的数据基础。其二,应把非物质化理解为一种脆弱的数据协调转变,当局部优化引发不透明、不公平或排斥争议时,管理者需要重新审视价值指标与决策权安排。其三,应在平台化成为规模扩张问题之前,先把它当作治理问题处理,优先稳定参与规则、升级路径与问责机制。全文还提出,组织在推进AI-CBM前,需要评估三个相互关联的就绪维度:数据成熟度、生态系统对齐程度与治理准备程度。
4.2. Policy and regulatory implications
政策与监管方面,文章认为AI-CBM的制度条件集中体现于数据接入、指标定义、参与规则和算法可争议性。作者建议围绕维修记录、回收流、维护报告等特定循环数据域建立审慎的数据治理安排,并通过公共采购、行业协议或附条件资助等方式,推动项目级可追溯性、安全数据基础设施与可审计报告机制。与此同时,在高影响循环决策领域,解释权、可追踪性与正式争议解决渠道尤为重要。对于平台治理,作者主张借助行业协会或监管协调机制,建立多利益相关者定期审议机制,以动态调整数据共享层级、参与门槛、互操作要求与合规负担分配。
4.3. Behavioral and social implications
行为与社会层面,文章指出AI中介的循环产品与服务可能改变消费者文化,使价值重心由“拥有产品”转向“参与可监测的服务化生命周期”。预测性维护、按使用计费与持续反馈可能强化负责任使用与接入式消费习惯,但也可能通过定价机制、实时监测与分类评价,对用户行为施加规训,引发自主性、监控感知与公平性争议。平台化进一步会把维修、退回、再利用等行为规范化,重新分配可见性与责任,从而在推动“照护式消费文化”的同时,也制造新的社会摩擦。
4.4. An agenda for future research on AI-CBMs
未来研究议程部分围绕三大主题展开。在战略重构方面,作者建议采用纵向质性研究,追踪叙事、验证与利益分配关切如何随时间被吸纳、推迟或边缘化。在AI驱动非物质化方面,建议开展多层级案例研究与系统建模,以揭示人类判断与算法协调之间的权力重分配如何影响环境与经济结果。在生态系统平台化方面,作者倡导跨区域、比较性与长期研究,以检验不同制度环境下平台参与规则、公平感知、依赖结构及监管机制如何演化。此外,论文还提出若干具体问题,如AI-CBM如何纳入正义与公平考量,哪些指标能够反映跨时间与跨空间的环境经济影响,以及数字产品护照、算法审计、延伸生产者责任等监管工具将如何改变平台协调与价值攫取。
4.5. Research limitations
文章承认本研究存在若干限制:其一,样本虽无预设年份限制,但最终主要反映2019年以来该领域的近期发展;其二,仅纳入英文、国际索引、同行评议期刊论文,难以全面覆盖非英语语境与非正式制度环境中的实践;其三,未纳入arXiv、SSRN等预印本或工作论文平台中的前沿成果;其四,主题分析作为解释性综合方法,仍不可避免地带有一定主观性。作者虽通过显式编码规则与反复验证来降低偏差,但仍提醒读者应将本文框架理解为主流学术文献模式的综合,而非对所有情境的完整映射。
4.6. Conclusion
结论部分重申,本文的核心价值在于超越对数字化与循环性“驱动因素—障碍”的静态总结,转而揭示AI如何通过可辨识机制重塑循环商业模式的价值架构。战略重构、AI驱动的非物质化与生态系统平台化构成了相互强化却也脆弱的三重过程维度;AI-CBM转型并非沿既定阶段顺序前进,而是在实验、验证与再校准的递归循环中展开。随着AI中介的协调实践通过平台扩散,资源治理、责任结构与价值分配方式也会被逐渐重组,但这一过程同时伴随新的控制不对称、可见性不平等与公平争议。整体而言,论文为理解AI如何在企业与生态系统层面定义、评估并治理循环价值提供了一个具有解释力的综合框架。