开放科学(资源服务)标识码(OSID)：
Addressing these gaps, this paper follows the logical framework of "construction-bundling-utilization" from resource orchestration theory to investigate how AI applications influence exploitative and exploratory digital innovation.The analysis examines the cross-mediating roles of different cross-industry search types, alongside the moderating roles of knowledge integration capabilities and dual environments. The goal is to clarify the action mechanisms and contextual mechanisms through which AI applications influence corporate ambidextrous digital innovation via intra-industry and extra-industry cross-industry search. This endeavor seeks to expand the theoretical landscape of digital innovation determinants and provide both theoretical insights and practical guidelines for enterprises aiming to enhance heterogeneous digital innovation capabilities.
The study yields four findings. First, AI applications positively promote both exploitative and exploratory digital innovation. Second, intra-industry and extra-industry boundary-spanning search play cross-mediating roles between AI applications and ambidextrous digital innovation. Specifically, intra-industry cross-industry search serves as a stronger mediator between AI applications and exploitative digital innovation, while extra-industry cross-industry search has a stronger mediating role between AI applications and exploratory digital innovation. Third, knowledge integration capabilities and dual environments exert moderating effects at distinct stages. Knowledge integration capabilities positively moderate the relationship between cross-industry search and ambidextrous digital innovation, representing the "capability-utilization" stage. Dual environments positively moderate the relationships between AI applications and cross-industry search, and between AI applications and ambidextrous digital innovation, representing the "construction-capability" stage.
Potential research contributions of this study are fourfold. First, this study expands the research on determinants of ambidextrous digital innovation. By examining the relationship between AI applications and digital ambidexterity through resource orchestration theory, it extends the technology-driven resource management paradigm and deepens the understanding of AI-mediated innovation mechanisms. Second, it refines the measurement dimensions and provides nuanced insights into the mediating role of cross-industry search. Within the resource orchestration framework, the study highlights the multiple mediating roles of AI-enabled cross-industry search capabilities, which facilitate ambidextrous innovation by integrating heterogeneous knowledge across industry boundaries. Unlike prior research, it subdivides boundary-spanning search into intra-industry and extra-industry types, explaining how distinct knowledge systems drive innovation—thereby expanding the theory’s applicability. Third, it enriches contextual discussions on knowledge integration capabilities in digital innovation. The paper reveals that knowledge integration capabilities optimize the interactive processing efficiency of AI-enabled cross-industry knowledge resources, highlighting their crucial synergistic role in innovation resource transformation and utilization. Fourth, it enriches the contextual analysis of dual environmental contexts (i.e., technological turbulence and market dynamism). The paper finds that stronger dual environments amplify the effect of AI applications in empowering resource orchestration, thereby enriching contextual discussions on the digital innovation process within the resource orchestration framework.
The present investigation is subject to certain scope constraints that merit discussion. First, its reliance on questionnaire surveys for variable measurement means respondent subjectivity could compromise objectivity. Future research could consider quantitative indicators. Second, while resource orchestration theory provides a framework, practical digital innovation may also be influenced by factors such as institutional environment and corporate culture. Future studies could explore these issues from other theoretical perspectives.
开放科学(资源服务)标识码(OSID)：
数字经济时代,数字创新已成为企业摆脱竞争困境、保持竞争优势及发展新质生产力的重要途径[1]。相较于传统创新,数字创新更强调应用数字技术进行新产品研发、生产过程改进及商业模式更迭,以迎合数字时代产品迭代快、创新边界模糊等新趋势[2]。伴随着技术工具迭代与创新范式变革,人工智能技术凭借其在自然语言处理、数据分析等方面的卓越性被广泛应用于创新领域,但目前关于人工智能对数字创新赋能作用与路径的研究较少,因此人工智能在企业数字创新领域的应用备受关注[3]。现有研究聚焦人工智能应用对传统创新活动的影响[4],从某些特定人工智能技术或应用场景出发,分析其对提升企业研发效率、优化知识获取的作用[5],归纳其对知识搜索与整合的积极影响[3],但关于其对企业差异化数字创新影响的研究较少。因此,结合人工智能应用资源框架在知识管理能力塑造中的作用,借鉴双元数字创新特征,本研究认为资源编排理论能为上述问题提供分析框架,较好地解释人工智能应用赋能企业双元数字创新的作用[6]。在数字创新过程中,资源获取与构建能促进以产业内开放式创新为代表的产业内跨界搜索能力以及以跨产业开放式创新为代表的产业外跨界搜索能力的形成,对双元数字创新产生积极影响[7]。基于此,本文以跨界搜索为中介变量,揭示人工智能应用影响企业双元数字创新的差异化路径。值得注意的是,企业自身知识整合能力[7]及外部环境动态性、竞争性对上述资源编排过程均会产生复杂影响[2]。因此,为提升理论适用性和稳健性,本文将知识整合能力与二元环境作为调节变量纳入研究框架。
综上,本文基于资源编排理论“构建—捆绑—利用”逻辑主线,探究人工智能应用对企业利用式和探索式数字创新的影响,并分析不同类型跨界搜索的交叉中介作用以及知识整合能力、二元环境的调节作用,旨在厘清人工智能应用通过不同类型跨界搜索作用于企业双元数字创新的作用机理,以拓展数字创新影响因素研究,为企业改善异质化数字创新提供理论指导与经验借鉴。
本文将人工智能应用界定为企业在研发和知识管理过程中对人工智能技术的使用,包括数据解读能力、数据学习能力以及通过学习实现特定目标的行为等。参考Lee等[8]、Rammer等[3]的研究,本文主要关注自然语言处理、计算机视觉、机器学习3类影响知识管理的人工智能技术。数字经济时代,数字技术深刻影响创新行为与创新管理理论[2]。Yoo等[9]认为数字创新是企业在生产或创新过程中应用数字技术产生不同形式创新成果的过程。双元理论为数字创新研究提供了重要视角,其将数字创新划分为利用式数字创新和探索式数字创新两种[1]。其中,利用式数字创新是指企业在已有知识基础与技术路线上,将数字技术作为改进工具优化现有业务流程、生产过程及产品功能的创新方式;探索式数字创新是指企业视数字技术为全新机会,通过打破既有技术路线和思维模式,搜索、捕获、吸收及整合数字资源,创造全新业务流程、颠覆式产品或商业模式的创新方式[10]。
现有研究聚焦人工智能应用对企业传统创新绩效的影响,可归纳为两类:一是理论分析,主要从信息处理约束角度出发揭示人工智能通过优化决策流程、增强数据处理能力提升企业创新效率[3],关注技术实施过程中人机协同面临的深层次挑战[11]。二是实证研究,多采用文本分析、专利挖掘等方法量化人工智能应用[4],聚焦特定技术或场景(如深度学习、数字孪生)[5],揭示人工智能在提高企业研发效率、优化知识管理流程等方面的积极作用[11]。综上,现有研究多讨论人工智能对企业广义创新的影响[4],缺乏对数字创新的关注,对异质性双元创新的探讨较少;同时,多对广义上跨界搜索中介效应进行分析[7],对不同学习模式下人工智能跨界搜索知识边界问题的探讨较少。
资源编排理论认为管理者基于外部环境变化对资源进行构建、组合或剥离,进而将资源捆绑、整合形成内部能力,最终创造价值,是企业获取竞争优势的主要原因[12]。本文基于资源编排理论“构建—捆绑—利用”逻辑主线,探讨人工智能应用对企业双元数字创新的作用机理。首先,在构建阶段,企业基于环境感知进行资源构建与重组,包括引进人工智能技术相关资源,通过算法优化知识、人力、网络资源在识别、获取、整合及匹配过程中的精度与敏捷性,进而提升资源动态配置效率。在此过程中,企业战略决策来源于外部环境动态性、竞争性与内部资源的动态匹配,由此触发二元环境对人工智能应用赋能资源编排的情境效应[12],因此本文选取二元环境作为多路径调节变量。其次,在捆绑阶段,产业内跨界搜索和产业外跨界搜索能够强化知识获取效应、提高资源质量(王炳成等,2023),促使企业将获取的异质性知识通过编排机制与既有资源形成“再捆绑”,突破原有知识结构的刚性约束,通过知识资源重组催生新创新范式,从而适配数字创新快速迭代性、可扩展性及广泛连接性等特征。基于此,本文选取不同类型跨界搜索作为人工智能应用与数字创新之间的中介路径,以解释企业采用通用大模型实现广泛知识搜索与采用专业模型进行深度知识挖掘的差异化效应。最后,为考察人工智能应用对异质性创新的交叉作用,将双元数字创新作为价值转化的表现形式。同时,考虑到创新资源转化过程中知识整合的协同作用,如通过知识要素的编码化转换与适应性重构,为外部跨界知识与既有知识架构整合提供情境,本文重点探讨知识整合能力在跨界搜索与数字创新之间的调节作用。
综上,本文认为人工智能技术应用通过增强资源编排效应,提升差异化跨界搜索能力,最终促进企业双元数字创新实现价值创造,即“技术赋能资源建构—捆绑形成搜索能力—创新驱动价值实现”逻辑框架。其中,二元环境与知识整合能力在上述路径中发挥调节作用。
人工智能应用从多个维度影响企业双元数字创新[11]。首先,在资源构建与捆绑阶段,人工智能技术在诸多领域和场景为数字创新提供技术支持,提升知识搜索效率,丰富知识资源,帮助企业运用既有资源提升开发能力[13],优化企业研发设计流程与成本结构,提高企业数字创新更新速度、频率及迭代连续性,促进利用式数字创新。其次,人工智能技术具有强大的数据处理与分析能力,能够提高企业自有资源组合效率,捆绑形成跨界搜索学习能力,通过搜索跨部门、跨领域、跨地理边界、跨场景广域知识或深度知识,识别市场中的新兴机会和前沿方向[14],通过数字孪生降低创新风险与试错成本[5],避免“路径依赖”[15],从而促进探索式数字创新[13]。最后,人工智能应用能有效缓解企业创新资源约束,降低双元创新张力,在数字创新迭代速度快、离散程度高、用户参与强的特征下[16],通过外部环境扫描与知识整合,为企业提供更为精准的创新战略,促进双元创新“螺旋式协同”。据此,本文提出如下假设:
H1：人工智能应用正向影响企业双元数字创新。
企业通过跨界搜索跨越组织和技术边界,主动获取外部知识资源[17]。鉴于不同企业技术领域、商业模式不同,为解释人工智能应用不同搜索范式产生的差异化作用,将跨界搜索划分为产业内跨界搜索和产业外跨界搜索[18]。其中,产业内跨界搜索是指搜索行为发生在同一产业内,强调跨越组织边界寻找、利用产业内部知识资源实现技术互补和共享;产业外跨界搜索是指企业跨越产业边界进行搜索,以获取全新、与企业既有知识体系差异较大的知识资源[18]。基于资源编排理论,人工智能作为技术资源,能够赋能企业资源构建与捆绑,形成跨界搜索能力,进而促进双元数字创新。
一方面,人工智能应用通过强化产业内跨界搜索,正向影响企业双元数字创新。人工智能应用以与企业既有人力资本、知识资本及产业技术平台匹配为前提,基于产业市场需求进行跨界搜索,能大幅降低企业搜索成本[19]、提升资源捕获效率与精确性,强化产业内跨界搜索。产业内跨界搜索有助于企业把握产业动向,获取已经过实践验证、实用性强的知识,降低知识利用风险与成本,加快技术改进速度,为双元数字创新提供资源基础和保障。此外,产业内跨界搜索还能引导企业进行深度知识融合与技术协同,将产业链非结构化经验内化,拓展技术重组空间,催生突破性技术组合,促进双元数字创新。
另一方面,人工智能应用通过促进产业外跨界搜索,正向影响企业双元数字创新。不同产业间数据资源结构、技术语言系统不同,人工智能技术基于可重复编程属性能够突破不同产业间数据资源结构和技术语言系统差异瓶颈[8],提升企业获取、配置及转化产业外知识资源的能力,引入外部人力资本与知识资本,形成产业外跨界搜索能力。产业外跨界搜索能帮助企业引入跨产业异质性知识、技术及范式[20],激发研发人员创造性思维,突破现有技术路径与创新范式,为企业开展探索性研发、尝试颠覆性技术方案创造条件,促进双元数字创新[21]。据此,本文提出如下假设:
H2：产业内跨界搜索在人工智能应用与双元数字创新间起中介作用。
H3：产业外跨界搜索在人工智能应用与双元数字创新间起中介作用。
在资源编排理论框架下,企业利用人工智能技术对内外部复杂、分散的知识资源进行整合、加工及重构,形成知识体系[22]。在此过程中,知识整合能力通过结构化编码与重组高效处理异质性知识,提高企业知识结构更新与重组能力,创造新知识组合,从而对数字创新产生积极影响。因此,知识整合能力在利用知识资源实现数字创新过程中发挥重要调节作用。从知识转化效率看,企业通过跨界搜索获取的多样性、异质性知识往往存在利用与转化瓶颈[23],而通过知识整合能改善跨界知识资源与数字创新需求匹配度,增强异质性知识对双元数字创新的边际贡献。高水平知识整合能力可高效识别通过跨界搜索获取的知识资源与现有知识体系间的缺口,强化知识转化衔接能力,促进跨界资源吸收与利用,提高双元数字创新知识架构重组效能。从知识体系构建看,知识整合能力能帮助企业构建具备动态性与兼容性的知识体系,使企业利用跨界搜索获取的异质性知识,提升知识应用转化效能与“技术嫁接”能力[24],从而促进双元数字创新。据此,本文提出如下假设:
H4：知识整合能力正向调节跨界搜索与双元数字创新的正向关系。
资源编排理论框架下,企业基于环境感知进行资源构建与重组,进而提升资源动态配置效率。在此过程中,外部环境动态性与竞争性通过调节资源编排与市场需求适配度影响企业数字创新[13]。其中,环境动态性指环境变化速度与不稳定程度,环境竞争性指环境竞争程度[25],二元性程度高的外部环境是对高环境动态性与高环境竞争性的统称。
高动态性外部环境要求企业具备高度灵活性以适应迅速变化的外部市场环境,高竞争性的外部环境迫使企业寻求新的技术突破路径以保持自身竞争优势[25]。在数字创新过程中,高动态性外部环境会加剧企业对数字创新迭代速度与客户价值敏捷性反馈的诉求,通过强化人工智能技术应用的资源属性及其在构建资源体系过程中的“黏合作用”,正向调节其对跨界搜索能力、数字创新的促进作用。高竞争性外部环境促使企业加快人工智能应用与其它资源的匹配,强化企业捕捉产业信息和搜索跨界知识的能力,同时也对企业资源捆绑、知识整合及转化能力提出更高要求,以满足数字创新边界模糊和模块化链接特征,形成外部环境驱动的正向调节效应。据此,本文提出如下假设:
H5a：二元环境正向调节人工智能应用与双元数字创新的正向关系。
H5b：二元环境正向调节人工智能应用与跨界搜索的正向关系。
综上所述,本文构建理论模型,如图1所示。
图1 理论模型
Fig.1 Theoretical model
本文通过问卷调研法收集数据。为确保问卷准确性和可理解性,首先向就职于企业管理层的MBA学员及其教师发放纸质问卷,共回收28份预调研问卷,通过对教师与MBA学员反馈的问题进行修改,形成正式问卷。随后,以天津、江苏、河北、山东等地企业为研究对象,借助问卷星平台展开调研。为减少共同方法偏差问题,参考池毛毛等[26]的研究,将问卷发放与收集分为两个阶段:第一阶段主要收集人工智能应用、跨界搜索、知识整合能力、二元环境及控制变量数据。一方面,向MBA学员发放电子问卷,共发放60份问卷,回收32份问卷;另一方面,利用社会关系向企业中高层管理者或研发人员发放电子问卷,共发放450份问卷,回收381份问卷。第二阶段收集双元数字创新数据,重复第一阶段发放方式,共发放478份问卷,回收421份问卷。最后,将第一阶段和第二阶段问卷基于企业代码或名称进行匹配,剔除连续性勾选、存在明显空白及漏项的无效问卷,最终获得有效问卷292份,满足实证分析要求,样本特征如表1所示。
表1 样本特征
Table 1 Sample characteristics
类别 人数百分比(%)企业成立年限 5年及以下289.606～10年4214.4011～15年8328.4016～20年279.2020年以上11238.40企业规模100人及以下8127.70101～300人5819.90301～500人5619.20501～1 000人3512.001 000人以上6221.20企业性质民营企业18262.33国有企业8830.14外资企业51.71合资企业93.08其它82.74行业 通用设备制造业5217.81计算机通信与电子设备制造业3511.99汽车制造业93.08医药制造业134.45信息传输、软件和信息技术服务业4114.04科学研究和技术服务业3210.96金融服务业113.77批发零售业3411.64其它6522.26企业发展阶段 起步阶段206.85成长阶段11138.01成熟阶段14248.63衰退阶段196.51
问卷由两部分组成:第一部分为企业基本情况,包括企业代码、名称、成立时间、规模、性质、所属行业及发展阶段;第二部分为测量量表,题项均采用Likert五点量表进行测度,1～5表示从“完全不符合”到“完全符合”。变量测度借鉴国内外文献接受度较高的成熟量表。①人工智能应用测度借鉴Rammer等[3]、Lee等[8]的量表并进行适当调整,共设置6个题项。②双元数字创新测度借鉴池毛毛等[26]、奉小斌等(2024)的量表并进行适当调整,其中利用式数字创新与探索式数字创新各设置5个题项。③跨界搜索测度借鉴Sidhu等[27]、胡保亮等(2018)的量表并进行适当调整,其中产业内跨界搜索与产业外跨界搜索各设置5个题项。④知识整合能力测度借鉴王娟茹等(2020)的量表并进行适当调整,共设置4个题项。⑤二元环境测度参考Jansen等[25]的量表并进行适当调整,针对动态性与竞争性两个方面共设置8个题项,见表2。
表2 信效度检验结果
Table 2 Reliability and validity test results
变量题项因子载荷Cronbach's α系数CRAVE人工智能应用企业已经为引入人工智能技术应用投入资金(如应用于研发、设计、知识与技术管理等环节)0.7270.8750.9250.542企业已经开始应用人工智能技术(如应用到产品服务、自动化过程、客户交互、数据分析等领域)0.749企业正在采用人工智能技术获取竞争优势(如在研发、设计、知识与技术管理等环节)0.704企业在业务流程中采用自然语言处理技术用于研发与知识管理(如语音模式识别、聊天机器人)0.743企业在业务流程中采用计算机视觉技术用于研发与知识管理(如图像标记、图像识别)0.718企业在业务流程中采用机器学习技术用于研发与知识管理(如推荐、预测)0.776探索式数字创新企业主动研发数字化新型产品、流程及服务0.7410.7260.9050.526企业正致力于将全新的数字化产品和服务推向市场,实现商业化运营0.751企业正在寻找并实践基于数字化技术的全新商业运作方式0.695企业所研发的数字化产品代表新一代数字技术(如大数据、云计算、物联网、区块链、人工智能及边缘计算等)0.687企业紧抓数字新市场(主要依托现代信息技术和通讯技术,以互联网为平台进行商品和服务交易)中涌现的新机遇,充分利用其发展潜力0.751利用式数字创新企业主动采纳已开发完善的数字产品、流程及服务体系0.6730.8480.9070.535企业主动引入数字技术优化现有产品0.736企业主动运用数字技术降低成本、提高现有市场的规模经济效益0.764企业致力于加强当前数字技术与能力提升,稳固数字基础设施建设以提高生产效率0.816企业主动借助数字技术拓宽现有客户服务范围0.655产业内跨界搜索企业非常了解本行业技术发展情况0.6900.8840.9310.606企业时刻关注本行业提供的互补性产品或服务0.791企业时刻关注本行业供应商产品或服务、流程的技术进步0.808企业时刻关注客户对本行业产品或服务的变化需求0.799企业时刻关注并适应与其业务直接相关的本行业内技术趋势0.798产业外跨界搜索企业时刻关注与其现有技术相关的其它行业技术0.7210.8530.9100.538企业经常搜索与其使用同类技术或互补技术相关的其它行业信息0.778企业时刻关注与其潜在技术相关的其它行业供应商产品或服务及流程的技术进步0.741企业时刻关注与其完全不同的产品或服务(处于不同行业),但能更好地满足现有客户需求的行业0.707企业时刻关注与其业务相关的跨行业技术发展趋势0.720知识整合能力企业能够将获取的新知识和原有知识进行有效匹配和融合0.7930.8540.9110.594企业能够将新知识用于开发和识别新机会0.775企业成员能够很好地对知识进行重组进而达到创新效果0.694企业能够运用新知识和技术解决企业生产和管理中的难题0.816二元环境外部环境变化剧烈0.7150.9210.9530.601客户经常对产品或服务提出新需求0.608外部环境不断发生变化0.708企业所在市场上产品或服务数量和种类不断发生变化0.661外部环境竞争非常激烈0.904企业面临强大的竞争对手0.908市场竞争强度较高0.881企业所在市场经常爆发价格战0.757
考虑到可能存在同源偏差问题,故采用两种方法进行检验:第一,采用Harman单因子法进行共同方法偏差检验,未经旋转得到6个特征根大于1的因子,第一个因子所解释的变异量为38.844%,低于40%。第二,采用验证性因子分析法进行共同方法偏差检验,在单因子模型中,拟合指标卡方=3 359.768,自由度=665,卡方/自由度=5.052,RMSEA=0.118,SRMR=0.097,拟合指标比测量模型弱,因此排除共同方法偏差的影响。
使用SPSS 27.0和Mplus 8.0对各变量进行信效度检验。信度方面,各变量的Cronbach's α系数均大于0.7,组合信度均大于0.9(见表2),表明各变量量表信度较好。效度方面,在七因子模型中,拟合指数卡方=1 370.231,df=644,卡方/df=2.128(<3),RMSEA=0.062(<0.08),SRMR=0.067(<0.08),表明结构效度良好;各题项标准化因子载荷均大于0.6,各因子平均方差萃取量均大于0.5,表明聚合效度良好。各变量之间相关系数均在0.01水平上显著,且任意两个变量之间的相关系数均小于各变量平均方差萃取量的平方根,表明区分效度较好(见表3)。
表3 描述性统计与相关性分析结果
Table 3 Descriptive statistics and correlation analysis results
变量1234567891011121.人工智能 应用0.7372.探索式数字 创新0.632**0.7263.利用式数字 创新0.550**0.612**0.7314.产业内跨界 搜索0.418**0.509**0.562**0.7785.产业外跨界 搜索0.483**0.536**0.511**0.727**0.7346.知识整合 能力0.514**0.550**0.547**0.675**0.730**0.7717.二元环境0.365**0.426**0.424**0.535**0.480**0.557**0.7758.企业年龄-0.0110.0450.0180.049-0.0190.0130.154**19.企业规模0.0870.0890.122*0.0720.0290.1130.268**0.590**110.企业性质-0.041-0.025-0.018-0.075-0.078-0.041-0.0090.131*0.241**111.行业类型-0.0170.081-0.010-0.028-0.050-0.107-0.096-0.042-0.0400.114112.发展阶段-0.068-0.012-0.0390.001-0.011-0.0190.0410.627**0.458**0.0750.0441均值4.1604.1244.1064.2034.2004.0914.0543.5202.7901.5405.2502.550标准差0.4980.5860.5480.5740.5350.5810.7351.3731.4970.8942.9890.719VIF1.8982.2332.0012.6582.8632.7831.7152.0861.7861.0951.0791.743
注:** 、*分别表示在0.01、 0.05 水平上显著;对角线为AVE平方根
使用SPSS 27.0软件对各变量均值、标准差及相关系数进行分析,结果如表3所示。其中,人工智能应用、产业内跨界搜索、产业外跨界搜索、利用式数字创新、探索式数字创新间均显著正相关。同时,对数据进行多重共线性检验发现,各变量VIF值均小于5,即各变量之间未出现严重的多重共线性问题。
对人工智能应用与企业双元数字创新关系进行检验,结果如表4所示。模型1和模型5是基于控制变量回归的基准模型,在此基础上加入自变量。模型2、模型6结果显示,人工智能应用对利用式和探索式数字创新均具有显著正向影响,假设H1得到验证。这表明,人工智能应用是提升双元数字创新的重要引擎,为企业通过人工智能技术应用提升数字创新绩效提供了实证支持。
表4 主效应和中介效应检验结果
Table 4 Test results of the main effect and mediation effect tests
变量利用式数字创新模型1模型2模型3模型4探索式数字创新模型5模型6模型7模型8产业内跨界搜索模型9产业外跨界搜索模型10人工智能应用0.539***0.409***0.419***0.631***0.599***0.567***0.412***0.483***(10.779)(7.547)(7.116)(13.702)(10.739)(9.786)(7.591)(9.226)产业内跨界搜索0.385***0.303***(8.229)(6.278)产业外跨界搜索0.332***0.339***(6.100)(6.330)控制变量控制控制控制控制控制控制控制控制控制控制R20.0300.3110.6660.6250.0240.4120.6950.6960.1820.239调整R20.0130.2960.4430.3910.0070.3990.4830.4850.1650.223F1.74621.406***32.318***25.995***1.42033.248***37.969***38.129***10.578***14.944***
注:***、**、*分别表示P<0.001、P<0.01、P<0.05,括号内为t值,下同
对跨界搜索中介效应进行检验,分别将利用式数字创新和探索式数字创新作为因变量,在模型中依次加入控制变量、自变量及中介变量进行回归,结果如表4所示。首先,基于主效应检验结果,人工智能应用与利用式和探索式数字创新均显著正相关。其次,根据模型9、模型10结果可知,人工智能应用与产业内、产业外跨界搜索均显著正相关。最后,根据模型3、模型4结果可知,产业内、产业外跨界搜索与利用式数字创新显著正相关;根据模型7、模型8结果可知,产业内、产业外跨界搜索与探索式数字创新显著正相关,假设H2、H3得到验证。采用Bootstrap法进一步检验中介效应的可靠性,由表5结果可知,产业内、产业外跨界搜索Boot95%CI置信区间不包含0,说明产业内、产业外跨界搜索在人工智能应用与企业双元数字创新关系中起中介作用,假设H2、H3再次得到验证。
表5 Bootstrap中介效应检验结果
Table 5 Bootstrap test results for mediation effect
变量效应路径点估计标准误BootLLCIBootULCIAI-IBS-EIDI直接效应人工智能应用→利用式数字创新0.4090.0600.2910.526间接效应人工智能应用→产业内跨界搜索→利用式数字创新0.1830.0370.1160.260总效应人工智能应用→利用式数字创新0.5910.0560.4770.699AI-OBS-EIDI直接效应人工智能应用→利用式数字创新0.4190.0640.2950.544间接效应人工智能应用→产业外跨界搜索→利用式数字创新0.1720.0380.1030.248总效应人工智能应用→利用式数字创新0.5910.0560.4770.699AI-IBS-ERDI直接效应人工智能应用→探索式数字创新0.5990.0550.4920.707间接效应人工智能应用→产业内跨界搜索→探索式数字创新0.1440.0300.0880.208总效应人工智能应用→探索式数字创新0.7430.0490.6440.834AI-OBS-ERDI直接效应人工智能应用→探索式数字创新0.5670.0600.4520.687间接效应人工智能应用→产业外跨界搜索→探索式数字创新0.1760.0360.1090.250总效应人工智能应用→探索式数字创新0.7430.0490.6440.834
注:AI表示人工智能应用;IBS表示产业内跨界搜索;OBS表示产业外跨界搜索;EIDI表示利用式数字创新;ERDI表示探索式数字创新
进一步比较中介路径系数可以看出,产业内跨界搜索在人工智能应用与利用式数字创新之间的中介效应强于探索式数字创新。同时,产业外跨界搜索在人工智能应用与探索式数字创新之间的中介效应强于利用式数字创新。这一方面证实理论模型的交叉中介作用,另一方面揭示资源编排的差异化路径价值,表明企业需基于数字创新目标差异化部署人工智能驱动的跨界搜索策略。
4.3.1 知识整合能力的调节作用
知识整合能力的调节作用检验结果如表6所示。根据模型1、模型3结果可知,产业内跨界搜索与知识整合能力交互项对利用式、探索式数字创新具有显著正向影响,说明知识整合能力越强,产业内跨界搜索与利用式、探索式数字创新的正向关系越显著。根据模型2、模型4结果可知,产业外跨界搜索与知识整合能力交互项对利用式、探索式数字创新具有显著正向影响,说明知识整合能力越强,产业外跨界搜索与利用式、探索式数字创新的正向关系越显著,假设H4得到验证。此外,采用简单斜率进一步检验知识整合能力的调节效应,绘制不同水平知识整合能力对跨界搜索与双元数字创新的影响效应,如图2～图5所示。在高知识整合能力下,产业内、产业外跨界搜索与利用式、探索式数字创新的交叉正向关系更显著。这表明,企业跨界搜索效益最大化依赖于知识整合能力这一“软基建”,知识整合能力直接影响企业能否将获取的外部资源高效转化为数字创新成果,这与数字创新回报率及持续性竞争优势密切相关。
表6 知识整合能力的调节效应检验结果
Table 6 Test results of the moderating effect test for knowledge integration capability
变量利用式数字创新模型1模型2探索式数字创新模型3模型4人工智能应用0.335***0.356***0.514***0.512***(5.881)(6.005)(8.769)(8.709)产业内跨界搜索0.332***0.206***(5.741)(3.458)产业外跨界搜索0.189**0.213**(2.727)(3.103)知识整合能力0.127*0.214**0.195**0.188**(2.108)(3.251)(3.141)(2.889)产业内跨界搜索×知识整合能力0.196**0.137*(2.951)(2.001)产业外跨界搜索×知识整合能力0.173*0.153**(2.472)(2.199)控制变量控制控制控制控制R20.6870.6550.7150.714调整R20.4720.4280.5110.510F27.977***23.485***32.736***32.631***
图2 知识整合能力对产业内跨界搜索与利用式数字创新的调节效应
Fig.2 Moderating effect of knowledge integration capability on intra-industry boundary-spanning search and exploitative digital innovation
图3 知识整合能力对产业外跨界搜索与利用式数字创新的调节效应
Fig.3 Moderating effect of knowledge integration capability on cross-industry boundary-spanning search and exploitative digital innovation
图4 知识整合能力对产业内跨界搜索与探索式数字创新的调节效应
Fig.4 Moderating effect of knowledge integration capability on intra-industry boundary-spanning search and exploratory digital innovation
图5 知识整合能力对产业外跨界搜索与探索式数字创新的调节效应
Fig.5 Moderating effect of knowledge integration capability on cross-industry boundary-spanning search and exploratory digital innovation
4.3.2 二元环境的调节作用
二元环境的调节作用检验结果如表7所示。根据模型1、模型2结果可知,人工智能应用与二元环境交互项对利用式、探索式数字创新均具有显著正向影响,说明外部环境二元性程度越高,人工智能应用对利用式、探索式数字创新的正向影响越显著,假设H5a得到验证。根据模型3、模型4结果可知,人工智能应用与二元环境交互项对产业内、产业外跨界搜索均具有显著正向影响,说明外部环境二元程度越高,人工智能应用对产业内、外跨界搜索的正向关系越显著,假设H5b得到验证。此外,采用简单斜率进一步检验二元环境的调节效应,绘制不同水平二元环境对人工智能应用与双元数字创新、跨界搜索的影响效应,如图6～图9所示。可见,在二元程度高的外部环境中,人工智能应用与双元数字创新、跨界搜索的正向关系更显著。值得注意的是,相较于产业外跨界搜索,二元环境对人工智能应用与产业内跨界搜索的调节效应更显著。这可能是因为:产业内跨界搜索有助于企业更快地获取产业动向、技术发展及市场变化趋势等信息,企业在高二元性外部环境中更有可能与产业内企业合作,通过资源共享与风险共担,帮助企业及时响应客户需求、技术及环境变化[28]。
表7 二元环境的调节效应检验结果
Table 7 Results for the moderating effect of dual environment
变量利用式数字创新模型1探索式数字创新模型2产业内跨界搜索模型3产业外跨界搜索模型4人工智能应用0.497***0.647***0.296***0.381***(9.091)(11.764)(5.077)(6.952)二元环境0.170***0.181***0.343***0.267***(4.411)(4.644)(8.335)(6.887)人工智能应用×二元环境0.313***0.188**0.271***0.178**(4.371)(2.608)(3.550)(2.472)控制变量控制控制控制控制R20.6350.6860.6160.608调整R20.4030.4710.3800.369F23.855***31.479***21.661***20.708***
图6 二元环境对人工智能应用与利用式数字创新的调节效应
Fig.6 Moderating effect of dual environment on AI application and exploitative digital innovation
图7 二元环境对人工智能应用与探索式数字创新的调节效应
Fig.7 Moderating effect of dual environment on AI application and exploratory digital innovation
图8 二元环境对人工智能应用与产业内跨界搜索的调节效应
Fig.8 Moderating effect of dual environment on the application of artificial intelligence and cross-industry search within the industry
图9 二元环境对人工智能应用与产业外跨界搜索的调节效应
Fig.9 Moderating effect of dual environment on artificial intelligence application and inter-industry boundary-spanning search
基于资源编排理论,本文探讨人工智能应用对企业双元数字创新的影响,检验产业内、产业外跨界搜索的交叉中介作用以及知识整合能力、二元环境的调节作用,得出如下研究结论:首先,人工智能应用正向促进企业利用式、探索式数字创新。人工智能应用通过技术赋能重塑数字创新价值创造范式,为突破传统双元创新“资源有限性”和“路径依赖”瓶颈提供可能,也为企业适应数字创新动态可塑性、快速迭代性等新特征提供支撑。其次,产业内、产业外跨界搜索在人工智能应用与双元数字创新之间起交叉中介作用,且作用路径不同。其中,产业内跨界搜索在人工智能应用与利用式数字创新之间的中介作用更显著,产业外跨界搜索在人工智能应用与探索式数字创新之间的中介作用更显著。这表明,产业内跨界搜索聚焦垂直领域技术与知识,有助于企业识别产业内最佳实践与改进机会,促进现有数字产品或服务利用式迭代升级;产业外跨界搜索通过跨产业数据融合与技术生态衔接,打破认知惯性与知识边界,驱动探索式数字创新。最后,知识整合能力与二元环境分别在“能力—利用”“构建—能力”阶段发挥调节作用。一方面,知识整合能力在跨界搜索与双元数字创新之间发挥正向调节作用。知识整合能力通过知识编码化转换与适应性重构,有效整合跨界搜索获取的异质性知识,满足数字创新对广域知识、及时性信息的诉求。另一方面,二元环境在人工智能应用与跨界搜索、双元数字创新之间发挥正向调节作用。这表明,外部环境动态性、竞争性需与内部人工智能驱动的资源构建路径相匹配,凸显了二元环境作为情境因素对人工智能应用赋能创新资源编排的重要性。
(1)扩展了双元数字创新影响因素研究。现有研究主要关注人工智能应用对企业传统创新绩效的影响,对人工智能应用与数字创新或双元创新内在关联的探讨较少。本文基于资源编排理论拓展了人工智能视域下企业双元数字创新影响机理研究。
(2)深化了跨界搜索中介机制测量维度与差异化认知。一方面,现有研究普遍将跨界搜索视为独立的前因变量,关注其通过组织间知识流动作用于企业创新行为的过程。本文在资源编排理论框架下,强调人工智能捆绑形成跨界搜索能力,其通过搜索和整合异质性知识,促进双元数字创新。另一方面,不同于现有观测维度,本文基于产业边界对跨界搜索进行细分,有效阐释产业内、产业外跨界搜索通过构建差异化知识系统促进企业双元数字创新的不同机理,拓宽了资源编排理论框架适用范畴。
(3)丰富了数字创新过程中知识整合能力情境。现有研究多将知识整合能力作为单一中介或前因条件进行讨论,对其情境作用的探讨较少。在数字创新过程中,知识整合能力可优化跨界资源交互,在创新资源转化利用过程中发挥重要协同作用。
(4)丰富了数字创新过程中二元环境的情境讨论。与现有研究主要关注企业自身能力特质不同,本文发现在二元环境程度高的情境下,人工智能应用赋能资源编排的效果更好,这丰富了资源编排框架下数字创新流程情境讨论。
基于上述研究结论,本文提出以下启示:
(1)强化研发环节人工智能技术嵌入,构建“人工智能+”资源体系与转化生态。重点提升研发设计环节人工智能应用深度与覆盖度,赋能创新资源识别、捕获及整合,缓解资源约束,为双元数字创新提供决策支撑与知识基础。
(2)以创新产出为导向,构建基于人工智能的差异化跨界搜索体系。一方面,利用人工智能深化垂直领域技术、实践及需求的识别捕获能力,促进现有知识资源深度开发与优化,强化利用式数字创新。另一方面,利用人工智能搜索跨产业边界技术、知识及市场机会,打破认知边界,识别产业间技术关联与潜在结合点,挖掘探索式数字创新的潜在机会。
(3)打造数智化知识管理平台,提升企业知识整合能力。强化数智技术对知识管理平台的赋能效应,提升研发设计环节对跨界知识的吸收、整合及转化效率,促进企业双元数字创新。
(4)健全动态环境识别机制,实施差异化创新过程控制机制。利用人工智能技术及时捕捉外部环境趋势,动态调整企业资源构建与跨界搜索策略,确保资源体系与外部环境有机协同,实施差异化风险防控机制,提升人工智能技术对双元数字创新的赋能效果。
本文存在如下不足:首先,采用问卷调研法收集数据可能存在一定主观性,未来可考虑使用定量指标对变量进行测度。其次,资源编排理论在实践中还可能受制度环境、企业文化等因素的影响,未来可基于其它理论视角对本文研究问题进行讨论。
[1] 李振东, 梅亮, 朱子钦, 等. 制造业单项冠军企业数字创新战略及其适配组态研究[J]. 管理世界, 2023, 39(2): 186-208.
[2] NAMBISAN S, LYYTINEN K, MAJCHRZAK A, et al. Digital innovation management: reinventing innovation management research in a digital world[J]. MIS Quarterly, 2017, 41(1): 223-238.
[3] RAMMER C, FERN
NDEZ G P, CZARNITZKI D. Artificial intelligence and industrial innovation: evidence from German firm-level data[J]. Research Policy, 2022, 51(7): 104555.
[4] 李玉花, 林雨昕, 李丹丹. 人工智能技术应用如何影响企业创新[J]. 中国工业经济, 2024,41(10): 155-173.
[5] FUKAWA N,RINDFLEISCH A. Enhancing innovation via the digital twin[J].Journal of Product Innovation Management, 2023, 40(4): 391-406.
[6] PRZEGALINSKA A, TRIANTORO T, KOVBASIUK A, et al. Collaborative AI in the workplace: enhancing organizational performance through resource-based and task-technology fit perspectives[J]. International Journal of Information Management, 2025, 81: 102853.
[7] 王娟茹, 刘洁怡. 跨界搜索、组织韧性对企业绿色技术创新的影响研究[J]. 科研管理, 2024, 45(5): 125-133.
[8] LEE Y S, KIM T, CHOI S, et al. When does AI pay off? AI-adoption intensity, complementary investments, and R&D strategy[J]. Technovation, 2022, 118: 102590.
[9] YOO Y,HENFRIDSSON O,LYYTINEN.Research commentary—the new organizing logic of digital innovation: an agenda for information systems research[J]. Information Systems Research, 2010, 21(4): 724-735.
[10] JOHNSON P C, LAURELL C, OTS M, et al. Digital innovation and the effects of artificial intelligence on firms' research and development-automation or augmentation, exploration or exploitation[J]. Technological Forecasting &Social Change, 2022, 179: 121636.
[11] HAEFNER N, WINCENT J, PARIDA V, et al. Artificial intelligence and innovation management: a review, framework, and research agenda[J]. Technological Forecasting &Social Change, 2021, 162: 120392.
[12] SIRMON D G, HITT M A, IRELAND R D, et al. Resource orchestration to create competitive advantage: breadth, depth, and life cycle effects[J]. Journal of Management, 2011, 37(5): 1390-1412.
[13] SINGH K, CHATTERJEE S, MARIANI M. Applications of generative AI and future organizational performance: the mediating role of explorative and exploitative innovation and the moderating role of ethical dilemmas and environmental dynamism[J]. Technovation, 2024, 133: 103021.
[14] CHATTERJEE S, CHAUDHURI R, VRONTIS D, et al. Digital workplace and organization performance: moderating role of digital leadership capability[J]. Journal of Innovation &Knowledge, 2023, 8(1): 100334.
[15] 王寅,张英华,王饶,等.组织双元性创新模式演化路径研究——两种“次优”能力陷阱讨论[J].科技进步与对策,2016,33(8):93-100.
[16] BAHOO S, CUCCULELLI M, QAMAR D. Artificial intelligence and corporate innovation: a review and research agenda[J]. Technological Forecasting and Social Change, 2023, 188: 122264.
[17] YANG M M, WANG J R, ZHANG X D. Boundary-spanning search and sustainable competitive advantage: the mediating roles of exploratory and exploitative innovations[J]. Journal of Business Research, 2021, 127: 290-299.
[18] 吴增源, 谌依然, 伍蓓. 跨界搜索的内涵、边界与模式研究述评及展望[J]. 科技进步与对策, 2015, 32(19): 153-160.
[19] 陈伟, 邓堯, 杨柏, 等. 人工智能能否赋能区域技术创新——创新环境的中介效应[J]. 科技进步与对策, 2024, 41(10): 57-66.
[20] ROPER S, LOVE J H, BONNER K. Firms' knowledge search and local knowledge externalities in innovation performance[J]. Research Policy, 2017, 46(1): 43-56.
[21] LEE K Y, JUNG H J, KWON Y. Boundary-spanning technology search, product component reuse, and new product innovation: evidence from the smartphone industry[J]. Research Policy, 2024, 53(4): 104959.
[22] 朱雪春, 张云瑞. 质量管理实践如何驱动创新质量提升——知识整合与组织惯例更新的作用[J]. 科技进步与对策, 2025, 42(6): 109-119.
[23] 唐源, 邵云飞, 陈一君. 跨界行为、知识整合能力对企业创新绩效的影响研究:基于知识获取和资源损耗的作用[J]. 预测, 2020, 39(4): 31-37.
[24] PARENTE R, MURRAY J Y, YUE Z, et al. Relational resources,tacit knowledge integration capability,and business performance[J]. Journal of Knowledge Management, 2022, 26(4): 805-823.
[25] JANSEN J J P, VAN D B A J, VOLBERDA H W. Exploratory innovation, exploitative innovation, and performance: effects of organizational antecedents and environmental moderators[J]. Management Science, 2006, 52(11): 1661-1674.
[26] 池毛毛, 叶丁菱, 王俊晶, 等. 我国中小制造企业如何提升新产品开发绩效——基于数字化赋能的视角[J]. 南开管理评论, 2020, 23(3): 63-75.
[27] SIDHU J S, COMMANDEUR H R, VOLBERDA H W. The multifaceted nature of exploration and exploitation: value of supply, demand, and spatial search for innovation[J]. Organization Science, 2007, 18(1): 22-38.
[28] 李姗姗, 黄群慧. 社会创业导向、跨界搜索与社会企业绩效:市场环境的调节作用[J].科技进步与对策, 2022, 39(2): 60-69.