Intelligent Leadership in Innovation:The Impact of AI Technology Adoption Intensity on Business Model Innovation in Enterprises

Guo Pengli, Zhang Shengtai

(School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China)

Abstract：Innovation is the key to sustained organizational growth, and artificial intelligence (AI) is an important innovation enabler. With the release of Big Language Models by DeepSeek, a deep-search company, a new round of discussions in the global AI community has been triggered. More and more companies are privatizing their deployments through AI and restructuring their organizations to create new business models and enhance sustainability. In this context, AI has significant potential for business model innovation due to its deep learning and human-computer collaboration characteristics. However, despite the consensus on the positive impacts of AI technological advances, companies face confusion in practical applications, especially the lack of expertise and capabilities in transforming business models and successfully implement AI, and thus the impact mechanisms of AI-adoption intensity on business model innovation remain unclear.

Thus, the study constructs a theoretical framework of “Resource Acquisition-Capability Enhancement-Value Reconstruction” based on the resource-based view and resource dependence theory. The study empirically examines 337 sets of data from Chinese manufacturing firms using hierarchical regression analysis. It then systematically explores the transmission mechanisms through which AI-adoption intensity affects business model innovation through explorative AI capabilities and exploitative AI capabilities, as well as the moderating roles of environmental hostility and environmental dynamism.

This study mainly draws the following conclusions: (1) AI-adoption intensity has a significant positive impact on business model innovation, consistent with current research on technology-driven business model innovation. It suggests that organizational AI-adoption intensity provides foundational technical resource support for organizations in the context of digital intelligence transformation, and becomes a key path to drive business model innovation. (2) AI-adoption intensity has a positive effect on business model innovation via explorative AI capabilities and exploitative AI capabilities. Specifically, explorative AI capabilities focus on the opportunity creation dimension, while exploitative AI capabilities are dedicated to efficiency enhancement, and the two synergistically promote business model innovation. This finding not only echoes the core viewpoint of organizational duality theory but also reveals the micro-mechanism of the transformation of technological resources to innovation capabilities in the AI context. (3) Environmental hostility and environmental dynamism play a moderating role in the relationship between explorative AI capabilities and exploitative AI capabilities and business model innovation, and at the same time have a significant enhancing effect on the mediating role of dual AI capabilities. This finding suggests that external environmental pressures motivate firms to unleash dual AI capabilities, whereas a stable environment may trigger AI capability rigidity.

The research makes theoretical contributions to advance the intersection of AI and innovation. First, it expands the explanatory boundaries of AI-adoption intensity in the context of intelligence, pointing out that the value realization path of AI technology is different from that of traditional technology due to its cognitive complexity and strong generative characteristics. Therefore, the study explores the impact of organizational AI-adoption intensity on business model innovation based on the resource-based view, which not only echoes the core proposition of the resource-based view that “heterogeneity of technological resources creates competitive advantage”, but is also a useful supplement to the study of technology adoption in the context of intelligent transformation. Second, previous research on AI technology in organizations mainly focuses on the advantages it brings at the technical level, however, the use of technology alone is not enough to bring innovation benefits directly to organizations . The study confirms the importance of explorative AI capabilities and exploitative AI capabilities for business model innovation, emphasizes that technology must be transformed into irreplaceable and hard-to-imitate capabilities to create value, and contributes to the theoretical development of organizational capability research. Finally, by parsing the moderating effects of environmental hostility and environmental dynamism, the study systematically reveals the boundary conditions of explorative AI capabilities and exploitative AI capabilities to drive business model innovation, enriches the discussion of environmental factors in organizational innovation, and enhances the contextualized study of business model innovation.

Key Words：AI-adoption Intensity; Explorative AI Capabilities; Exploitative AI Capabilities; Environmental Hostility; Environmental Dynamism; Business Model Innovation

收稿日期：2025-03-28

修回日期：2025-07-09

基金项目：国家自然科学基金项目(71571022)

作者简介：郭鹏利(1995-),女,山西吕梁人,北京邮电大学经济管理学院博士研究生,研究方向为企业创新管理;张生太(1962-),男,山西应县人,博士,北京邮电大学经济管理学院教授、博士生导师,研究方向为数字创新管理。

DOI：10.6049/kjjbydc.D62025030963

开放科学(资源服务)标识码(OSID)：

中图分类号：F272

文献标识码：A

文章编号：1001-7348(2025)23-0023-13

0 引言

作为21世纪最具颠覆性的核心技术,人工智能(AI)正通过深度学习和自主决策等技术特性,从根本上重构企业价值创造机制和商业模式创新路径[1]。当前,AI不仅通过智能数据分析赋能知识创新和战略优化,成为现代商业运营的基础要素,更因其独特的算法能力和自动化特征,持续催生新商业模式范式。AI重塑企业获取和转化价值方式,优化资源配置与决策效率,同时推动前所未有的产品服务形态涌现[2]。根据Sjödin等[3]的研究,企业普遍认同AI战略价值,并尝试通过私有化部署AI模型重构价值创造机制,但仍面临策略模糊和能力不足困境,对于如何将AI实质性地融入企业商业模式,缺乏清晰指导。因此,系统厘清AI采用驱动商业模式创新的作用机制,成为企业突破数智化转型瓶颈、构建可持续竞争优势的关键,也是当前学界和业界共同关注的核心议题。

目前,关于AI采用强度和商业模式创新的研究主要分为两部分。一部分研究从技术“双刃剑”视角出发,关注AI采用对组织创新的影响。学者们指出,AI采用有助于缩小个体差距,帮助组织作出精准预测并提高决策有效性,进而推动组织创新[2, 4-5],但随之而来的信任、风险和管理等问题仍需关注[6],AI采用对组织创新的影响有待进一步分析。尽管上述研究为理解组织AI采用强度对商业模式创新的影响提供了参考,但其关注的重点并非在于AI采用强度如何影响商业模式创新,而是集中于解决AI采用过程中的数据要求、数据安全等问题,这不利于厘清AI采用强度对商业模式创新的驱动机制。另一部分研究则将商业模式创新视为AI采用后的“副产品”,并提出AI商业模式创新概念。该观点认为,组织采用AI后,即便未明确制定商业模式创新战略,AI采用强度提升会促使组织调整人力资源[7]、客户关系和营销能力[8-9],从而引发商业模式潜在变革。然而,上述将商业模式创新视为AI采用“副产品”的观点较为狭隘,不利于对AI采用强度驱动商业模式创新的全面理解。事实上,商业模式创新是企业战略的关键环节,AI技术对组织商业模式的影响是全面且深远的,而非技术采用的“副产品” [10]。因此,有必要深入探究AI采用强度如何推动商业模式创新这一问题。

AI技术具有通用性和可重构性,其价值实现高度依赖组织配置资源以形成差异化的能力[11]。Tekic等[12]指出,技术只有在组织中形成不可替代且难以模仿的能力,才能真正发挥其价值、释放其潜能。根据资源基础观(Resource-Based View, RBV),资源的有效利用有助于组织构建竞争优势[13]。因此,企业若想在数智时代实现商业模式创新,除积极采用AI技术外,也需要培养相应的AI能力。由于组织内利用性能力和探索性能力存在冲突,企业需要学习并维持不同活动间的平衡以实现长期可持续性[14]。对于商业模式创新而言,探索性AI能力和利用性AI能力均不可或缺,它们分别对应AI创新潜力和效率潜力,二者结合为探讨AI能力在商业模式创新中的作用提供了更全面的视角,有助于提升商业模式创新的可持续性。基于此,本文将双元AI能力纳入研究范畴,探究其在AI采用强度与商业模式创新间的中介作用。

资源依赖理论(Resource Dependence Theory, RDT)强调,组织生存依赖于关键外部资源,组织创新活动不可避免地受外部环境影响[15]。不确定性环境孕育新的创新机会,并增强组织外部依赖性[16]。本文选择环境动态性与敌对性作为调节变量,源于二者对资源的依赖结构及管理策略的差异化影响机制。其中,环境敌对性强调资源存量竞争,通过资源稀缺性压力调节双元AI能力对商业模式创新的影响;环境动态性强调资源规则变迁,通过依赖结构不稳定性调节双元AI能力对商业模式创新的影响,二者共同构成资源依赖理论中“外部约束—战略响应”的核心权变框架[17]。因此,从环境敌对性和环境动态性两个方面进行研究,可更全面地诠释环境不确定性在双元AI能力影响商业模式创新过程中的调节作用,为企业更有效地应对技术变革挑战,把握新商业机会提供理论指导和实践支持。

综上,本文基于资源基础理论和资源依赖理论,构建AI采用强度与商业模式创新关系研究模型,其逻辑框架遵循“资源获取—能力提升—价值重构”。鉴于AI技术的固有属性,其采用强度可能对商业模式创新产生直接影响。同时,AI采用强度通过增强双元AI能力促进商业模式创新,展现了其间接作用。考虑到环境因素是商业模式创新过程中的权变因素[18-19],故纳入环境不确定性的情境作用。本文在理论上丰富企业商业模式创新的提升机制,并对资源基础观理论作出有益补充;在实践上为企业更高效地利用AI技术资源促进商业模式创新提供指导。

1 研究假设

1.1 AI采用强度与商业模式创新

AI采用是指使用AI相关的应用程序及功能。AI采用强度体现组织采纳和部署AI资源的频率,强度越高,意味着AI技术在组织各业务模块的应用越频繁[20]。商业模式创新是组织对价值获取、创造与交付架构的系统性变革,其核心在于实现组织价值重构[21]。以往研究表明,技术采用能够促进企业商业模式创新[1, 4]。AI技术作为具有战略价值的资源[22],其高强度采用可能通过影响价值获取、创造和交付推动商业模式创新。

在价值获取方面,AI采用强度越高,越能优化组织核心流程和活动,通过降本增效为商业模式创新奠定基础。宁楠等[23]指出,AI采用的本质是以资本代替劳动力的过程,AI在供应链管理、生产调度、客户服务等环节的深度应用可大幅降低用工成本,同时提升运营效率与灵活性。这种对运营成本组合与核心流程的重构,不仅释放了资源,也为探索新价值获取方式创造了条件。在价值创造方面,AI采用强度能够显著提升组织开发新产品或服务的能力,从而推动商业模式创新。借助AI技术,人机智能协作能够更高效地分析市场需求、预测趋势并迅速迭代产品设计[24]。AI数据分析和AI生成式工具能够辅助企业挖掘潜在客户需求,生成个性化解决方案,甚至自动化部分研发流程,进而助力企业更快推出创新产品、重构价值创造方式,在竞争中占据先机。在价值交付方面,AI采用强度越高,越有助于企业识别并服务新市场和客户群体,拓展商业模式边界。徐维祥等[25]证实,AI技术催生新生产任务并拓展生产边界。企业利用AI技术对海量用户数据进行精准分析,可以捕捉传统方法难以发现的细分市场或长尾需求,从而拓展新产品和新市场。这种对新产品和新市场的快速响应,可直接推动商业模式中的价值交付创新。基于此,本文提出以下假设:

H1：AI采用强度对商业模式创新具有正向影响。

1.2 双元AI能力的中介作用

双元性是指组织在利用现有能力/资源与探索新可能性间的动态平衡。其中,探索性强调新知识创造,利用性则聚焦现有知识优化。相关研究表明,理解并构建组织双元性,能够增强组织韧性并赋予其竞争优势[26]。鉴于内部探索性和利用性能力的潜在冲突(前者需要实验思维、柔性组织和长期投入,而后者依赖标准化流程、刚性管控和即时回报),组织需要学习并保持两种能力间的平衡,以解决这种结构性矛盾。参考Sharma等[14]的研究,本文从探索性和利用性两个方面对组织AI能力进行研究。其中,探索性AI能力是指组织通过预测性分析、机器学习趋势分析以及高级模拟等创新性AI应用,主动优化其业务流程和战略的能力[14]。利用性AI能力是指组织专注优化和利用现有AI资源的能力[14]。在数智经济背景下,双元AI能力体系既能挖掘现有技术价值,又能布局新兴应用,为组织释放AI潜力并推动商业模式创新提供关键支撑。

AI采用强度提升可增强企业探索性AI能力和利用性AI能力。AI采用强度越高,企业越能通过积累外部知识、提高资源整合能力以及制定智能风险应对策略,有效增强自身探索性AI能力。在知识积累方面,高强度AI采用使企业频繁接触并分析外部数据,通过持续学习理解外部环境,积累新技术、市场变化和消费者需求等相关知识,为其探索和研发活动提供重要资源。在资源整合层面,AI采用强度越高,企业越能通过与AI技术供应商合作获取最新技术,提高资源整合能力,进而增强其探索性能力。在风险应对策略上,AI的引入挑战了传统不确定性理论的不可预测性[27]。随着AI采用强度提升,企业能够获得智能化策略支持,紧跟行业趋势,迅速调整战略,从而高效开展市场探索活动。AI采用强度在提升企业探索性AI能力的同时,能够通过提升运营效率、强化数据驱动决策和完善反馈机制,提升企业利用性AI能力。在效率提升方面,高AI采用强度意味着企业各模块业务流程智能化,能够通过智能监测提升运营效率。在决策支持方面,高AI采用强度意味着企业在决策中依赖数据驱动,为管理层提供智能决策参考,提高决策科学性[28]。在反馈机制方面,AI采用强度提升有助于企业构建智能反馈系统,并根据反馈结果优化智能运营系统,形成自我完善闭环,进一步增强其利用性AI能力。

组织能力是实现资源价值的关键驱动力[29]。探索性AI能力注重为组织带来战略远见和敏捷性,而利用性AI能力注重为组织提升运营效率和一致性。探索性AI能力通过推动新产品、新服务和新市场开发,帮助组织重塑或拓展价值主张,进而推动商业模式创新。如Wang 等[30]研究发现,借助机器学习算法分析购买数据可识别高价值客户群体,并通过制定针对性营销策略识别潜在市场。此外,AI赋能的战略伙伴网络构建可突破组织边界获取异质性知识[31],这种生态化创新机制可为探索性AI能力促进商业模式重构提供结构性支撑。利用性AI能力则聚焦通过现有AI资源实现运营效率提升与价值创造机制升级,进而促进商业模式创新。在客户关系管理方面,基于强化学习的智能客服和个性化推荐系统通过智能分析向客户推荐相关产品,提升客户满意度和忠诚度,进而增强用户粘性[30]。在渠道优化方面,智能补库系统赋能全渠道库存动态调配,通过缩短供需匹配周期提升毛利率[32]。此外,通过深度学习模型优化生产流程,实现智能制造系统设备维护预测,从而提高效率并缩短停机时间。基于此,本文提出以下假设:

H2a：探索性AI能力在AI采用强度与商业模式创新间发挥中介作用;

H2b：利用性AI能力在AI采用强度与商业模式创新间发挥中介作用。

1.3 环境不确定性的调节作用

环境敌对性是指企业外部环境中存在的资源稀缺性、竞争压力和潜在威胁等不利因素[33]。在高敌对性环境中,企业面临资源短缺和复杂恶劣的竞争态势,需要注重商业模式的灵活性和适应性。在资源稀缺情境下,利用性AI能力的智能流程优化功能可促进企业资源集约化利用,探索性AI能力的资源重组功能可开辟替代性资源路径,二者共同缓解资源约束对商业模式创新的抑制;在竞争威胁性情境下,企业创新动机增强,探索性AI能力的市场预测与机会识别功能有助于企业抢占先机,同时利用性AI能力的快速迭代优势可加速创新方案落地。因此,面对高敌对性环境,双元AI能力均可有效推动商业模式创新。

在环境敌对性较低情境下,资源相对丰富,竞争压力和威胁较小,企业倾向于依赖现有路径维持现状[33]。上述情况下,探索性AI能力的价值预测功能易受短期绩效导向抑制,其复杂算法产生的创新洞见往往超出企业即时应用场景,易被搁置或仅停留在实验阶段。同时,利用性AI能力虽通过优化成本维持运营效率,但因环境压力不足,创新紧迫性降低,这种改进通常局限于现有商业模式框架内的微调(如供应链优化、局部自动化),这一现象与组织惯性理论解释相吻合[34]。基于此,本文提出以下假设:

H3a：环境敌对性正向调节探索性AI能力对商业模式创新的影响;

H3b：环境敌对性正向调节利用性AI能力对商业模式创新的影响。

环境动态性是指企业外部环境变化频率与不可预测性特征[35],反映资源规则变化程度,强调资源不稳定性。环境动态性带来的市场需求变化、技术迭代及政策调整,迫使企业兼顾风险应对与敏捷响应[15]。一方面,探索性AI能力通过机器学习驱动的趋势分析、高级模拟及预测模型,帮助企业预判风险、识别潜在市场机会,并制定前瞻性创新策略。基于情境分析的预测能力可降低新商业模式开发中的不确定性,通过挖掘未满足的需求,企业能够快速推出差异化产品或服务,重构价值主张[30]。另一方面,利用性AI能力通过实时数据解析与自动化决策,帮助企业迅速优化资源配置、调整运营流程以适应动态环境。如利用AI进行实时市场监测,企业可捕捉短期需求波动,动态调整定价或供应链策略,从而在商业模式迭代中实现效率与灵活性的平衡。因此,高动态环境下,探索性AI能力与利用性AI能力共同推动商业模式创新发展。

低环境动态性情境下,市场与技术发展相对稳定且可预测,企业更多聚焦于既有业务模式优化[36]。外部环境的稳定性导致企业创新动力不足,AI技术预测功能的价值重心从机会识别转向成本控制,导致探索性AI能力对商业模式创新的边际贡献减弱。利用性AI能力的发挥主要体现在提升运营效率上(如通过流程自动化进一步压缩冗余成本),而这种优化也局限于现有商业模式框架内。因此,低环境动态性情境下,双元AI能力主要用于巩固既有优势,企业倾向于依赖已验证成功的商业模式,而非开展根本性商业模式结构性变革。基于此,本文提出以下假设:

H4a：环境动态性正向调节探索性AI能力对商业模式创新的影响;

H4b：环境动态性正向调节利用性AI能力对商业模式创新的影响。

作为组织外部情境的关键因素,环境敌对性与环境动态性可能存在4种组合情境,即高环境敌对性—高环境动态性、高环境敌对性—低环境动态性、低环境敌对性—高环境动态性,以及低环境敌对性—低环境动态性。因此,有必要探讨二者的综合效应。基于此,本文提出以下假设:

H5：环境敌对性和环境动态性综合调节双元AI能力对商业模式创新的影响。

本文探讨AI采用强度通过双元AI能力对商业模式创新的中介作用机制,考察环境敌对性和环境动态性对双元AI能力与商业模式创新关系的调节作用,构建包含调节中介效应的理论模型。基于上述理论分析,本文提出以下假设:

H6a：环境敌对性正向调节探索性AI能力在AI采用强度与商业模式创新间的中介作用;

H6b：环境敌对性正向调节利用性AI能力在AI采用强度与商业模式创新间的中介作用;

H6c：环境动态性正向调节探索性AI能力在AI采用强度与商业模式创新间的中介作用;

H6d：环境动态性正向调节利用性AI能力在AI采用强度与商业模式创新间的中介作用。

综上,本文构建研究模型如图1所示。

2 研究方法与设计

2.1 研究样本

本文选取已实施数智化转型的制造企业为研究样本,通过问卷调查收集数据,主要基于以下考量:首先,制造业具备生产流程标准化与价值链复杂的曲型特征,是AI技术应用的关键领域,为研究AI采用强度与商业模式创新提供了理想场景[37];其次,数智技术已深度融入制造企业关键环节,多数企业已取得显著数智化转型成效,聚焦此类企业可确保研究有效性,因其已具备AI应用基础,能准确评估技术采用强度。此外,这一选择也契合中国制造强国战略背景。相较于其他行业,制造业数智化转型具有更强的产业辐射效应,其商业模式创新经验可向产业链上下游溢出。此样本设计既能确保概念效度,又能精确捕捉AI技术采用对商业模式创新的边际贡献。

正式调研前,本文选择8家企业进行预调研,以优化问卷条目表述并形成最终问卷。在数据质量控制方面,本文采取事前控制和事后控制两种方式。事前控制包括对问卷发放对象进行严格筛选,主要由企业中高层管理者完成问卷填写,若填写对象为基层管理者或资深员工,则要求其对企业AI投入及使用全过程具有较深了解,且隶属于研发相关岗位。事后控制则通过人工筛选剔除具有明显填答规律、存在漏填等问题的无效样本。正式调研时间为2024年8—12月,问卷发放前告知填答者调研结果仅用于学术研究,并详细说明填写要求与标准。通过实地走访、电子邮件等方式向符合条件的企业发放问卷。本次研究共发放问卷450份,回收有效问卷337份,有效回收率为74.9%。样本情况如表1所示。

2.2 变量测量

为确保数据收集的可靠性,所有量表均来源于权威文献,遵循“翻译/回译”程序将英文转换为中文,并邀请两位管理学研究人员对译后量表进行交叉检查。除人口学信息外,采用Likert 7点计量方式测量其他研究变量。其中,AI采用强度从1～7分别代表“不采用”“测试阶段”“0%～5%”“5%～25%”“25%～50%”“50%～75%”“75%以上”;其他变量从1～7分别代表“非常不同意”到“非常同意”。此外,将企业年龄、产权性质以及企业规模作为控制变量,以排除其他因素对研究的干扰[18-19]。各变量相关指标如表2所示。

3 实证分析

3.1 信度与效度检验

本文对所有潜变量进行信度与效度检验,结果如表2所示。CR值和Cronbach's α值均大于0.8,表明各变量测量信度较高。从内容效度、聚合效度和区分效度展开效度检验。首先,测量题项均来源于国内外成熟量表,确保测量工具具备较高内容效度。其次,由表3可知,相较于其他模型,本文基准模型适配指数最优(χ2/df=1.835,RMSEA=0.050,TLI=0.944,CFI=0.951,SRMR=0.038)。各题项因子载荷值均在0.7以上,AVE值均在0.6以上,表明聚合效度较高。最后,由表4可知,各变量AVE值的平方根均大于各变量间相关系数,说明区分效度较高。综上,信度和效度均较为理想,适合作进一步分析。

3.2 共同方法变异检验

为检验同源偏差对研究结论的影响,首先,采用Harman单因子法进行检验,结果显示,未旋转的主成分分析抽取出6个特征值大于1的主成分,并且第一主成分的方差解释率为28.53%(小于40%);其次,通过验证性因子分析检验共同方法偏差,结果发现,单因子模型适配度较低(χ2/df=8.026,RMSEA=0.145,TLI=0.533,CFI=0.567,SRMR=0.133);最后,通过增加共同方法因子构建新模型(χ2/df=1.710,RMSEA=0.046,TLI=0.953,CFI=0.962,SRMR=0.031),对比发现,各指标均未有较大改善。综上,可认为同源偏差对研究结论的可靠性不会带来严重影响。

3.3 相关性分析

各变量均值、标准差、相关系数如表4所示。结果显示,变量间不存在高度相关性,同时AI采用强度、探索性AI能力、利用性AI能力与商业模式创新均具有显著正相关关系。相关性分析结果符合理论预期,为后续假设检验提供了初步证据。

3.4 假设检验

3.4.1 直接效应检验

表5中M6主效应回归分析结果表明,AI采用强度对商业模式创新的影响显著为正(β=0.584,p<0.001),H1得到实证支持。由此说明,AI采用强度对企业商业模式创新具有正向影响,AI采用强度越高,越有助于企业商业模式创新。

3.4.2 中介效应检验

本文综合采用层级回归方法与Bootstrap方法进行假设检验,结果如表5所示。首先,检验AI采用强度对探索性AI能力(M2,β=0.537,p<0.001)和商业模式创新(M6,β=0.584,p<0.001)的影响,结果显著为正;其次,检验探索性AI能力对商业模式创新的影响(M7,β=0.452,p<0.001),结果也显著;最后,将AI采用强度与探索性AI能力同时加入回归模型,结果显示,二者均对商业模式创新具有显著正向影响,但AI采用强度对商业模式创新的影响系数变小(M8,β=0.479,p<0.001)。结果表明,探索性AI能力在AI采用强度与商业模式创新间发挥中介作用。因此,H2a得到支持。

同理,对利用性AI能力的中介作用进行检验。首先,AI采用强度对利用性AI能力(M4,β=0.452,p<0.001)和商业模式创新(M6,β=0.584,p<0.001)的影响显著为正;其次,利用性AI能力对商业模式创新(M9,β=0.437,p<0.001)的影响显著为正;最后,将AI采用强度与利用性AI能力同时加入回归模型,结果显示,AI采用强度对商业模式创新的影响系数变小(M10,β=0.486,p<0.001),但二者均对商业模式创新具有显著正向影响。结果表明,利用性AI能力在AI采用强度与商业模式创新间发挥部分中介作用。因此,H2b得到支持。

为进一步验证探索性AI能力和利用性AI能力的中介作用,本文采用SPSS 27.0软件中的Process插件,执行5 000次Bootstrap重复抽样,并设定95%的置信区间,结果如表6所示。结果显示,探索性AI能力在AI采用强度与商业模式创新之间的效应值为0.064,95%的置信区间为[0.030,0.105],不包含0,即AI采用强度通过探索性AI能力促进商业模式创新,H2a进一步得到验证。同理,利用性AI能力在AI采用强度与商业模式创新间的中介效应显著,效应值为0.060,95%的置信区间为[0.027,0.098],即AI采用强度通过利用性AI能力促进商业模式创新,H2b再次得到支持。

3.4.3 调节效应检验

为避免多重共线性问题,本文对探索性AI能力、利用性AI能力、环境敌对性和环境动态性进行中心化处理,并在此基础上构建交互项。由表7可知,探索性AI能力和环境敌对性的交互项显著促进商业模式创新(M1,β=0.117,p<0.05),H3a通过检验;利用性AI能力和环境敌对性的交互项显著促进商业模式创新(M2,β=0.136,p<0.01),H3b通过检验;探索性AI能力和环境动态性的交互项显著促进商业模式创新(M3,β=0.105,p<0.05),H4a通过检验;利用性AI能力和环境动态性的交互项显著促进商业模式创新(M4,β=0.148,p<0.01),H4b通过检验。

为了更直观地展现环境敌对性和环境动态性的调节作用,本文绘制了当二者均值加减一个标准差时,探索性AI能力和利用性AI能力对商业模式创新影响效果的调节效应图。由图2和图3可知,相较于低水平环境敌对性和低环境动态性,高水平环境敌对性和高环境动态性情境下,探索性 AI 能力、利用性 AI 能力对商业模式创新影响的回归斜率更高,即探索性AI能力和利用性AI能力对商业模式创新的正向影响更强。由此,H3a、H3b、H4a和H4b再次得到支持。

为了更全面地探究环境敌对性与环境动态性的调节作用,本文综合考虑两类情境因素,分别探讨高环境敌对性—高环境动态性、高环境敌对性—低环境动态性、低环境敌对性—高环境动态性和低环境敌对性—低环境动态性4种情境下,双元AI能力对企业商业模式创新的影响。关于环境敌对性和环境动态性的分组,本文将环境敌对性前50%且环境动态性前50%的样本划分为高环境敌对性—高环境动态性情境下的企业群体,其他情境以此类推。表8显示,高环境敌对性—高环境动态性情境下,双元AI能力对商业模式创新的促进作用较为显著(M1,β=0.552,p<0.001;M2,β=0.583,p<0.001),表明在竞争激烈且复杂多变的环境中,企业可借助双元AI能力更好地捕捉新的商业机会和创新方向,从而推动商业模式创新;高环境敌对性—低环境动态性情境下,探索性AI能力的促进作用不显著,而利用性AI能力的促进作用显著(M3,β=0.217,ns;M4,β=0.355,p<0.05),表明在竞争激烈但相对稳定的环境中,企业仅依靠探索性AI能力难以实现商业模式创新,需要借助利用性AI能力维持商业模式创新;低环境敌对性—高环境动态性情境下,双元AI能力对商业模式创新的促进作用均较为显著(M5,β=0.491,p<0.001;M6,β=0.282,p<0.05),表明在竞争压力较小但市场变化迅速的环境中,企业借助双元AI能力均能实现一定程度的商业模式创新;低环境敌对性—低环境动态性情境下,双元AI能力的促进作用显著但相对较小(M7,β=0.342,p<0.001;M8,β=0.226,p<0.05),表明在相对稳定的环境中,企业通过双元AI能力仍能实现商业模式逐步优化。由此,H5得到实证支持。

本文采用SPSS 27.0软件中的Process插件对被调节的中介效应进行检验,执行5 000次Bootstrap重复抽样,并设定95%的置信区间。由表9可知,高环境敌对性—低环境敌对性情境下,探索性AI能力在AI采用强度与商业模式创新间的中介作用差异显著,两者间接效应差异为0.071,95%置信区间为[0.032,0.120],不包含0,说明环境敌对性调节探索性AI能力在AI采用强度与商业模式创新间的中介作用,H6a得到实证支持。同理,环境敌对性调节利用性AI能力在AI采用强度与商业模式创新间的中介作用,环境动态性调节探索性AI能力在AI采用强度与商业模式创新间的中介作用,环境动态性调节利用性AI能力在AI采用强度与商业模式创新间的中介作用。由此,H6b、H6c、H6d均得到支持。

3.5 稳健性检验

本文通过更换主要变量测量方式进行稳健性检验。将AI采用强度、探索性AI能力、利用性AI能力、环境敌对性、环境动态性和商业模式创新的计算方式从取平均值调整为提取主成分,分析结果见表10。结果显示,AI采用强度与商业模式创新的主效应、探索性AI能力和利用性AI能力的中介效应,以及环境敌对性和环境动态性的调节效应均显著。同时,被调节的中介效应稳健性检验结果如表11所示。结果显示,随着环境敌对性和环境动态性提升,探索性AI能力与利用性AI能力的中介作用显著增强。以上检验结果印证了研究结论的可靠性。

4 结论与启示

4.1 研究结论

本文基于资源基础观,通过构建“资源获取—能力提升—价值重构”理论框架,系统探究AI采用强度通过双元AI能力影响商业模式创新的传导机制以及环境不确定性的调节作用,得出以下主要结论:

(1)AI采用强度对商业模式创新具有显著正向影响,这与当前研究观点基本一致[1, 4]。数智化转型背景下,AI采用强度越高,企业越能通过AI技术获取竞争稀缺性资源,为组织创新活动提供基础性技术资源支撑,从而有效推动商业模式创新。

(2)探索性AI能力、利用性AI能力在AI采用强度与商业模式创新间发挥中介作用。探索性AI能力聚焦机会挖掘(如借助AI技术构建新的价值主张),而利用性AI能力致力于提升效率(如通过强化学习算法实现供应链优化),二者协同推进价值体系重构。这一发现凸显出双元AI能力在释放AI技术潜能和驱动商业模式创新方面的重要作用,不仅呼应了组织双元性理论的核心观点,更揭示了人工智能情境下技术资源向创新能力转化的微观机制。

(3)环境不确定性在双元AI能力与商业模式创新间发挥调节作用,同时对“AI采用强度→双元AI能力→商业模式创新”的中介路径发挥增强效应。外部环境的竞争压力和动态变化倒逼企业释放双元AI能力的潜力,而稳定的环境则易引发AI能力刚性。研究证实了环境因素在双元AI能力影响企业商业模式创新过程中的重要作用,为权变理论在数字创新领域的适用性提供了证据[39]。

4.2 理论贡献

(1)拓展了AI采用强度在智能情境下的解释边界。现有研究揭示数字化背景下技术采用对商业模式创新的影响,也强调AI技术在组织创新过程中的重要作用[20, 40],但AI技术具有认知复杂性与强生成性特征,其价值实现路径可能与传统数字技术存在差异。本文基于资源基础观证实组织AI采用强度对商业模式创新的积极影响,不仅呼应了“技术资源异质性创造竞争优势”的核心主张[13],更为智能化转型背景下技术采用研究提供了有益补充。

(2)基于双元视角,全面证实了双元AI能力在AI采用强度与商业模式创新间的中介作用,为AI采用强度与商业模式创新关系研究提供了更平衡的视角。以往研究主要关注AI技术带来的优势,但越来越多的学者发现,单纯引入技术难以实现创新效益最大化[12]。只有将技术转化为不可替代且难以模仿的组织能力,才能充分释放其潜能和价值[41]。因此,组织在采用AI技术过程中,培养相应的AI能力尤为重要。本研究为企业在简单采用AI技术后未能获得预期收益提供了机制性解释(只有将AI技术应用升华为组织层面的AI能力,才能跨越工具化应用“陷阱”),为寻求优化AI技术应用的组织提供了理论支撑。

(3)通过解析环境敌对性和环境动态性的调节效应,系统揭示了组织双元AI能力驱动商业模式创新的边界条件,不仅丰富了组织创新领域中关于环境因素影响机制的讨论,为理解环境敌对性和环境动态性的调节作用提供了新视角,还拓展了商业模式创新的情境化研究,并揭示了市场环境下组织依赖双元AI能力推动商业模式创新的内在逻辑,为组织应对复杂市场环境、构建情境智能驱动的创新生态系统提供了理论依据。

4.3 管理启示

(1)鉴于AI采用强度对企业商业模式创新的显著促进作用,企业需加强AI技术采用,夯实商业模式创新基础。首先,加强AI技术采用,将其全面嵌入研发、供应链及决策支持等核心业务流程。通过规模化应用AI技术,组织能够识别市场机遇,提升资源利用效率,从而促进商业模式迭代。其次,企业管理层需推进AI采用的系统化建设,建立规范的技术应用流程和协调机制,确保AI技术在不同业务单元和环节深度整合与持续应用,充分释放其对商业模式创新的潜在驱动力。最后,在制定创新战略时,企业需围绕提高AI采用强度制定切实可行的行动方案,明确关键应用场景与量化目标,并结合实际反馈动态调整应用策略,确保AI采用强度与商业模式创新的有效衔接。综上,企业需以强化AI技术采用为路径,推动商业模式创新,实现技术优势向竞争优势转化。

(2)基于双元AI能力在AI采用强度与商业模式创新间的中介效应,企业需提升双元AI能力,并构建探索性与利用性AI能力协同演进的长效机制。探索性AI能力有助于企业借助新兴AI资源发掘商机、增强竞争优势。因此,企业需积极引入AI技术,并激励员工开展创新性尝试,突破现有商业模式限制。同时,利用性AI能力有助于企业利用现有AI资源,提升运营效率。因此,企业需注重对现有AI技术的深入挖掘,通过优化流程提高效率,并鼓励员工利用现有AI资源进行创新,从而创造更多商业价值。此外,企业需构建跨部门AI协作机制,促进探索性AI能力与利用性AI能力互动融合,形成互补优势。通过持续提升双元AI能力,企业能够更有效地应对市场变化,实现商业模式创新。

(3)基于环境不确定性在双元AI能力与企业商业模式创新间的调节作用,企业需构建敏捷型组织生态以适应市场变化。在数字经济时代,外部竞争压力较大且环境动态性日益增强,为充分发挥双元AI能力与环境不确定性的协同效应,企业创新节奏需要与外部环境特征相协调。一方面,构建环境监测机制,精准识别创新机会窗口,并利用环境之“势”推动商业模式持续迭代,主动嵌入外部创新生态系统;另一方面,培育组织危机意识与变革文化,通过提升环境洞察力与响应速度,实现商业模式创新节奏与外部环境动态的精准匹配,从而增强企业在不确定性环境中的可持续竞争优势。

4.4 不足与展望

本文存在以下不足:第一,受限于数据收集时间跨度,未能全面展现企业AI采用强度对商业模式创新影响的动态演进过程。实际上,AI采用时间也可能与商业模式创新相关,且商业模式创新具有动态性和自反性,企业需要不断调整其模式以适应环境变化和满足利益相关者需求。未来可考虑收集长期跟踪数据,以便更精准地捕捉这一变化。第二,研究问卷由企业中高层管理者填写,来源较为单一,未来需考虑收集多源和多时点数据,进一步控制共同方法偏差。此外,未来可结合访谈和案例研究等方法,深入剖析企业AI采用强度对商业模式创新的影响。第三,研究样本聚焦制造企业,因涉及较为全面的生产与运营流程,AI技术的引入对其产品开发、市场营销及客户服务等方面具有显著影响。然而,这可能忽视其他行业企业在AI采用强度中的独特经验及商业模式创新,从而限制结论的普适性。未来可扩大样本范围,纳入服务业、零售及其他行业企业,全面揭示不同领域中AI采用强度对商业模式创新的影响。

参考文献：

[1] JORZIK P, KLEIN S P, KANBACH D K, et al. AI-driven business model innovation: a systematic review and research agenda[J].Journal of Business Research, 2024, 182: 114764.

[2] 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.

[3] SJÖDIN D, PARIDA V, PALMIÉ M, et al. How AI capabilities enable business model innovation: scaling AI through co-evolutionary processes and feedback loops[J].Journal of Business Research, 2021, 134: 574-587.

[4] KANBACH D K, HEIDUK L, BLUEHER G, et al. The GenAI is out of the bottle: generative artificial intelligence from a business model innovation perspective[J].Review of Managerial Science, 2024, 18(4): 1189-1220.

[5] 张建宇,杨旭,鲁超冉,等.人工智能采用对企业竞争优势的影响研究[J].科研管理, 2025, 46(1): 95-105.

[6] HABBAL A, ALI M K, ALI ABUZARAIDA M. Artificial intelligence trust, risk and security management (AI TRiSM): frameworks, applications, challenges and future research directions[J].Expert Systems with Applications, 2024, 240: 122442.

[7] CHOWDHURY S, DEY P, JOEL-EDGAR S, et al. Unlocking the value of artificial intelligence in human resource management through AI capability framework[J].Human Resource Management Review, 2023, 33(1): 100899.

[8] ÅSTRÖM J, REIM W, PARIDA V. Value creation and value capture for AI business model innovation: a three-phase process framework[J].Review of Managerial Science, 2022, 16(7): 2111-2133.

[9] MIKALEF P, ISLAM N, PARIDA V, et al. Artificial intelligence (AI) competencies for organizational performance: a B2B marketing capabilities perspective[J].Journal of Business Research, 2023, 164: 113998.

[10] SPIETH P, BREITENMOSER P, RÖTH T. Business model innovation: integrative review, framework, and agenda for future innovation management research[J].Journal of Product Innovation Management, 2025, 42(1): 166-193.

[11] BROEKHUIZEN T, DEKKER H, DE FARIA P, et al. AI for managing open innovation: opportunities, challenges, and a research agenda[J].Journal of Business Research, 2023, 167: 114196.

[12] TEKIC Z, FÜLLER J. Managing innovation in the era of AI[J].Technology in Society, 2023, 73: 102254.

[13] 张璐,王岩,苏敬勤,等.资源基础理论:发展脉络、知识框架与展望[J].南开管理评论, 2023, 26(4): 246-258.

[14] SHARMA P, GUNASEKARAN A, SUBRAMANIAN G. Enhancing supply chain: exploring and exploiting AI capabilities[J/OL].Journal of Computer Information Systems,1-15[2024-08-08].https://doi.org/10.1080/08874417.2024.2386527.

[15] 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.

[16] MIAO C L, CHEN Z Y, ZHANG A X. Green technology innovation and carbon emission efficiency: the moderating role of environmental uncertainty[J].Science of the Total Environment, 2024, 938: 173551.

[17] DREES J M, HEUGENS P P. Synthesizing and extending resource dependence theory: a meta-analysis[J].Journal of Management, 2013, 39(6): 1666-1698.

[18] ZHU P Y, MIAO X M, JIN S M, et al. Transactive memory system, boundary-spanning search and business model innovation: the moderating role of environmental dynamism[J].Technovation, 2023, 128: 102852.

[19] 李君锐,买生.数字金融对企业商业模式创新的影响研究[J].管理评论, 2023, 35(6): 82-91.

[20] 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.

[21] 张伟,马妮娜,马昭双.数字技术、技术商业化能力与商业模式创新——环境不确定性的调节作用[J].科技进步与对策, 2025, 42(4): 12-21.

[22] 徐红丹,王玖河.人工智能如何赋能企业新质生产力[J].科技进步与对策, 2025, 42(7): 1-8.

[23] 宁楠,惠宁.人工智能与制造企业创新:理论逻辑与实证检验[J].经济体制改革,2025,43(1): 120-126.

[24] 刘广,桑雪淼,方刚.知识耦合与智能协同联动影响人机协同决策的组态研究[J].科技进步与对策,2025,42(20):32-41.

[25] 徐维祥,牟雅倩,周建平,等.人工智能技术创新对产业链现代化的影响效应及作用机制[J].科技进步与对策, 2025, 42(13): 14-24.

[26] 郭润萍,尹昊博,陆鹏.竞合战略、双元能力与数字化新创企业成长[J].外国经济与管理, 2022, 44(3): 118-135.

[27] 卢启程,陈琪,奚国茜.人工智能与创业:融合现状、理论挑战与未来展望[J].经济管理, 2025, 47(2): 184-208.

[28] NEIROUKH S,EMEAGWALI O L,ALJUHMANI H Y.Artificial intelligence capability and organizational performance: unraveling the mediating mechanisms of decision-making processes[J/OL].Management Decision,1-32[2024-06-13].https://doi.org/10.1108/MD-10-2023-1946.

[29] BLACK S, SAMSON D, ELLIS A. Moving beyond 'proof points': factors underpinning AI-enabled business model transformation[J].International Journal of Information Management, 2024, 77: 102796.

[30] WANG Z Y, LI M Y, LU J, et al. Business innovation based on artificial intelligence and blockchain technology[J].Information Processing &Management, 2022, 59(1): 102759.

[31] RAI A, TANG X L. Leveraging IT capabilities and competitive process capabilities for the management of interorganizational relationship portfolios[J].Information Systems Research, 2010, 21(3): 516-542.

[32] LI H Y, LU Z Q, ZHANG Z P, et al. How does artificial intelligence affect manufacturing firms' energy intensity[J].Energy Economics, 2025, 141: 108109.

[33] CHEN Y, WANG Y, NEVO S, et al. IT capability and organizational performance: the roles of business process agility and environmental factors[J].European Journal of Information Systems, 2014, 23(3): 326-342.

[34] 苏敬勤,武宪云,张思佳.传统企业全链路数字化转型过程中的组织惯性克服机理——基于组织学习视角[J].科技进步与对策,2025,42(17):55-65.

[35] LEE O-K, SAMBAMURTHY V, LIM K H, et al. How does IT ambidexterity impact organizational agility[J].Information Systems Research, 2015, 26(2): 398-417.

[36] LUO L L, SHINKLE G A. Environmental context and organizational aspiration determination[J].Journal of Management Studies, 2025, 62(1): 102-133.

[37] 余传鹏,黎展锋,林春培,等.数字创新网络嵌入对制造企业新产品开发绩效的影响研究[J].管理世界, 2024, 40(5): 154-176.

[38] PEDERSEN E R G, GWOZDZ W, HVASS K K. Exploring the relationship between business model innovation, corporate sustainability, and organisational values within the fashion industry[J].Journal of Business Ethics, 2018, 149(2): 267-284.

[39] CAO Q, GEDAJLOVIC E, ZHANG H P. Unpacking organizational ambidexterity: dimensions, contingencies, and synergistic effects[J].Organization Science, 2009, 20(4): 781-796.

[40] BAABDULLAH A M. The precursors of AI adoption in business: towards an efficient decision-making and functional performance[J].International Journal of Information Management, 2024, 75: 102745.

[41] GAMA F, MAGISTRETTI S. Artificial intelligence in innovation management: a review of innovation capabilities and a taxonomy of AI applications[J].Journal of Product Innovation Management, 2025, 42(1): 76-111.

(责任编辑:张 悦)