Artificial Intelligence Affordance and Ecological Niche Enhancement of Startups: The Mechanism of Scenario-Driven Innovation and the Moderating Effect of Expectation Gap

Zhu Shengnan1, Hu Haiqing1,2,Zhang Xuhong1

(1.School of Economics and Management, Xi'an University of Technology, Xi'an 710054, China;2.Ankang University, Ankang 725000,China)

Abstract：Against the backdrop of the digital intelligence era which is characterized by rapid shifts in technological paradigms and intensifying market competition, the fleeting nature of opportunity windows imposes unprecedented demands on the growth and survival of startups. As nascent and inherently vulnerable organizations, startups grapple with resource scarcity, limited legitimacy, and underdeveloped organizational capabilities, all of which hinder their ability to elevate their ecological niche. Effectively harnessing artificial intelligence (AI) to overcome these vulnerabilities and advance their niche position has thus become a critical strategic imperative. While existing research widely acknowledges AI's transformative potential in unlocking data value, optimising decision-making efficiency, and reshaping value creation pathways, the black-box mechanism through which AI concretely translates into sustainable competitive advantages for resource-constrained startups remains under-explored. Furthermore, according to the theory of technological affordance, the realisation of a technology's value potential is not automatic but depends on internal organisational behaviour and strategic choices. This creates a complex, dynamic interplay between technological characteristics, strategic orientation, and organisational behaviour.

In response, this study integrates technological affordance theory and organizational behavior theory to develop a unified theoretical model centered on AI affordance, scenario-driven innovation, and the entrepreneurial ecological niche. Specifically,the study conceptualize AI affordance along two distinct dimensions: autonomous AI affordance and interactive AI affordance. The former captures AI's capability for independent task execution and automated decision-making, while the latter reflects its potential to enable human-machine collaboration and facilitate information exchange. This study addresses these core questions: Firstly, Can, and if so, how do the distinct dimensions of AI affordance enhance the ecological niche of vulnerable startups? And, as a novel paradigm of the digital era, can scenario-driven innovation serve as a pivotal mediating mechanism in this process? Secondly, how does expectation gap, as an internal performance feedback signal, moderate the intensity with which start-ups leverage AI affordance to drive scenario-driven innovation?

This study focuses on technology-based startups and collects data through rigorously designed questionnaires administered to managerial personnel with comprehensive knowledge of their firms' operations and AI applications. A total of 500 questionnaires were distributed over a four-month period, yielding 315 valid responses after stringent screening. Empirical analysis yields three principal conclusions: First,autonomous AI affordance strengthens niches via operational automation, while interactive AI affordance enhances resource acquisition and external collaboration.Second, scenario-driven innovation plays a crucial mediating role between AI affordance and ecological niche. It provides concrete contextual frameworks for unlocking AI's potential, enabling startups to bridge the gap between technological promise and market performance by reconfiguring resources and creating new opportunities through integrating technology with specific business scenarios. Third, expectation gaps exert differentiated moderating effects. Both persistence and scope expectation gaps positively moderate the relationship between autonomous AI affordance and scenario-driven innovation, indicating that performance pressures prompt managers to leverage AI's autonomous capabilities for problem solving. However, expectation gaps do not significantly moderate the relationship between interactive AI affordance and scenario-driven innovation. This suggests that under performance gap pressures, the vast information and complex interactions required for AI affordance may divert managers' limited attention, disrupting technology optimisation processes within specific scenarios.

This study offers both theoretical and practical insights. Theoretically, it advances the literature in three ways: (1) by applying a technological affordances lens to reveal how AI interacts with resource-constrained startups; (2) by positioning scenario-driven innovation as a critical bridge between AI capabilities and entrepreneurial growth, thereby extending its relevance beyond design or service contexts into strategic technology deployment; and (3) by introducing the expectation gap as a behavioral moderator to broaden the boundaries of AI's influence on corporate development. Practically, the findings urge startups to move beyond passive AI adoption. Instead, they should deliberately co-create application scenarios that align AI affordance with their strategic resource needs. Moreover, managers under performance pressure should prioritize autonomous AI solutions when attention resources are scarce.

Key Words：AI Affordance;Technological Affordance;Startups; Ecological Niche; Scenario-driven Innovation; Expectation Gap

DOI：10.6049/kjjbydc.D102025080036

开放科学(资源服务)标识码(OSID)：

中图分类号：G252.8;F270

文献标识码：A

文章编号：1001-7348(2026)11-0013-11

收稿日期：2025-08-01

修回日期：2025-11-19

基金项目：国家自然科学基金项目(72072144);陕西省创新能力支撑计划软科学研究计划项目(2024ZC-YBXM-031,2025WZ-YBXM-18,2021KRM183);西安市科技局软科学研究计划重点项目(23RKYJ0001,21RKYJ0009);陕西省哲学社会科学研究专项(2025HZ1127,2023HZ1036)

作者简介：朱胜男(1998—),女,山东烟台人,西安理工大学经济与管理学院博士研究生,研究方向为创新创业管理;胡海青(1971—),男,陕西西安人,博士,西安理工大学经济与管理学院教授、博士生导师,安康学院副院长,研究方向为创业管理与中小企业发展;张旭红(1996—),女,山西临县人,西安理工大学经济与管理学院博士研究生,研究方向为创新创业管理。通讯作者:胡海青。

0 引言

2025年《政府工作报告》提出“持续推进‘人工智能+’行动,将数字技术与制造优势、市场优势更好结合起来”。当前人工智能技术正加速向各领域深度渗透[1],不仅可以充分释放数据要素潜力[2],而且使创业企业的资源获取方式、价值创造路径得到重构。智谱AI、追觅科技等一大批创业企业敏锐捕捉到新技术浪潮中的机会窗口,凭借产品迭代、流程革新或商业模式创新,快速跻身商业生态核心位置。这印证了人工智能对创业企业生态位的提升作用。然而,作为市场的新进入者,创业企业受到资源匮乏[3]、组织能力缺失[4]等“新生弱小”特征的制约,导致其在应用人工智能技术时面临技术基础薄弱、业务融合度低等现实困境,无法将人工智能技术转化为实际生产力。因此,创业企业如何借助人工智能技术获取优质资源、弥补能力缺失、提升自身生态位,成为亟待探讨的问题。

当前人工智能赋能创业企业的研究主要聚焦对创业机会、创业资源和创业者决策三方面的作用。具体来说,首先,人工智能可以拓宽创业者知识走廊、增强复杂信息处理能力,帮助创业者进行机会开发和识别[5-6],并且预测创业机会[7]。其次,人工智能依托其处理海量数据、深度挖掘信息的核心优势,生成大量数据资源[8],助力企业数字化转型,提升资源利用率[9-10]。最后,人工智能通过与人类决策深度融合,构建智能决策系统,直接提升企业决策效率与质量[11-12],同时,可以基于大数据分析对未来事件进行精准预测,帮助创业者有效判断并应对创业过程中的不确定性[13],降低决策风险。上述研究虽清晰揭示了人工智能对创业企业的积极影响,但是人工智能提升创业企业生态位的具体影响过程仍未完全打开。对困于“新生弱小”的创业企业而言,人工智能创造了哪些独特的行动可能性,帮助创业企业克服资源约束与能力缺失,进而提升自身生态位?这一问题有待深入探究。

作为新技术与产业的桥梁,场景将人工智能价值从技术本身转化为企业在特定情境下的行动能力[14],为回答上述问题提供了新视角。场景驱动创新既是新技术价值的“放大器”,又是识别颠覆性技术创新机会和把握未来产业机会窗口期的“捕捉器”[15],引导人工智能技术向更具市场潜力的方向聚焦,将人工智能可供性转化为具体的解决方案。例如,科丞智能健康、高哲信息技术等科创企业通过从场景定位到场景构建,促进技术供给与前沿需求深度适配,进而实现价值创造[16]。同时,作为一种商业模式,场景驱动创新也是利用信息资源发现商机并促使创新要素与情景整合共融的运作过程[6-7],通过重构“人-货-场”逻辑[17],赋能企业价值共创。尽管既有研究初步探讨了场景驱动创新对企业创新绩效的影响[18],但鲜有文献深入揭示其作为一种资源编排机制,促进新生的创业企业将技术潜力转化为竞争优势的内在机理。因此,本文通过引入场景驱动创新这一概念,探讨其在人工智能可供性与创业企业生态位间的传导作用。

技术可供性理论强调参与者与技术之间的互动有助于实现不同可能性,但受到企业行为和所处情境等方面影响[19]。期望落差作为企业绩效的直接反馈,对企业创新模式[20]和具体行为[21]具有重要影响。基于组织行为理论,高期望落差带来的绩效压力会推动管理者进行战略变革,进一步驱动企业借助人工智能可供性探索新场景,但这能否最终提升创业企业生态位还取决于企业资源投入、外部互动等一系列行为总和。因此,本研究还将引入期望落差这一概念,探究人工智能可供性促进场景驱动创新的适用条件与作用边界。

综上分析,本研究基于技术可供性理论与组织行为理论,通过引入场景驱动创新为中介变量、期望落差为调节变量,构建人工智能可供性影响创业企业生态位的过程机制研究框架,以探究数智时代创业企业生态位提升的理论路径。这一研究不仅有助于打开人工智能赋能创业企业生态位提升的“黑箱”,而且为创业企业的数智化实践提供参考。

1 理论分析与研究假设

1.1 人工智能可供性对创业企业生态位的影响

人工智能可供性是指人工智能技术能够为技术使用者实现预期目标所提供的行动潜能[22]。根据技术可供性理论,可供性并非技术单方面赋予的静态属性,而是在使用者与技术之间的动态互动关系中被感知和实现的[19]。本文参考Issa等[23]的研究,将人工智能可供性划分为自主可供性和交互可供性,前者主要指较少人为干预下人工智能技术独立完成任务的潜能;后者主要是指人工智能作为辅助,有效地收集、识别、评估和传递信息的潜能。

人工智能自主可供性可以通过增强创业企业组织能力,帮助创业企业克服“新生弱小”困境,进而提升创业企业生态位。首先,创业企业决策多依赖创业者主观经验,突发情况下易出现决策偏差。人工智能遵循算法规则,可以基于先前获得的知识和信息在简单问题上进行自主推理与决策[23],短时间内为缺乏专业决策支撑体系的创业企业提供决策依据,有利于创业企业提高决策水平[9],从而提升创业企业生态位。其次,由于自身组织结构尚不完善,创业企业在整合与管理外部跨界资源时,往往需要付出更高协调成本。自主可供性则能够帮助企业形成智能化、个性化的资源整合方案,有利于提升企业自主运营与配置能力,进而提升市场竞争力[24],最终助力创业企业提升其生态位。最后,人工智能驱动设备依赖的高级算法,能够从输入数据中自主识别问题、自主预测未来结果并做出合理调整,在与外部情境互动中实现自我优化和自我改进[24]。这有利于创业企业快速响应市场需求,推动产品和商业模式快速迭代,从而提升创业企业生存概率。因此,本文提出如下假设:

H1a:人工智能自主可供性对创业企业生态位具有积极影响。

就人工智能交互可供性而言,其可以促进数据要素价值释放,缓解创业企业资源约束困境,进而提升创业企业生态位。首先,人工智能交互可供性促进资源有效利用,通过与用户的实时互动和数据分析,能够高效精准地识别用户需求,极大缩短从需求洞察到市场响应的时间,帮助创业企业抓住机会窗口[5],进而推动企业将有限资源精准投入最有可能成功的方向,从而提升创业企业生态位[25]。其次,人工智能交互可供性为创业企业提供更多数据资源。创业企业由于数据、技术不足等问题很难释放数据要素价值,而基于复杂算法的人工智能技术通过对数据的收集、处理和深度加工,不仅可以突破传统数据来源限制,而且可以提高数据质量和准确性[8],进而促进数据要素价值释放,推动创业企业生态位提升。因此,本文提出如下假设:

H1b:人工智能交互可供性对创业企业生态位具有积极影响。

1.2 场景驱动创新的中介作用

1.2.1 人工智能可供性对场景驱动创新的影响

场景驱动创新是指以场景为载体,以使命或战略为引领,驱动技术、市场等创新要素有机协同整合与多元化应用的创新过程。尹西明等[24]发现,场景驱动创新不仅包括整合现有场景资源与技术能力,进而加速企业技术商业化落地这一过程,也包括以未来场景为导向,挖掘新技术潜力与重构场景形态,进而开辟新赛道与新领域这一过程。而人工智能通过对现有场景的整合和对未来场景的前瞻性构建,不仅可以解决场景设计中的技术问题,而且可以激活场景驱动创新在重塑、颠覆,进而引领产业升级的潜力[26]。因此,本文认为人工智能可供性对场景驱动创新具有积极作用。

就自主可供性而言,人工智能技术可以通过提高创业企业适应与学习能力,适应场景驱动创新的动态需求。首先,人工智能自主可供性通过自动运营,可以将员工从琐碎任务中解放出来,专注于重要工作,有利于促进员工提升创造力并积极响应场景驱动创新[27]。其次,人工智能自主可供性体现在对新场景的前瞻性预判上。创业企业在资源约束情景下,容错空间有限,人工智能可以基于实时市场信号,自动识别潜在场景及其所需技术路径与产品形态[28],帮助创业企业降低试错成本,敏锐捕捉并抢占市场先机。最后,人工智能可供性可帮助创业企业通过模型拆解与迁移,将单一场景中验证过的模式快速复制并迭代应用到更多场景,实现从单场景的项目化向多场景的产品化、服务化转型[27]。因此,本文提出如下假设:

H2a:人工智能自主可供性对场景驱动创新具有积极影响。

此外,场景驱动创新的核心特质在于其依托可量化数据构建创新逻辑[29],所以数据质量直接影响场景驱动创新水平。人工智能交互可供性正是在人机协同过程中,通过深化数据洞察和优化能力,为场景驱动创新赋能。首先,人工智能基于算法模型和场景数据处理,可以挖掘出场景中各要素间传统分析难以洞察到的深层关系,这虽然不能完全替代组织创造力,但是可以在创业企业协同过程中促进场景化产品开发过程中的机会识别[30],从而推动场景驱动创新。其次,人工智能还能够利用语言模型、图像模型等方式生成高质量信息,有利于新进入的创业企业了解复杂的商业生态[28],实现对场景痛点的精准把握,为创业企业进行新产品开发、销售和运营提供动力[9]。因此,本文提出如下假设:

H2b:人工智能交互可供性对场景驱动创新具有积极影响。

1.2.2 场景驱动创新对创业企业生态位的影响

根据组织生态位理论,创业企业成长可以理解为企业拥有的资源状况和对竞争力的把握,可以进一步划分为态维和势维两方面。其中,态维用于衡量企业资源占用状态,势维可以反映企业发展潜力[31]。场景驱动创新包含数据、算法、算力等创新要素,它们不仅可以提升创业企业对创新资源的利用,而且可以通过推动企业深化产学研结合,深刻影响企业竞争力与发展潜力[24],因此本文认为场景驱动创新可以提升创业企业生态位。

首先,场景驱动创新能够提升资源拼凑效果。不同于传统线性的技术研发范式,场景驱动创新是通过为技术与市场提供可以实时反馈的嵌入性场域,推动现有资源与技术的定向拼凑,加速科研成果向商业化价值的成功跨越[32],进而提升创业企业生态位。其次,当创业企业与其他企业生态位重叠度越高,即发展战略、运营模式等方面越相似时,企业面临的资源与市场竞争越激烈[33],这对于在资金、品牌等方面均处于竞争劣势的创业企业来说尤为致命。而在未来场景牵引下,场景驱动创新可以帮助资源有限的创业企业将抽象的知识转化为对场景中用户行为模式、环境因素的多维度剖析,发挥知识在目标场景中的最大效能[34],为自身创造差异化生存空间[29],从而推动企业找到适合自身的生态位。最后,场景依托数据、算法、算力等要素嵌入创新生态系统,促进创新要素与生态系统中各主体、不同环节深度融合,为创新协作网络带来全新的连接与互动模式,同时,推动创新协作网络与价值共创网络升级[35],进而提升创业企业生态位。因此,本文提出如下假设:

H3:场景驱动创新对创业企业生态位具有积极影响。

1.2.3 场景驱动创新的中介作用

人工智能作为新质生产力的重要推动力,凭借其强大的理解与生成能力,不仅能够提高创业企业运营效率,而且开辟了全新商业模式,成为企业竞争优势的重要源泉[36]。然而,作为一种使能技术,人工智能的价值释放依赖于其与特定应用情境的耦合,场景驱动创新在这一过程中将人工智能技术嵌入具体业务中,推动多元创新主体发起与开展创新活动以及应用创新成果[5]。换言之,场景驱动创新在人工智能可供性与创业企业生态位提升之间发挥中介作用。

首先,企业进行场景驱动创新,利用人工智能进行实时反馈,在紧密联系与互动中加速知识流动[37]。这种方式有助于创业企业整合碎片化创新想法、敏锐捕捉市场动态并发现市场机会,通过挖掘现有产品和服务中的问题,实现创业企业态维的提升。其次,应用人工智能技术的企业往往展现出高创新导向特点,更倾向于前瞻性布局。在未来重大需求的引领下,场景驱动创新能够促进创业企业发挥人工智能的跨界与预测潜能,通过对目标场景中技术和商业模式的深度洞察,有效驱动机会创造,并引导企业进行更具颠覆性的创新活动,从而实现战略引领,提升创业企业势维。因此,本文提出如下假设:

H4a:场景驱动创新在人工智能自主可供性对创业企业生态位的影响中发挥中介作用。

场景驱动创新利用人工智能可供性捕获分散的数据和需求,帮助创业企业通过对特定场景中技术和资源的整合,进而拓展网络连接,实现资源重构。这不仅激发人工智能技术的潜能,还能帮助企业基于场景需求协调资源配置,形成跨组织资源互补效应[38],促进创业企业态维的提升。人工智能交互可供性通过跨界融合与人机协同为创业企业提供技术支撑,推动场景驱动创新。在此过程中,企业能产生更具价值的创新要素,形成全新连接与互动模式,加速异质性知识资源价值转化,推动企业颠覆性创新,提升创业企业势维。因此,本文提出如下假设:

H4b:场景驱动创新在人工智能交互可供性对创业企业生态位的影响中发挥中介作用。

1.3 期望落差的调节作用

期望落差是指企业实际绩效低于目标期望水平的差距[39],是管理者进行战略决策的重要锚点。根据组织行为理论,当存在期望落差时,管理者会对以往战略有效性产生质疑,产生“穷则思变”的决策效应[40],这会增强管理者利用人工智能可供性改变现状的意愿。本文参考魏龙等[39]的观点,将期望落差划分为持续性期望落差和范围性期望落差两个维度。其中,前者是指企业在某个目标上多次未达到期望的绩效反馈,后者是指企业在多个目标上未达到期望的绩效反馈。

持续性期望落差会显著强化管理者的环境压力感知,驱动其进行局部问题的深度搜寻[39]。在资源约束条件下,企业为增强竞争力和提高资源配置效率,会积极地进行场景优化[41]。首先,企业持续性期望落差增大会促使管理者深入挖掘人工智能自主决策潜力,借助算法技术强大的算力与逻辑优势,精准识别场景内部问题与低效环节[20],为场景优化提供支撑。其次,人工智能自主可供性可以发挥自主推理与预测功能,通过低成本、高效率模拟帮助企业在现有业务场景中快速识别创新突破口。通过推动场景化资源重构与创新流程优化,从而影响场景驱动创新转化方向与速度[42]。因此,本文提出如下假设:

H5a:持续性期望落差对人工智能自主可供性与场景驱动创新间关系发挥调节作用。

同时,高持续性期望落差压力也会推动管理者提升自身能力,促进现有业务改进,实现场景优化。交互可供性不仅是技术的应用,更是一种人机协作机制,赋予管理者更高阶的能力。通过这一机制,可以帮助管理者对用户需求、内部庞杂的运营数据进行实时收集和精准分析,扩展管理者认知边界,提升管理者问题分析能力[22]。此外,人工智能交互可供性提供的实时反馈与对话式分析能力,可以帮助管理者在复杂的业务场景中进行低成本的方案迭代,推动场景优化。尽管管理者在利用人工智能交互可供性时可能面临时间压力[39],但该可供性可以防止管理者对场景化资源与关键技术的忽视,促进场景中新技术的迭代。因此,本文提出如下假设:

H5b:持续性期望落差对人工智能交互可供性与场景驱动创新间关系发挥调节作用。

相较于持续性期望落差,范围性期望落差涉及行业标杆、竞争对手等外部环境,使得管理者感知到的创新压力更显著[43],迫使企业不能仅局限于内部问题搜索,而应该开展广泛的外部搜寻。场景驱动创新往往涉及对未知领域的探索,高度的不确定性将加剧资源有限企业的创新难度。这时,管理者会主动借助人工智能自主可供性的模拟推演与自主推理功能,通过算法对未来预演,使得企业能够以低成本对那些高风险、颠覆性创新方案进行前瞻性、可行性验证,大大降低决策的不确定性,加速企业对新技术、新场景的接受与应用[21],为场景驱动创新奠定基础。因此,本文提出如下假设:

H5c:范围性期望落差对人工智能自主可供性与场景驱动创新间关系发挥调节作用。

范围性落差往往意味着创业企业在生态系统中的竞争优势降低。为了打破这一困境,创业企业必须进行跨界搜寻。在这个过程中,人工智能交互可供性利用其强大的实时数据处理与人机协同能力,能够有效打破内外部信息不对称性和数据孤岛困境,协助管理者在复杂的商业生态中精准识别并提取外部利益相关者需求。通过构建高效的交流与反馈机制,人工智能交互可供性强化了创业企业与供应商、用户及科研机构之间的价值共创网络,进而推动企业高效获取具有高商业价值的异质性知识。尽管人工智能交互可供性在推动企业创新过程中可能受到管理者原有知识结构、过度自信等因素的约束[43-44],但仍然可以帮助企业寻找和定义新价值主张,推动企业在新场景下完成颠覆性技术迭代与商业模式重构[42]。因此,本文提出如下假设:

H5d:范围性期望落差对人工智能交互可供性与场景驱动创新间关系发挥调节作用。

通过以上理论分析,本文基于“技术可供性-可供性实现-绩效提升”的研究逻辑,构建理论模型如图1所示。

2 研究设计

2.1 样本选取与数据来源

本研究聚焦科创企业,主要是因为科创企业对人工智能往往具有更强的采纳意愿和应用需求。研究采用问卷调查方式,调研对象选取企业管理人员,主要基于两方面考量:第一,该群体对企业技术运用情况与生态位状况有深入了解;第二,他们是企业决策的执行者,对业绩期望落差的压力感知更明显。正式调研采用线上与线下相结合的多渠道方式开展。线上方面,借助微信、问卷星平台以及电子邮件等途径,邀请符合条件的科创企业管理人员参与问卷填写;线下则聚焦西安理工大学MBA和EMBA学员中符合条件的管理人员,通过发放问卷进行调研。问卷调查完成后,通过人工核查方式对数据进行严格筛选,剔除无效答卷,以保障数据质量。正式调研共发放问卷500份,经筛选后回收有效问卷315份,有效回收率为63%,满足研究需要,样本信息如表1所示。由于数据均来自中高层管理者的自我报告,可能存在共同方法偏差。在收集数据后采用国内外相关研究的通用做法,对共同方法偏差进行检验。Harman单因素检验结果表明,旋转的第一个主成分方差分解百分比为32.46%,未超过统计意义上阈值,可以认为研究不存在严重的共同方法偏差问题。

2.2 变量测量

本研究的变量测量大多借鉴国内外成熟量表并结合创业情境进行了修改,部分新量表则是基于理论分析及实践凝练重新设计了测量题项。除个别控制变量外,本研究变量均使用李克特7级量表(1=非常不符合,7=非常符合)。

自变量:人工智能可供性。人工智能可供性参考马鸿佳等[22]的研究,在此基础上结合创业情境进行修改,根据预调研反馈意见并结合领域专家建议,最终形成“人工智能具备有效选择适当方法来辅助本企业开发应用程序和完成任务潜能”等13个测量题项。

因变量:创业企业生态位。创业企业生态位参考胡海青等[31]的研究,结合创业情境进行修改,并邀请专家对量表进行修改。通过探索性因子分析,结果显示变量关系符合研究预期,包括“本企业市场地位逐步提升”等4个测量题项。

中介变量:场景驱动创新。场景驱动创新借鉴付丙海等[33]的研究,其调研对象广泛,既包括众创空间内的创业企业,又包括成熟的制造企业,因此对本研究具有一定适用性。在此基础上结合创业情境对量表进行修改,在正式调研前开展小范围预调研,根据预调研反馈意见并结合领域专家建议,最终形成“本企业追求技术新场景的应用”等5个测量题项。

调节变量:期望落差。期望落差参考魏龙等[39]的研究,结合创业情境对量表进行修改,根据预调研反馈意见并结合领域专家建议,最终形成“近年来,本企业技术水平持续低于行业预期”等8个测量题项。

控制变量:本文将企业规模、企业成立年限、所属行业与管理者职位4个变量作为控制变量。

2.3 信效度检验

检验研究假设前,首先对收集数据信效度进行分析。信度检验方面,选择内部一致性α系数及组合信度CR值作为评价标准,分析结果见表2。数据显示,所有量表的内部一致性系数值及CR值均高于基准值0.7,表明本文变量测量具有较高信度。

效度检验从内容效度、收敛效度和区分效度三方面进行检验。内容效度方面,测量题项大部分来源于国内外权威期刊上的成熟量表,确保测量工具具有较高内容效度。收敛效度方面,如表2所示,各题项对应因子的载荷值和AVE值都大于0.5,表明本研究具有良好的收敛效度。区分效度方面,比较各变量AVE值的平方根和各变量间相关系数(见表3),数据显示各变量AVE值的平方根均大于各变量间皮尔森相关系数。综上,本文的内容效度、收敛效度和区分效度较为理想。

3 实证结果与分析

3.1 描述性统计及相关性分析

主要变量的均值、标准差与相关系数如表3所示。由相关性分析可知,变量间存在一定相关性。

3.2 回归分析检验

(1)主效应检验。如表4所示,列(2)展示人工智能可供性对创业企业生态位的影响。结果表明,自主可供性(β=0.398,p<0.001)、交互可供性(β=0.260,p<0.001)对创业企业生态位均有显著正向影响,故假设H1a和H1b成立。

(2)中介效应检验。由表4列(1)可知,自主可供性(β=0.343,p<0.01)、交互可供性(β=0.275,p<0.001)对场景驱动创新有显著正向影响,故假设H2a和H2b成立。由列(3)可知,场景驱动创新(β=0.492,p<0.001)对创业企业生态位具有显著正向影响,故假设H3成立。由列(4)可知,在基础回归模型中加入中介变量后,自变量系数减小但是仍显著,表明场景驱动创新在人工智能可供性与创业企业生态位间具有部分中介效应。然后,通过Bootstrap抽样法检验场景驱动创新的中介机制,得到更稳健结果,结果如表5、表6所示。结果表明,直接效应和间接效应均显著为正,中介效应占比为40.05%、43.88%,故假设H4a、H4b得到验证。

(3)调节效应检验。表7列(1)～(4)展示了持续性期望落差、范围性期望落差在自主可供性与场景驱动创新间的调节效应检验结果;列(5)～(8)展示了持续性期望落差、范围性期望落差在交互可供性与场景驱动创新间的调节效应检验结果;由列(2)可知,持续性期望落差(β=0.117,p<0.01)会显著增强自主可供性对场景驱动创新的作用;由列(4)可知,范围性期望落差(β=0.086,p<0.05)会显著促进自主可供性对场景驱动创新的作用,因此假设H5a、H5c成立。由列(6)(8)可知,持续性期望落差(β=0.035,p>0.05)、范围性期望落差(β=0.017,p>0.05)在交互可供性与场景驱动创新间的调节作用不显著,因此假设H5b、H5d不成立。这主要是因为人工智能交互可供性通过数据收集、分析和处理[20],提升管理者信息获取能力[42]。持续性期望落差压力要求管理者在短时间内解决问题,然而人工智能交互可供性提供了大量的内外部信息,分散了管理者本应用于解决特定问题的有限注意力,干扰了其在特定场景进行技术提升和资源优化的进程。而范围性期望落差虽然驱动了广泛搜寻,但不同的利益相关者诉求增加了管理者的信息处理复杂性与认知压力,导致其在新场景探索等方面带来的技术优势被抵消,使得范围性期望落差在交互可供性与场景驱动创新之间的调节效应不显著。

为了更清晰地展示期望落差在自主可供性与场景驱动创新中的调节作用,本研究绘制了交互作用图,描绘了不同类别、不同水平期望落差下自主可供性对场景驱动创新的影响差异,如图2、图3所示。

3.3 异质性检验

行业异质性:不同行业的生产流程、价值创造方式不同,人工智能应用方式和水平也不同。本研究根据《国民经济行业分类》(GB/T 4754)标准,首先,将先进制造与自动化、新材料、生物与新医药分为制造业。其次,因电子信息行业企业业务范围广泛,涵盖硬件生产和软件服务,本文根据企业名称进行逐个查询,按照其主营业务分为制造业和非制造业两类并进行实证分析,结果如表8列(1)(2)所示。通过对比可以发现,制造业行业中人工智能自主可供性与交互可供性可以有效提升创业企业生态位,在非制造业中人工智能自主可供性对企业生态位的提升不显著。可能的原因如下:非制造业企业聚焦服务,缺少制造业行业的物理生产流程,使得人工智能自主可供性发挥空间有限,而人工智能交互可供性本质是提升信息处理和人机协同效率与质量,可以直接提升用户满意度并创新服务模式,进而促进创业企业生态位提升。

规模异质性:不同规模企业资源禀赋、组织结构不同,人工智能技术促进企业生态位提升的潜能也不同。本研究按照企业规模将样本分为50人及以下和50人以上两组,并进行实证分析,结果如表8列(3)(4)所示。通过对比发现,对于规模较小的企业而言,人工智能交互可供性对创业企业生态位提升效果显著,而对规模较大企业来说,人工智能自主可供性对创业企业生态位提升效果显著。可能的原因在于,规模较小企业倾向于利用人工智能强化与外部环境交流,通过高效互动获取信息、优化服务、建立客户关系,而规模较大企业更侧重于将人工智能深入应用于运营核心环节,通过自动化、优化和预测功能来处理复杂的内部流程,降低运营成本,进而提升企业生态位。

4 结论与启示

4.1 研究结论

本研究立足于数智时代新背景,构建了人工智能可供性对创业企业生态位提升的影响机理模型。通过问卷调查收集数据,实证检验场景驱动创新的中介机制和期望落差的调节效应。具体结论如下:

(1)人工智能可供性促进创业企业生态位提升,且自主可供性的影响效应更显著。自主可供性主要通过提升内部能力,增强创业企业组织能力,进而提升自身生态位;交互可供性则通过释放数据要素价值,缓解创业企业资源约束,为企业生态位提升提供支持。二者的差异化影响表明对于创业企业来说,利用技术优化内部管理、增强组织能力对于提升创业企业生态位更显著。该结论部分支持了马鸿佳等[22]关于人工智能可供性对企业发展具有积极作用的观点。同时,通过异质性分析,进一步发现不同行业、不同规模创业企业使用人工智能发挥的潜能不同,丰富了人工智能技术与创业理论的交叉研究。

(2)场景驱动创新在人工智能可供性与创业企业生态位之间具有中介作用,尤其在交互可供性与创业企业生态位间的中介效应更显著。一方面,人工智能自主可供性提升了企业适应与学习能力,促进创业企业适配动态场景需求,交互可供性则提升了创业企业对数据的处理与利用能力,从而推动场景驱动创新;另一方面,场景驱动创新既通过资源重构,推动特定场景下技术与资源的匹配,又通过机会创造,促进未来重大需求引领下企业的颠覆性创新,进而帮助创业企业提升生态位态维与势维。这突出了场景驱动创新这一路径的关键作用,为解析人工智能技术与创业企业生态位提升关系提供了重要视角,呼应了尹西明等[24]关于场景驱动创新在新技术与企业发展间发挥重要作用的观点。

(3)期望落差对人工智能可供性与场景驱动创新关系具有差异化调节效应,期望落差正向调节人工智能自主可供性与场景驱动创新关系。一方面,持续性期望落差驱动企业进行局部问题深度搜寻,赋能管理者借助人工智能自主可供性的算法决策发现企业现存问题,高效推动场景化资源重构与创新流程优化。另一方面,范围性期望落差带来的创新压力,驱使管理者主动利用人工智能可供性评估高风险、颠覆性创新可行性,加速对新技术、新场景的接受与应用。该结论丰富了期望落差在技术应用与创新关系间发挥调节作用的理论研究,支持了魏龙等[39]关于不同类型期望落差对企业创新行为存在差异化影响的观点。

4.2 理论贡献

(1)基于技术可供性理论,揭示了人工智能可供性对创业企业生态位的影响机制。现有研究已关注到人工智能对创业企业的积极作用,但对其如何提升创业企业生态位的具体路径仍缺乏深入探讨。本研究开拓了理论视角,不仅将创业企业生态位提升研究聚焦企业与技术互动过程,而且将技术可供性理论置于创业情境下,通过异质性分析拓展了技术可供性研究深度,呼应了刘文霞等[19]关于技术可供性需结合具体情境探讨其作用机制的观点。

(2)明确了数智化背景下创新的新需求。本研究聚焦场景驱动这一新兴创新范式并将其纳入研究框架。实证分析结果表明,场景驱动创新作为人工智能可供性实现的嵌入性场域,可以推动创业企业资源重构与机会创造,进而促进创业企业生态位提升。这一结论清晰地呈现了场景驱动创新在数智化情境下提升创业企业生态位的具体过程,为理解数字经济时代创新模式与企业生态位提升间的关联性提供了新的理论支撑,同时,拓展了场景驱动创新在技术应用与企业成长领域的研究内涵。

(3)扩展了人工智能可供性实现的边界条件。现有研究多从组织资源、外部环境等角度探讨技术可供性实现的影响因素,本研究则基于组织行为理论,分析了持续性期望落差和范围性期望落差对人工智能可供性与场景驱动创新关系的调节效应,并借助期望落差带来的内外部压力,推动人工智能自主可供性对已有场景优化和新场景探索。这不仅有助于深刻理解人工智能可供性作用于场景驱动创新的边界条件,而且为深入探究组织内外部压力对技术应用效果的影响提供了理论支持。

4.3 管理启示

(1)创业企业应充分挖掘并激活人工智能可供性,提升资源配置效率与生态协同能力。人工智能可供性是创业企业构建竞争优势的基础。首先,创业企业可以通过算法优化实现生产流程的自主调整、资源的智能配置,进而降低运营成本并提高决策效率;其次,创业企业也可以借助人工智能技术在与生态系统内合作伙伴、客户等主体合作的过程中,提升数据处理与整合能力,在数据融通过程中打破“数据孤岛”,实现跨组织的信息共享与业务协同,进而为精准把握市场需求和技术趋势提供支撑。

(2)创业企业需建立场景协作机制,实现技术与需求的精准匹配。单纯的技术堆砌无法直接转化为绩效,必须将人工智能技术嵌入具体的应用场景才能释放价值。首先,要通过场景驱动实现技术与创新资源匹配,将离散的技术研发活动转化为针对性场景解决方案。例如在供应链等具体场景中,实现物流、库存等多方要素动态协同,解决企业实际问题。其次,企业也要着眼于未来,在重大需求引领下,探索新业务模式与新场景解决方案,加速前沿技术向产业应用的转化,从而抢占未来产业的战略高地。

(3)管理者应利用期望落差带来的变革动力,提升应对不确定性环境的决策能力。当面临期望落差时,首先,管理者应该注意技术运用方式,充分发挥人工智能自主可供性的自主决策和预测等功能,利用客观数据分析来辅助判断,规避有限理性带来的决策风险。其次,管理者自身也必须要提升信息处理能力,只有这样才能充分发挥人工智能交互可供性的技术优势,更好地针对特定场景进行技术适配与优化,并有效捕捉跨领域场景创新机会,将绩效压力转化为推动技术提升与企业变革的契机。

4.4 研究展望

本研究基于调查问卷,通过实证分析探讨场景驱动创新在人工智能可供性与创业企业生态位间的作用,测量方式以主观评价为主,可能存在研究结论的偏差。后续可以通过案例分析、应用博弈演化模型等复杂动态方法从不同角度分析其中的关系。同时,本研究在文献梳理过程中发现期望落差对企业创新行为存在非线性关系,后续可以围绕期望落差与企业场景驱动创新关系进行深入探索。

参考文献：

[1] 张竹,邢小强,徐赫辰.人工智能技术创新与中国企业高质量发展:能力基础观视角[J].外国经济与管理,2025,47(9):86-105.

[2] 尹西明,钱雅婷,武沛琦,等.数据要素向新质生产力转化的理论逻辑与典型实践路径研究[J].科学学与科学技术管理,2026,47(3):128-142.

[3] 王兆群,胡海青,张琅.创业拼凑、机会开发与新创企业创业绩效关系研究[J].科技进步与对策,2019,36(14):1-7.

[4] 刘立,王博,潘雄锋.能力演化与科技创业企业成长——光洋科技公司案例分析[J].科研管理,2012,33(6):16-23.

[5] SHEPHERD D A,MAJCHRZAK A. Machines augmenting entrepreneurs:opportunities (and threats) at the Nexus of artificial intelligence and entrepreneurship[J]. Journal of Business Venturing, 2022, 37(4): 106227.

[6] 于晓宇,曹港,蒋宗寰,等.人工智能与创业的交汇:研究述评与展望[J].外国经济与管理,2025,47(4):63-81.

[7] JABEUR S B, BALLOUK H, MEFTEH-WALI S, et al. Forecasting the macrolevel determinants of entrepreneurial opportunities using artificial intelligence models[J]. Technological Forecasting and Social Change,2022,175:121353.

[8] ZHA D, BHAT Z P, LAI K H, et al. Data-centric artificial intelligence:a survey[J]. ACM Computing Surveys, 2025, 57(5): 1-42.

[9] REZAZADEH A,KOHNS M,BOHNSACK R,et al.Generative AI for growth hacking:how startups use generative AI in their growth strategies[J]. Journal of Business Research,2025,192:115320.

[10] FEUERRIEGEL S, HARTMANN J, JANIESCH C, et al.Generative AI[J]. Business &Information Systems Engineering, 2024, 66(1): 111-126.

[11] GIUGGIOLI G,PELLEGRINI M M.Artificial intelligence as an enabler for entrepreneurs: a systematic literature review and an agenda for future research[J]. International Journal of Entrepreneurial Behavior &Research, 2023, 29(4): 816-837.

[12] KRAUS M,FEUERRIEGEL S,OZTEKIN A.Deep learning in business analytics and operations research:models, applications and managerial implications[J]. European Journal of Operational Research, 2020, 281(3): 628-641.

[13] THUY A, BENOIT D F. Explainability through uncertainty:trustworthy decision-making with neural networks[J]. European Journal of Operational Research, 2024, 317(2): 330-340.

[14] 苏竣,魏钰明,黄萃.基于场景生态的人工智能社会影响整合分析框架[J].科学学与科学技术管理,2021,42(5):3-19.

[15] 尹西明,武沛琦,钱雅婷,等.先立后破:场景驱动如何助力AI新创企业实现最优区分—基于微言科技的纵向单案例研究[J].南开管理评论,2025,28(12):14-26.

[16] 苏敬勤,国玉琳.新创科技企业如何构建价值场景:基于“机会——资源一体化”视角[J/OL].南开管理评论,1-20[2026-01-27].https://link.cnki.net/urlid/12.1288.F.20251014.1400.002.

[17] 王福,刘俊华,长青.场景如何基于“人货场”主导逻辑演变赋能新零售商业模式创新——伊利集团案例研究[J].管理评论,2023,35(9):337-352.

[18] 陈旭升,姬艺菡.场景驱动下企业数字技术创新路径研究[J].科技进步与对策,2024,41(19):79-90.

[19] 刘文霞,玉岫颦,欧阳桃花.数字技术可供性对企业新产品开发绩效的影响——管理者数字素养的调节作用[J].科技进步与对策,2026,43(5):104-115.

[20] 李慧泉,林青宁.绩效期望落差对企业数字化转型的影响及作用机制研究[J].管理学报,2025,22(7):1236-1244.

[21] 郑伟伟,连燕玲,王耶恩.创新绩效期望落差对企业创新开放度的影响研究[J].科研管理,2025,46(10):134-142.

[22] 马鸿佳,林樾,苏中锋,等.人工智能可供性、智能制造平台价值共创与制造企业数字化转型绩效[J].中国工业经济,2024,41(6):155-173.

[23] ISSA H, JABBOURI R, PALMER M. An artificial intelligence (AI)-readiness and adoption framework for AgriTech firms[J]. Technological Forecasting and Social Change, 2022, 182: 121874.

[24] 尹西明,武沛琦,钱雅婷,等.场景驱动型数智技术创新赋能新质生产力:理论逻辑与实践进路[J].中国软科学,2024,39(10):18-31.

[25] PIETRONUDO M C, CROIDIEU G, SCHIAVONE F. A solution looking for problems? a systematic literature review of the rationalizing influence of artificial intelligence on decision-making in innovation management[J]. Technological Forecasting and Social Change, 2022, 182: 121828.

[26] 杜勇,曹磊.科技型企业如何踏上数据机遇跳板实现生态位跃迁——基于不同创业背景企业的双案例研究[J].中国工业经济,2024,41(1):170-188.

[27] 尹西明,苏雅欣,陈劲,等.场景驱动的创新:内涵特征、理论逻辑与实践进路[J].科技进步与对策,2022,39(15):1-10.

[28] BASOLE R C, PARK H, SEUSS C D. Complex business ecosystem intelligence using AI-powered visual analytics[J]. Decision Support Systems, 2024, 178: 114133.

[29] 李少帅,陈玲.场景驱动大模型产业架构创新的机理及路径研究[J].科学学研究,2026,44(2):225-234.

[30] RUNYI L, BIN G. Enterprise ecological niche measurement and competitive effect analysis based on digital business recognition[J]. Technology Analysis &Strategic Management, 2024, 36(11): 3621-3636.

[31] 胡海青,张旭红.数字经济对创业企业生态位提升的影响研究——基于技术创新与信息不对称视角[J].科技进步与对策,2025,42(23):47-57.

[32] 金镭,赵媛媛,尹西明.制造业专精特新中小企业如何通过场景驱动技术创新:爱博诺德2010—2024年纵向案例研究[J].中国软科学,2025,38(5):41-54.

[33] 付丙海,张庆明,孙秀梅.场景驱动创新、组织复原力与制造业企业创新绩效——跨界双元学习的调节作用[J].管理学刊,2024,37(4):96-109.

[34] 杨坤,殷涛,汪万,等.面向未来场景的新兴技术产业化机制——基于知识组织视角的探索性案例分析[J/OL].科技进步与对策,1-13[2025-12-19].https://link.cnki.net/urlid/42.1224.G3.20251203.0835.002.

[35] BAUM J A C, SINGH J V. Organizational niches and the dynamics of organizational founding[J]. Organization Science, 1994, 5(4): 483-501.

[36] 陈衍泰,衡予婧.人工智能与企业竞争优势:研究进展、理论框架与未来展望[J].研究与发展管理,2025,37(3):53-66.

[37] 赵瑞彤,胡海晨.人工智能的双重角色与企业突破式创新——基于资源编排理论的实证研究[J].科技进步与对策,2025,42(23):12-22.

[38] 秦欣悦,胡海青,史童.场景驱动创新、数字敏捷性与企业创新绩效研究——舍却式学习的调节作用[J/OL].科技进步与对策,1-11[2025-12-19].https://link.cnki.net/urlid/42.1224.G3.20250922.0931.002.

[39] 魏龙,党兴华.期望落差、惯例复制与迭代创新:组织即兴的调节作用[J].管理评论,2022,34(10):146-157.

[40] 连燕玲,贺小刚,高皓.业绩期望差距与企业战略调整——基于中国上市公司的实证研究[J].管理世界,2014,30(11):119-132,188.

[41] 文巧甜,郭蓉.资源约束框架下业绩反馈与战略调整方向研究——基于中国上市公司的数据分析[J].经济管理,2017,39(3):90-108.

[42] KOLLMANN T,STÖCKMANN C.Filling the entrepreneurial orientation-performance gap:the mediating effects of exploratory and exploitative innovations[J]. Entrepreneurship Theory and Practice,2014,38(5):1001-1026.

[43] 阳镇,陈劲,李井林.业绩下滑与企业创新投入——基于战略决策情境机制的再检验[J].研究与发展管理,2021,33(3):137-148.

[44] 邓新明,刘禹,龙贤义,等.管理者认知视角的环境动态性与组织战略变革关系研究[J].南开管理评论,2021,24(1):62-73,88-90.

(责任编辑：胡俊健)