A Configurational Study on the Innovation of Knowledge Management Models from the Perspective of Human-Machine Collaboration: A Multilevel Analysis Based on Actor-Network Theory

Ma Lina, Feng Mengting

(School of Business and Management,Jilin University,Changchun 130012,China)

Abstract：With the in-depth development of globalization and digitalization, companies face increasingly complex and dynamic competitive environments. Knowledge, as the core resource of modern enterprises, has rendered the innovation of its management model crucial to sustainable development. Technological innovations not only greatly enhance the efficiency of knowledge acquisition, transformation, and application but also drive knowledge management toward intelligence, dynamism, and collaboration. As a result, how companies can drive the innovation of knowledge management models has become a pressing issue for both academia and industry. Existing literature mainly studies knowledge management model innovation from a linear perspective and case studies, but it fails to clarify the causal differences of multiple factors in the coordinated and unified process of achieving knowledge management model innovation, nor does it reveal the driving pathways of knowledge management model innovation. Therefore, exploring the antecedent variables and driving pathways of knowledge management model innovation is of practical value. This paper seeks to answer the following questions: How are the antecedent conditions of knowledge management model innovation interlinked? Which condition among the antecedent factors contributes the most to knowledge management model innovation?

This study adopts actor-network theory (ANT) to construct a research framework for knowledge management model innovation. Taking 202 valid questionnaire responses from high-tech enterprises as the research data, it employs fuzzy-set qualitative comparative analysis (fsQCA), importance-performance map analysis (IPMA), and artificial neural network (ANN) analysis to examine the impact of factors at different levels on enterprises' knowledge management model innovation and the configurational effects among these factors.The FsQCA identifies conditional combinations between variables and reveals different causal paths, making it suitable for exploring multiple causal relationships in complex systems. IPMA helps identify important influencing factors through visual means and quantitatively analyzes the actual performance of these factors. Through training on vast amounts of data, ANNs are capable of capturing non-linear relationships between variables, thereby enabling the prediction of future trends and outcomes.This combination not only enhances the depth of causal analysis, but also improves prediction accuracy, making it suitable for multidimensional research on complex systems.

The results of the study show that (1)a single condition cannot fully explain the driving mechanisms of knowledge management model innovation;(2) six antecedent conditions from the levels of technological actors, human actors, and coordinating actors have a synergistic impact on knowledge management model innovation,the paths leading to complementary high-level knowledge management model innovations can be categorized into three types: technology-coordination dual-core, human-machine synergistic interaction, and technology-led self-driven;(3) AI + knowledge application and the digital capabilities of organizational members can substitute for each other under certain conditions;(4) the key preconditions for knowledge management model innovation mainly lie at the technological actor level, with AI + knowledge transformation being the core condition for achieving high-level knowledge management model innovation.

The contributions of this study are as follows: First, compared to the previous method of linear path analysis, this study identifies multiple implementation paths for enterprises to achieve high-level knowledge management model innovation under different configuration conditions from a configuration perspective, revealing the driving mechanism of multi factor interaction coupling on knowledge management model innovation. Second, different from the TOE framework commonly used in configuration research, the introduction of ANT integrates technical actors, human actors, and collaborative actors into the same analysis network, with a network logic proposed for innovative construction of knowledge management models under human-machine collaboration, providing a new exploration path for the localized application of ANT in management contexts. Finally, this study proposes that technology actors, human actors, and collaborative actors jointly constitute the core driving force for knowledge management model innovation, and further analyzes the substitutability of technology actors and human actors in specific configurations, responding to the lack of in-depth exploration of human-machine collaboration in existing research.

Key Words：Knowledge Management Model Innovation; Artificial Intelligence; Actor Network Theory; fsQCA; Artificial Neural Networks

收稿日期：2025-04-29

修回日期：2025-07-15

基金项目：国家自然科学基金项目(SKZ2023135);吉林大学东北振兴发展专项(24dbzx07);吉林大学国家发展与安全研究专项(GAY2025ZXY10)

作者简介：马丽娜(1975-),女,吉林四平人,博士,吉林大学商学与管理学院副教授、博士生导师,研究方向为创新创业管理、战略管理、绿色创新与可持续发展;冯梦婷(2001-),女,山西临汾人,吉林大学商学与管理学院博士研究生,研究方向为知识管理、绿色创新与可持续发展。

通讯作者：冯梦婷。

DOI：10.6049/kjjbydc.D6202504014RJ

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.4

文献标识码：A

文章编号：1001-7348(2026)08-0138-12

0 引言

随着全球化和数字化的深入发展,企业面临愈加复杂和动态的竞争环境,知识作为现代企业的核心资源,其管理模式成为企业构建持续竞争优势的关键内容。传统的知识管理模式以集中化、工具化为主,难以满足当今快速变化的环境需求。随着人工智能、大数据等技术的广泛应用,知识获取、转化与应用方式发生根本性变革[1],推动知识管理迈向智能化、动态化和协同化。在此背景下,本文引入人机协同视角,强调在知识活动中人类与AI系统之间交互赋能、共同进化的关系,突破以往将技术视为外部变量的局限。该视角不仅聚焦技术能力提升,而且关注人与技术在知识创造过程中的融合和互动,从而为理解复杂知识系统中的协同机制提供新路径[1]。因此,如何推动企业知识管理模式创新成为学界和业界关注的重大问题。

知识管理是组织获取、整合、存储、共享和应用知识的系统活动,其目标是实现知识价值最大化,提升组织创新能力和竞争优势[2]。知识管理模式作为知识管理理论的重要组成,是指企业在特定组织架构、技术系统与战略目标下,系统实施知识活动的运行机制与结构配置[3]。早期研究从不同角度构建了多样化知识管理模式。例如从路径上,根据知识传播方式,可以划分为以标准化处理为主的编码化模式与基于经验交流的个性化模式[4];从过程结构上,有研究提出将知识管理划分为初始、扩展、整合与全面网络化4个阶段[5];从系统设计方面,知识管理模式被定义为以知识资产为核心,依照审查、概念化、反思与行动的顺序开展各项活动[6];国内研究则更注重组织环境因素与制度保障的作用,认为企业文化氛围、组织结构、技术工具等共同构成知识管理模式的内在支撑[7-8]。随着数智时代到来,组织亟需构建更加灵活的知识网络与智能技术支持体系,以重塑知识管理模式。现有文献多聚焦技术作用[9-10],较少探讨人工智能与组织成员间的交互逻辑,忽视了人机协同引发的知识管理范式演变。并且,现有研究仅从线性角度探讨企业知识管理模式创新的影响因素,未厘清多变量对知识管理模式创新的协同作用,具有一定局限性。此外,现有理论框架大多基于静态模型,未能充分考虑知识管理模式的动态变化[1,11]。随着技术不断发展和市场需求变化,知识管理模式应当具有更强适应性和灵活性,这在现有研究中尚未得到充分体现。因此,探讨知识管理模式创新的前因变量及其驱动路径具有现实价值。在此背景下,本文试图回答以下问题:知识管理模式创新的前因条件是如何联动的?哪些条件在驱动知识管理模式创新中具有关键性影响及其相对重要性。

行动者网络理论(ANT)为解决上述问题提供了独特的分析框架。根据ANT,知识管理模式创新并非单一因素作用的结果,而是人类行动者、技术行动者和协调性行动者相互作用与协同演化的结果[12]。人机协同作为这一过程的核心,在知识获取、转化和应用过程中交互融合,打破了传统的单向技术应用框架[13]。人类行动者不仅在知识创新中发挥重要的决策和创造性作用,而且通过与技术互动促进知识应用[14];技术行动者(尤其是AI)则通过强大的数据处理能力,极大提高知识管理效率[15];协调性行动者在这一过程中充当连接和整合角色,确保各方资源有效流动与协同。人机协同视角与ANT的结合,能够从动态网络中揭示前因条件之间复杂的交互作用以及其对知识管理模式创新的深层次影响。

综上,本文通过引入人机协同视角,借助ANT作为分析框架,探索智能化背景下企业如何通过技术行动者、人类行动者与协调性行动者之间的协同合作,创新知识管理模式。同时,为深入揭示多要素间的复杂因果关系与联动机制,本文利用模糊集定性比较分析(fsQCA)方法,从组态视角识别不同前因条件的驱动路径。在此基础上,结合重要性-绩效图分析(IPMA)与人工神经网络(ANN)方法,对前因变量重要性与预测能力进行量化评估和非线性建模,以增强研究结果稳健性与解释力。

1 理论基础与模型构建

1.1 行动者网络理论

行动者网络理论(ANT)认为,科学知识是通过多个异质行动者互动与建构而逐步形成的一个动态网络[12]。在这一框架下,行动者不仅包括传统的人类行动者(如个人、社会团体或组织),而且包括非人类行动者(如技术、文化或制度)[13]。根据ANT,人类和技术是知识生态系统中的两个主要行动者。人类知识、经验和判断力在创新中至关重要[14]。技术作为一种工具和资源,可以改变人类生产方式、组织形态和市场结构,从而促进创新和价值创造[15]。人与技术的交互融合是实现价值创造的关键。此外,协调性行动者通过连接和调节其他行动者之间的关系,确保不同资源和力量协同作用,从而推动创新和变革[13]。因此,知识管理模式创新并非由单一因素决定,而是通过这些行动者的复杂互动不断演化和更新。

本文采用ANT探索知识管理模式创新前因组态的主要原因如下:第一,区别于目前大多基于TOE框架的研究[16-17],ANT不仅关注静态条件,而且强调网络中行动者之间的动态协同关系。此外,与资源基础观将知识视为稀缺资源并强调资源拥有权不同,ANT关注资源之间的互动逻辑与转换路径,更适用于解释技术资源与组织能力如何协同驱动创新。第二,ANT强调的是动态网络中的关系,即各行动者通过不断的互动和协调,共同促进创新实现[13]。传统的因果模型过于简化,难以处理复杂的系统和多方互动。ANT则提供了一种网络视角,考虑了多方行动者之间的互动关系,能够揭示更为复杂和多样的因果链条。第三,ANT提出了“翻译过程”概念,用来描述行动者之间如何相互作用以调整目标和角色[12]。这个过程不仅是信息传递,更是一种再创造性过程。在这个过程中,前因因素的作用不仅取决于它们自身性质,而且取决于它们与其他行动者间的互动关系。因此,ANT能够深入描述和分析知识管理模式创新过程中各异质行动者之间的互动,揭示其如何通过协同作用和动态网络结构共同促进创新。

1.2 模型构建

根据ANT,本文从技术行动者、人类行动者和协调性行动者3个层面探讨企业选择知识管理模式创新的前因组态,构建理论模型如图1所示。

1.2.1 技术行动者

技术行动者选取主要基于行动者网络理论中的“非人类行动者具有能动性”观点[12],并结合经典的知识管理模型[18],划分为AI+知识获取、AI+知识转化、AI+知识应用3种。这一划分不仅体现了AI在知识生命周期中嵌入式执行能力的阶段性特征,也契合Leoni等[19]关于AI作为组织知识管理流程中主动参与者的研究结论,具有理论逻辑与现实适配性。

(1)AI+知识获取。知识获取是指从不同来源、环境或实践中收集、学习、提取和积累知识的过程,是知识管理的起点[18]。近年来,人工智能技术极大改变知识获取方式。AI通过大数据分析和自然语言处理,可以实现自动化信息采集和智能搜索。这些技术促使组织能够更快速地定位、整合并利用内外部数据资源[20]。在AI辅助下,知识图谱和语义搜索工具帮助企业建立动态知识库,能实时更新和扩展知识内容。因此,知识获取从人工驱动转向智能引导,显著提升知识整合效率和精准性。通过AI技术,知识管理模式也从传统静态存储转向动态流动和实时优化。

(2)AI+知识转化。知识转化是指将获取的知识进行加工、转换和再利用的过程,是实现知识创造与创新的核心环节[18]。一方面,AI可以通过机器学习与自然语言处理,帮助组织将隐性知识转化为显性知识。另一方面,生成式AI还可以将个体经验迅速结构化,并与组织其他成员共享[21]。AI技术将海量数据转化为可用信息,这对于知识管理过程至关重要。例如,深度学习模型能够对大数据进行聚合和分析,自动生成有价值的结论,从而在知识转化环节催生新模式[20];基于AI的知识图谱、语义网络等创新模式不断涌现,实现知识的智能整合与更新[21]。因此,AI技术重塑了知识转化的逻辑流程,促使组织内部的知识流动更加顺畅,并为知识管理模式智能化演进提供动力。

(3)AI+知识应用。知识应用是指将获取和转化的知识在实际环境中用于解决问题、支持决策或提升工作效率的过程。首先,AI驱动的知识检索系统可自动为员工推荐相关文档、专家和学习资源,加速知识传递和应用。其次,机器学习模型通过算法识别相关领域关键知识,为管理层提供预测分析和洞察,提升战略决策前瞻性[19]。此外,生成式AI以其强大的语言生成和模拟能力,为知识管理引入个性化知识应用体验[21]。这些功能融合,使知识管理模式从过去以信息存储为中心,转变为以知识流动和应用为导向,通过AI形成闭环循环,不断创新优化。因此,AI技术显著增强知识应用能力,推动知识管理模式向智能化、自动化方向迈进。

1.2.2 人类行动者

人类行动者选取主要基于行动者网络理论中对“具备意图与能动性”的个体参与者定义[14],同时,结合知识管理领域对认知能力在知识协同中核心作用的识别[19],本文将组织成员数字水平作为关键变量。一方面,数字素养是员工有效应用AI技术的前提;另一方面,高数字水平员工在提升人机协同效率和推动知识创新方面发挥显著作用。

组织成员数字水平,是指员工获取、理解、应用和创新信息技术以支持工作任务的能力。在知识经济时代,组织成员数字水平是高效创造、传播和共享知识的基础能力[19]。已有研究发现,高水平的数字技能不仅提高员工对新兴技术的接受度,而且增强他们对知识管理系统的理解和应用能力[22]。例如Sumbal等[23]的实证研究表明,拥有高水平数字能力有助于组织成员采用新兴技术以应对挑战。具备良好数字素养的员工,能够更高效地进行知识获取、整合与转化,从而显著提升知识管理模式创新水平。此外,员工的数字素养水平在跨文化沟通和创新思维方面同样重要[24]。这些能力有助于突破组织内部的信息壁垒,提高组织跨边界能力,为知识创新提供丰富的资源基础。

1.2.3 协调性行动者

协调性行动者作为非人类行动者的一类,其在行动者网络中承担整合、桥接与协同的中介功能[13]。基于此,本文选取组织边界跨越能力与知识管理战略作为协调性行动者的代表变量。其中,前者体现组织在知识流动中的开放性与整合能力[25];后者则作为制度性安排,引导技术与人力资源的协同方向(谢洪明等,2002)。

(1)组织边界跨越能力。组织边界跨越能力是指企业能够有效整合内部与外部知识资源,并打破部门和外部环境之间的壁垒[25]。在全球化和数字化背景下,企业边界变得更加模糊,跨界合作成为推动知识管理模式创新的重要因素。通过建立跨部门、跨行业的合作网络,企业能够实现知识的快速流动与创新。有效的组织边界跨越能力通常包括3个方面:吸收能力、网络能力和信息技术能力[26]。吸收能力使得企业能够识别和整合外部知识;网络能力则通过增强组织间合作关系,提高信息流通与知识共享效率;信息技术能力则通过促进信息系统互联互通,支持跨组织知识整合[26]。研究表明,特别是在知识密集型行业中,组织边界跨越能力能够显著提高企业创新能力[27]。

(2)知识管理战略。知识管理战略是指企业如何系统地规划、组织和实施知识管理活动(谢洪明等,2002)。知识管理战略可以分为积极战略和保守战略[28]。积极战略强调知识开放性和快速流动,侧重于灵活应对外部环境变化,通过整合内外部知识促进创新和差异化竞争,适用于快速变化和竞争激烈的行业。与之相对,保守战略倾向于强化和保护内部核心知识,更注重内部知识积累与保护,强调稳定性和效率,适用于反应滞后、知识创新需求较低的企业[28]。在知识管理模式创新中,知识管理战略发挥决策性作用。

2 研究设计

2.1 研究方法

本文采用 fsQCA 、IPMA和ANN方法探索影响知识管理模式创新的复杂因果机理。fsQCA通过识别变量间条件组合,揭示不同因果路径,适用于探索复杂系统中的多重因果关系;IPMA通过可视化手段帮助识别重要影响因素,并量化分析这些因素的实际作用;ANN通过对大量数据进行训练,能够在揭示变量之间非线性关系的同时,预测未来趋势和结果。这种组合不仅提升因果分析深度,而且增强预测精度,适用于复杂系统的多维度研究。

2.2 问卷设计与变量测量

2.2.1 问卷设计

本研究通过问卷调查验证理论模型,并遵循一系列步骤构建测量量表。首先,确保测量量表内容有效性,即检验问卷题项是否充分代表研究现象。在文献回顾基础上,参考已有成熟量表,形成初步问卷。其次,邀请3位知识管理领域学者对问卷初稿进行评审和修改,依据其反馈形成第二版问卷。最后,邀请两位相关专业的博士研究生和3位MBA学生参与预测试,以澄清问卷中的一些问题与项目。预测试的反馈主要集中在问卷陈述和整体结构,相关修改纳入最终版本。此外,通过在问卷中设置两道反向题项,检验回答一致性与认真程度。研究中的主要变量采用5点Likert量表进行测量(1=非常不同意,5=非常同意)。

2.2.2 变量测量

结果变量:知识管理模式创新。由于知识管理模式创新尚无成熟量表可供使用,本文在正式进行量表编制前,先对知识管理模式创新进行量表开发与验证。根据杨楠[29]、王双[3]的前期研究,编制知识管理模式创新量表,从联盟创新、组织结构创新、团队学习创新和组织情境创新4个维度共21个题项测量。其中,联盟创新包括“知识资源保障”“外部知识供需”“知识结构完善”“合作效率”“知识共享”“知识流动能力”6个题项;组织结构创新包括“结构灵活性”“跨部门协作能力”“知识管理流程优化”“战略协同能力”“资源配置能力”5个题项;团队学习创新包括“学习机制创新”“创新思维培育”“创意激发激励”“创新能力提升”4个题项;组织情景包括“文化氛围创新”“资源投入创新”“制度设计创新”“外部联结创新”“组织数字化成熟度”“组织变革适应能力”6个题项。

前因变量:AI+知识获取、AI+知识转化、AI+知识应用、组织边界跨越能力、组织成员数字水平和知识管理战略。这些项目均来自成熟量表。基于Gold等[11]的研究,结合人机融合特点,分别构建涵盖4个题项的AI+知识获取测量量表、涵盖5个题项的AI+知识转化测量量表和涵盖5个题项的AI+知识应用测量量表;基于Chowdhury等[24]开发的量表,构建包含4个题项的组织成员数字水平测量量表;基于Ritter&Gemünden[30]、刘鹏程等[26]开发的量表,构建涵盖4个题项的组织边界跨越能力测量量表;基于Hatch[31]、谢洪明(2002)的研究,构建包含4个题项的知识管理战略测量量表,具体见表1。

2.3 样本选择与数据收集

本文选择高新技术企业作为研究样本,具体原因如下:第一,高新技术企业通常以技术创新为核心竞争力,知识管理对其发展至关重要。第二,在应用人工智能、大数据等新兴技术的背景下,高新技术企业面临更复杂的知识管理挑战,同时,也为人机融合智能技术应用提供了独特机遇。第三,高新技术企业处于行业前沿,具有较强创新性,其知识管理模式和策略往往代表未来发展趋势,能够为其他行业提供借鉴和参考。 在正式数据收集过程中,问卷发放通过如下途径:一是见数网站付费发放,样本筛选依据国家统计局《高新技术企业认定管理办法》所列高新技术领域(如人工智能、信息技术、生物医药、新材料、航空航天等),确保调查对象具备代表性与针对性。二是借助校友资源,定向向华为、海尔等知名高新技术企业的技术负责人及中高层管理人员发放问卷,确保样本具有代表性和实践相关性。为保证问卷填写质量和数据效度,本文在问卷设计和数据收集中采取多重控制措施。首先,在问卷中设置两道反向题项,用以检测被试者回答的一致性和认真程度。其次,利用监测机制,剔除作答时间过短或存在明显异常的问卷样本。最后,通过逻辑一致性检验,人工删除选项高度同质化或存在内部逻辑矛盾的问卷。此外,为降低共同方法偏差,问卷分两期进行回收(第一期是2024年10月10日至11月10日,第二期是从2024年12月18日至2025年1月20日),并使用第三方平台筛选具备高新技术企业从业背景的受访者,以确保样本代表性与针对性。通过上述方式,有效提升数据信度与效度,为后续实证分析提供了坚实基础。本研究最终获得202份有效问卷,代表67.33%的响应率。整体而言,样本具有多样性、代表性和说服力,样本具体特征见表2。

2.4 信度和效度检验

采用借助SPSS 27.0软件对模型信度、收敛效度和判别效度进行评估。如表3 所示,Cronbach's α和组合信度(CR)均大于0.7,AVE值均大于0.5,表示模型信度较好;因子载荷均大于0.6,表明收敛效度可以接受。表4展示区分效度检验结果,所有AVE 值的平方根都大于相应构念与其他潜在构念之间的相关系数,所有HTMT值都低于阈值0.85,表明模型具有良好的区分效度。

2.5 变量校准

本文借鉴主流QCA研究方法,采用直接校准法,并将结果变量与条件变量的90%、50%与10%分位数分别设定为完全隶属、交叉点和完全不隶属的定性锚点(张明等,2020)。同时,为了避免样本缺失,对分数为0.5的样本增加0.001[32],以便后续更好地分析。各变量校准锚点如表5所示。

3 数据分析和实证结果

3.1 单个条件必要性分析

进行条件组态分析前,首先需要评估单个前因条件的必要性,以独立方式进行,找出影响结果发生的必要条件。其次,对于不足以成为必要条件的因素进一步开展充分条件探讨。在必要条件分析中,通常采用一致性水平判别前因条件是否构成结果变量的充分或必要条件。当一致性水平大于或等于0.9时,可认定必要条件存在;反之,则不存在。本文采用fsQCA3.0软件对高新技术企业知识管理模式创新的必要条件进行分析,结果如表6所示。可以发现,所有前因条件的一致性均低于0.9,表明任何单一的前因条件均不能成为产生高或非高知识管理模式创新的必要条件。

3.2 条件组态充分性分析

条件组态充分性分析是得到研究结论的一个核心步骤,主要目的是分析由不同前因条件构成的组态对结果存在是否充分。考虑到矛盾组态的影响,参照以往研究,将原始一致性阈值设为0.8,PRI一致性阈值设为0.7,案例的频数阈值设为1[33]。关于反事实分析,因为前因条件中不存在必要条件,故不预先设定前因条件“缺乏或存在”状态。通过对中间解、简约解之间嵌套关系的比较,可以识别每条路径的核心条件与边缘条件,从而深入了解影响知识管理模式创新的关键因素。6个前因条件形成的组态结果见表7。

3.2.1 高知识管理模式创新组态分析

(1)技术-协调双核型。该模式由技术行动者与协调性行动者主导,S1a、S1b体现出企业可以通过高效的知识转化、强大的组织跨边界能力以及积极的战略规划,实现高知识管理模式创新。其中,知识转化效率提升有助于隐性知识快速显性化;跨边界能力有助于拓展知识交流范围,推动外部知识整合;战略规划有助于保障知识积累与落地。三者协同构建稳定高效的知识网络,实现模式持续优化。因此,本文将该模式命名为“技术-协调双核型”。例如,华为的云知识管理平台通过引入AI自动化知识采集、加工和推理,大幅提高知识转化效率。此外,华为高度重视生态建设,与超过2 000家全球伙伴联合创新,开放知识资产接口,跨组织共享关键经验与最佳实践。与此同时,华为还制定了积极的知识管理战略,如通过建立国际化知识共享平台,促进全球员工之间的知识交流和协作。

(2)人机协同交互型。该模式由技术行动者、人类行动者和协调性行动者共同驱动,构建出动态协同的知识网络。S2强调企业可以通过高效的知识获取、知识转化,培养组织成员数字素养水平以及实施积极的战略规划,实现高知识管理模式创新。这是因为AI技术在知识获取与转化中发挥关键作用,为人机间的知识流通提供基础;组织成员的数字素养有助于增强技术工具的适配性与操作性;知识管理战略则能够整合资源配置,保障人机协同有效运行。因此,本文将这一模式命名为“人机协同交互型”。例如,字节跳动公司利用 AI 算法获取海量用户数据和知识,并通过 AI 技术进行深度分析和转化,为用户提供个性化内容服务。同时,高度重视员工数字素养,通过定期培训和开发,确保员工能够掌握最新技术工具并应用于实际工作。此外,字节跳动公司通过知识社区和培训体系,加速知识流通和转化。这些因素共同作用,促使字节跳动公司在知识管理模式上不断创新,成为行业内领头羊。

(3)技术主导自驱型。该模式以技术行动者为核心,构建高度自动化、闭环运行的知识管理模式。S3强调企业可以通过高效的知识获取、知识转化、知识应用,实现高知识管理模式创新。AI技术贯通知识获取、转化与应用,具备自主学习与迭代优化能力,实现技术内部的自驱闭环。这种模式强调非人类行动者的能动性,人类与协调性行动者的参与被最小化,技术行动者成为知识管理模式创新的主力军。因此,本文将这一模式命名为“技术主导自驱型”。例如,海尔在COSMOPlat平台上,通过智能感知设备采集注塑机运行数据,由AI大模型抽取关键信息并构建知识图谱,完成知识转化。随后,AI根据实时环境推送最优工艺方案,实现知识应用。系统还能通过反馈持续优化知识图谱,推动知识自我进化。海尔通过这一实践,实现了AI在知识获取、转化和应用环节的高效联动,让知识管理模式进入智能自驱的新阶段。具体结果如表8所示。

3.2.2 非高知识管理模式创新组态分析

此路径呈现出技术行动者、人类行动者、协调性行动者3个层面的因素缺失。L1、L2、L3这3条路径表明当组织缺少AI+知识获取、AI+知识转化和AI+知识应用能力,组织成员数字素养水平较低,组织实施保守的知识管理战略时,无法产生高水平知识管理模式创新。因此,本文将其命名为行动者角色失配型。例如2008年面对互联网浪潮,中国电信在知识管理上举步维艰,知识获取与转化机制缺乏,无法支撑知识的智能化应用,导致AI工具形同摆设,并且员工对数字工具不熟悉,知识分享流于形式。更关键的是,企业推行的是以稳为主的知识管理战略,强调控制多于创新。在这种环境下,知识成为“沉睡资产”,组织难以激发创新动能。几年间,中国电信逐步落后于更具知识活力的竞争对手,错失先机。直到2015年后,才通过成立天翼云、加大AI与大数据投入,进行深度改革,逐步走出困境。

3.2.3 条件间的潜在替代关系

对比组态S1a和组态S1b发现,在实现高水平知识管理模式创新过程中,AI+知识应用和组织成员数字水平在一定条件下可以相互替代,见图2。这说明AI 技术水平和组织成员数字水平之间需要达到一定平衡。如果 AI 技术过于落后,无法实现知识应用,那么组织成员数字水平提升就成为关键;反之,如果组织成员数字水平普遍较低,难以适应知识管理模式创新要求,就要加大 AI 技术投入,以 AI+知识应用推动知识管理模式创新。从技术行动者层面看,如果企业战略侧重于技术驱动的创新,那么会倾向投入更多资源发展 AI+知识应用; 从人类行动者视角看,如果企业注重人才培养和员工能力提升,就会加大组织成员数字水平培养。

3.3 稳健性检验

本文采用改变校准锚点和提高案例阈值方法进行稳健性检验,见表9。首先,改变校准锚点,将变量对应的完全隶属、交叉点和完全不隶属3个校准点阈值,从0.90、0.5、0.10变为0.75、0.50、0.25,重新校准[32]并进行分析。其次,将案例频数阈值由1提高至2[33],发现总体解的一致性有所提升,总体解的覆盖率略有下降。经过对比原始结果和稳健性检验结果发现,改变校准锚点和提高案例阈值后的组态均与原始组态存在明显的子集关系,原始结果的4种组态仍然得到支持,进一步证实研究结论稳健。

3.4 重要性-绩效图分析

为进一步识别知识管理模式创新的关键提升方向,本文运用重要性-绩效图(IPMA)对6个前因变量进行比较分析[34]。结果显示,知识转化能力在重要性维度上最为突出,但绩效表现尚未达到最佳水平,是当前最需重点优化的关键环节。知识获取能力与组织边界跨越能力同样具有较高重要性,但在实际推进中存在落地难、集成弱等问题,表明企业在知识引入与跨域协同方面仍有改进空间。知识管理战略与知识应用能力处于中等区位,说明相关制度建设与技术部署已具一定基础,但需在协同机制和应用场景上持续优化。值得关注的是,组织成员的数字能力虽然对创新的边际影响较小,但表现稳定,为其他变量提升提供了良好支撑条件。综上,IPMA结果不仅揭示知识管理模式创新的结构性瓶颈,而且明确了优化路径,即企业应聚焦高重要性低绩效的核心变量,推动从转化到应用的能力贯通,强化外部吸收与战略选择,同时,发挥组织成员数字水平的支撑作用,促进多元协同驱动的知识管理模式创新。

3.5 人工神经网络分析(ANN)

本文将6个前因变量作为输入层特征变量,结果变量知识管理模式创新作为输出节点,采用多层感知机(MLP)设计一个含有两个隐藏层的人工神经网络模型,隐藏层是自动生成的,并在隐藏层和输出层中策略性使用Sigmoid激活函数[35],如图3所示。

根据Leong 等[36]提出的方法,将k-fold交叉验证合并为十倍以避免过度拟合,将90%的数据用于模型训练,10%用于测试。由表10可知,所有模型在训练集与测试集上均表现出较低的SSE和RMSE值,平均RMSE值在0.130～0.148之间,数值越小表明该模型预测精度越高。此外,使用公式计算拟合优度,以评估人工神经网络模型预测能力[36]。结果显示,82.9%的知识管理模式创新是由人工神经网络模型预测的,这表明其为知识管理模式创新提供了更有效的解释。

ANN模型的敏感性分析结果如表11所示,基于百分比的重要性对标准化的相对重要性进行排名。分析结果表明,在影响知识管理模式创新的诸多因素中,AI+知识转化能力最为关键,对输出变量的重要性最高,组织成员数字水平的影响最低。整体来看,各输入变量的标准化相对重要性分布较为均衡,表明知识管理模式创新受多种因素的综合作用。值得注意的是,ANN研究结果与IPMA研究结果非常接近。

4 研究结果与讨论

4.1 研究结论

(1)不存在影响知识管理模式创新的必要条件,任何单一条件均无法解释知识管理模式创新驱动机制。技术行动者、人类行动者与协调性行动者之间的协同作用是推动知识管理模式创新的关键动力。

(2)存在3种高知识管理模式创新的组态路径,即技术-协调双核型、人机协同交互型、技术主导自驱型。不同前因条件协同作用,共同引致高水平知识管理模式创新。

(3)通过对比组态S1a和组态S1b,可知AI+知识应用与组织成员数字水平在一定条件下可形成替代关系,体现出人机资源配置的灵活性。

(4)根据IPMA、ANN分析结果以及横向对比实现高知识管理模式创新的组态,发现实现高知识管理模式创新的关键前因条件主要集中在技术行动者层面。其中,AI+知识转化最为核心,对知识管理模式创新的重要性最高。

4.2 理论贡献

(1)相较于以往多采用线性路径分析方法,本文从组态视角出发,识别出不同配置条件下企业实现高水平知识管理模式创新的多条路径,揭示了多因素交互耦合对知识管理模式创新的驱动机制[3,7],丰富了该领域解释逻辑与相关研究。

(2)现有组态研究多基于TOE、RBV等静态结构模型,难以揭示前因变量间的复杂动态关系[16-17]。本文通过引入ANT,将技术行动者、人类行动者与协同性行动者纳入同一分析网络,提出人机协同下知识管理模式创新构建的网络逻辑,为ANT在管理情境中的本土化运用提供探索新路径。

(3)本文提出技术行动者、人类行动者、协同性行动者三者共同构成知识管理模式创新的核心动力源[12-13],并且进一步分析了技术行动者与人类行动者在具体组态中的可替代性,回应了现有研究中对人机协同作用缺乏深入探讨的问题,为相关研究提供了更具解释力的分析视角。

4.3 实践启示

(1)企业应根据自身发展阶段与战略定位,选择适配的知识管理模式创新路径。从行动者网络视角看,知识管理模式演化依赖于人类、技术与制度3类异质行动者的协同联动。例如,当企业的技术行动者与协调性行动者较为成熟时,可优先构建技术-协调双核型路径;若强调人类行动者与技术行动者之间的交互关系,则应推动人机协同交互型模式的落地;在具备高水平AI集成能力的场景下,可探索技术主导自驱型路径,以技术行动者为网络主导。

(2)企业应重点强化AI在知识转化环节的作用,提升技术行动者在知识网络中的连接性与能动性。基于行动者网络理论,技术行动者并非只是信息工具,而是推动知识在组织内充分流动的重要参与者。企业可从实际出发,引入AI工具辅助完成知识提取、归类、重组与共享。例如利用知识图谱统一术语口径、用智能推荐系统辅助员工理解经验案例,从而让AI真正嵌入员工工作流程。通过这种方式,技术行动者与人类行动者之间形成高频互动,实现从知识生产到价值转化的闭环,显著提升知识转化效率和组织响应速度。

(3)在人机资源配置有限的情境下,应注重不同类型行动者之间的替代与互补关系。例如,在员工数字素养不足的情况下,可通过增强AI系统的智能适应能力弥补人类行动者的短板;反之,则应通过培训提高员工在网络中的操作能力和认知能动性,以增强其与技术协同的适配性。

(4)企业应通过制度设计和资源配置机制,强化人机协同过程中的协调支持。具体而言,一方面可通过制定明确的知识管理战略,为技术工具引入与员工参与提供方向性指引;另一方面,应搭建跨部门或跨组织的知识交流平台,如内部知识共享社区、专家协同机制或AI辅助的知识门户,打通信息壁垒。基于行动者网络理论,协调性行动者建设不仅有助于发挥连接人类与技术行动者的桥梁作用,而且有助于稳定知识管理网络结构,提升不同角色之间的协同效率。

4.4 研究不足与展望

本文尚存在以下不足:第一,仅选取基于技术行动者、人类行动者、协调性行动者3个层面的6个前因条件解释驱动企业知识管理模式创新的组态路径,未来可利用扎根理论或从其他理论视角探讨更多因素的影响。第二,案例样本仅局限于高新技术企业,未来可以扩展到其他行业,如医疗、零售等其他类型企业。第三,本文使用截面数据进行研究,缺少对知识管理模式创新的长期跟踪,未来可采用纵向数据,进一步深化对知识管理模式创新的研究。

参考文献：

[1] SANTORO G,VRONTIS D,THRASSOU A,et al. The Internet of Things: building a knowledge management system for open innovation and knowledge management capacity[J].Technological Forecasting and Social Change,2018,136:347-354.

[2] DU PLESSIS M. Knowledge management: what makes complex implementations successful [J].Journal of Knowledge Management,2007,11(2):91-101.

[3] 王双. 创新驱动背景下高新技术企业知识管理模式评价体系研究[J].理论学刊,2018,35(4):47-54.

[4] DINGSØYR T. Knowledge management in medium-sized software consulting companies[J].Empirical Software Engineering,2002,7(4):383-386.

[5] LEE J-H,KIM Y-G. A stage model of organizational knowledge management: a latent content analysis[J].Expert Systems with Applications,2001,20(4):299-311.

[6] WIIG K M,DE HOOG R,VAN DER SPEK R. Supporting knowledge management: a selection of methods and techniques[J].Expert Systems with Applications,1997,13(1):15-27.

[7] 喻登科,陈淑婷.信息技术与企业绩效:知识管理能力与商业模式创新的链式中介作用[J].科技进步与对策, 2024,41(8):117-128.

[8] 姚伟,龚明雪,周鹏,等.从知识经济时代到智慧经济时代:聚焦新的知识管理研究框[J].科技进步与对策,2025,42(3):118-129.

[9] 张省,周燕. 人工智能环境下知识管理模式构建[J].情报理论与实践,2019,42(10):57-62.

[10] 欧阳智,魏琴,肖旭. 人工智能环境下的知识管理:变革发展与系统框架[J].图书与情报,2017,38(6):104-111,132.

[11] GOLD A H,MALHOTRA A,SEGARS A H. Knowledge management: an organizational capabilities perspective[J].Journal of Management Information Systems,2001,18(1):185-214.

[12] KARIN CETINA.Advances in social theory and methodology:toward an integration of micro-and macro-sociologies[M].London:Rourledge,1981.

[13] SAYES E. Actor-Network Theory and methodology:just what does it mean to say that nonhumans have agency[J].Social Studies of Science,2014,44(1):134-149.

[14] LUGOSI P. The value creation cycle of peer review[J].Annals of Tourism Research,2021,86(C):103092.

[15] ADNER R,KAPOOR R. Value creation in innovation ecosystems: how the structure of technological interdependence affects firm performance in new technology generations[J].Strategic Management Journal,2010,31(3):306-333.

[16] 张玉蓉. TOE组态视角下标准必要专利诉讼风险研究[J].科技进步与对策,2024,41(4):131-140.

[17] 冯立杰,李燕燕,王金凤,等. 组态视角下后发企业颠覆式创新驱动模式研究[J].科技进步与对策,2024,41(10):89-98.

[18] ALAVI M,LEIDNER D E. Knowledge management and knowledge management systems: conceptual foundations and research issues[J].MIS Quarterly,2001,43:107-136.

[19] LEONI L,GUELI G,ARDOLINO M,et al. AI-empowered KM processes for decision-making: empirical evidence from worldwide organisations[J].Journal of Knowledge Management,2024,28(11):320-347.

[20] LEONI L, GUELI G, ARDOLINO M, et al. AI-empowered KM processes for decision-making: empirical evidence from worldwide organisations[J].Journal of Knowledge Management, 2024,28(11):320-347.

[21] 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.

[22] SHATILA K,ARNEGA A Y,SOGA L R,et al. Digital literacy, digital accessibility, human capital, and entrepreneurial resilience: a case for dynamic business ecosystems[J].Journal of Innovation &Knowledge,2025,10(3):100709.

[23] SUMBAL M S,TARIQ A,AMBER Q,et al. Tech revolution unleashed:navigating the winds of digital transformation in the fast lane[J].Journal of Innovation &Knowledge,2024,9(4):100551.

[24] CHOWDHURY S,BUDHWAR P,DEY P K,et al. AI-employee collaboration and business performance: integrating knowledge-based view, socio-technical systems and organisational socialisation framework[J].Journal of Business Research,2022,144:31-49.

[25] ANCONA D G,CALDWELL D F. Bridging the boundary: external activity and performance in organizational teams[J].Administrative Science Quarterly,1992,56:634-665.

[26] 刘鹏程,孙新波,张大鹏,等. 组织边界跨越能力对开放式服务创新的影响研究[J].科学学与科学技术管理,2016,37(11):136-151.

[27] VON NORDENFLYCHT A. What is a professional service firm? toward a theory and taxonomy of knowledge-intensive firms[J].Academy of Management Review,2010,35(1):155-174.

[28] ZACK M H. Managing codified knowledge[J].Sloan Management Review,1999,40(4):45-46.

[29] 杨楠. 我国高新技术企业知识管理绩效评价研究[J].科学管理研究,2011,29(4):79-83.

[30] RITTER T,GEMÜNDEN H G. Network competence:its impact on innovation success and its antecedents[J].Journal of Business Research,2003,56(9):745-755.

[31] HATCH M J. The dynamics of organizational culture[J].Academy of Management Review,1993,18(4):657-693.

[32] 李大元,刘晓亮,刘浏,等. 元宇宙企业高质量发展的多元组态路径——基于TOE框架[J].外国经济与管理,2023,45(7):3-17.

[33] 杜运周,刘秋辰,陈凯薇,等. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J].管理世界,2022,38(9):127-145.

[34] NGO V M,NGUYEN H H,PHAM H C,et al. Digital supply chain transformation:effect of firm's knowledge creation capabilities under COVID-19 supply chain disruption risk[J].Operations Management Research,2023,16(2):1003-1018.

[35] OOI K-B,LEE V-H,TAN G W-H,et al. Cloud computing in manufacturing: the next industrial revolution in Malaysia[J].Expert Systems with Applications,2018,93:376-394.

[36] LEONG L-Y,HEW T-S,OOI K-B,et al. A hybrid SEM-neural network analysis of social media addiction[J].Expert Systems with Applications,2019,133:296-316.

(责任编辑：胡俊健)