本研究由Jiaqi Yang（澳大利亚麦考瑞大学麦考瑞商学院）、Yvette Blount（澳大利亚迪肯大学）和Alireza Amrollahi（澳大利亚麦考瑞大学麦考瑞商学院）共同完成。研究论文《Artificial intelligence adoption in a professional service industry: A multiple case study》发表于学术期刊《Technological Forecasting & Social Change》第201卷（2024年），文章编号123251。

学术背景
本研究聚焦于人工智能在专业服务行业中的采纳问题，核心科学领域属于信息系统管理与技术创新采纳研究。随着人工智能技术对各行各业的革命性影响日益加深，高度依赖知识、定制化服务和专业人才的专业服务行业（如会计、法律、医疗）正面临深刻的变革。尽管现有文献广泛探讨了AI在公共部门、制造业、中小企业等领域的采纳，但针对专业服务行业这一独特领域的研究相对缺乏。专业服务行业具有知识密集、高度定制化、客户深度互动和严格的监管环境等特点，使得通用领域的AI采纳研究发现难以直接适用。同时，现有研究大多隐含了一个假设，即AI采纳的决定因素在不同规模的企业中是相同的，这忽视了企业规模可能带来的关键差异。有鉴于此，本研究旨在深入探索影响专业服务公司采纳AI的因素，特别关注不同规模企业之间是否存在显著差异。研究的核心目标是回答：“影响专业服务公司采纳人工智能的因素有哪些？”为此，研究以技术-组织-环境（TOE, Technological-Organizational-Environmental）框架作为理论基础，该框架为从技术、组织和环境三个维度全面理解技术采纳提供了一个灵活且全面的视角。

详细工作流程
本研究采用定性研究中的多案例研究方法，旨在深度探索AI采纳这一新兴且复杂现象的“如何”与“为何”。整个工作流程包括案例选择、数据收集和数据分析三大环节。

1. 案例选择与描述：
研究者选择澳大利亚审计行业作为研究情境，因为该行业集中体现了专业服务行业的知识密集性、定制化和客户互动等特点，且其服务在全球范围内相对一致，便于研究发现的外推。研究采用理论复现逻辑，旨在通过对比不同规模的案例来深化理解。具体选择标准是：公司必须已经采纳了AI工具，且分属大、中、小三个不同规模层级。最终，研究纳入了三家审计公司：一家“四大”国际事务所（化名Big）、一家第二梯队事务所（化名Mid）和一家本地小型精品事务所（化名Sml）。三家公司的基本情况与AI采纳状态形成了鲜明对比：Big公司（年收入超过25亿澳元，近700名合伙人）自2017年开始采纳AI，采用内部开发为主、结合技术共享和合作伙伴的模式，AI功能涵盖从光学字符识别到机器学习和自然语言处理的广泛范围，并深度集成到一个宏大的审计平台中。Mid公司（年收入超过3亿澳元，近200名合伙人）于2017年通过合作伙伴关系引入AI，2021年进行全公司试点，其AI功能中等，主要依赖网络内技术共享和外部合作，部分集成到其审计平台。Sml公司（5名合伙人，16名员工）在2018年首次尝试采纳AI但一年后中止，2021年重新考虑采用新功能，其AI功能最为基础，主要依靠现成的独立应用程序，聚焦于交易扫描等有限任务。

2. 数据收集：
主要数据来源是对三家案例公司关键知情人的半结构化访谈，辅以大量二手文件进行三角验证。研究者在2021年4月至7月期间，对来自三家公司共13名受访者进行了访谈，受访者均为领导、参与或影响AI采纳决策，并对AI应用有深入了解的人员（如合伙人、首席技术官、数据科学家、高级经理等）。访谈平均时长约49分钟，转录文本总计超过65，000词。访谈提纲基于TOE框架设计，包含23个开放性问题，涵盖技术特性、组织准备、环境压力等主题。此外，研究者还收集了公司的年度报告、透明度报告、官网文章、供应商信息等二手文件。为了增强研究发现的深度和信度，研究者还补充了对两名非案例公司审计专业人士的访谈，并分析了十段相关的专业播客内容，以提供更广泛的情境验证。

3. 数据分析：
数据分析严格遵循Gioia等人提出的定性数据分析方法，这是一个系统化、可追溯的编码过程，旨在从原始数据中提炼出概念和理论。分析过程与数据收集同步迭代进行。首先，研究者对访谈和文档数据进行逐行编码，初步生成了60个代码。通过不断比较和合并，将其提炼为20个一阶概念（First-order Concepts），这些概念直接反映了受访者的原始表述，例如“将AI作为营销工具”、“黑箱问题带来的信任挑战”、“缺乏数据基础设施”等。接着，研究者寻找一阶概念之间的模式和联系，将其归纳、聚合为6个二阶主题（Second-order Themes）：技术赋能、技术约束、创新管理、AI就绪度、监管环境、竞争环境。最后，这6个主题被归纳到TOE框架的三个聚合维度（Aggregate Dimensions）之下：技术维度（包含技术赋能、技术约束）、组织维度（包含创新管理、AI就绪度）、环境维度（包含监管环境、竞争环境）。整个编码方案和数据结构经由所有三位作者共同检查并达成一致，以确保分析的严谨性。

主要研究结果
研究发现，尽管三家公司在AI采纳中都受到上述六个共同因素的影响，但这些因素的具体内涵和影响程度因公司规模差异而显著不同。

1. 技术维度结果：

• 技术赋能： 所有公司都认识到AI能带来竞争优势，但感知的重点不同。大型公司（Big）和中型公司（Mid）主要将AI视为提升审计质量、客户体验和运营效率的运营赋能工具，这与它们面临严格监管和追求服务品质的战略目标一致。而小型公司（Sml）则主要将AI视为建立创新形象、吸引和保留客户的营销赋能工具，这源于其面临高客户流失率和激烈竞争的市场环境。
• 技术约束： AI技术本身带来的挑战也制约了采纳。主要约束包括：黑箱问题（AI决策过程不透明，影响审计师的信任和使用）；数据偏见（训练数据或开发过程中引入的偏见，影响判断质量）；系统兼容性（AI工具与客户现有会计系统不兼容，导致高昂的数据转换成本）。大型公司凭借内部的开发能力和数据专家资源，能够在一定程度上管理这些约束（如通过算法设计缓解黑箱问题）。中型公司通过其质量管控团队来管理相关风险，但过程可能放缓。小型公司由于资源有限，完全依赖供应商，在遇到严重的兼容性问题时无力解决，这直接导致了其早期AI项目的失败。

2. 组织维度结果：

• 创新管理： 公司管理创新的方式影响了AI采纳的路径。Big公司既有鼓励创新的政策（如“公民主导创新”），激励基层员工参与，也有严格的质量控制政策；其“连接主体”（Linking Agents）多样，包括高级合伙人、内部开发团队等。这促进了广泛而深入的采纳。Mid公司缺乏明确的创新激励政策，采纳主要由中心推动；其连接主体为指定的合伙人和董事。Sml公司则完全没有正式的创新或质量政策，采纳完全由高级管理层的个人理念驱动，连接主体单一（即管理合伙人）。这使得其采纳决策快速但也容易因挫折而中止。
• AI就绪度： 公司在财务资源、管理层AI素养、员工数字技能和数据基础设施方面的准备度差异巨大。Big公司财力雄厚，采取内部开发策略，拥有强大的数据基础设施，但面临高级管理层AI知识不足和审计师数字技能需提升的挑战。Mid公司财力中等，采取合作伙伴策略，数据基础设施尚可，同样面临管理层AI素养问题。Sml公司资源有限，只能选择现成软件，且严重缺乏标准化的数据基础设施，这成为其采纳的主要瓶颈。

3. 环境维度结果：

• 监管环境： 现行的审计准则对AI应用保持中立，既未明确鼓励也未禁止。然而，这种“中立性”对不同公司的影响各异。计划进行大规模、深度AI采纳的Big公司对此最为担忧，认为准则缺乏明确指引构成了采纳障碍。计划采纳范围较小的Mid公司对此有中等程度的担忧，部分管理者认为原则性的准则反而提供了灵活性。而Sml公司则认为监管环境的影响微乎其微。这表明，监管的影响程度与公司计划的AI采纳规模正相关。
• 竞争环境： 竞争压力对AI采纳的驱动作用因公司而异。在Sml公司所处的市场（AI渗透率低），竞争激烈且客户流失率高，采纳AI主要是为了差异化竞争，获取营销优势。在Mid公司所处的市场（中等AI渗透率），竞争主要体现在审计定价上，采纳AI主要为了提升效率以应对价格压力。而在Big公司所处的市场（AI渗透率高），主要竞争对手均已广泛采纳AI，因此竞争并非其采纳的主要驱动力；其采纳更多是为了回应监管机构对审计质量的关切和提升服务本身，此时AI已无法作为有效的营销卖点。

研究结论与价值
本研究得出结论，影响专业服务公司采纳AI的六个TOE因素并非一成不变，而是随着企业规模的变化而产生系统性差异。研究揭示了企业规模是一个根本性的权变因素，它通过影响公司的AI就绪度、所处的竞争环境（AI渗透率），进而塑造了公司对AI赋能和约束的感知，并调节了监管和竞争环境的影响。具体而言：1）小型公司通常处于AI渗透率较低的环境，更看重AI的营销赋能，采纳规模和深度较浅；而大型公司处于AI渗透率较高的环境，更看重运营赋能，采纳更深入广泛。2）大型公司因计划大规模采纳，更易将中立的监管环境视为障碍；小型公司则不然。3）AI技术约束对所有公司都有抑制作用，但由于小型公司AI就绪度更低，其受到的负面影响更为严重。4）大型公司的创新管理方法通常更全面（政策完善、连接主体多样），这更有利于AI采纳。

本研究的理论贡献主要有两点：首先，强调了企业规模在技术采纳研究中的关键作用，挑战了“一刀切”的采纳模型，指出必须考虑规模差异如何导致内外部情境因素的变异，这有助于调和现有文献中的矛盾发现。其次，将“赋能/约束”视角整合到TOE框架中，提供了一个更丰富的社会技术分析透镜，指出企业不仅评估技术本身的优劣，更评估技术特性与其战略目标的匹配程度，以及技术应用如何可能阻碍其目标实现。

研究的实践价值在于为各类专业服务公司（可推广至法律、医疗等领域）提供了评估自身AI采纳前景和路径的路线图。公司应首先评估所处竞争环境的AI渗透率，以确定采纳的战略重点（是差异化营销还是深度运营整合）。其次，需将AI潜力与公司战略目标（提升效率还是变革质量）对齐。最后，必须全面评估自身的AI就绪度，包括财务资源、领导层AI素养、员工数字技能、数据基础设施和创新管理机制，以确保采纳过程顺利。

研究亮点
本研究的亮点在于：第一，研究对象的特殊性，首次在专业服务行业背景下，系统比较了不同规模企业在AI采纳上的差异，填补了文献空白。第二，研究方法的严谨性，采用基于理论复现逻辑的多案例研究设计，结合深度访谈、多种二手资料和外部验证，运用Gioia方法进行系统化的质性数据分析，保证了研究的深度与信度。第三，理论整合的创新性，成功地将“技术赋能与约束”这一强调行动者与技术互构的社会技术视角，融入经典的TOE结构框架，提出了一个更动态、更贴合AI技术特性的分析框架，对后续技术采纳研究具有启发意义。第四，实践指导的针对性，研究结论明确区分了不同规模企业的采纳逻辑和挑战，为管理者提供了差异化的、可操作的决策参考。