关于生成式人工智能平台生态系统中互补者价值共创的研究报告

一、 研究作者、机构与发表信息

本研究由 Vincent Heimburg（德国多特蒙德工业大学）、Maximilian Schreieck（奥地利因斯布鲁克大学）和 Manuel Wiesche（德国多特蒙德工业大学）合作完成。研究成果以《Complementor Value Co-creation in Generative AI Platform Ecosystems》为题，发表于 《Journal of Management Information Systems》 2025年第42卷第2期（491-528页）。

二、 学术背景与研究目的

主要科学领域： 本研究属于信息系统（Information Systems, IS）与管理学交叉领域，聚焦于数字平台生态系统（Digital Platform Ecosystems）与生成式人工智能（Generative Artificial Intelligence, GenAI）的结合点。

研究背景： 生成式人工智能（特别是大型语言模型）正被迅速平台化，形成了如OpenAI的ChatGPT和API生态系统。在传统数字平台（如iOS、Android）中，互补者（Complementors，即第三方开发者）通过调用平台核心提供的标准化、可预测、功能明确的接口（API）来构建和运营互补产品（如应用程序），从而与平台所有者共同创造价值。然而，生成式人工智能平台的核心——AI模型——展现出两个与传统数字技术截然不同的特性：开放性（Open-endedness） 和 不可解释性（Inscrutability）。 * 开放性：指GenAI模型的接口（如自然语言提示）不受特定格式或语法限制，可接受广泛输入并生成多样输出。这使得平台核心缺乏传统平台那种具体的、可复用的功能模块，且其强大能力也可被终端用户直接通过自然语言访问，从而模糊了互补者创造独特价值的必要性。 * 不可解释性：指基于深度学习的GenAI模型其输入与输出之间的关系是非确定性和概率性的，导致输出难以预测且缺乏一致性，平台所有者也无法提供确定性的功能文档。

这两个特性给GenAI平台生态系统中的互补者带来了独特的价值共创挑战：1）无法依赖标准化的可复用功能；2）难以持续生成期望的输出；3）面临来自终端用户直接使用平台核心的竞争。

此外，平台所有者对互补品终端用户界面（End User Interface）的控制程度不同，形成了两种互补品类型：嵌入式互补品（Embedded Complements）（如ChatGPT中的GPTs，平台所有者完全控制界面）和 独立式互补品（Stand-alone Complements）（如通过API构建的独立应用，互补者完全控制界面）。这两种类型在面对上述挑战时的应对能力可能存在差异。

研究目的： 基于上述背景，本研究旨在探究一个核心研究问题：鉴于生成式人工智能的开放性和不可解释性挑战，互补者如何在GenAI平台生态系统中，通过嵌入式与独立式互补品来共同创造价值？

三、 研究设计与详细工作流程

本研究采用 嵌入式单案例研究（Single Case Study with an Embedded Case Design） 方法，以OpenAI的平台生态系统为案例，并将该生态系统中的互补者作为分析单元。

1. 研究程序一：理论抽样与数据收集 * 研究对象与样本量： 研究者根据平台对终端用户界面的控制程度（理论抽样），将互补者分为三组进行采样：仅提供嵌入式互补品、仅提供独立式互补品、同时提供两种互补品。在每组内，力求样本多样性（包括公司、营利性开发者、非营利组织）。最终，研究对44位互补者进行了半结构化访谈（总计约37小时），并辅以大量二手数据（博客、论坛帖子、新闻文章）以及15次补充访谈（包括爱好者、竞争平台产品经理、行业专家），以达到理论饱和。 * 数据处理/研究方法： 进行深度访谈，获取互补者关于其价值创造、平台资源使用、生态系统策略与挑战的一手质性数据。同时，收集和分析相关的公开文档与讨论，用于三角验证和背景补充。

2. 研究程序二：数据分析与理论构建 * 分析方法： 采用基于分类理论（Categorization Theory）的主动迭代分类法，并借鉴扎根理论方法论（Grounded Theory Methodology）的程序进行质性数据分析。 * 详细工作流程： a. 初步叙事与分类： 首先构建初步案例叙事，通过反复阅读数据，围绕研究问题生成初始类别（例如，“互补者如何参与？”、“他们如何应对GenAI特性取得成功？”）。 b. 类别精炼与机制识别： 将初始类别迭代合并、精炼为二阶类别，最终聚合形成四个核心的 价值共创机制（Value Co-creation Mechanisms）。这一过程严格遵循信息提供者的术语，并通过备忘录记录分析思路。 c. 机制与情境分析： 针对每个识别出的价值共创机制，分析其使用的条件、背景和后果。特别关注了不同互补品类型（嵌入式 vs. 独立式）在运用这些机制上的差异与共性。 d. 撰写说明性小故事： 选取了四个具有代表性的互补者（CodeCorporate, VisualizationStartup, DiscoveryCorporate, FlashcardStartup），撰写了详细的小故事（Vignettes），生动具体地展示了价值共创的过程，为从案例描述过渡到研究结果提供了情境支撑。

四、 主要研究结果

研究揭示了互补者用于应对开放性和不可解释性挑战的四种价值共创机制，并阐明了这些机制在不同互补品类型中的应用差异及相互作用模式。

1. 识别的四种价值共创机制： * 机制一：利用系统指令（Utilize System Instructions） * 应对开放性： 通过编写“系统提示词”（System Prompt）来收窄AI模型的广泛生成潜力，将其生成范围限定到互补品所属的特定任务和领域，从而弥补平台核心缺乏特定可复用功能的缺陷。 * 应对不可解释性： 通过明确的指令来引导AI模型的推理过程，优化输出在内容、格式和语法上的一致性，从而提高输出的可预测性。例如，使用“少样本学习”技巧提供输出示例，或利用“结构化输出”功能约束输出格式。 * 适用性： 嵌入式与独立式互补品均可使用。但嵌入式互补者由于缺乏对用户交互的可见性，在测试和优化系统指令方面受到限制。

• 机制二：提供上下文数据（Provide Context Data）

  • 应对开放性： 通过向AI模型输入专有的、独家的上下文数据（如实时价格、专有数据库），使AI模型能够生成仅凭其训练数据无法产生的结果，从而使互补品功能具有独特性，与终端用户直接使用模型区分开来。
  • 应对不可解释性： 通过提供与当前用户交互最相关的数据（通常采用检索增强生成，Retrieval-Augmented Generation, RAG技术），将AI模型的推理“锚定”在特定数据上，减少其因训练数据中的无关知识或冗余上下文而“分心”，从而提高输出的准确性。
  • 适用性： 嵌入式与独立式互补品均可使用。嵌入式互补者需要依赖平台所有者分享的初步AI模型输出来决定提供哪些相关数据。

• 机制三：策划用户输入（Curate User Inputs）

  • 应对开放性： 在互补品的用户界面上限制用户的输入选项（如下拉菜单、切换按钮、约束查询字段），将用户输入预定义在AI模型广泛潜力的特定方面，防止用户输入导致AI模型产生不期望的输出。
  • 应对不可解释性： 以优化的方式构建用户输入的结构，以提高AI模型输出的一致性。例如，将用户偏好的语言设为必选项，以确保输出语言的一致性。
  • 适用性： 仅适用于独立式互补品。因为嵌入式互补品的用户界面由平台所有者完全控制，互补者无法影响用户输入的方式。

• 机制四：修订AI模型输出（Revise AI Model Outputs）

  • 应对开放性： 对AI模型的原始输出进行转换或丰富。转换指将开放式的输出解析或渲染成AI模型本身无法直接生成的形式（如将代码输出渲染成图表）。丰富指将AI输出与额外的、基于规则的数据交织（如过滤掉不合规的目的地，并添加价格信息）。
  • 应对不可解释性： 通过基于规则的过滤器验证AI输出（如格式、长度检查），或通过“置信度评分”从多个并行请求的相同输入输出中选择最佳结果，以提高最终输出的一致性。
  • 适用性： 仅适用于独立式互补品。因为嵌入式互补品的最终AI模型输出直接呈现给用户，互补者无法接触和修改。

2. 机制间的交互模式： * 协同效应（Synergies）： 互补者可以组合使用机制以增强效果。例如，“利用系统指令”与“提供上下文数据”结合，可以更有效地引导AI模型基于聚焦的数据进行推理。“策划用户输入”与“提供上下文数据”结合，允许互补者根据预设的用户输入选项来预先准备最相关的上下文数据。 * 解锁额外机制（Unlocking Additional Mechanisms）： 一些嵌入式互补者通过巧妙的交互模式，能够突破平台界面的限制，间接使用本无法接触的机制。 * 解锁简化版“修订输出”机制： 通过“提供上下文数据”机制，请求平台分享“初步AI模型输出”。互补者可以修改此初步输出，然后将其作为“上下文数据”返回，并指示AI模型直接呈现该修改后的内容。这相当于一种间接的修订。 * 引导用户至增强服务或独立产品： 通过上述方法，在返回的“上下文数据”中包含指向外部服务（增强服务）或自身独立式互补品的深度链接。用户点击后，互补者便能在自有界面上获得完全控制权，从而运用“策划用户输入”和“修订AI模型输出”机制。

3. 结果与结论的逻辑关系： 上述机制及其应用差异的发现，直接导向了本研究提出的两个核心价值共创逻辑。研究结果表明，互补者并非简单地“使用”平台功能，而是首先需要“驯服”和“差异化”平台核心的能力。具体而言： * 机制一、三、四以及机制二应对不可解释性的部分，主要致力于使平台核心变得可用，即解决“如何让这个强大但不可控的AI模型稳定地为我的互补品工作”的问题。这构成了 “收割逻辑”（Reap Logic）。 * 机制二应对开放性的部分以及机制四中转换/丰富输出的部分，主要致力于使平台核心的能力变得独特，即解决“如何让我的互补品提供终端用户直接使用AI模型无法获得的价值”的问题。这构成了 “差异化逻辑”（Differentiation Logic）。

所有互补者都必须实践“收割逻辑”来使其产品可行，而“差异化逻辑”则是其在生态系统中创造独特价值、避免与平台核心直接竞争的关键。

五、 研究结论与价值

结论： 在生成式人工智能平台生态系统中，互补者的价值共创遵循两种新颖的逻辑：收割逻辑（通过使平台核心可用于特定互补品来获取其价值共创潜力）和 差异化逻辑（通过使平台核心的能力变得独特来区分其价值共创潜力）。互补者通过运用四种价值共创机制（利用系统指令、提供上下文数据、策划用户输入、修订AI模型输出）及其交互模式来实践这两种逻辑，以应对由开放性和不可解释性带来的根本性挑战。互补品的类型（嵌入式 vs. 独立式）决定了其可用的机制组合，进而影响其价值共创的能力和策略。

研究价值： * 科学价值： 本研究首次系统性地揭示了GenAI平台生态系统中互补者价值共创的内在机制与核心逻辑。它将数字平台理论与GenAI的特性深度融合，拓展了我们对平台生态系统在AI时代演变的理解。研究明确指出了传统平台价值共创假设（基于可复用、可预测功能）在GenAI语境下的不适用性，并构建了新的理论框架（两种逻辑、四种机制）来解释新现象。 * 应用价值： 为GenAI平台上的互补者（开发者、企业）提供了清晰的行动指南，帮助其理解面临的挑战、可用的工具（机制）以及战略选择（聚焦收割、差异化或两者兼顾）。为平台所有者（如OpenAI、Anthropic）设计生态系统治理规则、开发者支持工具和接口提供了重要洞见，例如，如何平衡对嵌入式互补品的控制与赋予其更多价值创造能力。

六、 研究亮点

1. 重要的理论发现： 明确提出了生成式人工智能平台生态系统中互补者价值共创的“收割逻辑”与“差异化逻辑”，这是对数字平台理论的重要补充和创新。
2. 新颖的分析框架： 识别并详细阐述了四种普适性的价值共创机制，并深入分析了其在嵌入式与独立式互补品中的适用性差异，为后续实证研究提供了可操作的分析维度。
3. 深刻的机制洞察： 不仅列出了机制，还深入揭示了机制之间的协同效应，以及嵌入式互补者如何通过策略性交互“解锁”额外机制，展现了互补者在约束条件下的能动性与创新。
4. 研究方法的严谨性： 采用嵌入式案例研究设计，基于OpenAI这一典型且丰富的生态系统，通过大量深度访谈和多种数据源的三角验证，保证了研究发现的经验扎实性与理论深度。
5. 研究对象的时代性与特殊性： 聚焦于生成式人工智能这一颠覆性技术构建的平台生态系统，抓住了前沿且重要的管理实践问题，研究结论具有高度的时效性和前瞻性。

七、 其他有价值内容

研究还暗示了平台治理在GenAI生态系统中的新维度。在传统平台，治理常关注规则设定和资源分配。而在GenAI平台，由于价值共创潜力内嵌于平台架构（AI模型的能力与缺陷），平台所有者通过控制接口（如对嵌入式互补品界面的完全控制）和分享信息的程度（如是否分享初步AI输出），实质上深刻影响了互补者实践“收割逻辑”和“差异化逻辑”的能力与空间。这为未来研究平台所有者与互补者在GenAI时代的动态关系开辟了新的方向。