生成式人工智能（Generative AI, Gen-AI）的迅猛发展正在深刻改变企业的知识重构与创新模式，尤其为新兴经济体的后发企业提供了技术追赶的新机遇。然而，这种强大的技术工具对企业创新究竟是一剂良药还是一个陷阱？近期，由Xiaobin Zhang、Mengxi Yang、Yimei Hu、Yongwei Wang和Weijie Wu共同完成的一项研究，为我们揭示了Gen-AI在企业创新中扮演的复杂角色。该研究以《生成式人工智能应用对企业创新的“双刃剑”效应》为题，于2026年发表在期刊《Technovation》（第154卷，文章ID 103561）上。本研究基于创新扩散理论，构建了一个“技术应用-知识重构-创新路径”的理论框架，通过对218家中国制造业企业的实证分析，深入探讨了Gen-AI采纳如何通过影响逆向工程能力，进而对企业的双元创新（即追赶式创新与前沿式创新）产生截然不同的影响，并识别了功能失调竞争与企业家导向这两个关键的内外部边界条件。

本研究的第一作者Xiaobin Zhang来自河南财经政法大学工商管理学院，同时兼任河南大学商学院；通讯作者Yongwei Wang同样来自河南财经政法大学工商管理学院。合作者Mengxi Yang来自中国科学院大学经济与管理学院，Yimei Hu来自丹麦奥尔堡大学商学院，Weijie Wu来自河南财经政法大学工商管理学院。这项研究得到了中国国家自然科学基金等多个项目的资助。

学术背景与研究目标 本研究植根于技术创新与管理学交叉领域，特别关注后发企业的技术追赶与数字化转型。随着Gen-AI在文本、图像、代码和设计生成等方面展现出卓越能力，其对企业创新，尤其是制造业企业创新的影响引起了广泛关注。现有研究多集中于Gen-AI在商业模式、开放创新或创造力提升方面的应用，但从后发企业追赶视角，系统探讨Gen-AI如何影响其创新效能的研究尚存空白。逆向工程作为后发企业常用的技术学习与追赶策略，其与Gen-AI的结合可能重塑企业的创新轨迹。

基于此，本研究旨在回答一个核心问题：Gen-AI的采纳如何通过逆向工程塑造企业（特别是后发企业）的创新成果（包括追赶式创新和前沿式创新），并且这些效应如何受到制度环境和战略背景（即功能失调竞争和企业家导向）的调节？研究目标在于揭示Gen-AI影响企业双元创新的内在机制与边界条件，为后发企业平衡模仿与自主创新、为政策制定者完善数字创新治理提供理论依据与战略洞见。

详细研究流程与方法 本研究采用问卷调查法，对中国制造业企业进行了多源、时滞的数据收集，以确保数据的完整性和减少共同方法偏差。整个研究流程严谨，可分为以下几个步骤：

1. 理论框架与假设提出：研究团队首先基于创新扩散理论，构建了核心的理论模型。他们提出，Gen-AI的采纳会正向影响企业的逆向工程能力。而逆向工程作为中介机制，会对两种创新产生不对称影响：促进追赶式创新，但抑制前沿式创新。此外，外部环境（功能失调竞争）和内部战略（企业家导向）被设定为调节变量，分别可能强化或削弱上述关系。基于此，研究提出了共计12条具体假设（H1, H2a-d, H3a-d, H4a-d）。

2. 样本选择与数据收集：研究选择中国制造业企业作为样本，因其创新活动高度依赖对实体产品技术参数和工程知识的深度理解与系统重构，是观察Gen-AI如何增强逆向工程能力的理想情境。样本覆盖了中国东、中、西部的主要城市，以确保地域代表性。数据收集分两阶段进行：第一阶段，由企业管理者填写关于Gen-AI采纳、逆向工程、企业家导向、功能失调竞争及企业基本信息的问卷；一个月后，同一批受访者被要求填写关于追赶式创新和前沿式创新的问卷。通过专业数据收集机构协助，共发放378份问卷，回收302份，在剔除不合格问卷后，最终获得218份有效问卷用于数据分析。研究通过T检验等方式验证了无应答偏差不构成主要问题。

3. 变量测量：所有构念均采用成熟的量表，并邀请领域专家根据研究背景进行了适当调整。测量均采用李克特5点量表。

   • Gen-AI采纳：改编自Singh等人（2024a）的量表，包含5个题项，测量企业使用Gen-AI工具提升任务效率、易用性等方面的感知。
   • 逆向工程：采用Malik和Kotabe（2009）的4题项量表，衡量企业通过拆解分析竞争产品以学习产品和流程知识的程度。
   • 企业家导向：采用Covin和Slevin（1989）开发的二阶构念量表，包含创新性、先动性和风险承担性三个维度。
   • 功能失调竞争：改编自Li和Atuahene-Gima（2001）的4题项量表，测量企业所经历的如盗版、仿冒、非法复制等机会主义或不公平竞争行为的程度。
   • 追赶式创新：借鉴Hu等人（2024）和Rui与Luo（2019）的“双元创新-追赶”框架，使用5个题项测量企业跟随和模仿行业领导者的程度。
   • 前沿式创新：基于Subramaniam和Youndt（2005）、Jansen等人（2006）等的研究，使用7个题项测量企业在原创性和引领性创新方面的表现。
   • 控制变量：包括企业年龄、规模、所有权性质和行业增长，以控制其对创新和数字技术采纳的可能影响。

4. 数据分析方法：

   • 信度与效度检验：使用Cronbach‘s α系数检验量表的内部一致性信度，所有构念的α值均大于0.7，表明信度良好。通过验证性因子分析检验收敛效度和区分效度，各题项标准化因子载荷均高于0.6，平均方差提取值大于0.5。六因子模型（包含所有主要变量）的拟合优度指标（χ2/df = 2.00, CFI = .92, TLI = .90, RMSEA = .07）显著优于其他合并因子模型，表明变量间具有较好的区分效度。
   • 共同方法偏差检验：采用Harman单因子检验，第一个因子解释的变异量为23.69%，低于50%的临界值。同时，单因子模型拟合度极差。此外，使用未测潜在方法因子法进行检验，加入方法因子后模型拟合度未显著改善。综合表明数据不存在严重的共同方法偏差。
   • 假设检验：
     • 描述性统计与相关分析：首先计算了所有变量的均值、标准差和相关系数矩阵，为后续回归分析提供基础。
     • 主效应与中介效应检验：使用SPSS 23.0进行分层回归分析。在检验中介效应时，采用了Hayes（2017）开发的PROCESS宏（Model 4），通过Bootstrap抽样（5000次）计算间接效应的置信区间。若95%的偏差校正置信区间不包含0，则认为中介效应显著。这种方法比传统的因果步骤法具有更高的统计效力。
     • 调节效应检验：同样使用分层回归分析。在纳入交互项前，对所有焦点变量进行了标准化处理，以减轻多重共线性。通过观察交互项的显著性以及绘制简单斜率图（按调节变量均值加减一个标准差分组）来检验调节效应。
     • 有调节的中介效应检验：使用PROCESS宏（Model 7和Model 8）进行检验，通过判断在不同调节变量水平下，中介效应的差异（即指数）是否显著来验证有调节的中介假设。
   • 稳健性检验：研究通过两种方式确保结果的稳健性。第一，在调节效应分析中，除了使用标准化中心化方法，还采用了均值中心化方法进行验证，结果一致。第二，用Rana等人（2024）开发的Gen-AI采纳量表替代原量表，重新收集了172份有效问卷数据并重新估计模型，核心结论与原研究结果保持一致，进一步证实了模型的稳健性。

主要研究结果 数据分析结果有力地支持了研究提出的“双刃剑”效应理论框架。

1. 主效应与中介效应：

   • Gen-AI采纳对逆向工程有显著正向影响（β = .30, p < 0.001），支持假设H1。
   • 逆向工程对追赶式创新有显著正向影响（β = .14, p < 0.01），对前沿式创新有显著负向影响（β = -.17, p < 0.05），分别支持假设H2a和H2c。
   • 中介效应检验显示，Gen-AI采纳通过逆向工程对追赶式创新产生正向的间接效应（间接效应 = .04, 95% CI [.01, .09]），对前沿式创新产生负向的间接效应（间接效应 = -.05, 95% CI [-.11, -.01]）。这完全支持了假设H2b和H2d。值得注意的是，Gen-AI采纳对前沿式创新的直接效应不显著（β = .04），说明其抑制作用主要通过逆向工程这一中介路径实现。

2. 调节效应：

   • 功能失调竞争的调节作用：功能失调竞争正向调节了Gen-AI采纳与逆向工程之间的关系（交互项β = .27, p < 0.001），即当企业所处市场的功能失调竞争越激烈，Gen-AI采纳对逆向工程的促进作用越强（支持H3a）。同时，功能失调竞争也正向调节了Gen-AI采纳与追赶式创新之间的直接关系（交互项β = .15, p < 0.01），支持H3b。
   • 企业家导向的调节作用：企业家导向负向调节了Gen-AI采纳与逆向工程之间的关系（交互项β = -.12, p < 0.01），即企业家导向越强的企业，越不会将Gen-AI主要用于逆向工程（支持H4a）。相反，企业家导向正向调节了Gen-AI采纳与前沿式创新之间的直接关系（交互项β = .09, p < 0.01），表明高企业家导向能帮助企业利用Gen-AI直接驱动前沿创新，支持H4b。

3. 有调节的中介效应：

   • 功能失调竞争调节了“Gen-AI采纳 → 逆向工程 → 追赶式创新”这一中介路径。当功能失调竞争水平高时，该中介效应更强（效应值 = .07, CI [.01, .14]）；水平低时，效应不显著。指数检验显著（效应值 = .04, CI [.01, .09]），支持假设H3c。然而，功能失调竞争对“Gen-AI采纳 → 逆向工程 → 前沿式创新”路径的调节作用不显著（H3d未获支持）。研究解释为，高度功能失调的竞争环境可能将资源从探索性活动（包括利用Gen-AI进行前沿探索）转移到防御性和模仿性活动，从而削弱了该路径发挥作用的基础。
   • 企业家导向调节了“Gen-AI采纳 → 逆向工程 → 前沿式创新”这一中介路径。当企业家导向水平高时，该负向中介效应更弱（效应值 = -.0065, 不显著）；水平低时，负向效应更强（效应值 = -.0444, CI [-.1398, -.0029]）。指数检验显著（效应值 = .0190, CI [.0014, .1066]），支持假设H4d。这意味着高企业家导向可以缓冲逆向工程对前沿创新的抑制作用。然而，企业家导向对“Gen-AI采纳 → 逆向工程 → 追赶式创新”路径的调节作用不显著（H4c未获支持）。研究认为，对于追赶式创新，结合Gen-AI的逆向工程其固有的技术效率是核心驱动力，高企业家导向的特性与此类任务的目标和方法可能并不完全契合。

研究结论与价值 本研究得出核心结论：Gen-AI的采纳对企业创新具有“双刃剑”效应。它通过显著增强企业的逆向工程能力，有效促进了追赶式创新，但同时也可能因诱导“创新惰性”而抑制了前沿式创新。这一矛盾效应受到外部制度环境（功能失调竞争）和内部战略导向（企业家导向）的深刻调节。功能失调竞争会强化Gen-AI对逆向工程和追赶式创新的促进作用，可能将企业锁定在模仿路径上；而企业家导向则能弱化企业对逆向工程的依赖，并引导Gen-AI直接服务于突破性、前沿性的创新活动。

本研究的理论贡献主要体现在三个方面：第一，拓展了双元性理论的视角，揭示了Gen-AI这一新兴通用技术对后发企业两种创新模式（追赶与前沿）产生的矛盾效应，深化了在数字技术背景下对组织创新平衡机制的理解。第二，丰富了技术追赶文献，将逆向工程概念化为Gen-AI影响创新结果的关键中介机制，提出了“技术应用-知识重构-创新路径”的传导模型，为解决后发企业“模仿与创新”的长期张力提供了新见解。第三，深化了创新扩散理论在复杂组织与环境背景下的应用，揭示了企业家导向（战略能动性）与功能失调竞争（制度压力）对技术扩散效果的反向调节作用，强调了技术影响的情境依赖性。

在实践启示上，研究为企业和管理者提供了重要指引：后发企业应战略性地利用Gen-AI加速技术学习和追赶，但必须警惕过度依赖导致的创新路径锁定。企业需积极培育强调风险承担、先动性和前瞻性的企业家导向文化，引导Gen-AI从“模仿工具”转向“原创引擎”。对于政策制定者而言，研究指出需完善创新治理体系，加强知识产权保护，遏制功能失调竞争，为致力于原始创新的企业营造公平的竞争环境。同时，应重点支持具有强探索导向的企业，引导其利用Gen-AI进行突破性创新，并推动人工智能与制造业的深度融合，为国家从技术追随者向并行者乃至引领者的转变提供支撑。

研究亮点 本研究的亮点突出体现在以下几个方面：首先，研究发现具有重要的理论新颖性与现实针对性，首次系统揭示了Gen-AI对企业双元创新的不对称影响及其内在机制，精准捕捉了数字化转型背景下后发企业面临的核心创新困境。其次，研究设计严谨，方法运用得当。采用多源时滞数据收集、成熟的量表、多种统计方法（CFA、分层回归、Bootstrap法检验中介与调节效应）以及稳健性检验，确保了研究结论的可靠性与有效性。第三，理论模型的整合性与情境化程度高。研究不仅探讨了主效应和中介效应，还引入了内外部两个关键的边界条件，构建了一个相对完整的情境化理论框架，增强了理论解释力。第四，样本选择具有典型性。聚焦于中国制造业这一全球价值链中的后发主体，使得研究结论对广大新兴经济体企业具有重要的参考价值。

其他有价值的内容 研究在讨论部分还指出了本研究的局限性及未来研究方向，包括：样本局限于中国制造业，未来可拓展至其他新兴或发达市场；采用横截面数据，未来可采用面板数据以增强因果推断；变量测量主要依赖感知数据，未来可结合客观指标；尽管进行了CMB检验，未来可采用更稳健的方法；以及未完全控制研发强度、吸收能力等潜在变量。这些为后续研究提供了清晰的路线图。此外，研究建议未来应持续跟踪Gen-AI技术的快速演进（如AIGC协同创新、多模态模型），并融合数字创新理论、平台生态系统理论等视角，以更全面、动态地理解Gen-AI影响后发企业双元创新的复杂机制。