本文将对发表在 IEEE Transactions on Engineering Management, Vol. 72, 2025 上的研究论文《The Relationship Between AI-Adoption Intensity and Firm Innovation Performance: The Role of AI Affordances》进行全面的学术报告。本研究由来自哈尔滨工业大学人文与社会科学学院的林晓月，以及来自哈尔滨工程大学经济与管理学院的王道东和盛凡共同完成。这项研究旨在深入探讨人工智能（AI）采用强度与企业创新绩效之间的复杂关系，并引入AI可供性（AI Affordances）作为关键的中介机制，同时考察数据质量（Data Quality）对这一过程的调节作用，为企业在动态复杂环境中利用AI驱动创新提供了重要的理论洞见和实践指导。

一、研究的学术背景

本研究扎根于技术创新管理与信息系统管理交叉领域，特别关注AI技术对组织创新的影响机制。随着AI技术在全球范围内的迅速扩散和应用（例如，麦肯锡调查显示全球AI采用率从2017年的20%飙升至2024年的72%），学术界和企业界已普遍认识到AI在推动创新、重塑产业形态方面具有变革性潜力。尽管现有研究已从不同视角分析了AI对产品创新、流程创新、商业模式创新等方面的影响，但对于“AI采用强度”（即企业在多大范围和多深程度上应用AI）如何直接影响企业最终创新绩效这一问题，实证研究依然匮乏且结论不够清晰。大多数早期研究倾向于将数字技术视为一个整体来讨论，然而不同技术（如AI）对创新的催化作用可能存在显著差异。

为了弥补这一研究缺口，并回应Haefner等人和Pietronudo等人对深入探究AI与创新交叉领域的呼吁，本研究创新性地引入了技术可供性理论作为核心理论透镜。技术可供性理论超越了单纯关注技术或行动者的视角，提供了一个整合框架，用以解释组织如何感知、理解并利用技术提供的“行动可能性”（即可供性）来实现特定目标。该理论在本研究情境下具有四大优势：1）强调技术特性，避免了过度偏重行动者角色的“社会建构主义”；2）关注技术的物质属性及相关的商业实践，使理论适用于AI发展的各个阶段，避免了技术特定理论的过时；3）考虑不同场景和主观目标下的技术可供性，解决了将所有场景下的AI采用效果同质化或过度强调技术作用的“技术决定论”批判；4）提供了一个检验技术功能、组织背景及其结果之间关系的框架。

基于此，本研究旨在解决两个核心研究问题：第一，移动可供性、交互可供性和自主可供性这三类AI可供性，是否在AI采用强度与企业创新绩效之间起到中介作用？第二，作为关键技术特征的数据质量，是否调节了AI采用强度与AI可供性之间的关系？研究目标是建立一个“AI采用强度—AI可供性—企业创新绩效”的概念模型并进行实证检验，从而深化对如何利用AI提升创新成果的理解，并拓展技术可供性理论在AI创新领域的应用基础。

二、研究的详细工作流程

本研究采用了横断面问卷调查法，并遵循严谨的量化研究流程，具体包括以下阶段：

第一阶段：概念模型构建与测量工具开发 研究团队基于文献回顾和理论推导，构建了包含自变量（AI采用强度）、中介变量（三维度的AI可供性）、因变量（企业创新绩效）和调节变量（数据质量）的研究模型。所有变量的测量量表均借鉴自成熟文献并进行英汉回译以确保准确性。AI采用强度的测量采用Lee和Chen开发的3题项量表；AI可供性则根据Issa等人的概念框架，划分为移动可供性、交互可供性和自主可供性三个维度，分别采用4、3、3个题项进行测量；企业创新绩效的测量结合了Bell以及Ritter和Gemünden的量表，共5个题项；数据质量采用了Côrte-Real等人开发的广泛涵盖完整性、准确性、格式和时效性等方面的12题项量表。

第二阶段：问卷设计与预测试 问卷设计遵循适用性、逻辑性、清晰性、便利性和中立性等基本原则。为确保量表的信效度及本土适用性，研究团队进行了三轮优化：首先，通过文献回顾和专家访谈确定初始题项；其次，对来自制造业和互联网行业的五名企业代表进行深度访谈，以半结构化方式了解AI采用的实际情况，从而精炼题项表述和内容；最后，进行预研究，进一步优化问卷语言和结构。最终问卷包括引言、受访者及企业背景信息、以及包含所有构念的正式测量题项。

第三阶段：数据收集与样本特征 数据收集于2022年9月至2023年3月期间，采用分层随机抽样方法，从中国不同AI技术产业竞争力的三个梯队地区（一线：北京、广东、山东等；二线：辽宁、安徽、天津等；三线：吉林、黑龙江、河南等）的四个高AI采用率行业（互联网、金融、制造、电信）中收集样本。采用线上线下相结合的混合数据收集策略，包括直接现场发放、通过邮件和社交媒体传播、以及借助Credamo和问卷星等专业平台。为减少共同方法偏差和瞬时响应偏差，研究采用了两阶段时滞设计：第一阶段收集背景信息、AI采用强度、AI可供性和数据质量数据；一月至一个月后，第二阶段收集企业创新绩效数据。最终共回收578份问卷，剔除无效样本后，获得有效问卷396份，有效回收率为68.51%。样本特征分析显示，参与企业主要为成立10-19年的非国有企业，员工规模在101-499人之间，且制造业占比较高（45%）。

第四阶段：数据处理与假设检验 数据分析主要使用SPSS和Mplus软件，遵循严格的计量步骤： 1. 测量模型评估：首先使用SPSS进行验证性因子分析。结果表明，所有题项的因子载荷均大于0.70，克朗巴哈α系数和组合信度均高于0.70，平均变异萃取量高于0.50，且各潜变量AVE的平方根大于其与其他潜变量的相关系数，显示出良好的收敛效度和区分效度。拟合指数（χ2/df = 2.581, RMSEA = 0.063, CFI = 0.913, TLI = 0.902, SRMR = 0.045）均达到可接受标准。此外，单因子Harman检验最大方差解释率为28.882%，低于50%的临界值，表明共同方法偏差不严重。 2. 假设检验： * 主效应与中介效应检验：使用Mplus软件进行路径分析。结果显示，AI采用强度对企业创新绩效具有显著正向影响，路径系数为0.210（p = 0.006），假设H1得到支持。同时，AI采用强度对三个AI可供性维度（移动性、交互性、自主性）均有显著正向影响。此外，三个AI可供性维度对企业创新绩效也均有显著正向影响。进一步，通过Bootstrap方法检验中介效应（重复抽样5000次），结果显示，通过移动可供性、交互可供性和自主可供性的间接效应均显著，且95%置信区间不包含0，从而支持了假设H2a, H2b, H2c。三个维度的中介效应大小无显著差异，表明它们共同驱动创新。 * 调节效应检验：使用潜变量调节模型检验数据质量的调节作用。结果显示，AI采用强度与数据质量的交互项对移动可供性、交互可供性和自主可供性均有显著正向影响，系数分别为0.156（p=0.032）、0.208（p=0.019）和0.194（p=0.049），支持了假设H3a, H3b, H3c。 * 稳健性检验：为确保结果的可靠性，研究采用了双重稳健性策略。首先，对制造业子样本（占总样本45%）进行线性回归分析，所有主假设依然成立。其次，将结构方程模型分析方法替换为回归分析方法进行检验，结果依然稳健。

三、研究的主要结果

本研究的数据分析得出了丰富且一致的实证结果，系统性地验证了研究假设。

1. 关于AI采用强度与创新绩效的直接关系：路径分析明确证实，企业的AI采用强度对其创新绩效具有显著的直接促进作用。这一结果为AI作为强大创新工具的共识提供了直接的实证支持。研究发现，随着AI采用强度的增加，企业能够利用AI增强理性（如处理复杂信息、识别机会）、增强创造力（如快速生成知识、激发新想法）并更新组织创新方式，从而贯穿从创意生成、评估、概念发展到实施的整个创新流程，最终提升整体创新产出。

2. 关于AI可供性的多重中介作用：这是本研究的核心发现。数据表明，AI可供性所包含的三个维度——移动可供性、交互可供性和自主可供性——均在AI采用强度与企业创新绩效之间扮演了完全中介或部分中介的关键角色。这意味着，AI的应用本身并不直接等同于创新成功，关键在于企业能否将AI的技术能力有效地转化为在特定创新场景下的“行动可能性”。

   • 移动可供性的中介作用得到了验证，其间接效应显著。这说明，在涉及密集数据处理的任务场景中，AI主要扮演“支持工具”的角色，通过高效感知、学习、协调和整合数据，帮助工程人员更有效地处理复杂任务，降低内部沟通和知识共享成本，从而为创新活动提供基础，间接提升了创新绩效。
   • 交互可供性的中介作用同样显著。这表明，在与用户进行价值共创的场景中，AI兼具“创新代理”和“支持工具”的双重角色。一方面，AI能够作为智能产品与用户进行实时交互，实现“自我创新”和体验优化；另一方面，AI帮助企业分析多渠道的用户互动数据，为做出明智的创新决策提供支持。这种交互可供性促进了创造力、创意交流及资源知识共享，推动了产品功能的更新和设计的整合。
   • 自主可供性的中介作用也得到了有力支持。这揭示了在自动化决策场景中，AI主要作为“创新代理”，获得了更大的自主权和决策权。它能够独立执行高新颖性任务，从而重塑创新流程和人机协作关系。一方面，自主可供性增加了创新过程的灵活性和适应性；另一方面，将更多任务委托给AI，解放了工程师去从事更具创造性的活动，形成了互补的人机合作关系，共同提升了创新效果。

3. 关于数据质量的正向调节作用：本研究引入了数据质量作为关键的情境因素，并发现其在AI采用强度转化为AI可供性的过程中起到了重要的“放大器”作用。

   • 数据质量正向调节了AI采用强度与移动可供性的关系。这意味着，在相同的AI投入水平下，拥有高质量数据的企业，其AI系统能更有效地发挥数据分析功能，从而获得更强的数据处理和洞察生成能力。
   • 数据质量也正向调节了AI采用强度与交互可供性的关系。分析显示，当AI采用强度超过一定阈值后，高数据质量对交互可供性的促进作用变得尤为明显。它能放大平台的数据网络效应，优化市场分析和用户画像，从而增强用户与产品、企业与用户之间的互动深度和有效性。
   • 数据质量同样正向调节了AI采用强度与自主可供性的关系。高质量的数据输入是AI做出准确预测和自主决策的基础，能显著提升自主系统的精确度和效率。相反，低质量的数据可能导致AI做出次优甚至错误的决策。
   • 一个有趣的发现是，在AI采用强度较低时，数据质量较低的企业反而表现出相对较高的交互可供性。研究解释为，这些企业更依赖于已建立的传统交互方式和简约的界面设计。但随着AI采用强度的提高，高质量数据对交互能力的赋能优势便迅速显现。

这些结果共同绘制了一幅清晰的图景：企业通过提高AI采用强度，可以增强其在数据任务、用户交互和自主决策等关键创新场景下的“行动可能性”（即AI可供性），而这些可供性最终驱动了创新绩效的提升。同时，高质量的数据资源是确保这一转化过程高效、有效进行的关键赋能因素。

四、研究的结论与价值

本研究得出以下核心结论：AI采用强度对企业创新绩效具有积极影响；这一影响主要通过移动、交互和自主三个维度的AI可供性作为中介机制实现；而数据质量则正向调节了AI采用强度与AI可供性之间的关系，强调了数据基础对于释放AI潜能的重要性。

理论贡献主要体现在三个方面：第一，深化了AI可供性的微观基础。本研究首次在AI创新管理领域，基于AI驱动的创新特征，清晰界定并实证检验了移动、交互、自主三个可测量的AI可供性维度及其中介作用，将技术可供性理论的应用从定性案例拓展到大规模量化验证，为未来研究提供了可操作的方向。第二，揭示了AI驱动创新的深层机制。通过将AI可供性作为连接AI采用与创新结果的“黑箱”钥匙，本研究构建并验证了一个整合的理论模型，不仅回应了领域内对实证机制研究的迫切需求，也阐明了AI如何在不同创新场景中扮演双重角色（支持工具与创新代理），挑战了传统将数字技术仅视为被动工具的观点。第三，整合了资源基础观与技术可供性理论。通过引入数据质量作为调节变量，本研究揭示了数据作为一种有价值、稀缺、难以模仿且不可替代的战略资源，如何影响技术可供性的形成，从而将资源基础观与技术可供性理论相结合，丰富了我们对AI价值创造前提条件的理解。

实践意义为工程管理者提供了具体指导：首先，企业应将AI战略性地整合到创新活动中。其次，管理者需要理解和培育三种关键的AI可供性，将其对应到不同的创新场景：在数据密集型工程任务中利用AI作为支持工具；在用户界面和体验优化中利用AI作为交互和预测代理；在自动化智能项目中部署AI作为学习和决策代理。最后，必须高度重视数据质量的管理，在数据收集、传输、存储、清洗和反馈等环节建立有效机制，这是最大化AI可供性、从而获取创新回报的基础。

五、研究的亮点

1. 理论视角新颖：率先将技术可供性理论系统性地应用于AI与创新绩效关系的量化研究，提供了一个超越技术决定论和社会建构主义的整合性分析框架。
2. 机制剖析深入：不仅验证了AI采用的直接效应，更重要的是揭示了三维度AI可供性这一关键的中介机制，清晰地描绘了“技术投入→场景化行动能力→创新成果”的转化路径。
3. 情境因素重要：创新性地引入并验证了数据质量作为关键的调节变量，强调了在AI时代，高质量数据资源与AI技术能力相辅相成、共同创造价值的重要性，具有很强的现实指导意义。
4. 实证设计严谨：研究采用了分层随机抽样、两阶段时滞数据收集、多种来源问卷分发以及多种统计方法（CFA、SEM、Bootstrap、稳健性检验）相结合的策略，确保了样本的代表性、数据的可靠性和结论的稳健性。
5. 管理启示明确：研究结论直接转化为针对工程管理者的、可分场景实施的具体行动建议（如优化数据流程、部署AI代理、关注人机协作等），具有很高的可操作性。

六、其他有价值的内容

研究在讨论部分也坦诚地指出了自身的局限性，并为未来研究指明了方向：样本虽具代表性但局限于中国，未来可进行跨区域、跨行业比较；AI可供性的维度可能随技术演进和应用场景拓展而增加，未来可探索其他维度和它们之间的动态交互；研究主要关注AI的“光明面”，未来应加强对AI可能带来的失业、隐私、伦理等“阴暗面”的研究；随着AI从分析模型向生成式模型（如ChatGPT）演进，未来研究应探索生成式AI在不同层面创新中的潜力。这些思考体现了研究的科学性和开放性。