本文通讯作者为吉林大学商学与管理学院的周佳男（博士研究生），第一作者为同机构的马丽娜（副教授）。该研究于2025年12月发表在学术期刊《研究与发展管理》（r&d management）第37卷第6期。

本研究的学术背景植根于创新创业管理、战略管理以及绿色创新与可持续发展研究领域。随着全球智能化与绿色化双重转型的加速推进，制造业企业正积极寻求将人工智能技术融入日常运营，以期在履行社会责任、保护环境的同时，实现经济效益。然而，尽管人工智能展现出巨大的应用潜力，但在实际情境中，员工与人工智能（员工—AI协作）对企业绿色创新的影响却呈现出一种“事半功倍”或“事倍功半”的矛盾现象，即投入与产出并非简单的线性关系。这种“绩效悖论”表明，单纯应用AI技术或依赖员工自身都无法确保绿色创新的成功。因此，理解人机协作如何有效驱动绿色创新，并厘清其中关键的技术情境因素的作用，成为理论与实践亟待解决的核心问题。本研究旨在填补这一空白，基于社会—技术系统理论和技术可供性实现理论，深入探究员工—AI协作影响企业绿色创新的具体机制，并重点关注人工智能可供性在这一关系中的双重作用（直接作用与调节作用），旨在为智能制造企业实现高效、可持续的绿色创新提供理论依据与实践指导。

研究采用问卷调查法，整个工作流程包含研究设计、数据收集、数据分析与假设检验、稳健性检验等多个严谨的环节。首先，在研究设计阶段，作者明确了核心变量：自变量为员工—AI协作，因变量为企业绿色创新，调节变量为人工智能可供性（具体分为自主可供性与交互可供性两个维度），并引入了企业类型、企业性质、企业年龄和企业规模作为控制变量。所有变量的测量均借鉴了国内外成熟的量表，并通过双向翻译、专家评审及预调研等步骤进行了本土化调整与优化，最终形成了包含29个题项的李克特七点量表问卷。其次，在数据收集阶段，研究以中国长三角和珠三角地区的智能制造企业为样本对象，因为这两个区域是中国制造业与AI技术应用的先进代表，且面临迫切的绿色转型压力。数据收集分两个阶段进行，以降低共同方法偏差：第一阶段（2024年5-11月）发放380份问卷，测量自变量和调节变量，回收有效问卷357份；第二阶段发放380份问卷，测量因变量，回收有效问卷350份。最终，通过编号配对，获得350份配对成功的有效样本用于后续分析。样本覆盖了不同规模、年龄、性质和类型的企业，确保了研究的代表性。在数据分析与假设检验阶段，研究采用了多种统计方法。首先，进行了信效度分析，结果显示所有构念的Cronbach‘s α系数均高于0.918，组合信度均高于0.8，平均方差萃取量均大于0.5，验证性因子分析也支持四因子模型具有最优拟合度，表明测量工具具有很高的信度和效度。Harman单因子检验表明不存在严重的共同方法偏差。随后，通过描述性统计与相关性分析，初步验证了各核心变量间的显著正相关关系。核心假设检验采用层次回归分析作为主要方法，并辅以数学推导和可视化（Python绘图）进行深入分析。稳健性检验阶段，研究通过两种方式验证结论的可靠性：一是采用替代变量法，更换了绿色创新的一个测量题项，重新进行回归分析，结果与原结论一致；二是采用人工神经网络方法进行非线性建模和敏感性分析，结果同样支持员工—AI协作是最重要的预测因子，且模型预测精度较高，进一步证实了研究发现的稳健性。

研究的主要结果丰富且具有深度。首先，层次回归分析直接验证了三个主效应假设。模型2结果显示，员工—AI协作对企业绿色创新具有显著的正向影响，回归系数为0.669，且在p<0.001水平上显著，假设H1得到支持。这表明，整合员工的社会资源（如创造力、伦理判断）与AI的技术资源（如数据分析、高效执行），能够有效提升企业在绿色协同决策、绿色产品创新和绿色流程创新方面的绩效。模型3和模型4的结果分别显示，自主可供性和交互可供性均对企业绿色创新产生显著的正向直接影响，回归系数分别为0.591和0.270，均在p<0.001水平上显著，假设H2a和H2b成立。这证实了AI技术本身所提供的自主行动潜力和交互沟通潜力，都是推动绿色创新的重要技术支撑。其次，也是本研究最关键的发现，在于调节效应的检验结果。模型5和模型6的结果揭示了自主可供性的复杂作用。员工—AI协作与自主可供性的一次交互项系数显著为正，二次交互项系数显著为负。将具体系数代入推导出的数学表达式，并通过Python绘制调节效应图，可以直观地看到：随着自主可供性水平的提升，员工—AI协作对绿色创新的正向影响先增强后减弱，呈现出一个明显的“倒U形”曲线，极值点出现在标准化自主可供性约为0.918处。这意味着，适度的AI自主性能够解放员工，使其专注于高附加值的绿色创新活动，产生“乘数效应”；但过高的自主性可能导致员工技能退化、产生技术依赖或威胁感，反而削弱协作效果，形成“阻滞效应”。因此，假设H3a（自主可供性发挥倒U形调节作用）得到充分验证。同样地，模型7和模型8的结果显示，虽然员工—AI协作与交互可供性的一次交互项不显著，但其二次交互项系数显著为负，且模型解释力显著提升。通过数学推导和可视化分析发现，交互可供性同样呈现“倒U形”的调节模式，极值点出现在标准化交互可供性为0处。这表明，适度的交互有助于优化信息流、建立双向反馈机制，促进绿色创新；但过度的交互可能导致员工思维浅表化、削弱监督能力，甚至引发信任危机，从而对协作与创新的关系产生负面影响。因此，假设H3b（交互可供性发挥倒U形调节作用）也得到验证。这些结果为开篇提到的“事半功倍”或“事倍功半”的悖论提供了精确的实证解释：AI可供性水平需要保持在一个适宜的“度”，过低或过高都会导致员工—AI协作无法达到最优的绿色创新效果。

本研究得出的核心结论是：员工—AI协作能够显著促进企业绿色创新；AI的自主可供性和交互可供性本身也是绿色创新的重要驱动因素；更为关键的是，这两种可供性在员工—AI协作与绿色创新之间均扮演着“倒U形”调节器的角色，存在“过犹不及”的效应，从而揭示了AI技术驱动绿色创新的复杂双重作用路径。这一结论具有重要的理论与现实意义。在理论价值方面，第一，研究突破了现有文献多关注员工—AI协作对个体层面影响的局限，首次从组织层面系统揭示了其对绿色创新的作用机制，拓展了该主题的研究边界。第二，创新性地将技术可供性理论引入企业绿色创新研究领域，构建了“技术可供性—可供性实现—绩效提升”的分析框架，深化了对AI技术赋能绿色创新内在机理的理解。第三，开创性地发现了AI可供性的双重作用机制（直接促进与倒U形调节），弥补了以往研究多关注单一线性关系的不足，为后续研究提供了更精细、更辩证的理论视角。在实践启示方面，研究为企业管理者提供了清晰的指引：第一，企业应积极培育和构建员工与AI协同工作的文化与模式，充分发挥人机互补的协同效应，而非简单地将AI视为替代工具或被动系统。第二，企业在引入和应用AI技术时，必须审慎评估并管理其“可供性”。不能一味追求AI的高度自主或深度交互，而应结合具体任务和员工能力，寻求自主性与交互性的平衡点，避免因技术过度应用而适得其反，确保AI真正成为绿色创新的“助推器”而非“绊脚石”。

本研究的亮点突出体现在以下几个方面：第一，重要发现具有突破性。精准识别并实证检验了“人工智能可供性”在员工—AI协作与绿色创新关系中的“倒U形”调节效应，这一非线性关系的发现是对“绩效悖论”的深刻解读，也是本研究最核心的理论贡献。第二，研究方法的严谨性与创新性结合。采用两阶段问卷调查有效控制了共同方法偏差；运用层次回归、数学推导与Python可视化相结合的方式，使“倒U形”调节效应的呈现不仅具有统计显著性，而且直观、逻辑严谨；同时，通过替代变量检验和人工神经网络分析两种方法进行稳健性检验，极大地增强了研究结论的可信度。第三，研究对象的针对性与代表性。聚焦于中国最具活力的长三角和珠三角地区的智能制造企业，使得研究结论对于正处于智能化与绿色化转型关键期的中国制造业具有直接的参考价值。第四，理论融合的深度。有机整合了社会—技术系统理论（强调人机作为社会资源与技术资源的互补）与技术可供性实现理论（强调技术潜能通过使用行为转化为绩效），为解析复杂的人机协同创新现象提供了有力的理论透镜。

此外，论文的文献综述部分系统梳理了关于人机关系的替代性、工具性和互补性视角，明确了本研究立足于互补性乐观主义立场；对人工智能可供性、企业绿色创新等概念的界定清晰，并区分了绿色流程创新、产品创新与协同决策，为变量测量和假设发展奠定了坚实基础。研究局限部分作者亦有所提及，如样本集中于两个经济区，结论的普适性有待在其他区域验证；横截面数据难以完全确证因果关系等，这为未来研究指明了方向，例如可以采用纵向研究或案例研究进一步探索动态演化过程。