生成式AI平台生态中的互补者价值共创：机制与逻辑
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，发表于2025年的*Journal of Management Information Systems*（第42卷第2期，页码491-528）。论文标题为《Complementor Value Co-Creation in Generative AI Platform Ecosystems》，聚焦生成式人工智能（Generative AI, GenAI）平台生态中互补者如何通过价值共创机制应对技术特性带来的挑战。
研究领域：本研究属于信息系统与数字平台生态交叉领域，重点关注生成式AI（如大型语言模型）对平台经济中价值共创逻辑的重构。
研究动机：传统数字平台生态中，互补者（Complementors）通过调用平台核心的标准化功能开发互补产品（如APP）。然而，生成式AI的两大特性——开放性（Open-endedness）（输入输出无固定格式）和不可解释性（Inscrutability）（模型输出具有概率性）——使得互补者面临全新挑战：
1. 缺乏可复用的标准化功能；
2. 难以稳定生成符合预期的输出；
3. 终端用户可直接调用AI模型，削弱互补者价值。
研究目标：探索互补者如何通过机制设计应对上述挑战，并揭示其背后的价值共创逻辑。研究以OpenAI平台生态为案例，分析两类互补者——嵌入式互补（Embedded Complements，如ChatGPT插件）和独立式互补（Stand-alone Complements，如调用API的第三方应用）的差异化策略。
案例选择与数据收集：
1. 案例设计：采用嵌入式单案例研究（Embedded Case Study），选择OpenAI平台生态（涵盖嵌入式与独立式互补者）。
2. 数据来源：
- 主要数据：2023年8月至2024年12月对44家互补企业的半结构化访谈（37小时录音转录）；
- 辅助数据：博客、论坛讨论、行业报告及15份补充访谈（包括竞争对手平台产品经理和行业专家）。
3. 样本策略：基于平台对终端用户界面的控制程度，分层抽样三类互补者（仅嵌入式、仅独立式、混合型），确保组织类型（初创企业、非营利机构等）和地域多样性。
数据分析方法：
1. 初步编码：通过“主动迭代分类法”识别初始范畴（如“系统指令优化”“上下文数据提供”）；
2. 机制提炼：合并第二级范畴，形成四大价值共创机制（表4）；
3. 逻辑构建：通过机制交互模式分析，提出“收割逻辑（Reap Logic）”与“差异化逻辑（Differentiation Logic）”。
（1）系统指令优化（Utilize System Instructions）
- 功能：通过“系统提示词（System Prompt）”限定AI模型的任务范围和输出格式。
- 案例：代码生成工具通过Few-shot学习示例约束输出结构，减少概率性偏差。
- 数据支持：75%的受访企业通过A/B测试优化提示词，使输出一致性提升40%以上。
（2）上下文数据供给（Provide Context Data）
- 功能：注入专有数据（如实时价格库）增强输出的独特性和准确性。
- 技术：检索增强生成（Retrieval-Augmented Generation, RAG）从向量数据库动态提取相关数据。
- 案例：旅游搜索平台Kayak通过API提供实时航班数据，使ChatGPT输出结果无法被终端用户直接复制。
（3）用户输入策展（Curate User Inputs）（仅独立式互补）
- 功能：限制用户输入形式（如下拉菜单），避免开放输入导致模型“偏离主题”。
- 权衡：过度限制可能抑制用户创新，需通过交互记录优化平衡点。
（4）模型输出修订（Revise AI Model Outputs）（仅独立式互补）
- 功能：对AI原始输出进行规则过滤或多请求择优（如次级模型评分）。
- 案例：金融合规工具过滤OFAC禁令国家推荐，并插入实时风险提示。
理论贡献：
1. 揭示了GenAI平台中互补者的新型价值共创路径，突破了传统平台理论对“标准化功能”的依赖；
2. 提出“开放性”和“不可解释性”作为平台核心特性的分析框架，为后续AI生态研究奠定基础。
实践意义：
1. 互补者可依据控制权（终端界面权限）选择机制组合——独立式互补需强化输入输出管控，嵌入式互补需依赖数据独占性；
2. 平台所有者可通过API设计（如结构化输出支持）降低互补者开发门槛。
研究附录中的四个企业案例（如Codecorporate、Visualizationstartup）生动展示了机制落地过程，可作为教学或行业实践的参考模板。