本研究由孙哲（Zhe Sun，吉林大学中国公共部门经济研究中心及经济学院）、温玉君（Yujun Wen，吉林大学经济学院）、赵亮（Liang Zhao，英国思克莱德大学商学院Hunter创业、战略与创新中心）、Intesar Almugren（沙特努拉·宾特·阿卜杜勒拉赫曼大学教育学院）以及Aradhana Galgotia（印度加尔戈蒂亚斯大学商学院）共同完成。该论文发表于《Technological Forecasting & Social Change》期刊2026年第225卷，并于2026年1月7日在线发表，论文doi为10.1016/j.techfore.2025.124511。赵亮为本文的通讯作者。
人工智能（Artificial Intelligence, AI）作为一项通用目的技术（General-Purpose Technology, GPT），在推动企业运营效率与创新能力方面取得了显著进展。然而，伴随着这股浪潮，一种被称为“AI漂洗”（AI Washing）的现象开始出现。AI漂洗是指企业通过夸大自身AI能力或虚构应用场景来误导利益相关者的行为，这与“漂绿”（Greenwashing）现象类似。
现有研究已经从技术特征和监管缺口等角度探讨了AI漂洗的驱动因素，并部分研究了其对组织合法性、投资者信心和企业估值的影响。然而，学界普遍认为AI漂洗会扭曲资源配置，但关于这种资源错配对企业技术差距的深层影响却缺乏充分探讨。
本研究基于认知失调理论（Cognitive Dissonance Theory），旨在实证检验AI漂洗（即企业AI叙事与实际能力之间的差异）如何影响企业技术差距。作为全球最大的新兴经济体，中国在AI技术潜力和不断演变的制度环境方面为研究AI漂洗提供了独特的现实背景。
本研究构建了一个多源面板数据集，涵盖2007年至2022年中国A股上市公司。具体而言，AI相关披露数据源自企业年度报告；专利数据来自中国国家知识产权局（CNIPA）；财务数据来自中国股票市场与会计研究（CSMAR）数据库；媒体报道数据则来自中国金融经济新闻数据库（CFDN）。研究以2007年为起点，原因在于此前的企业年报中AI相关信息极为有限，无法进行有效测量。
为了保证样本稳健性，研究者采取了多项筛选标准：剔除金融行业企业；剔除ST、*ST或PT类企业；删除存在缺失值的观测值；对所有连续变量在1%和99%分位数上进行缩尾处理以减轻异常值影响。最终样本涵盖17个行业的3842家上市公司，共计36,200个企业-年度观测值。
自变量测量——AI漂洗指数：研究者借鉴并扩展了测量漂绿行为的概念与方法框架，基于企业AI技术披露水平与实际技术能力之间的差异构建了AI漂洗指数。具体而言，研究开发了专有的AI关键词词典，利用网页抓取技术提取企业年报中AI相关关键词的出现频率，以此作为企业公开宣称的AI战略与承诺的代理变量。而企业实际AI能力则通过每年获得的AI相关专利授权数量来衡量。为减轻行业异质性和企业规模差异带来的可比性偏差，研究者对披露频率和专利数量均进行了标准化处理，最终通过公式计算出AI漂洗程度——偏差越大，表明AI漂洗水平越高。
因变量测量——技术差距：本研究采用专利产出差异作为测量企业技术差距的替代指标。具体而言，以企业每年获得的专利授权总量作为其技术创新产出的指标，将同行业内当年获得专利授权最多的企业定义为技术前沿，并计算目标企业与前沿企业之间的差距。
中介变量与调节变量：研究引入两个中介变量：企业层面研发投资（以企业年度研发支出的自然对数衡量）和行业层面研发投资（以同行业所有企业年度研发平均支出的自然对数衡量）。调节变量为AI赋能参与式学习能力（AI-Enabled Participatory Learning Capability），通过计算AI相关专利占企业总专利的比例与人均研发支出的乘积来估算。
为检验AI漂洗对上市公司技术差距的影响，研究构建了双向固定效应模型，并扩展构建了中介效应模型和调节效应模型，控制变量包括资产收益率、固定资产比率、高管薪酬、董事会规模、股权制衡度、上市年限、企业规模和杠杆率等。
研究首先仅控制年份和行业固定效应进行回归分析，发现AI漂洗一次项系数显著为正，二次项系数显著为负，表明AI漂洗与企业技术差距之间存在潜在的倒U型关系（Inverted U-shaped Relationship）。在纳入全部控制变量后，回归结果依然稳健，计算出的拐点为2.6531。U检验确认了倒U型关系的存在。
从经济学意义上看，适度的AI漂洗可以帮助企业通过塑造技术形象和迎合市场预期来获取外部资源，但由于缺乏实际资源投入，这种行为可能扩大技术差距。然而，当AI漂洗过度时，AI相关披露与企业实际AI能力的显著偏离会引发强烈的认知失调，进而迫使企业增加研发投资、增强AI能力，最终缩小技术差距。
研究者通过替换关键解释变量（使用管理层讨论与分析部分的AI关键词频率）、替换因变量（使用专利申请数量代替授权专利）、采用更严格的固定效应设定（替换为个体固定效应及加入行业×城市交互固定效应）以及控制遗漏变量等一系列方法进行稳健性检验，所有结果均一致支持倒U型关系的稳健性。
针对内生性问题，研究采用两阶段最小二乘法（2SLS），以企业社会形象（由正面媒体报道和正面报纸报道频率衡量）作为工具变量，并通过了弱工具变量检验和内生性检验。此外，倾向得分匹配（PSM）方法的回归结果也再次确认了倒U型关系的存在。
企业层面研发投资的中介效应：研究采用三步回归法检验中介机制。结果显示，AI漂洗与企业层面研发投资之间存在显著的U型关系：在低水平AI漂洗时，企业研发投入遭遇“资源挤出效应”；当AI漂洗超过一定阈值后，认知失调带来的紧张感促进行为调整，刺激研发投资回升。Bootstrap检验和Sobel检验均证实了企业层面研发投资的中介效应显著，间接效应在总效应中的占比为69.14%。假设H2得到支持。
行业层面研发投资的中介效应：研究同样发现AI漂洗与行业层面研发投资之间存在倒U型关系。在适度水平时，企业夸大的信号可能误导同行对技术进展状态的认知，引发行业内的“技术军备竞赛”；当AI漂洗过度、信号效应丧失可信度后，同行可能对此类信号产生免疫，导致行业层面研发投资的理性回落。中介效应同样显著，间接效应占比为51.08%。假设H3得到支持。
研究引入AI赋能参与式学习能力作为调节变量。结果显示，AI漂洗二次项与AI赋能参与式学习能力的交互项显著为正，与基础模型中的符号相反。这表明，具备更高水平AI赋能参与式学习能力的企业，其倒U型曲线的曲率受到削弱，技术差距对AI漂洗变化的敏感度降低，曲线趋于平坦化。分组比较进一步验证了高参与式学习能力组的企业曲线明显更为平坦。假设H4得到支持。
投资者情绪：研究构建企业层面的投资者情绪指数，发现投资者情绪越高涨，倒U型曲线越陡峭。高投资者情绪的市场环境增强了企业对认知失调引起不适的容忍度，推迟了行为修正的触发点。
制度环境：利用中国国家新一代人工智能创新发展试验区（始于2019年）的准自然实验，研究发现位于试点区域的企业，倒U型曲线显著平坦化，说明更严格的监管和更完善的AI基础设施抑制了AI漂洗的激励，软化了其影响的非线性特征。
技术密集度：依据研发人员占比将企业分类，发现技术密集型企业中倒U型曲线同样显著平坦化，其强大的技术基础发挥了缓冲作用，追赶策略也更具选择性和战略一致性。
本研究的首要发现是，企业AI漂洗与技术差距之间存在倒U型关系，这挑战了AI漂洗一律阻碍技术创新的线性假设，为认知失调理论在企业技术战略语境下提供了非线性的拓展。该关系通过企业层面和行业层面研发投资的双重路径进行传导，打破了静态分析框架。
在理论贡献方面，本研究推动了AI漂洗研究从概念化向实证分析的跨越，揭示了认知失调引发的补偿性研发行为这一修正机制；将认知失调理论拓展至AI战略领域，丰富了组织层面应对失调的理论解释；重构了技术差距的演化逻辑，补充了认知驱动动态调整的理论视角。
在实践启示方面，监管机构应完善AI相关披露的监管框架，根据行业特征制定差异化披露标准；行业协会应与研究机构合作开发可量化的企业AI实际能力评估体系；企业决策者应增加对AI人力资本的投资，加强对AI战略的治理，避免为迎合资本市场而过度炒作AI概念。
本研究的突出亮点在于：第一，首次通过量化方法构建可测量的AI漂洗指标，推动该领域走向严谨的实证分析；第二，将认知失调理论从个体心理学拓展至企业战略失实陈述领域，显著拓宽了该理论的应用边界；第三，运用认知失调理论揭示了技术差距作为由认知失调驱动的动态演化过程，丰富了技术差距动态研究；第四，识别了AI赋能参与式学习能力对失调解决的调节作用，将认知失调理论与AI技术特征相整合。