论文作者与出版信息 本文作者是Ayenda Kemp，其所属机构为弗吉尼亚理工大学。该论文发表于*Academy of Management Review*期刊。

论文主题与类型 这是一篇理论构建论文，旨在提出一个名为“情境化人工智能”的新理论框架，以解决企业在利用人工智能建立可持续竞争优势时所面临的核心战略困境。

学术背景与研究目标 本文的研究领域横跨战略管理、组织能力理论以及人工智能在商业中的应用。尽管人工智能在提升生产效率和推动产品创新方面潜力巨大，但现有的战略管理理论对于企业如何利用AI构建独特且难以模仿的竞争优势的解释存在不足。作者指出，AI本身具有三个关键的战略局限性，阻碍了其直接转化为企业层面的竞争优势： 1. 通用性：AI作为一种通用目的技术，其算法逻辑和基础模型具有普适性，容易被竞争对手获取和应用，从而难以形成差异化。 2. 显性知识特性：AI算法及其依赖的数据多以编码化的显性知识形式存在，容易被复制、窃取或通过员工流动扩散，导致知识保护困难。 3. 短视性：AI算法通常聚焦于特定的细分任务，缺乏对组织内任务间相互依存关系以及企业整体战略的全局性理解，其行为可能与企业整体利益背道而驰。

鉴于这些挑战，作者提出了研究的核心目标：构建一个理论框架，解释企业如何通过“情境化”过程来克服AI的战略局限性，从而发展出能够驱动可持续竞争优势的“AI驱动型组织能力”。

理论框架的核心构建：情境化AI及其构成活动 作者的核心理论贡献是提出了“情境化AI”这一概念。情境化AI是指将其能动性限定在企业的经验系统、结构系统和关系系统之中的AI。简而言之，就是让AI的“思考和行动”深深植根于特定企业的独特背景之中。为了实现这一点，企业需要进行三种核心的“情境化活动”：锚定、界定与重构。

锚定：锚定活动的核心是有选择性地塑造AI的学习经验基础。它涉及战略性地分配组织注意力和资源，决定AI从组织的哪些历史经验中学习。这不仅仅是被动地收集数据，更包括主动创造数据（如通过实验、加装传感器）、筛选数据范围（决定哪些数据应被排除在外），以及通过微调通用模型来融入企业特有的知识。锚定的主要目的是对抗AI的通用性。通过将AI的训练数据和学习过程与企业独特的历史经验、知识和信念体系相结合，可以促使AI发展出与竞争对手不同的行为模式，从而增强由此发展出的AI驱动能力的企业特异性。

界定：界定活动的核心是将AI的能动性锚定在企业的合同关系网络之中，以塑造其开发和部署的背景。这包括一系列旨在保护AI相关资产、限制知识外溢的组织行动，例如：实施数据加密和网络安全投资；与员工、供应商签订严格的保密协议；战略性收购拥有关键数据或人才的初创公司；游说政府制定有利的数据隐私法规；以及通过合同手段捕获计算资源或服务器管理等行业瓶颈。界定的主要目的是对抗AI的显性知识特性。它通过建立法律、合同和技术壁垒，降低企业内部和外部的知识侵占风险，保护由AI驱动能力创造的价值不被轻易复制，从而降低能力开发的长期成本（防止价值流失）。

重构：重构活动的核心是调整企业内部的技术和流程，将AI的能动性锚定在企业的任务、关系和战略相互依存系统中。它涉及对AI算法本身及其所在的联合流程进行持续的、有目的的适应性调整。具体行动包括：定制化修改AI算法；调整同一联合流程内不同AI算法间的连接结构；根据AI与组织战略的契合度，提升或降低某些算法或流程的优先级。重构的主要目的是克服AI的短视性。通过有组织的反思和调整，企业能够发现并解决因AI无法理解组织内部相互依存关系而导致的错位问题，从而提升AI驱动能力与组织内部任务环境及外部战略机会之间的环境匹配度。

作者在文中提出了一个基础命题：在能力开发和部署过程中，锚定、界定和重构这三种情境化活动的运用程度越高，企业利用AI驱动能力建立竞争优势的可能性就越大。

内部与外部约束条件 论文进一步探讨了影响情境化活动效果的内外部约束条件。

内部技术约束： * 监督学习：与无监督学习相比，监督学习要求人类为训练数据提供“正确答案”标签。作者提出，监督学习能增强锚定和界定的效果。因为在监督学习下，训练数据的标签往往凝结了多位训练者复杂、甚至默会的知识，这增强了由此形成的数据模式的独特性（提升锚定效果），同时使得能力的复制需要获取这些默会知识，从而允许企业使用成本相对较低的界定手段（如保密协议）即可达到保护目的（提升界定效果）。 * 可解释AI：作者提出，可解释AI能增强重构的效果。当AI的决策逻辑更易于人类理解时，管理者能更清晰地更新关于AI驱动流程的心智模型，从而更精准、更经济地进行重构调整，以提升能力的环境匹配度。

外部环境约束： * 环境动态性：在快速变化的环境中，组织的既有知识可能迅速过时。论文提出，环境动态性会增强锚定和重构活动的价值。锚定活动可以通过战略性地“遗忘”过时数据来帮助AI“摒弃旧知”，而重构活动则通过主动调整和实验，为组织在不可预测的变化中创造更多的流程变体，从而提升适应能力。

论文的意义与价值 本文具有重要的理论贡献和实践启示。

理论贡献： 1. 连接AI与组织能力理论：论文是首批系统地将AI引入组织能力理论框架的研究之一。它提出了“联合流程”这一新概念，用以描述人机协同运作的组织流程，并深入分析了AI的能动性如何为传统的能力发展带来新的挑战（通用性、显性、短视）和机遇。 2. 提出整合性理论框架：论文提出的“情境化AI”框架，成功地将先前文献中看似矛盾的观点（如AI既能创造价值又可能导致短视和失控）整合到一个连贯的逻辑中。它将AI能力（作为产品特性）重新概念化为根植于企业流程的AI驱动能力（作为组织属性），并通过情境化活动解释了如何调和产品层面的价值创造与流程层面的管理挑战。 3. 拓展了战略管理的研究议程：论文为未来的研究开辟了多条路径，例如：探讨公司治理结构如何影响情境化活动的实施效果；分析市场与制度环境如何制约或促进情境化过程；以及研究情境化AI如何改变组织内因果模糊性的管理悖论。

实践启示： 1. 为管理者提供战略路线图：该框架为企业高管提供了一套清晰的行动指南，使他们超越单纯的技术采购和部署，思考如何通过锚定、界定和重构这三种高阶组织活动，将通用的AI技术转化为企业特有的、受保护的、且与战略高度契合的核心能力。 2. 强调组织与战略层面的投入：论文明确指出，建立AI驱动的竞争优势不仅关乎技术本身，更关乎组织在数据战略、知识保护、流程调整和战略匹配等方面的持续投资和精心设计。这提醒企业，AI的成功应用是一个战略管理过程，而非单纯的技术项目。

研究亮点 1. 理论新颖性与整合力：“情境化AI”是一个原创性强的核心构念，它巧妙地借用了“情境化能动性”的社会学理论，并将其应用于AI这一非人类行动者，理论嫁接具有创新性。框架对现有文献的整合能力突出。 2. 深刻的实践洞察：论文精准地抓住了AI在企业应用中“叫好不叫座”（即能改善流程和产品，却难以转化为企业层面利润和优势）的核心痛点，并从战略管理理论根源出发提供了系统性的解释和解决方案。 3. 清晰的逻辑结构与命题发展：论文从提出问题（AI的战略困境）、构建核心概念（情境化活动）、提出基础命题，再到深入探讨内外部调节因素，逻辑层层递进，构建了一个完整且可被后续实证检验的理论模型。图2对框架的可视化呈现也增强了理论的清晰度。