【论文笔记】深而广的扩展:企业如何利用AI和组织设计克服规模与范围的权衡
摘要 ： 规模与范围之间的权衡长期以来一直是战略难题，尤其是在数字环境中，专业化促进了超大规模化。基于字节跳动的纵向案例研究，我们推测数字企业如何通过人工智能（AI）结合自适应组织设计来克服这一限制。人工智能通过自我学习和跨领域交叉融合不断进化和提升，随着学习的积累，其价值也日益提升。然而，这取决于是否能够访问结构相关的数据，从而使学习能够跨域迁移。我们展示了人工智能如何颠覆了传统资源基础观点的逻辑：多元化不是让宝贵资源促成多元化，而是放大了资源的价值。人工智能因此将规模与范围的联系从权衡转变为战略优势的来源。人工智能和数字平台日益增长的中心地位正在重塑企业追求和维持增长的方式。这项研究考察了字节跳动如何利用人工智能和适应性组织设计，不仅迅速扩大规模，而且实现跨行业和市场的多元化。该公司的人工智能能力没有导致成本或协调复杂性的上升，而是通过跨域的交叉促进，随着每次部署而提高，从而实现了跨多个域的更高效的增长。对于管理者来说，这些发现突显了人工智能和组织结构的动态组合如何有助于克服规模和范围之间的传统权衡，为在竞争日益激烈的环境中进行可扩展的跨市场扩张开辟了新的道路。关键词 ： 人工智能，交叉促进，数字公司，组织设计，规模与范围的权衡
规模与范围的权衡长期以来一直是战略难题，被视为企业成长过程中难以回避的结构性约束。 在工业时代，由于物理资本和人力资源的有限性，企业往往通过资源再部署实现多元化扩张，但这种扩张不可避免地伴随着效率递减与协调成本上升的问题。进入数字时代，虽然数字技术具备“规模无关性”的特征，使企业能够在单一领域实现超规模扩张，但这种能力却强化了专业化趋势，从而在另一维度上限制了企业跨领域拓展的能力。因此，企业在追求规模与范围的过程中，依然面临着深刻的张力。本文正是在这一理论背景下提出核心研究问题： 在以人工智能（AI）为代表的新技术条件下，企业如何突破规模与范围之间的权衡，实现两者的协同扩张？ 本研究以资源基础观（RBV）为出发点，并结合AI应用的新现象尝试对资源基础观进行拓展。首先， 传统RBV认为，企业通过积累具有价值性、稀缺性、难以模仿性和不可替代性的资源来实现竞争优势，并以此支撑多元化扩张。 RBV为理解企业如何通过利用和再部署现有资源实现多元化和拓展新市场提供了基础框架。 然而，这一逻辑隐含一个前提，即资源本身是相对稳定且在使用中逐渐消耗的。本文则指出，AI作为一种基于数据与算法的资源，具有显著的自学习特性，其价值并非在使用中递减，反而在使用中不断增强。 随着数据的持续输入与反馈循环的形成，AI系统能够不断优化自身模型，从而提升预测能力与决策效率。这种“使用即强化”的特性，使AI不同于传统资源，成为一种能够在跨领域应用中实现价值累积的动态资源。 本研究关注的人工智能 主要指的是通过历史互动数据推断用户偏好以优化内容推荐的预测系统，实现了 短格式、持续刷新且高密度的内容推送。频繁的互动产生了丰富的反馈，并激发了潜在需求。其算法不仅响应用户偏好，还积极塑造，将内容传递从被动策划转变为主动刺激。 尽管现有研究探讨了人工智能所具有的不同目的、不同形式的作用，并探讨了 人工智能的自我学习以及它如何取代人工任务，但人们对人工智能在跨域部署时这些特性是如何展开的知之甚少。随着人工智能在业务职能和产品线之间的扩散，组织如何适应以利用其潜力来扩大规模和范围的新问题出现了。因此，我们问：在人工智能驱动的背景下，公司如何既扩大规模又扩大范围？ 本研究 本文采用纵向单案例研究设计，以字节跳动作为典型案例进行深入分析。该企业在短时间内实现了从单一产品到多业务生态的快速扩展，同时在全球范围内实现了规模化增长，具有高度的理论启示意义。研究通过六年的持续跟踪，结合实地观察、半结构化访谈以及大量档案资料，对企业发展过程进行了系统梳理。数据分析方面，作者采用时间序列分析构建企业发展路径，并通过Gioia方法进行编码，最终提炼出一个动态过程模型，揭示AI与组织设计如何共同作用于企业规模与范围的扩展。 基于我们的发现，我们开发了一个过程模型，通过利用人工智能和适应性组织设计来扩展和扩展范围。它包括三个阶段：利用人工智能释放潜在需求，跨域延伸人工智能扩大范围，利用人工智能协调规模和范围的同步扩大。在每个阶段，人工智能机制与组织设计协调工作，以应对挑战。 阶段一： 通过释放潜在需求，利用人工智能进行规模扩张(2012-2016)
企业主要依托AI实现规模扩张，其核心在于通过算法推荐机制释放潜在需求。在传统互联网模式下，信息获取主要依赖用户主动搜索，这在一定程度上限制了需求的表达与扩展。
而字节跳动通过推荐算法，将信息分发逻辑从“人找信息”转变为“信息找人”，不仅提升了内容匹配效率，更重要的是激发了用户的潜在兴趣，从而实现需求的创造（AI机制：赋能潜在需求解锁 ）。在这一过程中，用户的每一次互动都会转化为数据反馈，进一步优化算法模型，形成正向循环（AI机制：优化使用 ）。与此同时，企业通过扁平化组织结构和OKR机制，强化前端业务与后端算法团队之间的协同，使技术迭代能够快速响应市场变化（组织机制：初始结构 ）。
阶段二： 跨域扩展人工智能以扩大范围(2016-2021)
进入第二阶段，企业开始将AI能力从单一领域扩展至多个业务场景，以实现范围扩张。然而，这一过程面临“冷启动”问题，即新业务缺乏初始数据支撑，难以快速建立用户基础。
为应对这一挑战，字节跳动通过算法迁移与跨域学习，将既有模型应用于新领域，并结合多模态数据处理技术实现适配（AI机制：重新部署与适应需求 ）。字节跳动可以在一个新市场部署相同的底层算法结构，并向其提供本地内容和快速优化推荐以匹配当地偏好，采用同瓶不同酒的方式驱动前所未有的扩张速度。从文本内容推荐到短视频推荐的转型过程中，企业通过计算机视觉与语音识别技术，将视频内容转化为可处理的结构化数据，从而延续原有算法逻辑。更为关键的是，不同产品之间的数据可以在一定范围内共享，使AI能够在多个领域中持续学习并提升性能。 人工智能通过跨域使用进行自我学习，这种跨域使用反过来会产生新的信号，进一步完善模型。 （AI机制：交叉促进（授粉）扩大范围 ）。在组织层面，企业构建了“大中台+小前端”的结构，通过集中化技术平台实现能力复用，同时通过业务伙伴机制嵌入各业务单元，确保技术与具体场景之间的紧密结合（组织机制：交叉促进的中台支持 ）。 新的见解随后被纳入随后的模型培训，使推荐系统能够改进一套更多样化的使用模式。结果，抖音和其他短视频应用的算法集体变得更智能，展示了字节跳动的AI平台如何将多元化转化为相互学习和更快的改进。这超出了传统系统通过工具共享和定期更新所能实现的范围。
阶段三： 使用人工智能协调同步的规模和范围扩展(2021-2025)
在第三阶段，随着业务范围的不断扩大，企业开始面临资源分配与组织复杂性带来的新挑战。不同业务之间在流量、用户与商业化目标上存在竞争关系，传统的集中式管理模式难以有效协调。
对此，字节跳动逐步将AI从内容推荐工具转变为资源配置机制，通过算法动态调整不同利益相关方之间的权重，实现多目标平衡（AI机制：AI引导资源分配 ）。例如，在用户体验与广告收益之间，系统可以根据战略优先级进行实时优化。同时，企业将AI能力进一步产品化，对外提供技术服务，从而拓展新的业务边界（AI机制：通过AI交叉促进（授粉）实现规模化 ）。 通过使用通过跨先前领域的交叉促进而提升的人工智能技术来增强内容创作者的能力，抖音扩大了其活跃用户的规模。 在组织设计上，企业从统一中台转向业务单元制（BU），将技术能力嵌入各个业务板块，实现更高程度的灵活性与定制化。这一转型不仅提升了组织响应能力，也为后续增长提供了制度基础（组织机制：可定制化的分散式平台 ）。
通过AI实现规模和范围的同步模型
该模型揭示了 公司如何通过人工智能和组织设计来扩大规模和范围，核心在于揭示AI从“需求驱动工具”到“跨域学习载体”再到“规模与范围协调机制”的功能跃迁过程，并强调不同阶段中AI机制与组织设计之间的匹配关系。在初始阶段，AI通过推荐算法激发潜在需求并形成基于用户反馈的自我强化回路，从而推动规模扩张；在中间阶段，AI能力通过跨领域迁移与数据共享实现“交叉授粉”，使不同业务之间形成相互促进的学习机制，从而拓展企业范围；在后期阶段，AI进一步演化为资源配置与利益协调的核心工具，通过动态权重调整在用户体验、商业化与内容生态之间实现平衡，进而支持规模与范围的协同增长。
在此过程中， AI是一种“在使用中增强、在跨域中进化”的特殊资源，其价值不仅来源于规模扩张带来的数据积累，也来源于范围拓展带来的多样化学习机会。由此，企业不再需要在规模与范围之间进行权衡，而是可以通过AI与组织设计的协同配置，将二者转化为相互强化的增长路径。这一模型的关键在于：规模扩张为AI提供数据基础，范围扩展为AI提供学习多样性，而AI的持续优化又反过来提升两者的实现效率，从而形成一个递进式的正向循环机制，最终突破传统战略理论中的规模—范围权衡逻辑。
基于上述案例分析，研究提出一个揭示公司如何利用AI实现规模和范围同步扩张的模型，在理论层面做出了三点贡献： 1. 本研究扩展了RBV 关于资源静态性的假设， 将人工智能理论化为一种战略资源，通过跨域重新部署来增加价值，即cross-fertilization 。 相比之下，人工智能几乎是自主学习的：每个应用程序都会引入新的差异并改进其模型，而从一个领域学习会提高其他领域的性能，通过(重新)使用来加强资源，而不需要依赖代价高昂的人类重组。 自学提供了学习、适应和改进的能力，而交叉培养则维持和丰富了这种学习 。2. 本研究颠覆了原本RBV将资源与多元化联系起来的传统逻辑。本研究指出， 在人工智能驱动的背景下，多样化增强了资源本身。跨域部署扩展了向模型提供数据的数量和多样性，激活了增强性能的“数据网络效应”。这种倒置将多样化从一种学习方式重新定义为一种学习方式。多样化成为一种能力建设机制，产生了一条自我强化的学习和改进轨迹。 3. 我们展示了人工智能的交叉促进（授粉），嵌入到适应性组织设计中，如何使公司能够克服规模范围的权衡。 当人工智能与适应性组织设计相结合时，通过改变重新部署和抵消的经济学，甚至扭转其机会成本，提供了一条不同的途径。每个新的人工智能应用程序都会生成优化模型的数据，而自适应的组织结构会将这些改进跨域传播，以推动系统范围的收益。 1.一个最直接且具有方法论意义的启发在于： 同一案例并不存在“唯一正确的理论解释路径”，关键在于研究者如何选择理论视角、识别张力并构建理论缺口 。以抖音（字节跳动）为例，本文从“规模—范围权衡”的经典战略问题切入，将AI与组织设计的协同作为核心解释机制，揭示企业如何突破这一长期存在的结构性约束；而另一类研究则从平台生态视角出发，关注抖音如何从边缘互补者逐步跃迁为生态主导者，其关注点转向权力结构演化、平台治理与互补者关系重塑。这种差异说明，高水平案例研究并不在于“选择一个新案例”，而在于 在既有现象中重新界定问题边界 。具体而言，一项研究若希望达到顶级期刊水平，往往需要在三个层面进行突破：其一是理论张力的重新识别，即将看似已被解释的现象置于新的理论矛盾中（如从“平台竞争”转向“规模—范围权衡”）；其二是机制层面的深入挖掘，即不仅描述现象变化，更要解释其内在生成逻辑；其三是分析单位的重新界定，例如从“平台—互补者关系”转向“AI能力—组织设计协同”。由此可以看出，开发高水平案例研究的关键路径在于： 通过理论视角切换，重构研究问题，从而在同一经验材料中发掘新的理论空间 。 2.本文对AI“cross-fertilization（交叉授粉）机制”的深化阐释。尽管既有研究已提及跨域学习或知识迁移，但多停留在“能力可迁移”的描述性层面，而本文的贡献在于，将这一机制嵌入到动态资源演化与组织设计之中，系统揭示其生成条件与作用路径。具体而言，文章不仅指出AI能够在不同业务中复用算法架构，更强调 跨域数据输入如何通过持续学习改变模型本身，使其在不同情境中不断增强预测能力 。这一点对于高水平论文尤为关键，因为顶级期刊往往不满足于提出新概念，而更强调 对概念进行机制化、条件化与过程化的解释 。同时，文章通过单一案例提炼出具有普遍意义的理论命题，展示了案例研究从“情境性发现”走向“普遍性贡献”的路径，即通过不断抽象，将具体机制上升为可迁移的理论逻辑。 3.这篇文章实际上展示了一种更深层的研究取向转变，即 从“资源配置逻辑”走向“资源生成逻辑” 。这一转变不仅对战略管理理论具有重要意义，也为未来研究提供了新的问题空间。例如，可以进一步探讨不同类型AI（生成式AI、预测型AI等）在资源生成机制上的差异，或分析不同组织模式如何影响这种“自增强资源”的演化路径。此外，文章还隐含一个值得延展的方向，即 AI是否正在改变企业边界的形成机制 ：当资源可以通过跨域学习不断强化时，企业是否仍需要通过传统纵向整合或横向扩张来获取能力？这一问题有望将研究从企业内部扩展到产业与生态层面。 参考文献： Wan F, Yang T, Shi X, et al. Scaling high and wide: How firms leverage AI and organizational design to overcome the scale‐scope trade‐off[J]. Strategic Management Journal. 温馨提示： 本篇内容仅限于学术交流，不构成任何其他目的。论文版权归作者或单位所有。如有内容错误或建议，欢迎反馈与指导！
夜雨聆风
