夜雨聆风LITERATURE DIGEST · MISQ 2025
AI 创新，真的该像普通 IT 项目那样组织吗？
Lin 与 Maruping 用美国专利数据做了一个很有力度的比较：AI 创新与 IT 创新在“激进性”和“流程导向”上并不一样，这意味着它们的组织方式也不该一样。
导读：企业做 AI 项目失败，很多时候不是因为技术本身不够好，而是因为组织方式出了问题。Lin 和 Maruping 这篇发表于 MIS Quarterly 的研究从一个非常基础、但又常被忽略的问题切入：AI 创新和普通 IT 创新究竟是不是同一种东西？如果不是，我们就不能默认用同一种组织逻辑去管理它们。
00 / PAPER CARD
文献信息
| Organizing for AI Innovation: Insights From an Empirical Exploration of U.S. Patents | |
| MIS Quarterly, Vol. 49, No. 3 | |
01 / QUESTION
为什么这篇文章重要？
过去几年，企业在 AI 上投入越来越多，但失败和受挫的案例也同样频繁。一个常见问题是，企业经常把 AI 创新当作普通 IT 创新来组织：像做软件项目一样排计划、像做系统上线一样设交付、像做常规数字化一样管理团队。
但越来越多研究者开始怀疑：这可能正是问题所在。
AI 和传统 IT 确实都属于信息技术范畴，但它们并不完全同质。AI 涉及学习、感知、推理、自主性、不透明性，也高度依赖数据与模型训练过程。很多 AI 项目之所以卡住，不是因为“没写完代码”，而是因为问题定义不清、数据语境复杂、结果难解释、组织协作跟不上。
如果 AI 创新和普通 IT 创新在本质上就不同，那么“该怎么组织 AI 创新”这个问题，就不能靠经验照搬回答。
Lin 和 Maruping 的切入点非常聪明：在讨论管理方法之前，先回答一个更底层的问题，AI 创新与 IT 创新究竟在创新“形态”和“幅度”上有什么系统性差异？
02 / FRAMEWORK
他们比较的不是“AI 强不强”，而是两件更基础的事
这篇文章借用了熊彼特式的创新框架，抓住了两个维度：
第一，创新的形态（form）
它更偏产品导向，还是更偏流程导向？前者强调新的产品或功能，后者强调新的做事方式、业务流程或操作体系。
第二，创新的幅度（magnitude）
它更偏激进创新，还是更偏渐进创新？也就是，它究竟是在显著偏离既有技术路径，还是更多建立在已有技术基础上做改进与重组。
作者认为，这两个维度非常关键，因为不同形态、不同幅度的创新，往往需要不同的组织方式、结构安排和知识搜索策略。
如果 AI 创新整体上更接近流程型、渐进型创新，那么我们对 AI 的组织想象就需要调整。企业可能不该总用“突破性技术革命”那种叙事去管理它，而更该从流程重构、持续迭代、场景嵌入和跨职能协调的角度去理解它。
03 / DATA
作者怎么把这个问题做成一个扎实的经验研究？
这篇文章的方法很有代表性。它没有停留在概念讨论，而是直接用美国专利数据构造了一个大样本比较研究。
作者先识别 AI 专利，再从非 AI 专利中识别 IT 专利。然后，他们用一个五步程序构造可比样本：按同样的申请年份、相同的主 Level-4 CPC 分类代码来配对 AI 与 IT 专利，再结合标题和摘要文本相似度做更细匹配，并进一步使用 coarsened exact matching 提高样本可比性。
最终样本有多大？
283,688 个 AI 专利和 283,688 个匹配 IT 专利，总计 567,376 个观测。这个规模让它不只是“挑几个案例做印象比较”，而是能更稳定地识别总体模式。
为了测量“激进性”，作者使用了专利知识重组的思路：如果一项专利引用了与自身分类差异更大的既有知识，它就更可能代表更激进的知识组合。论文中的 radicalness 指标越高，反而表示这项创新越不激进、越接近既有知识路径。
为了测量“流程导向”，作者识别专利 claim 中是否包含“process”“method”等关键词，并计算一项专利中流程性 claim 所占比例，以此得到 process orientation 指标。
这两个指标一起，刚好对应文章关心的两个核心维度：创新的幅度和创新的形态。
04 / FINDINGS
核心发现：AI 创新更不激进，也更偏流程导向
作者的主结果非常清晰，也很有冲击力。
在多个模型设定下，AI 专利相较于匹配的 IT 专利，稳定地表现出两个特征：
1. 更不激进
AI 专利在知识重组上更接近既有技术路径。换句话说，相对于 IT 专利，AI 创新整体上更少体现出那种剧烈跳跃式、强突破式的知识组合。
2. 更偏流程导向
AI 专利更强调 process 和 method 这样的过程性内容，说明 AI 创新更多落在“怎么做事、怎么改变流程、怎么嵌入既有业务”上，而不只是产品层面的新功能或新物件。
作者不仅报告了均值层面的差异，还做了分位数回归，发现无论在不同激进性水平还是不同流程导向水平上，这种差异都比较稳定。换句话说，这不是由少数极端 AI 专利拉出来的结果，而是一个分布层面上都存在的总体趋势。
这篇文章真正想说的，不是“AI 不重要”，而是“AI 创新在现实组织里，往往更像流程改造和渐进式嵌入，而不是想象中的纯颠覆性突破”。
05 / ROBUSTNESS
作者怎么证明这不是“样本巧合”？
为了让结论更可信，作者做了很多稳健性检验。
第一，他们尝试了不同的 CPC 匹配层级，也尝试用更宽口径定义 IT 专利，结果一致。
第二，他们换了流程导向的测量方式，比如调整 process 关键词搜索范围、只看独立 claim，结果仍然一致。
第三，他们按 filing year 切分样本，发现无论是 1976-2000、2001-2010，还是 2011-2020，AI 专利相较 IT 专利“更不激进、更偏流程导向”的特征都持续存在。
第四，他们按 AI 类型做子样本分析。无论是 learning、sensing、reasoning 还是 hardware 类型，AI 与 IT 的差异都大体稳定。
第五，他们还看了边界条件。结果显示，AI 创新更不激进这一点几乎不受企业类型、企业规模、市场份额、研发能力等特征影响；而 AI 创新更偏流程导向的程度，会在 IT 行业和高动态环境中更加明显。
06 / ORGANIZING LOGIC
基于这些发现，作者提出了什么组织 AI 创新的逻辑？
这篇文章最有意思的地方在于，它没有停在“AI 和 IT 不一样”这个结论，而是进一步提出了一个组织 AI 创新的概念框架。作者认为，如果 AI 创新更偏渐进、也更偏流程导向，那么成功的 AI 创新需要在三个方面做相对 IT 创新更明显的调整。
1. 更重视流程管理
AI 创新需要把创新流程表示出来、诊断出来、改进出来，并形成可重复的执行路径。因为 AI 项目往往高度迭代，模型训练、数据处理、错误诊断和输出解释都不是一次性工作。作者据此提出命题 P1：相较于 IT 创新，增加流程管理实践会提高 AI 创新的成功率。
2. 更正式、也更集中化的结构安排
作者并没有顺着“AI 创新一定要完全去中心化、完全实验化”这条直觉走。相反，他们认为，正因为 AI 创新更常围绕既有产品和流程做改进，所以更正式、更集中化的结构安排有助于问题选择、资源协调和跨角色对齐。作者据此提出命题 P2：相较于 IT 创新，增加正式化与集中化结构安排会提高 AI 创新成功率。
3. 知识搜索不能只靠“广”，更要靠“深”
作者把知识搜索分成内部搜索、外部搜索广度和外部搜索深度。由于 AI 作为设计材料强依赖本地数据与业务语境，作者认为内部知识搜索尤其重要；而外部搜索方面，相较于铺得很广但很浅，AI 创新更需要与少数关键外部伙伴建立深度关系，获得更具情境化的知识与共同语言。他们进一步提出 P3a、P3b 和 P3c，认为增加内部搜索、增加外部深度搜索会提升 AI 创新成功率，而这种深度外部搜索在动态环境中更有价值。
07 / WHY IT MATTERS
这篇文章为什么值得科研和管理实践关注？
它至少有三层价值。
第一，它纠正了一种过于粗糙的 AI 叙事。 很多研究和实践喜欢把 AI 直接等同于“激进创新”“颠覆性创新”。这篇文章提供了一个重要的反面证据：从大样本专利比较来看，AI 创新整体上并不比 IT 创新更激进，反而更像渐进式、流程型创新。
第二，它把“AI 项目为什么难做”说得更具体了。 困难不只来自技术复杂度，还来自组织逻辑错配。用管理一般 IT 项目的办法来管理 AI 创新，很可能忽视了 AI 创新对流程映射、跨角色对话、语境理解和深度协作的依赖。
第三，它为后续研究提供了一个很好的理论起点。 作者没有把经验发现直接包装成确定性的因果定理，而是谨慎地把结果与现有创新理论连接起来，进一步提出可检验的命题。这种“先做经验辨识，再提出组织命题”的路径，其实很值得做数字创新研究的人学习。
08 / MY READING
怎么理解这篇文章的真正意思？
我觉得这篇文章最值得记住的，不是“AI 创新更不激进”这个字面结论，而是它提醒我们重新校准对 AI 创新的组织想象。
很多企业和管理者对 AI 创新的期待，混杂着两种叙事：一种是技术颠覆叙事，觉得 AI 会彻底改写行业；另一种是软件工程叙事，觉得 AI 项目只是更难一点的 IT 项目。Lin 和 Maruping 其实在说，这两种叙事都不够准确。
AI 创新当然重要，甚至可能非常重要，但它在组织层面往往不是以“横空出世的产品革命”出现，而是以“嵌入流程、优化过程、重组既有价值主张”的方式展开。它依赖的不只是算法本身，而是流程、结构、协作和情境理解。
这篇文章不是在给 AI“降级”，而是在给 AI 创新“校准组织逻辑”。
如果你做的是数字创新、信息系统、技术管理或组织研究，这篇文章都很值得细读。它不仅给出一个清楚的经验模式，也为“如何组织 AI 创新”提供了一个可继续展开的研究框架。
09 / LIMITS
这篇文章也有哪些边界？
当然，这篇文章也不是没有限制。
第一，它研究的是专利，而不是所有真实世界中的 AI 创新活动。专利能很好反映某些技术特征，但未必覆盖全部未专利化、未正式进入专利系统的创新努力。
第二，它比较的是 AI 专利和 IT 专利的相对模式，而不是直接观察企业内部真实的组织过程。因此，后半部分关于流程管理、正式化结构和知识搜索的命题，是建立在经验发现与现有理论连接之上的推导，还需要未来研究进一步验证。
第三，文章虽然考察了许多边界条件，但仍然主要在美国专利体系下展开，其他国家、其他制度环境以及更多非专利型 AI 创新场景，还需要继续积累证据。
FINAL TAKEAWAY
如果说过去很多企业做 AI 失败，是因为把 AI 当成普通 IT 项目来管理，那么这篇论文的价值就在于告诉我们：AI 创新的难点，不只是技术本身，而是你是否用对了组织方式。
文献来源：Lin, Y.-K., & Maruping, L. M. (2025). Organizing for AI Innovation: Insights From an Empirical Exploration of U.S. Patents. MIS Quarterly, 49(3), 1095-1122. DOI: 10.25300/MISQ/2025/18765
