AI不只是“黑科技”,更是企业应对市场变化的“敏捷引擎”—

AI不只是“黑科技”,更是企业应对市场变化的“敏捷引擎”——基于企业的实证研究

作者：Yulia Sullivan, Samuel Fosso Wamba
期刊：Journal of Business Research (2024)
分区：SSCI 一区（ABS 3星，商业领域顶级期刊）
英文标题：Artificial intelligence and adaptive response to market changes: A strategy to enhance firm performance and innovation

📌 一句话概括

AI不是万能药，但用对地方能大幅提升企业对市场变化的响应能力（ARMC），进而驱动绩效和双元创新。
三种AI能力——自动化、分析、关系——各有适用场景：

稳定环境下，自动化最有效
敌对环境（竞争激烈、资源紧缺）下，分析能力是关键
动态环境（需求和技术快速变化）下，关系能力才是王道

ARMC是连接AI投入与企业产出的核心桥梁，解释了AI如何真正创造价值。

🧠 研究背景：AI热潮下，企业该往哪里投？

AI被公认为最具颠覆性的新技术，但很多企业盲目跟风，投资AI却不见回报。原因在于：AI的价值不在技术本身，而在于它能否帮助企业更快、更好地响应市场变化。

市场变化包括：客户偏好突变、竞争对手出招、技术迭代加速。企业能否敏捷地识别并适应这些变化，直接决定生死。

现有研究缺乏对“AI如何增强组织适应性”的系统理论框架和实证检验。本文基于动态能力理论和组织敏捷性视角，提出“适应性市场响应（ARMC）”这一核心构念，并检验三种AI能力在不同环境条件下的差异化作用。

🧩 理论框架：动态能力 + 敏捷性

🔹 动态能力（Teece et al., 1997）

感知机会与威胁
抓住市场机会
重组资源

🔹 组织敏捷性（Sambamurthy et al., 2003）

客户响应、运营调整、伙伴关系

ARMC = 客户响应能力 + 运营调整能力，是敏捷性的核心体现。

🔹 三种AI能力（Davenport & Ronanki, 2018；Huang & Rust, 2021）

AI能力	定义	示例
AI自动化	执行重复、常规任务，少量学习	RPA、自动客服、库存跟踪
AI分析	处理海量数据，发现模式，预测结果	预测设备故障、个性化推荐、场景模拟
AI关系	与用户自然交互，学习适应	聊天机器人、虚拟助手、智能客服

🧪 研究模型与假设

📌 模型框架（见原文Fig.1）

前因：三种AI能力（相互关联：自动化→分析→关系）
中介：ARMC（客户响应 + 运营调整）
结果：企业绩效、流程创新、产品创新
调节：环境敌意（hostility）、环境动态性（dynamism）

📌 主要假设

能力间关系

H1：自动化 → 分析（+）
H2：分析 → 关系（+）
H3：自动化 → 关系（+）

主效应

H4：自动化 → ARMC（+）
H5：分析 → ARMC（+）
H6：关系 → ARMC（+）

环境调节

H7a-c：环境敌意 负向调节 自动化→ARMC，正向调节 分析→ARMC，负向调节 关系→ARMC
H8a-c：环境动态性 负向调节 自动化→ARMC，正向调节 分析→ARMC，正向调节 关系→ARMC

结果

H9：ARMC → 绩效（+）
H10a：ARMC → 流程创新（+）
H10b：ARMC → 产品创新（+）

📋 研究方法：两阶段纵向调查

📍 数据来源

欧洲企业（法国68.2%，英国31.8%），已采用AI
受访者：IT高管 + 业务决策者（C-level、总监、经理）
时间：第一阶段（2020年11月）测量AI能力、环境、ARMC等；第二阶段（4个月后）测量绩效和创新
有效样本：107家企业（两阶段匹配后）

📏 核心量表来源（部分示例）

构念	题项数	来源	示例条目（7点李克特）
AI自动化	3	新开发	“AI工具用于自动化耗时活动，如索赔处理、基础客服、库存跟踪”
AI分析	9	新开发	“AI允许我们更准确预测设备故障”“快速分析数百万组合测试不同决策效率”
AI关系	4	改编自Lee et al. (2020)	“AI系统提供聊天机器人等工具支持客户交互”“使用虚拟代理响应客户查询”
ARMC	7	Tallon & Pinsonneault (2011)	“响应整体消费者需求变化”“定制化产品/服务”“扩展新市场”“采用新技术”
环境敌意	5	Chen et al. (2014)	“企业生存受到劳动力稀缺、材料稀缺、价格竞争、质量竞争、差异化竞争威胁”
环境动态性	3	Lee et al. (2015)	“行业技术变化迅速”“客户偏好变化迅速”（原3项，1项删除）
流程/产品创新	3/3	Prajogo & Ahmed (2006)	“技术竞争力”“采用最新技术的速度”“新产品的数量”
企业绩效	5	Queiroz et al. (2018)	“相比竞争对手，我们的盈利能力、销售增长、收入增长、市场份额增长、整体表现更好”

📌 所有新开发量表经过卡片分类测试、专家评审和预测试，信度良好（CR > 0.88，AVE > 0.54）。

📊 统计方法一览

分析	方法	软件
测量模型	PLS（验证性因子分析、信度、收敛/区分效度）	WarpPLS 7.0
结构模型	PLS路径分析、交互项（Product indicator）	WarpPLS
调节效应	层次回归（Model 1a/1b）	WarpPLS
间接/条件间接效应	Bootstrap	WarpPLS
共同方法偏差	Harman单因子 + 标记变量法	SPSS / WarpPLS
内生性检验	工具变量法 + Durbin-Wu-Hausman	WarpPLS / Stata

📌 模型拟合良好，ARMC的R²从0.53（仅主效应）提升至0.68（加入交互项），效应量f²=0.22（中到大）。

📈 核心结果

✅ 能力间关系（H1-H3）全部显著

自动化 → 分析：β=0.71***
分析 → 关系：β=0.62***
自动化 → 关系：β=0.66***

AI能力存在层级积累：先有自动化，才能更好分析，进而发展关系能力。

✅ 主效应（H4-H6）

自动化 → ARMC：β=0.34***(仍显著)
分析 → ARMC：β=0.14*（仍显著）
关系 → ARMC：β=0.10（不显著）

⚠️ 关系能力的主效应不显著，其作用完全依赖环境条件。

🔁 环境调节效应

🔹 环境敌意（hostility）

交互项	β	结论
自动化 × 敌意	-0.23**	H7a支持：敌意环境下自动化不利
分析 × 敌意	+0.54***	H7b支持：敌意环境下分析能力最宝贵
关系 × 敌意	-0.32***	H7c支持：敌意环境下关系能力风险高

💡 敌意环境（竞争白热化、资源稀缺）中，分析能力是救命稻草；自动化和关系反而拖后腿。

🔹 环境动态性（dynamism）

交互项	β	结论
自动化 × 动态性	-0.01	H8a不成立
分析 × 动态性	-0.08	H8b不成立
关系 × 动态性	+0.35**	H8c支持

💡 动态环境（需求和技术快速变化）中，关系能力通过与客户持续互动学习，显著增强ARMC；自动化和分析则不依赖动态性。

🎯 ARMC对结果变量的影响（H9-H10）

ARMC → 绩效：β=0.38***
ARMC → 流程创新：β=0.27**
ARMC → 产品创新：β=0.30***

ARMC每提升一个单位，绩效和创新能力显著提高。ARMC是完全中介：AI能力不直接驱动创新，而是通过提升响应能力间接实现。

🔗 条件间接效应（部分摘录）

自动化（通过ARMC）→ 绩效：间接效应0.14*（完全中介）
分析×敌意（通过ARMC）→ 绩效：0.21***（有调节的中介）
关系×动态性（通过ARMC）→ 绩效：0.13*（有调节的中介）

💡 实践启示（给企业高管）

1️⃣ 别把AI“一锅端”，要按环境分策略

先评估你的市场环境：敌对？动态？稳定？
稳定 → 投自动化（降本增效）
敌对 → 投分析（洞察趋势、预测风险）
动态 → 投关系（聊天机器人、个性化互动）

2️⃣ ARMC是AI价值的“翻译官”

AI能力不直接产生绩效，必须通过提升响应速度与灵活性才能兑现价值
建议定期评估：你的企业能在多快时间内调整产品、价格、渠道应对市场变化？

3️⃣ 敌对环境下，别用AI客服取代真人

关系能力在敌意环境会反噬（客户不信任、易流失）
此时AI应聚焦后台分析，前台仍保留人工服务

4️⃣ 动态环境下，大胆部署AI关系能力

需求变化快时，AI聊天机器人、虚拟助手能实时学习、快速响应
例如：电商大促期间用AI处理80%标准咨询，人工处理复杂投诉

5️⃣ 创新不是凭空而来，来自“快反”

ARMC能同时促进流程创新（内部效率）和产品创新（市场新供给）
建议建立AI+敏捷的跨职能团队，每周迭代响应市场信号

⚠️ 研究局限 & 未来方向

样本局限：欧洲（法、英），结论可能不直接适用于其他文化或新兴市场
单信息来源：两阶段但同一受访者，仍有CMB风险
ARMC未包含“迭代”：敏捷性包含试错循环，未来可加入
客观绩效数据：本研究用自评，未来可用财务数据验证
AI能力交互：三种能力可能有非线性交互，需更大样本探索

英文文献阅读全流程：从文献如何“搜”到怎么“管”再到“读”的一站式攻略

END

点击关注，发送 "AIGC" 即可获取全文PDF