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）

🧪 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）

📌 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

📌 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）

💡 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）

💡 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