人工智能賦能對創新績效的影響路徑研究
——基于模糊定性比較分析

孫麗文，李少帥

（河北工業大學經濟管理學院，天津 300401）

伴隨新一輪科技革命和產業革命由“導入期”向“拓展期”過渡［1］，為我國絕大多數企業加快向數字化和智能化轉型升級、實現高質量發展提供了重大歷史性機遇。作為新一輪科技革命和產業變革的戰略性技術，人工智能強大的賦能特性能夠與實體經濟深度融合，成為經濟社會發展重要驅動力量。

2017 年7 月8 日，由國務院印發的《新一代人工智能發展規劃》正式實施，為搶抓人工智能戰略發展機遇指明了方向。同年11 月，科技部等多部門通過充分調研和論證，宣布依托百度、阿里云、騰訊和科大訊飛分別建立自動駕駛、城市大腦、醫療影像及智能語音開放創新平臺，此后又分兩批次共增補11 家企業，其實踐包含了人工智能創新應用和發展的諸多前沿探索。同時，上述15 家領先企業將人工智能賦能自身和外界，實現了人工智能相關產品和服務的爆發式發展、市場規模裂變式增加，突破千億級別。那么人工智能是如何通過賦能影響創新績效的呢？國內外學者對此進行了較為廣泛而深入的研究，并給出了多種視角下的解釋。然而，通過對現有研究成果的梳理發現，相關文獻以假定影響創新績效的因素（創新投入、數據驅動、企業戰略等）之間屬于相互獨立關系，而且是單向線性影響關系，進一步借助數理統計、回歸模型等研究其對創新結果的具體影響［2］。但影響因素之間通常是通過相互作用、共同導致創新結果的發生，并不是由某特定因素單獨決定。因此，非常有必要研究影響因素之間如何組合和相互作用，共同影響創新績效。

基于上述分析，本文擬通過以15 家國家人工智能開放創新平臺依托企業的生動實踐為研究樣本，采用定性比較分析（QCA）方法探索人工智能賦能對創新績效的具體影響路徑，并研究每條路徑的影響因素如何組合和相互作用。本研究對于深化人工智能賦能機理、加快高質量發展無疑具有重要意義。

1 研究框架的構建

從創新績效的影響因素視角看，人工智能賦能創新績效是技術突破閾值并與創新應用深度融合的具體體現，是數據規模迅速擴張和數據價值被深度挖掘的必然結果，是企業基于人工智能構筑全新競爭優勢的戰略決策。因此，人工智能賦能創新績效是技術層面、數據層面和企業層面多種因素共同作用的結果，本文將其視為驅動創新績效的前因。

1.1 技術層面因素的影響

從技術層面考察人工智能賦能對創新績效的影響，依據研究視角差異可分為兩類研究：一類研究從技術專利出發來探討人工智能技術的賦能行為，認為人工智能技術專利不僅是技術創新能力的核心載體和直接體現，更是賦能創新績效的根本動力。技術專利中的創新發明和技術解決方案既能夠催生新興商業模式和經濟新業態，也能夠為創新績效的實現提供強大技術支撐。有研究結果表明：人工智能技術專利的布局及實施集中于計算機視覺、自然語言處理、智能機器人和機器學習等主要領域，能夠對相關企業的創新績效產生直接的推動效應［3］。另外一類從技術擴散及應用實踐出發，認為技術賦能效應發揮往往受制于技術擴散及共享程度。開放平臺能夠助力技術實現快速擴散和共享，受到政府、科技巨頭等各方關注并獲得穩定的資本支持，推動人工智能從技術優勢向市場優勢轉化，最終形成以人工智能核心技術為支撐的發展新格局［4］。人工智能技術專利和技術開放平臺在很大程度上簡明反映了人工智能技術與創新績效之間的關系，揭示人工智能技術對創新績效的內在影響。因此，本文在技術層面選取這兩個變量作為具體前因變量。

1.2 數據層面因素的影響

從數據層面研究人工智能賦能創新績效的驅動因素同樣可分為兩類。一類從數據資源支撐視角探討對創新績效的影響，認為建立和完善數據基礎設施對創新績效路徑形成具有戰略意義［5］。有研究發現在智能經濟時代，創新績效更加依賴于對數據資源及數據設施的掌控能力，具有超大規模數據資源的領先型企業也更傾向于建立和完善數據設施［6］，以構建“數據護城河”，而那些無力建立龐大完善的數據設施但在細分領域優勢明顯的后發型企業，則更傾向于與領先企業合作以獲取對數據基礎設施和數據管理設施的使用權限，通過“引流”實現高起點起步；另外一類從數據驅動視角探討數據管理機制對創新績效路徑的影響，認為數據管理機制是提升企業創新績效的關鍵因素［7］。朱東華等［8］提出大數據環境下面向技術創新管理的雙向決策模型,并認為數據管理機制的建立使領先型企業獲得了數字化升級的組織保障。在數據管理機制指引下，領先型企業構建起涵蓋眾多領域和場景的數據生態體系，并通過吸納更多利益相關者融入持續拓展數據生態體系覆蓋范圍，進一步優化數據管理機制并加速創新績效的實現和提升［9］。可見，構建基于數據驅動的管理機制不僅成為領先型企業實施數字化轉型的組織保障，更是提升創新績效的根本前提。綜上所述，數據基礎設施和基于數據驅動的數據管理機制是人工智能賦能創新績效的重要因素，因此本文在數據層面選取這兩個變量作為具體前因變量。

1.3 企業層面因素的影響

從企業發展角度看，人工智能賦能創新績效路徑的形成及差異是企業戰略決策的行為體現。（1）人工智能極大地解放了勞動生產力，改變了組織和個體成員的關系，組織職能因此由控制轉向激勵、由監管轉向賦能，同時數字賦能（digital empowerment）等特征成為組織結構優化的重點關注因素［10］。組織職能轉變在領先型企業中體現尤為明顯，領先型企業向激勵型和賦能型組織轉變越充分，組織結構動態調整能力越強，越能夠廣泛吸納相關利益相關者加入，培育和增強其創新能力和動態響應能力，從而使組織結構趨向合理［11-12］；（2）人工智能使企業的營銷戰略邁向全場景和精準化，在破除社會化媒介時代傳統營銷模式的壁壘同時，也積極探索由人工智能引領的新型營銷體系［13］。一則由領先型企業所建立智能營銷平臺，全力疏解因媒介高度碎片化、媒體重合度高等導致的用戶洞察難度增加的困境［14］，二則企業借助人工智能加快實現營銷渠道的整合與聯動，推動線上和線下營銷的深度融合［15］。無論是構建智能營銷平臺，還是整合營銷渠道、實現營銷聯動，核心目的都在于通過對消費者的精準洞察和及時的供需匹配促進資源實現高效配置；（3）企業以增強服務能力為導向，將戰略重心由提供具體服務轉變為能力培植。公有云（public cloud）由于靈活高效和共享的特點，能以低廉的價格將服務提供給終端用戶并創造巨大價值，因此成為互聯網巨頭、AI 獨角獸等領先企業的戰略布局重點，既有研究表明企業通過提供云服務不僅能夠實現業務增值，而且能夠整合上游服務和下游用戶，形成全新的服務升級路徑［16］。同時，領先企業以優化服務關系、提升服務質量為導向，打造以人工智能技術為關鍵支撐、覆蓋廣泛應用場景的卓越服務生態系統，促進相關企業服務能力提升［17］。

通過上述分析，本文構建人工智能賦能對創新績效影響的理論框架如圖1 所示。

圖1 人工智能賦能對創新績效影響的理論框架

2 基于定性比較分析的研究設計

2.1 研究方法

定性比較分析法（QCA）從集合理論中衍生，目前已成為社會科學研究領域最新興起的實證分析方法，有效整合了定性分析和定量分析兩種方法的優勢，該方法分析邏輯可表述為基于一定數量的跨案例比較，歸納出不同集合之間的普遍隸屬性。定性比較分析關注跨案例的多重并發因果關系，即當多個原因同時出現時，可構成導致某個結果的原因組合，而且具體給定的原因組合或許并不是產生特定結果的唯一路徑，這同現有主流以宏觀統計為核心的條件假設完全不同。概括來講，該方法具有三大優勢：第一，把待研究對象抽象為不同因素組合，采用集合論的思想來判別因素所屬集合的隸屬關系；第二，集合論思想下的隸屬關系本質上屬于非對稱關系，同一個結論可能可對應多個路徑，即具有多重并發因果性；第三，作為定性研究的升級版，除保持對質性關注的同時，更加入了科學的統計驗證，突破了以往案例研究結果難推廣和定量研究嚴苛的要求而忽略整體性，而不易從本質上反映多重并發因果關系的局限［2］。基于以上分析，本文運用該方法主要出于以下考慮：

其一，驅動人工智能賦能對創新績效的影響的不僅僅是單個因素，而是多種因素交互的結果。由于現有數理統計分析對解釋條件非獨立而相互依賴的現象存在缺陷，因此應采用基于集合論的思想，利用因素組合的方式進行探索［18］49；其二，在人工智能賦能創新績效過程中，技術層面、數據層面和企業層面三者之間可能存在共同驅動同一條創新績效路徑的“等效”因果鏈，QCA 認為實現特定結果的路徑是多樣化的，核心條件相同邊緣條件不同或者是核心條件不同的組態間都可能構成多個等效組態，而并不存在唯一最優解［19］；其三，本文樣本量屬中小樣本（10～40），因此難以對眾多因素進行跨層次分析，而QCA 以布爾運算為根本，其結果的穩健性只取決于樣本是否涵蓋代表性個體而非樣本量大小，并且能夠進行跨層次分析［20］。

2.2 數據收集

本文的研究樣本為國家新一代開放創新平臺所依托的15 家企業。樣本數據收集渠道主要包括：（1）政府部門的發布的相關統計報告類。本文通過中國工業和信息化部2019 年《人工智能中國專利技術分析報告》篩選出案例企業的人工智能專利申請量；（2）管理咨詢公司、互聯網數據研究機構發布的統計報告，主要包括PWC《全球創新1 000 強報告》、IDC 2019 年研究報告以及Synergy Research Group 2019 年的云計算研究報告。本文通過以上報告收集案例企業主要人工智能產品和服務的盈利數據、各自在中國公有云服務市場的占比情況；（3）通過案例企業官方網站及其開放創新平臺網站公布的信息，匯總整理企業基于數據驅動的管理機制主要構成、人工智能開放創新平臺對外輸出技術數量；（4）通過案例企業公開會議以及新聞報道等收集統計企業服務對象和合作伙伴規模；（5）通過官方媒體、主流媒體等權威媒體的新聞報道等查詢案例企業目前所建立的數據中心數量（只包括在中國區域所建立的，而不包括案例企業在國外建立的數據中心）。

在實際操作中，某一指標數據僅依靠以上單一途徑難以獲取完整的數據信息，需要通過其它途徑進行補充。同時，因本文采取的部分指標和評價方式較為新穎，如影響程度、職能轉變及架構重塑等比重類指標在現有研究中幾乎很難找到相應參考，需要通過深入分析案例企業發展情況、文本統計特征以確定相應的取值。以上數據獲取渠道的權威性和多樣性保證了研究的規范性和科學性。

2.3 數據分析

2.3.1 fs QCA 分析步驟

QCA 可分為清晰定性比較（cs QCA）和模糊定性比較分析（fs QCA）。在清晰集中，“1”表示案例隸屬于集合，“0”表示案例不隸屬于該集合，某要素在特定領域中只能屬于或者不屬于該集合，因此是案例間完全質性的區分，而模糊集則允許取0～1 之間的部分隸屬分數，同時也是本文所采用的方法。在用模糊定性比較分析方法研究時，可分為3 個基本步驟：首先，把前因條件和被解釋變量轉變為集合數據。基于理論和實際基礎把各項條件和結果的原始數據校準為相應的模糊集隸屬分數［21］；其次，識別所有能導致結果的前因條件組合。即通過確定相應的評判標準和閾值把與結果關聯的前因條件組合篩選出來。對于特定條件組合，若前因條件組合與結果變量的關系（隸屬度大于0.5）大于所設定閾值，那么表明該前因條件組合與結果變量有相關關系，能夠反映彼此復雜的因果關系［18］49；最后，通過評估結果的模糊子集一致性（consistency），進行必要條件分析和組合條件分析。在確定具體條件組合的相關關系后，需要進一步通過一致性指標評估條件組合對結果影響路徑的穩定性［22］。測度條件組合構成結果的模糊子集一致性公式如下：

其中，Xi表示第i個案例在條件組合X中的隸屬度；Yi表示第i個案例在條件組合Y中的隸屬度；min(Xi,Yi)表示Xi和Yi兩者中的最小值。通常情況下，滿足充分條件一致性和合理水平為0.75，也有較為嚴格評判標準要求一致性達到0.8［23］。

2.3.2 變量測度

運用fs QCA 進行研究時需要用最少的變量反映最多的信息，因此控制變量的總量非常重要，尤其是在中小樣本（10～40）的研究設計中，這同樣符合簡約條件的常規論點，即解釋特定現象的因素越少，越接近因果機制的核心因素，越容易發現事情的本質和原因。基于前文對驅動因素的分析，同時為避免有限多樣性問題，本文最終選取技術能力、技術開放、數據設施、數據機制、職能轉變、架構重塑、服務能力、服務生態、營銷平臺及渠道整合10 個變量為前因變量，選取創新績效為結果變量。

（1）技術能力：專利申請能夠在很大程度上反映技術的綜合水平［24］，因此本文根據中國工業和信息化部2019《人工智能中國專利技術分析報告》篩選出15 家案例企業的人工智能專利申請量以反映其整體技術能力；（2）技術開放：體現人工智能對外技術賦能能力，采用創新平臺開放的AI 技術能力數量表示；（3）數據設施：反映企業對數據資源的重視和投入，用建立的數據中心數量測度，數據中心數量越多，表示對數據資源重視程度越高、投入越大；（4）數據機制：即企業基于數據驅動所建立的管理機制，如小米DWN和ADS數據倉庫管理機制；（5）職能轉變：企業組織職能向激勵和賦能型組織轉化程度；（6）架構重塑：反映企業對產業組織形態的影響能力［25］；（7）服務能力：反映企業的云服務實力，采用公有云服務市場份額進行測度［26］；（8）服務生態：反映企業人工智能服務網絡覆蓋程度，可用服務對象和合作伙伴規模予以測量；（9）營銷平臺：即企業構建智能營銷平臺的資源投入強度；（10）渠道整合：企業拓展和整合營銷渠道的資源投入強度；（11）創新績效：反映人工智能賦能的經濟效應。本文借鑒何小鋼［27］的研究思路，選取人工智能相關產品和服務總體盈收為測量指標。如表1 所示。

表1 變量解釋說明

2.3.3 變量校準

定性比較分析與統計方法不同并且至關重要的步驟便是變量校準，這是由于未被校準的變量僅能夠反映案例間的相對位置，而不能把優劣加以區分，通過設定目標集合并對變量進行校準，能夠使其轉化為目標集合介于［0～1］之間的隸屬分數。模糊集分數表示不同案例屬于某集合的程度，包括兩個定性狀態：完全隸屬和完全不隸屬。模糊隸屬分數為1表示“完全屬于某集合”，接近1表示強隸屬關系；若模糊隸屬分數［0～0.5］，則表示樣本隸屬與該集合；若隸屬分數為0，則表示完全不隸屬與該集合。fs QCA 結合了定性分析與定量評價，0 和1 屬于定性賦值，0.5 也是定性定位，它是評估案例屬于或不屬于某集合的最大模糊點，校準后處于［0～1］的為部分隸屬。

對該理論分析可知，fs QCA 把變量校準為集合隸屬分數首先要設定3 個錨點：完全隸屬、最大模糊點和完全不隸屬，從而使每個變量校準后都以集合隸屬分數的形式處于［0～1］區間。本文參考Ragin、Fiss、Misangyi 等學者的研究成果，在校準錨點選取中需要充分考慮研究所依據的理論基礎、案例數據的分布特點，第1 個錨點可按照10%分位數、20%分位數及上四分位數等進行取值，第2 個錨點可按照平均值、中位數等進行取值，第3 個錨點可按照下四分位數、80%分位數、90%分位數等進行取值。如表2 所示。

表2 各個變量分位數分析

本文在充分考慮所依據理論和案例數據分布特點基礎上，參考Ragin 和Fiss 等學者研究成果，將“技術能力”和“數據設施”兩個前因變量的3 個錨點分別設置為上四分位數、平均值和下四分位數；將“技術開放”“服務能力”“服務生態”及“創新績效”4 個前因變量的3 個錨點分別設置為上四分位數、中位數和下四分位數；將“數據機制”“職能轉變”“架構重塑”“營銷平臺”及“渠道整合”5個前因變量的3 個錨點分別設置為10%分位數、平均值和90%分位數。各變量校準錨點取值標準及數值如表3。

表3 各個變量校準錨點取值標準及具體數值

確定各變量校準錨點后，在fs QCA 軟件中對前因變量和結果變量執行校準（calibration）命令，使它們轉化為隸屬度分數并落在［0～1］區間。具體數據見表4。

表4 案例對象變量校準后的集合隸屬度分數匯總

3 結果分析與路徑發現

3.1 單項前因條件的必要性分析

模糊集在條件組合分析前需要必要性檢驗，以驗證單個前因變量是否為引致結果變量的必要條件。若某條件變量是引致結果變量的必要條件，那么其必定會被納入構型之中。必要條件可通過觀測分析前因變量對結果變量的一致性分值（consistency）得到，可理解為經典回歸統計分析中的系數顯著。通常情形下，若一致性分值不小于0.85，就可認為該條件屬于必要條件，而較嚴格的標準認為只有不小于0.9 才能被認為是必要條件。為增加對前因變量的識別能力，本文將一致性分值設為0.9。檢驗結果如表5 所示，可看到所有前因變量作為必要條件的一致性均小于0.9，表明不存在單個前因變量是導致結果變量的不可或缺的組成部分，影響創新績效的構成需要視實際情形而定。

表5 各前因變量對結果變量的一致性得分匯總

3.2 人工智能賦能對創新績效的影響路徑

經過fs QCA 實證分析后會得到不同簡化程度的結果：復雜解（complex solution）、中間解（intermediate solution）和簡單解（simple solution）。其中復雜解沒有對構型進行簡化，較為復雜，若把復雜解引入創新績效路徑分析，會變得非常繁瑣也無法反映本質；簡單解則由于條件較為寬松，甚至有可能把很多較為重要的必要條件也精簡掉，因此其結果會出現與理論或者實際不相符的結果。相比而言，中間解則會根據研究者的理論儲備和實踐經驗，把具有重要意義的邏輯余項納入最終結果，其優勢在于它不允許刪去必要條件-任何構成結果的集合以及作為必要條件的有意義條件，得到的結果具有較好的啟示性和普適性，因此在利用fs QCA 進行研究時被大多數學者所采納［28］。從廣義上來講，以上3 種類型的解對于分析問題都是有價值的，通過比對不同解的構成往往更具有啟示意義。根據Fiss 對前因變量的分類，把所有只在簡單解中出現的前因變量界定為核心要素（core condition），把所有只在中間解中出現的前因變量界定為非核心要素（peripheral condition）［29］。其中核心要素是本質的、不可或缺的，而且核心要素往往與所要研究的結果變量存在很強的因果關系；非核心因素相對于核心因素而言是具有可替代性的，非核心要素與結果變量之間的因果關系較弱。

運用Ragin［21］提出的邏輯方案表整理結果，并依據核心因素對中間解的所有條件組合進行劃分，最后篩選出來的因素組合如表6 所示。較為清晰的揭示出人工智能賦能對創新績效影響的具體路徑，每條路徑都代表特定的因素組合。可以看到5 條路徑的覆蓋度分別為0.505、0.507、0.578、0.673、0.620，根據覆蓋度數值發現每條創新績效影響路徑的實現均有超過一半的案例參與，各路徑整體分布較為均衡。一致性水平均超過0.8，表明每條路徑的因素組合可認為是影響創新績效的一致充分條件，同時整體創新績效影響路徑一致性也滿足充分一致性水平。本文從以上結果歸納人工智能賦能對創新績效影響的5 種實現路徑。

表6 基于fs QCA 方法人工智能賦能創新績效實證分析的結果簡圖

表6（續）

（1）技術支撐型路徑：［Trese］·［Topen］·［Dcent］·［Ochan］·［Sabli］·［Secol］。方案1 表明技術能力、技術開放和數據設施共同發力是賦能創新績效的充分條件。案例企業中的百度、阿里以及騰訊共擁有超過1 000 余件AI 專利和10 多個大型數據中心，擁有雄厚的技術積淀和硬件設施，通過創新開放平臺對外輸出超過100 余項的AI 技術能力，加速自身所在產業鏈以及密切相關產業的生產方式由勞動密集型向技術密集型轉變，同時強化服務能力和建立服務生態也能促進創新績效的大幅提升，而不需要對營銷和組織領域過多關注。

（2）數據驅動型路徑：［Dcent］·［Dmech］·［Sabli］·［Ochan］·［Minte］。方案2 表明人工智能可依托數據設施、數據機制、服務能力、職能轉變和渠道整合促進創新績效的實現。具體而言，將數據基礎設施和數據管理機制作為核心要素，將數據資源視為重構生產關系和形成新型生產力的關鍵，革新市場分工格局，并將服務能力提升、組織職能轉變和營銷渠道整合為重要輔助，以實現更好的經濟效益和數智化升級。由于數據驅動型路徑的關鍵在于建立數據設施和基于數據驅動的管理機制，因此具有海量數據資源、強大數據挖掘和分析能力的領先型企業成為該路徑的主力軍，案例中有50.7%的企業采用該因素組合，如阿里、騰訊等，亦有部分企業通過加入由互聯網巨頭構筑的數字生態系統，在拓展營銷渠道、提升市場盈利能力的同時，也積極推進向數字化和智能化轉型的進程。

（3）組織變革型路徑：［Trese］·［Dmech］·［Ochan］·［Oremo］·［Mplat］·［Minte］。方案3 需要架構重塑、職能轉變、技術能力、數據機制及營銷領域的協同發力。要以推動組織職能轉變和組織架構重塑為核心，使組織職能由監管控制向激勵賦能轉變，組織架構由剛性科層制向柔性架構轉變，以充分釋放組織創新活力、增強對環境變化的快速適應能力。同時，也需要靈活運用非核心要素，如通過匯聚組織內外部運行數據，打通數據孤島，以多元化數據引導和輔助組織的職能轉變以及架構重塑，也可通過智能營銷平臺和營銷渠道整合提升組織變革對創新績效的實際效果。案例中有57.8%的企業通過該因素組合實現了較強的市場盈利能力。

（4）服務生態型路徑：［Dmech］·［Sabli］·［Secol］·［Minte］。方案4 要求從數據機制、服務能力、服務生態和營銷渠道整合同時入手。即以提升服務能力和構建完善的服務生態為核心，利用人工智能提升現有服務和拓展新型服務并構建優質高效的服務生態，實現更佳的服務感受、更低的服務成本、更短的響應時間和更高的服務效率。在非核心要素中，可通過關注基于數據驅動的管理機制和打通線上線下營銷渠道，以提升服務生態對創新績效的效果，而不用對技術專利規模和數據硬件設施建設投入過多的精力。案例中有67.3%的企業通過該因素組合實現了服務體系的整體性提升。服務生態型路徑適合現有服務體驗較差或新型服務體系建設難度較大的相關企業。

（5）營銷整合型路徑：［Trese］·［Dcent］·［Dmech］·［Ochan］·［Mplat］·［Minte］。方案5 幾乎包含了所有層面的驅動因素，強調對技術、數據、組織、服務及營銷的均衡投入。該路徑表明人工智能通過營銷促進創新績效是一個綜合性極強的過程，不僅需要以構建較為全面的智能營銷平臺、整合既有營銷渠道、先進的核心技術支持、促進利于營銷變革的組織職能（激勵和賦能）轉變為核心因素，而且需要同時關注對數據資源的有效運用，為營銷模式等變革提供精準可靠的數據支撐，暢通產品和服務流通渠道，使供需雙方之間更加匹配與和諧。案例中有62%的企業通過該因素組合創造了巨大的商業價值。

4 主要結論

本文首先從影響創新績效的因素出發，從技術層面、數據層面和企業層面系統回顧和梳理了人工智能賦能影響創新績效的相關研究，并構建起人工智能賦能對創新績效影響的理論框架，進一步以國家新一代人工智能開放創新平臺所依托的15 家企業為研究樣本，采用fs QCA 方法深入探索并得到人工智能賦能對創新績效的五種影響路徑。主要研究結論如下：

第一，人工智能賦能創新績效路徑可歸結為技術支撐型、數據驅動型、組織變革型、服務生態型和營銷整合型。（1）技術支撐型路徑以技術能力、技術開放和數據設施為核心要素，注重數據和技術（研發、擴散和共享）之間的相互協同，而不需要對營銷和組織領域過多關注；（2）數據驅動型路徑以數據基礎設施、數據管理機制、職能轉變和渠道整合為核心要素，依靠對數據資源的充分挖掘和深度運用實現較好的創新績效；（3）組織變革型路徑以組織職能轉變、架構重塑和技術能力為核心要素，強調利用人工智能推動組織職能轉向激勵和賦能以及對內部架構的重新設計；（4）服務生態型路徑以服務能力、服務生態和渠道整合為核心要素，尤其強調通過提升服務能力和優化服務體驗等方式形成卓越的服務生態，而不用對技術專利和數據設施投入過多精力；（5）營銷整合型路徑強調所有層面的均衡投入和協同作用。由于不同領域的企業對營銷的需求不同，在技術能力、數據資源、生態搭建等方面也存在明顯差異，因此需要結合具體情形并實施相應的營銷整合策略。

第二，人工智能賦能創新績效路徑為現有產業加快實現數字化和智能化轉型提供了選擇空間，為人工智能助推高質量發展提供了有益啟示。（1）高端制造企業、汽車制造企業等可采取技術支撐型路徑，將人工智能賦能技術體系，推動研發設計、生產制造等環節更加高效智能，整個技術體系邁向數字化智能化；（2）伴隨大數據、機器學習等新興技術使數據獲取渠道更加便捷多樣、數據存儲和使用成本降低，同時數據蘊含的價值增加，大多數企業都可采取數據驅動型路徑，借助人工智能技術構建和完善以數據驅動為核心的生產、管理及服務體系，以數據驅動提升自身生產運行效能；（3）對于組織架構不合理并且尚未高度固化的多數企業來講，均可采取組織變革型路徑，通過人工智能加快組織架構變革，打造數字化和智能化組織結構體系；（4）在實際中服務生態型路徑往往適用于兩種類型的企業：其一，本身就是以追求極致體驗的服務型企業，其二，將服務作為向數字化和智能化轉型的重要戰略補充的企業，如生產性服務業企業，以上兩種類型企業都可借助人工智能建立新型服務生態體系，促進相關服務質量和效率的整體性躍升；（5）幾乎所有企業目前都面臨媒介高度碎片化、用戶洞察難度增加等營銷困境，可結合所在行業特征和自身實際，靈活采用營銷整合型路徑，通過人工智能深度洞察消費者需求、建立供需雙方的精準對接，拓寬和開辟營銷新模式，最終實現資源供需間動態平衡。