制造企業人工智能準備的驅動因素組態研究

中圖分類號：F425；TP18 文獻標識碼：A 文章編號：1007-5097（2025）08-0118-11

Configuration of Driving Factors for Artificial Intelligence Readiness in Manufacturing Enterprises

LIN， ， ， （School of Economics and Management，Dalian University of Technology，Dalian116O24，China）

Abstract：Artificialintellgencereadinessiscrucialforenhancing thelikelihoodofsuccessfulapplicationofartificial intelligenceandunleashing itscommercial value.Thearticleis basedontheAMCtheoretical framework anduses the fuzzysetqualitative comparative analysis method to explore the multiple concurrnt factorsand causal complex mechanisms of artificial intellgence readiness inmanufacturing enterprisesofdiferentscales.Research reveals that a single factor such asperception，motivation，andabilitycannotconstituteanecessrycondition fordriving artificial intellgence readiness insmalland medium-sized orlarge-sized manufacturing enterprises.Thedriving mode for high artificial intellgence readiness in small and medium-sized manufacturing enterprisesis\"demand driven andagile response\"，whilelarge-sized manufacturing enterpriseshavetwo types ofdriving modes，namely\"policy leverageand competition driven\"and \"knowledge transformationandlean breakthrough\".Furtherresearch indicates thatthere isan asymmetriccausalrelationship betweenthe driving pathsof non-high artificial inteligence readinessand thoseof high artificial intelligence readiness in small，mediumand large-sized manufacturing enterprises.

KeyWords： manufacturing enterprises;enterprisescale;artificial intelligencereadiness;AMC framework;fuzzysetqualitative comparative analysis

一、引言

當前，人工智能（ArtificialIntelligence，下文簡稱AI）處于技術躍遷的重要窗口期，AI技術在多個行業領域的跨界融合應用，有助于不斷塑造發展新動能、新優勢，加快形成推進高質量發展的新質生產力。近年來，國家陸續出臺多項政策，旨在鼓勵形成科技創新和產業應用相互促進的良好發展局面。對于制造業而言，AI已成為開啟智能制造時代的重要技術驅動力，通過智能化手段打通傳統工業生產的全鏈條要素，可以更好地推動制造業企業的數字化、網絡化和智能化轉型，AI與制造業深度融合已成為制造業實現轉型升級的必由之路。

然而，蘭德智庫的一項研究顯示，超過 80% 的AI項目最終未能成功部署，其失敗率是傳統企業信息技術項目失敗率的兩倍之多\"。與其他易于部署的數字技術不同，AI在實施過程中面臨技術（如技術能力有限）和非技術（如缺乏領導支持）等挑戰[1]。例如，決定AI運行算法的黑箱特性給應用AI技術的組織帶來了一定障礙和隱患。另外，也有學者關注到，即便成功將AI應用于企業，也可能會產生一系列負面效應，例如，增加數字基建、道德情感、數據安全等方面的成本[2]，這阻礙企業進一步擴大AI規模以獲得該技術帶來的巨大利益。鑒于AI技術的復雜性和知識壁壘以及其潛在的負面影響（如倫理風險、監管風險等），已有學者指出在應用AI之前進行前期準備和部署至關重要[3]，這對提升成功應用AI的可能性、控制風險、釋放商業價值均發揮關鍵作用[4]。

人工智能準備（ArtificialIntelligenceReadiness，下文簡稱AI準備）被越來越多的學者視為企業在整個AI應用過程中不可或缺的環節，以指導投資優先順序和促進資源合理分配[4]。同時，企業對AI的準備行動所帶來的技術軌跡轉換成本和風險問題，以及在此過程中由于資源、文化、人員配置更新而引發的組織戰略調整問題，仍需謹慎地部署AI準備相關的技術、數據、參與主體和流程。作為應對同質化競爭以及用戶需求升級的策略，AI準備的本質是企業管理者評估并權衡企業內部資源與能力以及外部環境特征基礎上的一項重要戰略決策行為。盡管已有研究普遍認同企業AI準備是多因素、多視角綜合作用的結果[5]，但由于研究方法的局限，現有文獻尚缺乏關注多前因條件間“非線性交互”的綜合效應對驅動AI準備的影響，這使得相關研究成果的實踐指導價值受到削弱。

針對這一理論不足，本研究構建綜合框架以加深對AI準備驅動因素的理解。研究表明，企業清晰地察覺出市場主體的需求偏好特征、同行業競爭者對AI技術的重視是進行AI部署的關鍵驅動力[6]。同時，亦有學者指出，部署AI技術行動在一定程度上取決于企業投入資源能否轉化為實際價值和競爭優勢的動機，以及是否具備支撐AI項目從規劃到實施再到持續優化的全鏈條能力體系。因此，基于“察覺（Awareness）—動機（Motivation）—能力（Capability）\"分析框架（以下簡稱AMC框架），本研究嘗試探索具體哪些察覺、動機和能力因素會引發企業AI準備。此外，由于大型企業與中小型企業在資源稟賦、組織架構、市場策略等方面存在本質差異，這種差異可能引起兩者AI準備路徑的異質性。鑒于定性比較分析（QCA）方法能夠有效詮釋多個因素相互依存的客觀現實，本研究采用模糊集定性比較分析法（fsQCA），從組態視角整體性探討影響中小型與大型制造企業進行AI準備的多重并發因素，以及多因素“聯合效應\"形成差異化驅動路徑，從而為不同規模制造企業AI準備提供理論指導與決策參考框架。

二、概念界定、理論分析與研究框架構建

（一）AI準備的概念

現有文獻表明，AI準備的研究仍處于初級階段，在聚焦AI準備構念的文獻中，學者們從不同角度對其內涵進行了闡釋。Tehrani等[8]從狀態觀切入，認為AI準備是組織對于變革意愿和能力方面的狀態，以及環境、流程、數據和資源對運行AI的適配性；Johnk等4從行動觀視角，將AI準備定義為組織為實施AI相關應用和技術變革所做的準備。事實上，AI準備的要求會隨著AI應用潛力的預期用途和先前周期的經驗發生變化4，對企業而言是持續迭代的過程。因此，本研究主要參考行動觀以詮釋AI準備內涵。

在結構維度方面，越來越多的研究與實踐表明，AI部署不僅是一項技術措施，還需要組織在人員、決策過程和資源分配等方面進行實質性和持續的調整[8]。綜合現有研究，本研究將AI準備視為組織為成功實施AI相關應用和技術變革，從而在技術、數據、參與者、流程等方面進行的重構與適配。

在技術準備方面，最近的研究發現，信息技術（IT）基礎設施是關鍵的AI準備因素之一，組織需要專注于為AI開發三種底層能力：用于生成和存儲大量數據的數據存儲能力；用于快速訪問、處理和傳輸數據的網絡能力；用于處理AI工作負載的可擴展計算能力。另外，組織構建AI模型并對部署后的模型進行持續維護，也能夠為后續AI的良好運行奠定基礎[9。此外，組織還必須確保AI系統與現有系統和基礎設施無縫集成，使良好的互操作性和兼容性得以確保AI系統平穩高效運行。

在數據準備方面，現有研究重點關注高質量數據的獲取以及與數據相關的潛在風險管理兩方面內容。首先，由于組織經常面臨歷史數據質量問題，改進數據準備、數據處理和數據質量保證等通用能力對于提高數據準備程度至關重要。另外，訓練數據收集過程中容易出現數據的隱私與安全、數據偏差與不平衡、數據質量控制等問題，為提升數據準備度，組織需要建立新的措施與協議來管理與數據相關的潛在風險，如采用新型數據加密算法、屬性加密措施，以及制定負責任的AI原則框架等方式[4]。

在參與者準備方面，現有研究主要圍繞組織推進AI計劃而對相關主體進行的部署工作。首先，高層管理者的支持體現為自上而下啟動AI計劃的意愿，同時支持基層創新提案。Tehrani等8的研究強調，只有在最高管理層發出全組織范圍的信號后，組織才能致力于部署AI。其次，為成功實施AI項目，組織既需要培訓熟練掌握AI相關專業知識的內部員工，又需要引入外部AI人才資源7。最后，組織與各種利益相關者建立強有力的合作伙伴關系，可以幫助組織獲取寶貴的資源、專業知識和網絡，加速AI技術應用進程。

在流程準備方面，學界主要從業務流程再造、變革管理和持續改進等方面分析組織機制調整。首先，AI部署通常需要對現有業務流程進行根本性改變，可能涉及重新設計工作流程、自動化重復任務以及簡化決策流程[0]。其次，Li等[]指出，員工可能會因媒體頻繁報道AI最終將取代人工，從而產生身份焦慮，導致對AI部署的抵觸。這要求組織制定全面的變革管理策略，解決溝通、員工敬業度和文化適應等關鍵問題。最后，AI系統設計應考慮靈活性和適應性，使組織能夠有效應對動態挑戰，同時致力于營造持續改進、變革、學習和創新的文化。

上述四個維度的相關研究為AI準備內涵提供了多維解析，但卻忽略了四個維度在AI準備中的不可分割性，導致制造企業AI準備衡量的局限性。因此，本研究將技術、數據、參與者和流程準備納入統一的衡量框架，將AI準備視為二階形成性構念，系統探究制造企業AI準備的驅動路徑。

（二）AI準備影響因素的理論分析框架

為深入識別制造企業AI準備的影響因素，本研究選取了AMC框架作為理論框架。該框架最初作為動態競爭研究的核心框架，闡釋了察覺、動機和能力三要素如何觸發競爭對手的反應和行動[12]。察覺反映了企業對行業、競爭對手的行為以及外部環境的認知，被認為是企業響應過程中“任何行動的先決條件”；動機通常受企業評估行動的感知收益和損失的影響，決定其是否采取行動；能力衡量企業的資源與行動能力，如若缺乏能力要素，企業便無法有效應對競爭挑戰。

事實上，AMC框架本質上屬于從“問題感知\"到“問題解決\"的響應過程，因此具備應用于與廣義響應相關的其他領域的巨大潛力。近年來，逐漸有研究將該框架應用于企業對績效反饋的反應[12]，負收益意外的威脅[13]等場景。研究表明，察覺的核心認知方面屬于“問題感知”，而“問題感知\"如何有效地轉化為“問題解決\"取決于組織的動機和能力[12]本研究認為，AMC框架能夠較好地解釋驅動制造企業開展AI準備的多重并發因素，主要因為在當前AI繁榮發展的背景下，競爭企業與客戶等利益相關者不斷對制造企業部署AI施加壓力，促使企業感知開展AI準備的緊迫性和必要性，而最終企業能否適時調整其響應行動還取決于動機和能力因素。因此，本研究將競爭壓力、市場動蕩作為察覺因素，在動機因素方面主要考察相對優勢、政府支持對制造企業AI準備的影響，采用技術機會能力、知識存量、財務柔性來衡量制造企業部署AI的能力因素。

1.察覺因素：競爭壓力和市場動蕩

企業所面臨的具備較高市場重合度、資源相近性，且瞄準目標市場相近的競爭對手的壓力被稱為競爭壓力。已有研究表明，技術的早期部署者與采用者享有先發優勢，促使其他競爭對手效仿，尤其在競爭激烈的商業環境中，企業通過模仿行業領先者的策略維持競爭力[14]。學者們發現競爭壓力與企業技術準備度呈正相關，已有研究探討了AI背景下競爭壓力與組織部署行動之間的這種關聯。如Pillai等[15]的研究結果顯示，競爭壓力是部署和采用AI工業機器人的核心驅動力。本研究認為，制造企業在關注到競爭對手部署或采用AI技術時，在壓力作用下也將考慮部署AI等類似的新興技術來維持競爭優勢。

市場動蕩指客戶偏好的快速變化，其中包括多樣化需求、買家持續進入和退出市場以及對新產品供應的壓力[16]。在客戶需求難以預測的市場環境上，企業很難依靠現有市場獲取穩定收益，這也成為制造企業通過部署AI以拓展市場回報來源的重要驅動力。AI技術可賦能企業實現產品和服務個性化定制，越來越多的制造企業通過積極準備部署AI開發出符合市場和客戶需求的產品或服務。因此，市場動蕩性越強，制造企業越難依靠穩定市場下的經營戰略實現持續盈利，此時越會激發企業探索AI技術應用的動力以適應市場變化。

2.動機因素：相對優勢和政府支持

相對優勢是指企業認為一項創新技術與被取代的方案相比能夠取得更優結果的程度。已有研究指出，當企業認為一項新技術相較于其他替代技術具有更高潛在收益時，其部署意愿將顯著增強[17]。對于AI技術而言，其所具備的可預測性、自我學習、人工模擬、自動化等關鍵特性已被證實具有提高生產效率、節省成本、改進決策和提供更好的客戶服務等諸多優勢。如若制造企業充分認知AI的潛在優勢，則更可能主動投資AI技術以獲取競爭優勢。

政府在AI領域的政策支持保障了制造企業對于AI部署戰略的持續推進，主要發揮如下作用：首先，通過提供補貼、稅收優惠或技術援助等方式，幫助制造企業緩解AI項目開發和部署中的資金和技術壓力；其次，政府加強知識產權保護、推動數據共享與開放、制定技術監管標準和規范等，為AI技術的應用提供制度保障和市場支持[15]；最后，依托中國龐大的AI人才儲備和技術創新生態系統，政府支持可加速人才培養和技術研發，推動AI技術在制造業中的廣泛應用。

3.能力因素：技術機會能力、知識存量及財務柔性

當組織決策者將戰略問題轉化為可以利用的機會而非威脅時，決策者會以更積極的態度面對并能更好地把控結果走向。就AI部署而言，具備技術機會主義的決策者更傾向于認為這一戰略的制定與執行是企業形成強大競爭優勢的重要契機。這類企業擁有感知和響應技術變化的動態能力，即技術機會能力，該能力既能夠幫助企業認識到環境中的技術進步，又能夠協調企業資源推動技術落地，對于企業驅動部署AI尤為重要[18]。因此，具有強大技術機會能力的制造企業能夠積極適應新技術環境，獲取外部市場上有關AI技術的情報，并實現內部轉化，從而保障AI部署活動的順利實施。

知識存量是企業隨時間推移所累積的知識要素數量，反映企業對某一領域知識的熟悉程度與應用能力。本研究中的知識存量是用來衡量企業是否具備部署AI技術所需的技巧性知識或隱性知識，包括組織整體成員的知識水平和先前經驗。研究表明，知識存量高的企業將更易推動AI準備活動[4]，其通過對技術領域知識長時間的積累與學習，引入多元化知識類別以完善知識結構，進一步釋放AI應用的潛在價值。

AI部署需要組織投資建立專有技術，并根據組織的獨特背景和數據開發AI系統3，這需要企業在資本結構、財務政策和預算管理等方面的安排具有靈活性，即良好的財務柔性。根據Sanchez[19]的研究，財務柔性強的企業不僅能夠快速低成本地獲取所需的財務資源，還能夠協調整合現有的財務資源，促進企業戰略調整，平衡企業發展中的各方面利益關系。本研究認為，企業財務柔性對于制造企業積極部署AI具有重要作用，其通過靈活調整當前財務政策和預算安排，可加速AI項自的研發進程。

（三）研究框架構建

綜上，本研究將借鑒AMC框架，從組態視角出發分析競爭壓力、市場動蕩、相對優勢、政府支持、技術機會能力、知識存量及財務柔性對AI準備的聯動效應，并以此構建AI準備的前因研究框架，如圖1所示。

圖1AI準備的前因研究框架

三、研究設計

（一）研究方法

本研究采用fsQCA方法來探究多重并發前因驅動不同規模制造企業AI準備的復雜因果關系。一方面，基于傳統凈效應思維存在難以有效解釋多因素共同作用下因果關系確立的局限，而fsQCA方法能夠更好地揭示前因要素的協同作用。制造企業AI準備不是單一因素作用的結果，需要基于組態視角來闡述不同前因條件組合對結果產生的等效關系。另一方面，fsQCA方法基于整體視角通過雙向分析能夠有效規避變量多重共線性問題，就本研究而言，借助該方法可以有效規避AI準備的7個前因條件之間的多重共線性問題。

（二）AI準備量表開發及檢驗

1.AI準備量表開發與預測試

當前，學術界對AI準備的探討多為定性研究，在一定程度上歸因于AI準備這一構念的量表尚未得到有效開發。為此，本研究依循既有概念開發范式推進量表開發。首先，通過演繹和歸納兩種方法開發初始量表題項；其次，作者邀請相關領域兩名教授和兩名博士研究生對測量題項的文字表述展開多輪修訂；最后，基于初始量表編制預調研問卷并小范圍發放，運用極端組檢驗、題項與總分相關性檢驗等項目分析方法評估初始問卷質量。

2.探索性與驗證性因子分析

本研究運用SPSS26.0，采用主成分分析法，運用最大方差正交旋轉方式提取特征值大于1的因子，檢驗題項的因子載荷是否與扎根理論所得的因子結構一致。探索性因子分析結果顯示，從AI準備的測量題項中萃取出4個特征值大于1的因子，累計解釋方差為 69.643% 。為進一步簡化因子結構，刪除因子載荷低于0.5且交叉載荷高于0.4的題項，最終，AI準備量表保留了26個測量題項，分別屬于4個因子。

繼而采用Mplus8.0作為分析工具開展驗證性因子分析，并通過多個指標綜合評估模型擬合程度。見表1所列，呈現了5個模型的擬合情況，鑒于M3的各項擬合指數均領先于其他模型，故最終選定假設模型M3。

表1AI準備量表的模型擬合分析結果

注：M1為一階單因子模型，將AI準備的四個因子合并為一個因子；M2為一階四因子模型；M3為二階四因子模型，其中一階的四個因子為反映型指標，高階AI準備為形成性構念；M4為二階三因子模型，分別為技術準備 + 數據準備，參與者準備，流程準備；M5為二階二因子模型，其中二階的二因子分別為技術準備 ⁺ 數據準備，參與者準備 ⁺ 流程準備。

3.聚合和區分效度檢驗

聚合效度的檢驗結果見表2所列，所有題項的因子載荷值均超過了推薦臨界值0.7，各維度的CR值均大于0.7，AVE都大于0.5，各維度量表聚合效度良好。區分效度驗證方面見表3所列，四個維度的AVE值的平方根均大于其所在行和列的所有非對角線上的相關系數，表明區分效度良好。

表2AI準備各維度的聚合效度檢驗結果

注：*表示 plt;0.01 ，表示 plt;0.05 。

表3AI準備一階因子的描述性統計和相關系數

注：對角線單元格以粗體顯示的是AVE的平方根值；**表示 plt;0.01 。

此外，由于本研究中AI準備為二階形成性模型，通過權重分析以及檢驗多重共線性來進一步驗證以四個維度為形成性指標的二階構念。首先，權重分析結果表明，各一階維度對二階構念的權重都大于0.2，且均在0.05置信度水平上顯著。其次，從方差膨脹因子結果看，AI準備所有維度的VIF值都處于1～2范圍內，低于5.0的臨界值，說明AI準備的各維度之間不存在嚴重的多重共線性問題。

經過上述相關步驟與程序，本研究得到包含26個題項的二階四維度AI準備測量量表，量表多類指標符合相關標準要求。具體題項及題項來源見表4所列。

表4AI準備量表及題項來源

續表4

（三）數據收集

本研究以計劃或初步采用AI的制造企業為調查對象，要求問卷填寫對象為在組織中參與過AI實踐或掌握企業現階段AI部署情況的中高層管理人員。為了獲取足夠的樣本量，本研究借助研究團隊的社會關系網絡，邀請符合填寫條件的MBA學員、EMBA學員、已畢業的校友、親朋好友等填寫問卷。問卷發放與回收工作于2024年6月至7月份進行，共收回問卷489份。在剔除選項有缺失、答案呈現明顯規律性的無效問卷后，共獲得有效問卷376份，問卷有效率為 76.9% 。根據《統計上大中小微型企業劃分辦法（2017）》，將制造企業按從業人員規模劃分為：從業人員 ?1000 人的大型企業與從業人員 lt;1000 人的中小型企業。

（四）變量測量與檢驗

本文采用七點李克特量表，邀請制造企業中高層管理者根據實際情況對所有題項進行打分。7個前因變量的測量題項和題項來源見表5所列。

表5前因變量的測量題項和題項來源

續表5

對于同源方法偏差，本研究已從過程控制和統計分析兩方面對其進行了控制。而后，對上述7個前因變量進行信效度檢驗，各變量的因子載荷均大于0.7，Cronbach's ∝ 值均大于0.9，CR值均大于0.8，AVE值均大于0.6，表明上述構念具有較高的信效度。

（五）變量校準

本研究采用直接校準法對條件變量和結果變量進行校準。借鑒杜運周等32的做法，將前因條件和結果的樣本描述性統計的第90百分位數、中位數、第10百分位數分別設定為完全隸屬、交叉點、完全不隸屬的錨點。具體變量校準錨點見表6所列。

表6fsQCA校準設定

四、組態分析與研究結果

（一）必要條件分析

使用fsQCA3.0軟件分析高AI準備與非高AI準備程度的必要條件，檢驗結果見表7所列。結果顯示，所有條件變量的一致性均不超過0.9。因此，在7個條件中均不存在高AI準備與非高AI準備程度的必要條件。

表7必要條件分析

（二）條件組態分析：高人工智能準備程度

在進行組態充分性分析時，本研究將原始一致性閾值設為0.8，頻數閾值設為2，另外，PRI一致性閾值的設定需考慮真值表中結果為0和1的組態大致平衡等情況，最終將其設定為0.65。通過fsQCA3.0軟件分析，將中間解和簡單解中共有的條件劃分為“核心條件”，將只出現在中間解的條件劃分為\"邊緣條件”。

本研究呈現了驅動中小型和大型制造企業高AI準備程度的組態路徑，見表8所列。具體而言，按照核心條件，中小型制造企業的S1a與S1b兩條路徑可以歸為一種組態模式。另外，大型制造企業的高AI準備程度路徑共包括三條，按照核心條件H1a與H1b兩條路徑可以歸為一種組態模式。

表8以高AI準備程度為結果變量的組態路徑

注： ?= 核心條件， ?= 邊緣條件，空格 ?= 條件可存在可不存在。下同。

對于中小型制造企業，高AI準備程度的驅動模式主要為“需求驅動一敏捷響應型”，體現了企業在動態市場環境下通過快速捕捉需求變化、靈活調配資源實現AI技術成功部署的獨特路徑。在高速變化的市場環境中，中小型制造企業憑借組織結構扁平、決策鏈條短的優勢，能夠快速將有限的AI準備投入精準聚焦于如生產柔性不足、質量控制難度大、成本壓力高等痛點場景，借助靈活的資源調配能力（如財務柔性）實現AI技術的快速落地。

對于大型制造企業，高AI準備程度的驅動模式主要分為\"政策杠桿—競爭倒逼型\"以及“知識轉化—精益突圍型\"兩類。前一模式中，技術迭代加速、市場需求變化和國際巨頭競爭等多重壓力倒逼大型制造企業尋求AI變革，而政府支持則通過降低資源獲取成本、明確技術路線方向等途徑緩解AI部署的不確定性。故而，這一模式依賴外部政策環境的支持和引導，注重借助政策紅利實現技術追趕，適用于與國家戰略緊密相關的行業。后一模式的最大特點在于企業利用自身積累的知識優勢應對競爭壓力。面對市場競爭的挑戰，這類企業充分發揮長期積累的技術專利、行業經驗和人才儲備等優勢，為AI部署奠定堅實基礎。這一模式則更注重企業內部知識資源的積累和轉化，強調依托知識資產實現技術跨越，在具有深厚技術沉淀和行業經驗的企業中更具優勢。

（三）條件組態分析：非高人工智能準備程度

鑒于QCA方法的因果非對稱性特點，即某個結果的出現與否需要不同的“原因組合”來分別解釋。本文以中小型和大型制造企業非高AI準備程度為研究對象，組態路徑結果見表9所列。

表9以非高AI準備程度為結果變量的組態路徑

注： $＼textcircled { ＼times } =$ 核心條件缺失， °ledast= 邊緣條件缺失。

對于中小型制造企業，按照核心條件可將六條路徑歸納為兩種模式：N1a、N1b、N1c、N1d四條路徑可以歸為一種組態模式，即“資源散焦一機會流失型”；N2a和N2b可以歸為另一種組態模式，即“能力幻覺一政策脫耦型”。前一模式作用機制表現為在市場需求快速迭代與技術變革加速的環境下，企業因技術洞察力不足而難以精準識別AI賦能的可行場景，導致資源投人方向模糊且分散。與此同時，財務柔性的約束限制了企業基礎能力建設的持續性投人，從而導致制造企業AI準備進程滯后。后一模式中，盡管政府通過專項資金、技術推廣項自等政策工具為企業提供AI轉型資源，但企業技術機會能力的薄弱使其無法將政策紅利轉化為適配性技術方案，知識存量的不足則導致數據治理、算法訓練等基礎工作缺乏領域知識支撐，形成“有資源無能力\"的資源配置困境。

對于大型制造企業，按照核心條件，M1a、M1b、M1c三條路徑可以歸為一種組態模式，即“優勢模糊一創新惰性型”;M2被命名為\"官僚耗散一能力脫嵌型”;M3被命名為“政策空轉一價值迷失型”。“優勢模糊一創新惰性型\"模式表現為企業在戰略層面對AI技術的價值認知與定位存在系統性偏差。這種認知偏差源于企業對自身傳統優勢的路徑依賴與對AI技術價值的模糊理解，使其在技術投資決策中傾向于維持現狀而非尋求突破，即所謂的創新惰性。優勢認知模糊性與創新動力不足的耦合效應導致企業在AI準備工作中步伐遲緩。“官僚耗散—能力脫嵌型\"企業憑借規模優勢獲取高強度政策資源，但多層級科層制導致決策流程冗長、資源配置行政化，形成政策響應優先于技術適配的路徑依賴；同時，這類企業技術機會識別能力薄弱、知識更新滯后及財務剛性過強，在面對市場和技術快速變化時反應遲緩，最終導致企業在AI準備上呈現表面投入高、實質效能低的現象。“政策空轉一價值迷失型\"模式反映政策激勵扭曲與企業戰略短視的疊加效應。低相對優勢認知使企業對AI技術的價值判斷模糊，缺乏從戰略高度理解其對企業核心競爭力的提升作用，而高政府支持卻在外部形成了推動AI準備的政策壓力，這種內外認知的不一致導致企業陷入被動應對而非主動求變的準備狀態。

（四）穩健性檢驗

在fsQCA研究中，閾值設置的靈活性會導致分析結果產生變化，故須進行穩健性檢驗。首先，調整原始一致性閾值，將一致性門檻值從0.80調至0.85，產生的組態結果前后基本一致。其次，將案例的閾值頻數由2提高到3，穩健性檢驗結果與原始組態結果一致。另外，解的總體一致性以及解的總體覆蓋度僅有細微變化，但變化不足以支撐富有意義并且截然不同的實質性解釋，表明本文研究結果具有較好的穩健性。

五、結語

本研究基于AMC理論框架構建了驅動制造企業AI準備的分析框架，采用fsQCA方法分別對影響中小型和大型制造企業AI準備的條件及復雜互動機制進行深人探討。研究發現： ① 企業對市場偏好/競爭威脅的覺察、受到政府支持和感知的預期收益驅動的動機、企業實施技術戰略決策所具備的能力需通過聯動匹配才能驅動制造企業產生高AI準備程度。單一因素不能構成驅動中小型或大型制造企業AI準備的必要條件或充分條件。 ② 中小制造企業的高AI準備程度的驅動模式主要為“需求驅動—敏捷響應型”;大型制造企業高AI準備程度有兩類驅動模式，分別為“政策杠桿一競爭倒逼型\"和\"知識轉化一精益突圍型”。 ③ 中小制造企業非高AI準備程度的驅動路徑包含兩種模式，即“資源散焦一機會流失型\"和“能力幻覺—政策脫耦型”。大型制造企業非高AI準備程度的驅動路徑包含三種模式，即“優勢模糊一創新惰性型”\"官僚耗散—能力脫嵌型”以及“政策空轉一價值迷失型”。

本研究的理論貢獻包括四個方面。一是嘗試引入AMC框架作為理論基礎，致力于解決制造企業AI準備驅動因素與路徑識別的復雜問題。現有研究多局限于組織內部或外部單一要素視角5，難以全面揭示AI準備的復雜驅動機制。本研究將察覺、動機、能力因素有機結合起來，形成了更具解釋力的理論框架。同時，將AMC框架的范圍擴展到競爭動態學中的傳統應用之外，豐富了AMC理論框架在AI戰略管理研究領域中的應用。二是現有關于AI準備內涵的研究多在單一層面展開分析，未能整合多層面要素進行系統性的AI準備內涵刻畫與解讀。本研究積極響應Holmstrom（2022）[33]提出的應從綜合性視角出發對AI準備內涵進行深入拓展與重新審視的建議，構建出更為全面、系統的AI準備概念模型。三是從研究方法來看，將QCA方法引入AI準備的研究中，從組態視角發現了制造企業AI準備的多種等效驅動路徑，加深了對AI準備行為復雜機理的理解。四是本研究將制造企業區分為大型企業和中小企業兩類，揭示了不同規模企業AI準備的差異性驅動路徑。響應了Deng等[34提出的\"技術準備研究應更關注企業異質性”的呼吁。

本研究的管理啟示包括三個方面。一是察覺、動機和能力要素并發協同效應的存在表明制造企業AI準備問題具有較大的復雜性，對此，制造企業在對AI部署的過程中不應只關注察覺、動機和能力方面單一因素的影響，而應該對其三者情況進行綜合性考量。二是大型制造企業和中小制造企業在AI準備驅動路徑上存在顯著差異。為此，對于深度參與國家戰略的大型企業而言，應充分發揮其資源稟賦與政策獲取優勢，構建“自上而下\"的AI部署戰略，系統推進數據底座建設、算法能力培養與應用場景拓展，以此保障AI部署工作行穩致遠；大型技術密集型企業則需聚焦知識資產的深度開發與精益化技術演進，將分散的經驗性知識轉化為結構化的知識資產體系，從而助力AI戰略落地并確保AI技術成功開發部署；而中小企業則應優先選擇投入小、見效快、風險低的AI應用場景，通過漸進式發展路徑逐步積累數據資產與技術經驗，在有限資源條件下實現AI技術的持續部署。三是對于非高AI準備的制造企業而言，管理者要深入分析造成非高AI準備的前因條件，在充分發揮有利條件的同時降低不利條件帶來的消極影響。

本研究存在以下局限有待未來研究。關于組態問卷調查數據的收集，前因和結果變量是同一時期面向同一對象開展的，可能會導致同源方法偏差問題。雖然通過過程控制和統計分析兩方面的替代措施來盡可能地緩解同源方法偏差可能帶來的影響，但在未來研究中還應分階段收集數據，以更好地解決這一問題。另外，本研究僅針對固定時間維度下制造企業AI準備組態驅動路徑進行分析，未來可以采用案例分析或動態QCA（如多時段、多線性增長QCA方法）方法，進一步探討驅動制造企業AI準備背后的要素協同變化軌跡以及時間效應下的組態關系。

注釋：

（1）http：//www.360doc.com/content/24/0819/15/77055692_ 1131760843.shtml.

參考文獻：

[1]LOKUGE S，SEDERA D，GROVER V，et al. Organizational Readiness for Digital Innovation：Development and Empirical Calibration of a Construct[J].Information amp; Management，2019，56（3）：445-461.

[2]楊祎，劉嫣然，李垣.替代或互補：人工智能應用管理對 創新的影響[J].科研管理，2021，42（4）：46-54.

[3]ENHOLM I M，PAPAGIANNIDIS E，MIKALEF P，et al. Artificial Intelligence and Business Value：A Literature Review[J]. Information Systems Frontiers，2022，24（5）： 1709-1734.

[4]JOHNK J，WEISSERT M，WYRTKI K. Ready or Not，AI Comes-An Interview Study of Organizational AI Readiness Factors[J]. Business amp; Information Systems Engineering，2021，63（1）：5-20.

[5]LI C，ASHRAF S F，AMIN S，et al. Consequence of Resistance to Change on AI Readiness： Mediating-Moderating Role of Task-Oriented Leadership and High-Performance Work System in the Hospitality Sector[J]. Sage Open， 2023，13（4）：217731.

[6]KINKEL S，BAUMGARTNER M，CHERUBINI E. Prerequisites for the Adoption of AI Technologies in ManufacturingEvidence from a Worldwide Sample of Manufacturing Companies[J]. Technovation，2022，110：102375.

[7]BAABDULLAH A M，ALALWAN A A，SLADE E L，et al.SMEs and Artificial Intelligence（AI） ：Antecedents and Consequences of AI-Based B2B Practices[J].Industrial Marketing Management，2021，98：255-270.

[8]TEHRANI A N，RAY S，ROY S K，et al. Decoding AI Readiness：An In-Depth Analysis of Key Dimensions in Multinational Corporations[J]. Technovation，2024，131：102948.

[9]HAEFNER N，PARIDA V，GASSMANN O，et al. Implementing and Scaling Artificial Intelligence：A Review， Framework，and Research Agenda[J]. Technological Forecasting and Social Change，2023，197：122878.

[10]KULKOVI，KULKOVAJ，ROHRBECKR，etal.Artificial Intelligence -Driven Sustainable Development ：Examining Organizational，Technical，and Processing Approaches to Achieving Global Goals[J]. Sustainable Development，2024，32（3） ：2253-2267.

[11]LI J Y，LI M X，WANG X C，et al. Strategic Directions for AI：The Role of CIOsand Boards of Directors1[J]. Mis Quarterly，2021，45（3）：1603-1644.

[12]SHI W，CHEN G L，LI B S.Problem Solving or Responsibility Avoidance？ The Role of CEO Internal Attribution Tendency in Shaping Corporate Downsizing in Response to Performance Shortfalls[J]. Journal of Management Studies，2023，60（5）：1273-1301.

[13]GUO W，SENGUL M，YU T Y. Rivals' Negative EarningsSurprises，Language Signals，and Firms'Competitive Actions[J].Academy of Management Journal，2020，63（3）： 637-659.

[14]AL-OMOUSH K S. Understanding the Impact of Intellectual Capital on E-Business Entrepreneurial Orientation and Competitive Agility：An Empirical Study[J]. Information Systems Frontiers，2022，24（2）：549-562.

[15]PILLAI R，SIVATHANU B，MARIANI M，et al. Adoptionof AI-Empowered IndustrialRobotsinAuto Component Manufacturing Companies[J]. Production Planning amp; Control，2022，33（16）：1517-1533.

[16]HULTG TM，HURLEY RF，KNIGHTGA. Innovativeness： Its Antecedents and Impact on Business Performance[J]. Industrial Marketing Management，2004，33 （5）：429-438.

[17]LEE JN，MIRANDA S M，KIM Y M. IT Outsourcing Strategies：Universalistic，Contingency，and Configurational Explanations of Success [J]. Information Systems Research，2004，15（2）：110-131.

[18]CHEN J，TAJDINI S.A Moderated Model of Artificial Intelligence Adoption in Firmsand Its Effectson Their Performance[J/OL].Information Technology amp; Management，2024（2024-04-17）[2024-10-04]. https：//link. springer.com/article/10.1007/s10799-024-00422-5.

[19]SANCHEZR.UnderstandingCompetence-based Management-Identifying and Managing Five Modes of Competence[J]. Journal of Business Research，2004，57（5）： 518-532.

[20]LIN H F，LIN S M. Determinants of E-Business Difusion：A Test of the Technology Diffusion Perspective[J]. Technovation，2008，28（3）：135-145.

[21]SEETHAMRAJU R，HECIMOVIC A. Adoption of Artificial Intelligence in Auditing：An Exploratory Study [J]. Australian Journal of Management，2023，48（4） ：780-800.

[22]GAMA F，MAGISTRETTI S. Artificial Intelligence in Innovation Management：A Review of Innovation Capabilities and a Taxonomy of AI Applications[J]. Journal of Product Innovation Management，2025，42（1）：76-111.

[23]ALAM MGR，MASUMAKM，BEHL S，et al. Critical Factors Influencing Decision to Adopt Human Resource Information System（HRIS）in Hospitals[J]. Plos One， 2016，11（8） ：160366.

[24]JAWORSKI BJ，KOHLI A K.Market Orientation：Antecedents andConsequences [J]. Journal of Marketing， 1993，57（3）：53-70.

[25]DAYAN M，NG P Y，NDUBISI N O. Mindfulness，Socioemotional Wealth，and Environmental Strategy of Family Businesses[J].Business Strategy and the Environment， 2019，28（3）：466-481.

[26]POLISETTYA，CHAKRABORTYD，SOWMYAG，et al. What Determines AI Adoption in Companies？Mixedmethod Evidence[J]. Journal of Computer Information Systems，2024，64（3）：370-387.

[27]PREMKUMAR G，ROBERTS M. Adoption of New Information Technologies in Rural Small Businesses [J]. Omega-International Journal of Management Science， 1999，27（4）：467-484.

[28]LI H Y，ATUAHENE-GIMA K. Product Innovation Strategy and the Performance of New Technology Ventures in China[J].Academy of Management Journal， 2001，44（6）：1123-1134.

[29]LUCIA-PALACIOSL，BORDONABA-JUSTEV，POLOREDONDO Y，et al. Technological Opportunism Effects onITAdoption，Intra-Firm Diffusion and Performance ： Evidence from theUSand Spain[J]. Journal ofBusiness Research，2014，67（6）：1178-1188.

[30]LIN HF. Interorganizational and Organizational Determinants of Planning Effectiveness for Internet-Based Interorganizational Systems[J].Informationamp;Management， 2006，43（4）：423-433.

[31]王文華，江昕意.環境不確定性下財務柔性的內涵界定 與測度[J].財會月刊，2020（11）：36-42.

[32]杜運周，劉秋辰，陳凱薇，等.營商環境生態、全要素生 產率與城市高質量發展的多元模式——基于復雜系統 觀的組態分析[J].管理世界，2022，38（9）：127-145.

[33]HOLMSTROM J. From AI to Digital Transformation： The AI Readiness Framework[J]. Business Horizons， 2022，65（3）：329-339.

[34]DENG N Q，SHI Y Y，WANG JB，et al. Testing the Adoption of Blockchain Technology in Supply Chain Management Among MSMEs in China[J/OL].Annals of Operations Research，2022（2022-08-08）[2024-10-04]. https：//link． springer. com/article/10.1007/s10479-022- 04856-4.

[責任編輯：韋燕]