人工智能應用如何促進企業(yè)雙元數(shù)字創(chuàng)新

中圖分類號：F273.1 文獻標識碼：A開放科學（資源服務）標識碼（OSID）：文章編號：1001-7348（2025）15-0024-11

0 引言

數(shù)字經濟時代，數(shù)字創(chuàng)新已成為企業(yè)擺脫競爭困境、保持競爭優(yōu)勢及發(fā)展新質生產力的重要途徑[1]。相較于傳統(tǒng)創(chuàng)新，數(shù)字創(chuàng)新更強調應用數(shù)字技術進行新產品研發(fā)、生產過程改進及商業(yè)模式更迭，以迎合數(shù)字時代產品迭代快、創(chuàng)新邊界模糊等新趨勢[2]。伴隨著技術工具迭代與創(chuàng)新范式變革，人工智能技術憑借其在自然語言處理、數(shù)據(jù)分析等方面的卓越性被廣泛應用于創(chuàng)新領域，但目前關于人工智能對數(shù)字創(chuàng)新賦能作用與路徑的研究較少，因此人工智能在企業(yè)數(shù)字創(chuàng)新領域的應用備受關注[3]。現(xiàn)有研究聚焦人工智能應用對傳統(tǒng)創(chuàng)新活動的影響[4]，從某些特定人工智能技術或應用場景出發(fā)，分析其對提升企業(yè)研發(fā)效率、優(yōu)化知識獲取的作用5，歸納其對知識搜索與整合的積極影響[3，但關于其對企業(yè)差異化數(shù)字創(chuàng)新影響的研究較少。因此，結合人工智能應用資源框架在知識管理能力塑造中的作用，借鑒雙元數(shù)字創(chuàng)新特征，本研究認為資源編排理論能為上述問題提供分析框架，較好地解釋人工智能應用賦能企業(yè)雙元數(shù)字創(chuàng)新的作用[6]。在數(shù)字創(chuàng)新過程中，資源獲取與構建能促進以產業(yè)內開放式創(chuàng)新為代表的產業(yè)內跨界搜索能力以及以跨產業(yè)開放式創(chuàng)新為代表的產業(yè)外跨界搜索能力的形成，對雙元數(shù)字創(chuàng)新產生積極影響[。基于此，本文以跨界搜索為中介變量，揭示人工智能應用影響企業(yè)雙元數(shù)字創(chuàng)新的差異化路徑。值得注意的是，企業(yè)自身知識整合能力[及外部環(huán)境動態(tài)性、競爭性對上述資源編排過程均會產生復雜影響[2]。因此，為提升理論適用性和穩(wěn)健性，本文將知識整合能力與二元環(huán)境作為調節(jié)變量納人研究框架。

綜上，本文“構建—捆綁一利用\"邏輯主線，探究人工智能應用對企業(yè)利用式和探索式數(shù)字創(chuàng)新的影響，并分析不同類型跨界搜索的交叉中介作用以及知識整合能力、二元環(huán)境的調節(jié)作用，旨在厘清人工智能應用通過不同類型跨界搜索作用于企業(yè)雙元數(shù)字創(chuàng)新的作用機理，以拓展數(shù)字創(chuàng)新影響因素研究，為企業(yè)改善異質化數(shù)字創(chuàng)新提供理論指導與經驗借鑒。

1基本概念與文獻綜述

本文將人工智能應用界定為企業(yè)在研發(fā)和知識管理過程中對人工智能技術的使用，包括數(shù)據(jù)解讀能力、數(shù)據(jù)學習能力以及通過學習實現(xiàn)特定目標的行為等。參考Lee等[8]、Rammer等[3]的研究，本文主要關注自然語言處理、計算機視覺、機器學習3類影響知識管理的人工智能技術。數(shù)字經濟時代，數(shù)字技術深刻影響創(chuàng)新行為與創(chuàng)新管理理論[2]。Yoo等[9]認為數(shù)字創(chuàng)新是企業(yè)在生產或創(chuàng)新過程中應用數(shù)字技術產生不同形式創(chuàng)新成果的過程。雙元理論為數(shù)字創(chuàng)新研究提供了重要視角，其將數(shù)字創(chuàng)新劃分為利用式數(shù)字創(chuàng)新和探索式數(shù)字創(chuàng)新兩種[]。其中，利用式數(shù)字創(chuàng)新是指企業(yè)在已有知識基礎與技術路線上，將數(shù)字技術作為改進工具優(yōu)化現(xiàn)有業(yè)務流程、生產過程及產品功能的創(chuàng)新方式；探索式數(shù)字創(chuàng)新是指企業(yè)視數(shù)字技術為全新機會，通過打破既有技術路線和思維模式，搜索、捕獲、吸收及整合數(shù)字資源，創(chuàng)造全新業(yè)務流程、顛覆式產品或商業(yè)模式的創(chuàng)新方式[10]

現(xiàn)有研究聚焦人工智能應用對企業(yè)傳統(tǒng)創(chuàng)新績效的影響，可歸納為兩類：一是理論分析，主要從信息處理約束角度出發(fā)揭示人工智能通過優(yōu)化決策流程、增強數(shù)據(jù)處理能力提升企業(yè)創(chuàng)新效率[3]，關注技術實施過程中人機協(xié)同面臨的深層次挑戰(zhàn)[11]。二是實證研究，多采用文本分析、專利挖掘等方法量化人工智能應用[4]，聚焦特定技術或場景（如深度學習、數(shù)字孿生）[5]，揭示人工智能在提高企業(yè)研發(fā)效率、優(yōu)化知識管理流程等方面的積極作用[11]。綜上，現(xiàn)有研究多討論人工智能對企業(yè)廣義創(chuàng)新的影響4，缺乏對數(shù)字創(chuàng)新的關注，對異質性雙元創(chuàng)新的探討較少；同時，多對廣義上跨界搜索中介效應進行分析，對不同學習模式下人工智能跨界搜索知識邊界問題的探討較少。

2 理論分析與研究假設

2.1 資源編排理論

資源編排理論認為管理者基于外部環(huán)境變化對資源進行構建、組合或剝離，進而將資源捆綁、整合形成內部能力，最終創(chuàng)造價值，是企業(yè)獲取競爭優(yōu)勢的主要原因[12]。本文“構建—捆綁—利用”邏輯主線，探討人工智能應用對企業(yè)雙元數(shù)字創(chuàng)新的作用機理。首先，在構建階段，企業(yè)基于環(huán)境感知進行資源構建與重組，包括引進人工智能技術相關資源，通過算法優(yōu)化知識、人力、網絡資源在識別、獲取、整合及匹配過程中的精度與敏捷性，進而提升資源動態(tài)配置效率。在此過程中，企業(yè)戰(zhàn)略決策來源于外部環(huán)境動態(tài)性、競爭性與內部資源的動態(tài)匹配，由此觸發(fā)二元環(huán)境對人工智能應用賦能資源編排的情境效應[12]，因此本文選取二元環(huán)境作為多路徑調節(jié)變量。其次，在捆綁階段，產業(yè)內跨界搜索和產業(yè)外跨界搜索能夠強化知識獲取效應、提高資源質量（王炳成等，2023），促使企業(yè)將獲取的異質性知識通過編排機制與既有資源形成“再捆綁”，突破原有知識結構的剛性約束，通過知識資源重組催生新創(chuàng)新范式，從而適配數(shù)字創(chuàng)新快速迭代性、可擴展性及廣泛連接性等特征。基于此，本文選取不同類型跨界搜索作為人工智能應用與數(shù)字創(chuàng)新之間的中介路徑，以解釋企業(yè)采用通用大模型實現(xiàn)廣泛知識搜索與采用專業(yè)模型進行深度知識挖掘的差異化效應。最后，為考察人工智能應用對異質性創(chuàng)新的交叉作用，將雙元數(shù)字創(chuàng)新作為價值轉化的表現(xiàn)形式。同時，考慮到創(chuàng)新資源轉化過程中知識整合的協(xié)同作用，如通過知識要素的編碼化轉換與適應性重構，為外部跨界知識與既有知識架構整合提供情境，本文重點探討知識整合能力在跨界搜索與數(shù)字創(chuàng)新之間的調節(jié)作用。

綜上，本文認為人工智能技術應用通過增強資源編排效應，提升差異化跨界搜索能力，最終促進企業(yè)雙元數(shù)字創(chuàng)新實現(xiàn)價值創(chuàng)造，即“技術賦能資源建構一捆綁形成搜索能力一創(chuàng)新驅動價值實現(xiàn)”邏輯框架。其中，二元環(huán)境與知識整合能力在上述路徑中發(fā)揮調節(jié)作用。

2.2人工智能應用與雙元數(shù)字創(chuàng)新

人工智能應用從多個維度影響企業(yè)雙元數(shù)字創(chuàng)新[11]。首先，在資源構建與捆綁階段，人工智能技術在諸多領域和場景為數(shù)字創(chuàng)新提供技術支持，提升知識搜索效率，豐富知識資源，幫助企業(yè)運用既有資源提升開發(fā)能力[13]，優(yōu)化企業(yè)研發(fā)設計流程與成本結構，提高企業(yè)數(shù)字創(chuàng)新更新速度、頻率及迭代連續(xù)性，促進利用式數(shù)字創(chuàng)新。其次，人工智能技術具有強大的數(shù)據(jù)處理與分析能力，能夠提高企業(yè)自有資源組合效率，捆綁形成跨界搜索學習能力，通過搜索跨部門、跨領域、跨地理邊界、跨場景廣域知識或深度知識，識別市場中的新興機會和前沿方向[14]，通過數(shù)字孿生降低創(chuàng)新風險與試錯成本[5]，避免“路徑依賴\"[15]，從而促進探索式數(shù)字創(chuàng)新[13]。最后，人工智能應用能有效緩解企業(yè)創(chuàng)新資源約束，降低雙元創(chuàng)新張力，在數(shù)字創(chuàng)新迭代速度快、離散程度高、用戶參與強的特征下[16]，通過外部環(huán)境掃描與知識整合，為企業(yè)提供更為精準的創(chuàng)新戰(zhàn)略，促進雙元創(chuàng)新“螺旋式協(xié)同”。據(jù)此，本文提出如下假設：

H₁ ：人工智能應用正向影響企業(yè)雙元數(shù)字創(chuàng)新。

2.3 跨界搜索的中介作用

企業(yè)通過跨界搜索跨越組織和技術邊界，主動獲取外部知識資源[17]。鑒于不同企業(yè)技術領域、商業(yè)模式不同，為解釋人工智能應用不同搜索范式產生的差異化作用，將跨界搜索劃分為產業(yè)內跨界搜索和產業(yè)外跨界搜索[18]。其中，產業(yè)內跨界搜索是指搜索行為發(fā)生在同一產業(yè)內，強調跨越組織邊界尋找、利用產業(yè)內部知識資源實現(xiàn)技術互補和共享；產業(yè)外跨界搜索是指企業(yè)跨越產業(yè)邊界進行搜索，以獲取全新、與企業(yè)既有知識體系差異較大的知識資源[18]。，人工智能作為技術資源，能夠賦能企業(yè)資源構建與捆綁，形成跨界搜索能力，進而促進雙元數(shù)字創(chuàng)新。

一方面，人工智能應用通過強化產業(yè)內跨界搜索，正向影響企業(yè)雙元數(shù)字創(chuàng)新。人工智能應用以與企業(yè)既有人力資本、知識資本及產業(yè)技術平臺匹配為前提，基于產業(yè)市場需求進行跨界搜索，能大幅降低企業(yè)搜索成本[19]、提升資源捕獲效率與精確性，強化產業(yè)內跨界搜索。產業(yè)內跨界搜索有助于企業(yè)把握產業(yè)動向，獲取已經過實踐驗證、實用性強的知識，降低知識利用風險與成本，加快技術改進速度，為雙元數(shù)字創(chuàng)新提供資源基礎和保障。此外，產業(yè)內跨界搜索還能引導企業(yè)進行深度知識融合與技術協(xié)同，將產業(yè)鏈非結構化經驗內化，拓展技術重組空間，催生突破性技術組合，促進雙元數(shù)字創(chuàng)新。

另一方面，人工智能應用通過促進產業(yè)外跨界搜索，正向影響企業(yè)雙元數(shù)字創(chuàng)新。不同產業(yè)間數(shù)據(jù)資源結構、技術語言系統(tǒng)不同，人工智能技術基于可重復編程屬性能夠突破不同產業(yè)間數(shù)據(jù)資源結構和技術語言系統(tǒng)差異瓶頸8]，提升企業(yè)獲取、配置及轉化產業(yè)外知識資源的能力，引入外部人力資本與知識資本，形成產業(yè)外跨界搜索能力。產業(yè)外跨界搜索能幫助企業(yè)引入跨產業(yè)異質性知識、技術及范式[20]，激發(fā)研發(fā)人員創(chuàng)造性思維，突破現(xiàn)有技術路徑與創(chuàng)新范式，為企業(yè)開展探索性研發(fā)、嘗試顛覆性技術方案創(chuàng)造條件，促進雙元數(shù)字創(chuàng)新[21]。據(jù)此，本文提出如下假設：

H₂ ：產業(yè)內跨界搜索在人工智能應用與雙元數(shù)字創(chuàng)新間起中介作用。

H₃ ：產業(yè)外跨界搜索在人工智能應用與雙元數(shù)字創(chuàng)新間起中介作用。

2.4知識整合能力的調節(jié)作用

在資源編排理論框架下，企業(yè)利用人工智能技術對內外部復雜、分散的知識資源進行整合、加工及重構，形成知識體系[22]。在此過程中，知識整合能力通過結構化編碼與重組高效處理異質性知識，提高企業(yè)知識結構更新與重組能力，創(chuàng)造新知識組合，從而對數(shù)字創(chuàng)新產生積極影響。因此，知識整合能力在利用知識資源實現(xiàn)數(shù)字創(chuàng)新過程中發(fā)揮重要調節(jié)作用。從知識轉化效率看，企業(yè)通過跨界搜索獲取的多樣性、異質性知識往往存在利用與轉化瓶頸[23]，而通過知識整合能改善跨界知識資源與數(shù)字創(chuàng)新需求匹配度，增強異質性知識對雙元數(shù)字創(chuàng)新的邊際貢獻。高水平知識整合能力可高效識別通過跨界搜索獲取的知識資源與現(xiàn)有知識體系間的缺口，強化知識轉化銜接能力，促進跨界資源吸收與利用，提高雙元數(shù)字創(chuàng)新知識架構重組效能。從知識體系構建看，知識整合能力能幫助企業(yè)構建具備動態(tài)性與兼容性的知識體系，使企業(yè)利用跨界搜索獲取的異質性知識，提升知識應用轉化效能與“技術嫁接\"能力[24]，從而促進雙元數(shù)字創(chuàng)新。據(jù)此，本文提出如下假設：

H₄ ：知識整合能力正向調節(jié)跨界搜索與雙元數(shù)字創(chuàng)新的正向關系。

2.5 二元環(huán)境的調節(jié)作用

資源編排理論框架下，企業(yè)基于環(huán)境感知進行資源構建與重組，進而提升資源動態(tài)配置效率。在此過程中，外部環(huán)境動態(tài)性與競爭性通過調節(jié)資源編排與市場需求適配度影響企業(yè)數(shù)字創(chuàng)新[13]。其中，環(huán)境動態(tài)性指環(huán)境變化速度與不穩(wěn)定程度，環(huán)境競爭性指環(huán)境競爭程度[25]，二元性程度高的外部環(huán)境是對高環(huán)境動態(tài)性與高環(huán)境競爭性的統(tǒng)稱。

高動態(tài)性外部環(huán)境要求企業(yè)具備高度靈活性以適應迅速變化的外部市場環(huán)境，高競爭性的外部環(huán)境迫使企業(yè)尋求新的技術突破路徑以保持自身競爭優(yōu)勢[25]。在數(shù)字創(chuàng)新過程中，高動態(tài)性外部環(huán)境會加劇企業(yè)對數(shù)字創(chuàng)新迭代速度與客戶價值敏捷性反饋的訴求，通過強化人工智能技術應用的資源屬性及其在構建資源體系過程中的“黏合作用”，正向調節(jié)其對跨界搜索能力、數(shù)字創(chuàng)新的促進作用。高競爭性外部環(huán)境促使企業(yè)加快人工智能應用與其它資源的匹配，強化企業(yè)捕捉產業(yè)信息和搜索跨界知識的能力，同時也對企業(yè)資源捆綁、知識整合及轉化能力提出更高要求，以滿足數(shù)字創(chuàng)新邊界模糊和模塊化鏈接特征，形成外部環(huán)境驅動的正向調節(jié)效應。據(jù)此，本文提出如下假設：

H_5a ：二元環(huán)境正向調節(jié)人工智能應用與雙元數(shù)字創(chuàng)新的正向關系。

H_5b ：二元環(huán)境正向調節(jié)人工智能應用與跨界搜索的正向關系。

綜上所述，本文構建理論模型，如圖1所示。

3 研究設計

3.1樣本選取與數(shù)據(jù)來源

本文通過問卷調研法收集數(shù)據(jù)。為確保問卷準確性和可理解性，首先向就職于企業(yè)管理層的MBA學員及其教師發(fā)放紙質問卷，共回收28份預調研問卷，通過對教師與MBA學員反饋的問題進行修改，形成正式問卷。隨后，以、江蘇、河北、山東等地企業(yè)為研究對象，借助問卷星平臺展開調研。為減少共同方法偏差問題，參考池毛毛等[26]的研究，將問卷發(fā)放與收集分為兩個階段：第一階段主要收集人工智能應用、跨界搜索、知識整合能力、二元環(huán)境及控制變量數(shù)據(jù)。一方面，向MBA學員發(fā)放電子問卷，共發(fā)放60份問卷，回收32份問卷；另一方面，利用社會關系向企業(yè)中高層管理者或研發(fā)人員發(fā)放電子問卷，共發(fā)放450份問卷，回收381份問卷。第二階段收集雙元數(shù)字創(chuàng)新數(shù)據(jù)，重復第一階段發(fā)放方式，共發(fā)放478份問卷，回收421份問卷。最后，將第一階段和第二階段問卷基于企業(yè)代碼或名稱進行匹配，剔除連續(xù)性勾選、存在明顯空白及漏項的無效問卷，最終獲得有效問卷292份，滿足實 證分析要求，樣本特征如表1所示。

圖1理論模型

Fig.1Theoretical model

表1樣本特征Table1 Samplecharacteristics

3.2 變量測量

問卷由兩部分組成：第一部分為企業(yè)基本情況，包括企業(yè)代碼、名稱、成立時間、規(guī)模、性質、所屬行業(yè)及發(fā)展階段；第二部分為測量量表，題項均采用Likert五點量表進行測度， 1～5 表示從“完全不符合\"到“完全符合”。變量測度借鑒國內外文獻接受度較高的成熟量表。 ① 人工智能應用測度借鑒Rammer等[3]、Lee等[8]的量表并進行適當調整，共設置6個題項。 ② 雙元數(shù)字創(chuàng)新測度借鑒池毛毛等[26]、奉小斌等（2024）的量表并進行適當調整，其中利用式數(shù)字創(chuàng)新與探索式數(shù)字創(chuàng)新各設置5個題項。 ③ 跨界搜索測度借鑒Sidhu等[27]、胡保亮等（2018）的量表并進行適當調整，其中產業(yè)內跨界搜索與產業(yè)外跨界搜索各設置5個題項。 ④ 知識整合能力測度借鑒王娟茹等（2020）的量表并進行適當調整，共設置4個題項。 ⑤ 二元環(huán)境測度參考Jansen等[25]的量表并進行適當調整，針對動態(tài)性與競爭性兩個方面共設置8個題項，見表2。

3.3共同方法偏差檢驗

考慮到可能存在同源偏差問題，故采用兩種方法進行檢驗：第一，采用Harman單因子法進行共同方法偏差檢驗，未經旋轉得到6個特征根大于1的因子，第一個因子所解釋的變異量為 38.844% ，低于 40% 。第二，采用驗證性因子分析法進行共同方法偏差檢驗，在單因子模型中，擬合指標卡方 =3359.768 ，自由度 665，卡方/自由度 =5.052，RMSEA=0.118，SRMR= 0.097，擬合指標比測量模型弱，因此排除共同方法偏差的影響。

3.4 信效度檢驗

使用SPSS27.0和Mplus8.0對各變量進行信效度檢驗。信度方面，各變量的Cronbach's α 系數(shù)均大于0.7，組合信度均大于0.9（見表2），表明各變量量表信度較好。效度方面，在七因子模型中，擬合指數(shù)卡方 1370.231， df=644 ，卡方/ ′df=2.128（lt;3） ，RMSEA 0.062（lt;0.08 ）， SRMR=0. 067（lt;0. 08） ，表明結構效度良好；各題項標準化因子載荷均大于0.6，各因子平均方差萃取量均大于0.5，表明聚合效度良好。各變量之間相關系數(shù)均在0.01水平上顯著，且任意兩個變量之間的相關系數(shù)均小于各變量平均方差萃取量的平方根，表明區(qū)分效度較好（見表3）。

3.5描述性統(tǒng)計與相關性分析

使用SPSS27.0軟件對各變量均值、標準差及相關系數(shù)進行分析，結果如表3所示。其中，人工智能應用、產業(yè)內跨界搜索、產業(yè)外跨界搜索、利用式數(shù)字創(chuàng)新、探索式數(shù)字創(chuàng)新間均顯著正相關。同時，對數(shù)據(jù)進行多重共線性檢驗發(fā)現(xiàn)，各變量VIF值均小于5，即各變量之間未出現(xiàn)嚴重的多重共線性問題。

表2信效度檢驗結果

Table2Reliabilityandvaliditytestresults

表3描述性統(tǒng)計與相關性分析結果Table3Descriptive statisticsandcorrelationanalysisresults

注： ×? 、 ? 分別表示在0.01、0.05水平上顯著；對角線為AVE平方根

4假設檢驗

4.1 主效應檢驗

對人工智能應用與企業(yè)雙元數(shù)字創(chuàng)新關系進行檢驗，結果如表4所示。模型1和模型5是基于控制變量回歸的基準模型，在此基礎上加入自變量。模型2、模型6結果顯示，人工智能應用對利用式和探索式數(shù)字創(chuàng)新均具有顯著正向影響，假設 H₁ 得到驗證。這表明，人工智能應用是提升雙元數(shù)字創(chuàng)新的重要引擎，為企業(yè)通過人工智能技術應用提升數(shù)字創(chuàng)新績效提供了實證支持。

4.2 中介效應檢驗

對跨界搜索中介效應進行檢驗，分別將利用式數(shù)字創(chuàng)新和探索式數(shù)字創(chuàng)新作為因變量，在模型中依次加入控制變量、自變量及中介變量進行回歸，結果如表4所示。首先，基于主效應檢驗結果，人工智能應用與利用式和探索式數(shù)字創(chuàng)新均顯著正相關。其次，根據(jù)模型9、模型10結果可知，人工智能應用與產業(yè)內、產業(yè)外跨界搜索均顯著正相關。最后，根據(jù)模型3、模型4結果可知，產業(yè)內、產業(yè)外跨界搜索與利用式數(shù)字創(chuàng)新顯著正相關；根據(jù)模型7、模型8結果可知，產業(yè)內、產業(yè)外跨界搜索與探索式數(shù)字創(chuàng)新顯著正相關，假設H₂ 、 H₃ 得到驗證。采用Bootstrap法進一步檢驗中介效應的可靠性，由表5結果可知，產業(yè)內、產業(yè)外跨界搜索1 30005%CI 置信區(qū)間不包含0，說明產業(yè)內、產業(yè)外跨界搜索在人工智能應用與企業(yè)雙元數(shù)字創(chuàng)新關系中起中介作用，假設 H₂、H₃ 再次得到驗證。

表4主效應和中介效應檢驗結果

Table4Testresultsofthemaineffectandmediationeffecttests

注： ???? 、 ?? 、 ^? 分別表示 Plt;0.001，Plt;0.01，Plt;0.05 ，括號內為t值，下同

表5Bootstrap中介效應檢驗結果Table5 Bootstraptestresultsformediationeffect

注：AI表示人工智能應用；IBS表示產業(yè)內跨界搜索；OBS表示產業(yè)外跨界搜索;EIDI表示利用式數(shù)字創(chuàng)新;ERDI表示探索式數(shù)字創(chuàng)新

進一步比較中介路徑系數(shù)可以看出，產業(yè)內跨界搜索在人工智能應用與利用式數(shù)字創(chuàng)新之間的中介效應強于探索式數(shù)字創(chuàng)新。同時，產業(yè)外跨界搜索在人工智能應用與探索式數(shù)字創(chuàng)新之間的中介效應強于利用式數(shù)字創(chuàng)新。這一方面證實理論模型的交叉中介作用，另一方面揭示資源編排的差異化路徑價值，表明企業(yè)需基于數(shù)字創(chuàng)新目標差異化部署人工智能驅動的跨界搜索策略。

4.3 調節(jié)效應檢驗

4.3.1 知識整合能力的調節(jié)作用

知識整合能力的調節(jié)作用檢驗結果如表6所示。根據(jù)模型1、模型3結果可知，產業(yè)內跨界搜索與知識整合能力交互項對利用式、探索式數(shù)字創(chuàng)新具有顯著正向影響，說明知識整合能力越強，產業(yè)內跨界搜索與利用式、探索式數(shù)字創(chuàng)新的正向關系越顯著。根據(jù)模型2、模型4結果可知，產業(yè)外跨界搜索與知識整合能力交互項對利用式、探索式數(shù)字創(chuàng)新具有顯著正向影響，說明知識整合能力越強，產業(yè)外跨界搜索與利用式、探索式數(shù)字創(chuàng)新的正向關系越顯著，假設 H₄ 得到驗證。此外，采用簡單斜率進一步檢驗知識整合能力的調節(jié)效應，繪制不同水平知識整合能力對跨界搜索與雙元數(shù)字創(chuàng)新的影響效應，如圖 2～ 圖5所示。在高知識整合能力下，產業(yè)內、產業(yè)外跨界搜索與利用式、探索式數(shù)字創(chuàng)新的交叉正向關系更顯著。這表明，企業(yè)跨界搜索效益最大化依賴于知識整合能力這一“軟基建”，知識整合能力直接影響企業(yè)能否將獲取的外部資源高效轉化為數(shù)字創(chuàng)新成果，這與數(shù)字創(chuàng)新回報率及持續(xù)性競爭優(yōu)勢密切相關。

4.3.2 二元環(huán)境的調節(jié)作用

二元環(huán)境的調節(jié)作用檢驗結果如表7所示。根據(jù)模型1、模型2結果可知，人工智能應用與二元環(huán)境交互項對利用式、探索式數(shù)字創(chuàng)新均具有顯著正向影響，說明外部環(huán)境二元性程度越高，人工智能應用對利用式、探索式數(shù)字創(chuàng)新的正向影響越顯著，假設 H_5a 得到驗證。根據(jù)模型3、模型4結果可知，人工智能應用與二元環(huán)境交互項對產業(yè)內、產業(yè)外跨界搜索均具有顯著正向影響，說明外部環(huán)境二元程度越高，人工智能應用對產業(yè)內、外跨界搜索的正向關系越顯著，假設 H_5b 得到驗證。此外，采用簡單斜率進一步檢驗二元環(huán)境的調節(jié)效應，繪制不同水平二元環(huán)境對人工智能應用與雙元數(shù)字創(chuàng)新、跨界搜索的影響效應，如圖 6～ 圖9所示。可見，在二元程度高的外部環(huán)境中，人工智能應用與雙元數(shù)字創(chuàng)新、跨界搜索的正向關系更顯著。值得注意的是，相較于產業(yè)外跨界搜索，二元環(huán)境對人工智能應用與產業(yè)內跨界搜索的調節(jié)效應更顯著。這可能是因為：產業(yè)內跨界搜索有助于企業(yè)更快地獲取產業(yè)動向、技術發(fā)展及市場變化趨勢等信息，企業(yè)在高二元性外部環(huán)境中更有可能與產業(yè)內企業(yè)合作，通過資源共享與風險共擔，幫助企業(yè)及時響應客戶需求、技術及環(huán)境變化[28]。

表6知識整合能力的調節(jié)效應檢驗結果

Table6Testresultsof themoderatingeffect test for knowledgeintegrationcapability

圖2知識整合能力對產業(yè)內跨界搜索與利用式數(shù)字創(chuàng)新的調節(jié)效應 Fig. 2 Moderatingeffect of knowledge integrationcapabilityonintra-industry boundary-spanning search and exploitative digital innovation

圖3知識整合能力對產業(yè)外跨界搜索與利用式數(shù)字創(chuàng)新的調節(jié)效應 Fig. 3 Moderatingeffectofknowledgeintegrationcapabilityoncross-industry boundary-spanningsearch and exploitative digital innovation

圖4知識整合能力對產業(yè)內跨界搜索與探索式數(shù)字創(chuàng)新的調節(jié)效應 Fig.4Moderating effect of knowledge integration capability on intra-industry boundary-spanning searchand exploratorydigital innovation

圖5知識整合能力對產業(yè)外跨界搜索與探索式數(shù)字創(chuàng)新的調節(jié)效應 Fig.5Moderating effect of knowledge integration capability on cross-industry boundary-spanningsearchandexploratorydigital innovation

表7二元環(huán)境的調節(jié)效應檢驗結果

Table7Resultsforthemoderatingeffectofdual environment

圖6二元環(huán)境對人工智能應用與利用式數(shù)字創(chuàng)新的調節(jié)效應 Fig.6Moderating effect of dual environment on AI application andexploitativedigital innovation

圖7二元環(huán)境對人工智能應用與探索式數(shù)字創(chuàng)新的調節(jié)效應 Fig.7Moderatingeffectofdualenvironmenton AI applicationandexploratorydigital innovation

圖8二元環(huán)境對人工智能應用與產業(yè)內跨界搜索的調節(jié)效應 Fig.8Moderating effect of dual environment onthe application ofartificial intelligence and cross-industry search within the industry

圖9二元環(huán)境對人工智能應用與產業(yè)外跨界搜索的調節(jié)效應 Fig.9Moderatingeffectofdual environmentonartificialintelligence applicationand inter-industryboundary-spanningsearch

5 結論與啟示

5.1 研究結論

，本文探討人工智能應用對企業(yè)雙元數(shù)字創(chuàng)新的影響，檢驗產業(yè)內、產業(yè)外跨界搜索的交叉中介作用以及知識整合能力、二元環(huán)境的調節(jié)作用，得出如下研究結論：首先，人工智能應用正向促進企業(yè)利用式、探索式數(shù)字創(chuàng)新。人工智能應用通過技術賦能重塑數(shù)字創(chuàng)新價值創(chuàng)造范式，為突破傳統(tǒng)雙元創(chuàng)新“資源有限性\"和“路徑依賴\"瓶頸提供可能，也為企業(yè)適應數(shù)字創(chuàng)新動態(tài)可塑性、快速迭代性等新特征提供支撐。其次，產業(yè)內、產業(yè)外跨界搜索在人工智能應用與雙元數(shù)字創(chuàng)新之間起交叉中介作用，且作用路徑不同。其中，產業(yè)內跨界搜索在人工智能應用與利用式數(shù)字創(chuàng)新之間的中介作用更顯著，產業(yè)外跨界搜索在人工智能應用與探索式數(shù)字創(chuàng)新之間的中介作用更顯著。這表明，產業(yè)內跨界搜索聚焦垂直領域技術與知識，有助于企業(yè)識別產業(yè)內最佳實踐與改進機會，促進現(xiàn)有數(shù)字產品或服務利用式迭代升級；產業(yè)外跨界搜索通過跨產業(yè)數(shù)據(jù)融合與技術生態(tài)銜接，打破認知慣性與知識邊界，驅動探索式數(shù)字創(chuàng)新。最后，知識整合能力與二元環(huán)境分別在“能力—利用”“構建—能力\"階段發(fā)揮調節(jié)作用。一方面，知識整合能力在跨界搜索與雙元數(shù)字創(chuàng)新之間發(fā)揮正向調節(jié)作用。知識整合能力通過知識編碼化轉換與適應性重構，有效整合跨界搜索獲取的異質性知識，滿足數(shù)字創(chuàng)新對廣域知識、及時性信息的訴求。另一方面，二元環(huán)境在人工智能應用與跨界搜索、雙元數(shù)字創(chuàng)新之間發(fā)揮正向調節(jié)作用。這表明，外部環(huán)境動態(tài)性、競爭性需與內部人工智能驅動的資源構建路徑相匹配，凸顯了二元環(huán)境作為情境因素對人工智能應用賦能創(chuàng)新資源編排的重要性。

5.2 理論貢獻

（1）擴展了雙元數(shù)字創(chuàng)新影響因素研究。現(xiàn)有研究主要關注人工智能應用對企業(yè)傳統(tǒng)創(chuàng)新績效的影響，對人工智能應用與數(shù)字創(chuàng)新或雙元創(chuàng)新內在關聯(lián)的探討較少。本文拓展了人工智能視域下企業(yè)雙元數(shù)字創(chuàng)新影響機理研究。

（2）深化了跨界搜索中介機制測量維度與差異化認知。一方面，現(xiàn)有研究普遍將跨界搜索視為獨立的前因變量，關注其通過組織間知識流動作用于企業(yè)創(chuàng)新行為的過程。本文在資源編排理論框架下，強調人工智能捆綁形成跨界搜索能力，其通過搜索和整合異質性知識，促進雙元數(shù)字創(chuàng)新。另一方面，不同于現(xiàn)有觀測維度，本文基于產業(yè)邊界對跨界搜索進行細分，有效闡釋產業(yè)內、產業(yè)外跨界搜索通過構建差異化知識系統(tǒng)促進企業(yè)雙元數(shù)字創(chuàng)新的不同機理，拓寬了資源編排理論框架適用范疇。

（3）豐富了數(shù)字創(chuàng)新過程中知識整合能力情境。現(xiàn)有研究多將知識整合能力作為單一中介或前因條件進行討論，對其情境作用的探討較少。在數(shù)字創(chuàng)新過程中，知識整合能力可優(yōu)化跨界資源交互，在創(chuàng)新資源轉化利用過程中發(fā)揮重要協(xié)同作用。

（4）豐富了數(shù)字創(chuàng)新過程中二元環(huán)境的情境討論。與現(xiàn)有研究主要關注企業(yè)自身能力特質不同，本文發(fā)現(xiàn)在二元環(huán)境程度高的情境下，人工智能應用賦能資源編排的效果更好，這豐富了資源編排框架下數(shù)字創(chuàng)新流程情境討論。

5.3 管理啟示

基于上述研究結論，本文提出以下啟示：

（1）強化研發(fā)環(huán)節(jié)人工智能技術嵌入，構建“人工智能 + \"資源體系與轉化生態(tài)。重點提升研發(fā)設計環(huán)節(jié)人工智能應用深度與覆蓋度，賦能創(chuàng)新資源識別、捕獲及整合，緩解資源約束，為雙元數(shù)字創(chuàng)新提供決策支撐與知識基礎。

（2）以創(chuàng)新產出為導向，構建基于人工智能的差異化跨界搜索體系。一方面，利用人工智能深化垂直領域技術、實踐及需求的識別捕獲能力，促進現(xiàn)有知識資源深度開發(fā)與優(yōu)化，強化利用式數(shù)字創(chuàng)新。另一方面，利用人工智能搜索跨產業(yè)邊界技術、知識及市場機會，打破認知邊界，識別產業(yè)間技術關聯(lián)與潛在結合點，挖掘探索式數(shù)字創(chuàng)新的潛在機會。

（3）打造數(shù)智化知識管理平臺，提升企業(yè)知識整合能力。強化數(shù)智技術對知識管理平臺的賦能效應，提升研發(fā)設計環(huán)節(jié)對跨界知識的吸收、整合及轉化效率，促進企業(yè)雙元數(shù)字創(chuàng)新。

（4）健全動態(tài)環(huán)境識別機制，實施差異化創(chuàng)新過程控制機制。利用人工智能技術及時捕捉外部環(huán)境趨勢，動態(tài)調整企業(yè)資源構建與跨界搜索策略，確保資源體系與外部環(huán)境有機協(xié)同，實施差異化風險防控機制，提升人工智能技術對雙元數(shù)字創(chuàng)新的賦能效果。

5.4 不足與展望

本文存在如下不足：首先，采用問卷調研法收集數(shù)據(jù)可能存在一定主觀性，未來可考慮使用定量指標對變量進行測度。其次，資源編排理論在實踐中還可能受制度環(huán)境、企業(yè)文化等因素的影響，未來可基于其它理論視角對本文研究問題進行討論。

參考文獻：

[1]李振東，梅亮，朱子欽，等，制造業(yè)單項冠軍企業(yè)數(shù)字創(chuàng)新戰(zhàn)略及其適配組態(tài)研究[J].管理世界，2023，39（2）：186-208.

[2]NAMBISAN S，LYYTINEN K，MAJCHRZAK A，et al.Digital innovation management： reinventing innovationmanagement research in a digital world[J]. MIS Quarterly，2017，41（1）：223-238.

[3]RAMMER C， FERNANDEZ G P，CZARNITZKI D. Arti-ficial intelligence and industrial innovation： evidence fromGerman firm-level data[J]. Research Policy，2022，51（7）：104555.

[4］李玉花，林雨昕，李丹丹．人工智能技術應用如何影響企業(yè)創(chuàng)新[J]．中國工業(yè)經濟，2024，41（10）：155-173.

[5]FUKAWA N，RINDFLEISCH A. Enhancing innovation viathe digital twin[J].Journal of Product Innovation Manage-ment，2023，40（4）：391-406.

[6]PRZEGALINSKA A，TRIANTORO T，KOVBASIUK A，et al. Collaborative AI in the workplace：enhancing organi-zational performance through resource-based and task-tech-nology fit perspectives[J]. International Journal of Informa-tion Management，2025，81：102853.

[7]王娟茹，劉潔怡．跨界搜索、組織韌性對企業(yè)綠色技術創(chuàng)新的影響研究[J]．科研管理，2024，45（5）：125-133.

[8]LEE Y S， KIM T，CHOI S，et al. When does AI pay off？AI-adoption intensity， complementary investments， andRamp;D strategy[J]. Technovation，2022，118：102590.

[9]YOO Y，HENFRIDSSON O，LYYTINEN. Research com-mentary—the new organizing logic of digital innovation：anagenda for information systems research[J]. InformationSystems Research，2010，21（4）：724-735.

[10]JOHNSON P C，LAURELL C，OTS M，et al. Digital in-novation and the effects of artificial intelligence on firms'research and development-automation or augmentation，exploration or exploitation[J]. Technological Forecastingamp;.Social Change，2022，179：121636.

[11]HAEFNERN，WINCENTJ，PARIDA V，et al. Artifi-cial intelligence and innovation management： a review，framework，and research agenda[J]. Technological Fore-castingamp;Social Change，2021，162：120392.

[12]SIRMON DG，HITT M A，IRELAND R D，et al. Re-source orchestration to create competitive advantage：breadth，depth，and life cycle effects[J]. Journal of Man-agement，2011，37（5）：1390-1412.

[13]SINGH K， CHATTERJEE S， MARIANI M. Applications ofgenerative AI and future organizational performance：the medi-ating role of explorative and exploitative innovation and themoderating role of ethical dilemmas and environmental dvna-mIsmLJ」.1ecnnovauon，zUZ4，133：1U30Z1，

[14]CHATTERJEE S，CHAUDHURI R，VRONTIS D，etal. Digital workplace and organization performance：mod-erating role of digital leadership capability[J]. Journal ofInnovationamp;Knowledge，2023，8（1）：100334.

[15]王寅，張英華，王饒，等.組織雙元性創(chuàng)新模式演化路徑研究——兩種“次優(yōu)”能力陷阱討論[J].科技進步與對策，2016，33（8） ：93-100.

[16]BAHOO S，CUCCULELLI M，QAMAR D. Artificial in-telligence and corporate innovation： a review and researchagenda[J]. Technological Forecasting and Social Change，2023，188：122264.

[17] YANG M M，WANG JR， ZHANG X D. Boundary-span-ning search and sustainable competitive advantage： themediating roles of exploratory and exploitative innovations[J].Journal of Business Research，2021，127：290-299.

[18] 吳增源，諶依然，伍蓓．跨界搜索的內涵、邊界與模式研究述評及展望[J]．科技進步與對策，2015，32（19）：153-160.

[19]陳偉，鄧堯，楊柏，等．人工智能能否賦能區(qū)域技術創(chuàng)新——創(chuàng)新環(huán)境的中介效應[J]．科技進步與對策，2024，41（10）： 57-66.

[20]ROPER S，LOVE J H，BONNER K. Firms' knowledgesearch and local knowledge externalities in innovation per-formance[J].ResearchPolicy，2017，46（1）：43-56.

[21]LEE K Y， JUNG H J，KWON Y. Boundary-spanningtechnology search， product component reuse，and newproduct innovation：evidence from the smartphone indus-try[J].Research Policy，2024，53（4）：104959.

[22]朱雪春，張云瑞．質量管理實踐如何驅動創(chuàng)新質量提升——知識整合與組織慣例更新的作用[J].科技進步與對策，2025，42（6）：109-119.

[23]唐源，邵云飛，陳一君．跨界行為、知識整合能力對企業(yè)創(chuàng)新績效的影響研究：基于知識獲取和資源損耗的作用[J]．預測，2020，39（4）：31-37.

[24]PARENTE R，MURRAY J Y，YUE Z，et al. Relationalresources，tacit knowledge integration capability，and busi-ness performance[J]. Journal of Knowledge Management，2022，26（4）：805-823.

[25]JANSEN JJP，VAN D B AJ，VOLBERDA H W. Ex-ploratory innovation， exploitative innovation， and per-formance： effects of organizational antecedents and envi-ronmental moderators[J]. Management Science，2006，52（11）：1661-1674.

[26]池毛毛，葉丁菱，王俊晶，等．我國中小制造企業(yè)如何提升新產品開發(fā)績效——基于數(shù)字化賦能的視角[J]．南開管理評論，2020，23（3）：63-75.

[27] SIDHU J S，COMMANDEUR H R，VOLBERDA H W.The multifaceted nature of exploration and exploitation：value of supply，demand，and spatial search for innovation[J].Organization Science，2007，18（1）：22-38.

[28]李姍姍，黃群慧．社會創(chuàng)業(yè)導向、跨界搜索與社會企業(yè)績效：市場環(huán)境的調節(jié)作用[J].科技進步與對策，2022，39（2）：60-69.

（責任編輯：王敬敏）

How AI Applications Promote Corporate Ambidextrous Digital Innovation ： A Perspective form Resource Orchestration Theory

Wang Yin12，Li Mengqi2， Jia Cuixue2，Guo Jing2 （1. School of International Business，Tianjin University of Finance and Economics; 2. School of Business，Tianjin University of Finance and Economics，Tianjin 3oo221，China）

Abstract：Digitalinovationis recognizedasacrucial pathwayforenterprises toescapecompetitivedilemmas，buildsustainablecompetitive advantages，and developnew-qualityproductivity.Distinctfrom traditionalinnovation，digitalinovationis characterized byits focus onhow organizations leverage digital technologies todevelopnew products，improve production processes，transform organizational models，and upgrade businessmodels.Thesecapabilities enable enterprises to adapt toemerging digital-era trends，includingrapid product iteration cyclesand blurred innovation boundaries.Most existingstudiesare limited todiscussingtheimpactofartificial intelligenceonenterprises'overallinnovation.Tis bodyof research sufersfrom twokeylimitations：on theone hand，theylack atention to digital innovation specifically；on the other hand，theyfail to distinguish between heterogeneous ambidextrous inovation types.Furthermore，regarding mechanisms，existing studiesareconfined toanalyzing the mediating effectof broad cross-industrysearch，overlooking the knowledge boundary issues inherent in AI-enabled cross-industry search under different learning modes.

Addressing these gaps，this paper folowsthelogicalframework of \"construction-bundling-utilization\"fromresourceorchestrationtheorytoinvestigatehowAIaplicationsinfluenceexploitativeandexploratorydigitalinnovationTheanalysisexamines theross-mediatingrolesofdiferentcros-idustrysearchtypes，longsidethemoderatingolesofknowledgeintegrationcapabilities and dualenvironments.The goalis toclarifythe action mechanismsandcontextual mechanisms through which AIapplications influencecorporateambidextrousdigital innovationviaintra-industryandextra-industrycros-industrysearch. This endeavor seeks toexpandthetheoreticallandscapeof digital innovationdeterminants and provide both theoretical insights and practical guidelines for enterprises aiming to enhance heterogeneous digital innovation capabilities.

The study yields four findings.First，AI applications positively promote both exploitative and exploratory digital innovation.Second，intra-industryand extra-industry boundary-spanning search playcros-mediating roles betweenAIap plications andambidextrous digital innovation.Specificallyintra-industrycross-industrysearch serves asa stronger mediator between AIapplicationsand exploitative digital innovation，whileextra-industrycrossindustrysearch has a stronger mediating role between AIapplications and exploratory digital innovation.Third，knowledge integrationcapabilities and dualenvironments exertmoderating efectsat distinct stages.Knowledge integrationcapabilities positively moderate the relationshipbetween cros-industrysearchandambidextrousdigital innovation，representingthe\"capability-utilization\" stage.Dual environments positivelymoderate therelationships betweenAIapplications and cross-industrysearch，and be tween AI applications and ambidextrous digital innovation，representing the \"construction-capability\" stage.

Potential research contributions of this studyare fourfold.First，this study expands the research on determinants of ambidextrous digital inovation.By examining the relationship between AIapplicationsand digitalambidexteritythrough resourceorchestration theory，it extends the technology-driven resource management paradigm and depens the understandingof AI-mediated innovation mechanisms.Second，it refines the measurement dimensions and provides nuanced insightsinto the mediating roleofcross-industrysearch.Within theresource orchestrationframework，thestudy highlights the multiplemediating rolesof AI-enabledcross-industrysearch capabilities，whichfacilitateambidextrous innovation by integrating heterogeneous knowledge across industry boundaries.Unlike prior research，it subdivides boundary-spanning search into intra-industryand extra-industry types，explaining how distinct knowledge systems drive innovation—thereby expanding thetheory'splability.Third，ienricescontextualdisusionsonknowledge integratiocapabilitiesindigital innovation.ThepaperrevealsthatknowledgeintegrationcapabilitiesoptimizetheinteractiveprocesingeficiencyofAIenabled cross-industryknowledgeresources，highlightingtheircrucialsynergisticoleininnovationresourcetransformationandutilization.Fourth，itenrichesthecontextualanalysisofualenvironmentalcontextsi..，techologicalturbulenceandmarketdyamism）.Thepaperfinds that strongerdual environmentsamplifytheefectof AIapplications inempowering resourceorchestration，thereby enrichingcontextualdiscusionsonthedigital innovationprocess withintheresourceorchestrationframework.

The present investigation is subject tocertain scopeconstraints that merit discusion.First，its reliance onquestionairesurveys forvariablemeasurement meansrespondentsubjectivitycouldcompromiseobjectivityFutureresearchcouldconsiderquantitativeidicators.Second，whileresourceorchestrationtheoryprovidesaframework，practical digitalinnovationmayalsobeinflu enced by factors suchas institutionalenvironmentandcorporateculture.Future studiescould explore these isses fromothertheoretical perspectives.

Key Words：Artificial Intellgence Appications；Ambidextrous DigitalInovation;Boundary-spaning Sarch;Knowledgentegra tion Capability；Dual Environment