揭秘人工智能在洗衣领域的应用:通过认知失调的视角弥合企业技术差距

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》:Unveiling AI washing: Bridging corporate technological gaps through a cognitive dissonance lens

【字体: 大 中 小 】 时间:2026年01月08日 来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE 13.3

编辑推荐:

  作者:Zhe Sun, Yujun Wen, Liang Zhao, Intesar Almugren, Aradhana Galgotia 机构:吉林大学中国公共部门经济研究中心 **摘要** 本研究运用认知失调理论,实证探讨了“AI洗白”现象(即AI宣传与实际能

  作者:Zhe Sun, Yujun Wen, Liang Zhao, Intesar Almugren, Aradhana Galgotia
机构:吉林大学中国公共部门经济研究中心

**摘要**
本研究运用认知失调理论,实证探讨了“AI洗白”现象(即AI宣传与实际能力之间的差距)对企业技术差距的影响。通过分析中国A股上市公司的面板数据(2007–2022年),研究发现“AI洗白”与企业技术差距之间存在显著的倒U型关系。中介分析表明,这种关系通过企业内部研发投资和行业层面的研发投资得以实现。调节分析进一步揭示,较强的AI赋能参与式学习能力能够缓解倒U型曲线,促使企业更早采取纠正措施;相反,较高的投资者情绪会加剧这一趋势。此外,处于国家AI试点区或高技术密集型行业的企业,其非线性效应较为缓和。本研究通过定量分析丰富了“AI洗白”相关文献,将认知失调理论扩展到技术战略领域,并为负责任的AI治理提供了实证依据。

**1. 引言**
人工智能(AI)作为一种通用技术(GPT)(Bahoo等人,2023年),近年来显著提升了企业的运营效率和创新能力。然而,这一进步伴随着“AI洗白”现象——部分企业通过夸大AI能力或虚构应用场景来误导利益相关者(Bietti,2020年;Delmas和Burbano,2011年)。现有研究从技术特性和监管缺口等方面探讨了“AI洗白”的驱动因素(Bietti,2020年),并初步分析了其对组织合法性(Elsayed,2025年)、投资者信心(Basnet等人,2025年)和企业估值(Xing等人,2026年)的影响。尽管普遍认为“AI洗白”会扭曲资源分配,但其更深层次的影响仍待探索。我们认为,“AI洗白”可能通过资源错配和扭曲市场预期,改变企业的创新路径,从而从根本上影响企业间的技术差距。然而,学术界对这一关键联系的关注仍显不足。

在AI技术驱动的新竞争浪潮下,企业认识到AI创新在缩小技术差距中的重要性;然而,AI研发的高成本和不确定性常常阻碍战略目标的实现(Shi,2024年)。这种公众认知与内部行动之间的不一致容易引发组织层面的认知失调,进而重塑企业行为和经济结果。认知失调理论(Auster,1965年)关注组织信念(或声明)与行为之间的心理冲突及其引发的行为调整。该理论非常适合分析“AI洗白”背景下的企业行为,为理解技术差距及其传导机制提供了合适框架。作为全球最大的新兴经济体,中国为研究“AI洗白”提供了独特的现实背景——既拥有巨大的AI技术潜力,又处于制度变革之中。通过分析2007至2022年间中国A股上市公司的面板数据,我们发现“AI洗白”与企业技术差距之间存在显著的倒U型关系:低水平的“AI洗白”会扩大技术差距,而超过某个临界阈值后则会开始缩小差距。机制分析表明,这一效应通过企业内部研发投资和行业层面研发投资两条路径实现。此外,具有较强AI赋能参与式学习能力的企业表现出更平缓的倒U型曲线,表明其能更早进行调整。异质性分析进一步显示,在高投资者情绪、高强度研发和严格监管环境下,倒U型曲线的形态和临界阈值存在显著差异。

本研究在三个关键方面对现有文献做出了贡献:首先,以往关于“AI洗白”的研究多为概念性探讨(Seele和Schultz,2022年),本文通过量化方法构建了可测量的“AI洗白”指标,推动了实证分析的发展;其次,超越认知失调理论对个体心理的关注,将其应用扩展到企业战略误导领域;第三,通过认知失调理论揭示技术差距的动态演变过程,丰富了技术差距动态研究。

**2. 文献综述与理论发展**
**2.1 AI洗白**
“AI洗白”是一种战略性的误导行为,类似于“绿色洗白”(Delmas和Burbano,2011年),具体表现为企业在AI相关战略中夸大自身AI能力或虚构应用场景(Seele和Schultz,2022年)。其核心目的是利用技术宣传中的信息不对称性获取外部关注和资源,而非投入大量资源进行AI技术研发和应用。这种行为通常能提升企业合法性,帮助企业塑造良好形象(Elsayed,2025年)。

“AI洗白”的出现源于技术特性与制度缺陷的相互作用(Bietti,2020年)。从技术角度看,AI的长期研发周期和高不确定性(Shi,2024年)阻碍了企业快速取得重大突破;同时,AI的复杂性和算法透明度低(Theodorou和Dignum,2020年)使得外部利益相关者(如普通投资者和消费者)难以验证企业宣称的AI能力(Seele和Schultz,2022年)。这些因素共同为误导性宣传创造了空间。从制度角度看,当前不完善的AI治理框架加剧了“AI洗白”的套利空间(Jobin等人,2019年),从而激励了这种行为。

“AI洗白”对社会系统和组织变革有深远影响:短期内可能营造出AI技术繁荣的假象,吸引资本进入AI领域,提升相关行业市场预期(Bietti,2020年);同时,引人注目的AI宣传能吸引利益相关者,增加他们对AI技术的接受度和参与度(Denia,2025年),从而可能提升企业价值(Xing等人,2026年)。但长期来看,普遍的“AI洗白”行为可能引发对AI技术及其发展路径的信任危机,简化真正创新,扭曲社会价值观,并阻碍AI治理伦理框架及相关法律法规的建立(Seele和Schultz,2022年)。

**2.2 认知失调理论**
认知失调理论最初由Festinger(1957年)提出,解释了个体或组织在面对矛盾认知时的心理不适。当不同认知或认知与行为之间存在差异时,会引发心理紧张(Scher和Cooper,1989年),促使个体调整行为以恢复认知一致性(Pugh等人,2011年)。这种紧张既是心理不适,也是行为调整的重要驱动力(Pugh等人,2011年)。该理论适用于分析“AI洗白”背景下的企业行为,为理解技术差距及其传导机制提供了理论基础。

**2.3 AI洗白与企业技术差距**
根据认知失调理论,认知与行为之间的不一致会产生心理紧张(Rabin,1994年)。在“AI洗白”情境下,企业夸大自身AI能力以塑造技术先锋形象,获取市场认可和政策支持等短期利益。如前所述,这种行为暂时为企业带来心理回报,使其能够合理化自身承诺与实际能力的差异(Seele和Schultz,2022年),但这种认知稳定性假象最终会加剧企业与真正具备AI能力的竞争对手之间的技术差距(Sun等人,2025a, 2025b)。然而,认知失调理论也指出,这种调整机制存在局限性。随着人工智能“洗白”行为的加剧,企业内部对人工智能战略重要性的认识与实际研发投资不足之间的矛盾日益突出。当这种“洗白”行为达到临界阈值时,这种紧张关系达到顶峰,焦点企业与行业领导者之间的技术差距也趋于最大。此外,累积的认知失调超出了企业的心理承受范围(Pugh等人,2011年),导致现有的合理化机制崩溃。这触发了一个行为调整过程,促使企业投入大量技术努力,以恢复其战略认知与组织行动之间的一致性。这些努力表现为增加研发投资和真正推动技术创新,以有效缩小技术差距。例如,在中国的AI行业中,一些企业如科大讯飞在早期经常宣传与AI相关的概念来强化企业形象,但由于实际技术储备有限,它们与行业领导者之间的技术差距在短期内扩大了。随着人工智能“洗白”行为的加深,企业内部成员对高调的AI形象与技术现实之间存在显著的认知失调。在内部心理压力的驱动下,企业倾向于通过增加研发投资、优化技术策略和引进专业人才来缓解这种失调,从而逐步缩小技术差距。基于上述推理,我们提出以下假设:

H1:人工智能“洗白”与企业技术差距之间存在倒U形关系,即随着人工智能“洗白”程度的增加,差距先扩大后缩小。

2.4. 企业层面和行业层面研发投资的中介作用
企业的技术差距不仅受到企业内部技术演变的影响,还受到整个行业技术生态系统动态变化的影响。因此,本研究从企业和行业两个层面探讨了人工智能“洗白”如何影响企业技术差距的机制。当人工智能“洗白”程度较低时,企业层面的研发投资往往保持稳定。然而,随着人工智能“洗白”行为的加剧,即企业逐渐将重点从实质性创新转向象征性沟通,这意味着企业会将更多资源分配给技术营销活动而非实际研发投资。这种资源分配的转变通常会引发“挤出”效应,即象征性表达的支出取代了研发投资(Sun, Sun, Wang和Wang, 2025a; Sun, Tao, Wang和Zhang, 2025b)。随着研发投资的减少,企业的技术创新能力受到越来越大的限制(Sun, Sun, Wang和Wang, 2025a; Sun, Tao, Wang和Zhang, 2025b),进一步加大了与行业技术前沿的差距。当人工智能“洗白”程度超过某个阈值时,由组织认知失调引起的心理紧张将突破企业的容忍边界。这是因为当企业通过人工智能“洗白”塑造技术领导者的形象时,与其实际落后的技术能力之间的矛盾积累到一定程度,内部管理团队和员工会产生强烈的心理失调。此时,认知失调理论强调的一致性恢复机制将被激活(Pugh等人,2011年)。为了恢复认知与行为之间的一致性并缓解声称的能力与实际能力之间的不匹配所引起的不适,企业将投入大量技术投资。增加研发投资和促进真正的技术创新成为解决这一冲突的关键(Bhimani等人,2023年)。此外,人工智能“洗白”在短期内带来的声誉提升和资源积累(Bietti, 2020年)也为企业的研发投资反弹提供了必要的财务基础,使企业能够将从象征性行为中获得的好处投入到实质性创新活动中。

总之,人工智能“洗白”与企业层面研发投资之间存在U形关系。随着人工智能“洗白”程度的增加,研发投资先减少后反弹。这种模式进一步促进了人工智能“洗白”与企业技术差距之间的倒U形关系,即先扩大差距,然后逐渐缩小差距。基于上述分析,我们提出以下假设:

H2:人工智能“洗白”与企业层面研发投资之间存在U形关系。具体来说,随着人工智能“洗白”程度的加剧,企业层面研发投资先减少后增加,从而导致技术差距先扩大后缩小。同时,当企业的人工智能“洗白”行为保持在较低水平时,通常不足以吸引同行企业或市场的显著关注。因此,行业层面的研发投资往往保持稳定。然而,随着人工智能“洗白”的增加,两种关键机制开始显现:首先,同一行业的同行企业可能会开始与所谓的AI先锋企业进行比较。这种基准比较往往导致同行企业当前的能力与人工智能“洗白”企业设定的所谓技术标准之间的不匹配,从而在行业内产生认知失调。为了解决这种失调,同行企业可能会重新分配资源以提升自身的AI能力。这可能导致整个行业的研发投资激增,类似于研发军备竞赛(Carrier和Tushnet, 2021年)。其次,投资者通常会参考这些“AI先锋”企业的成功经验来评估整个行业。随着这些企业扩展其AI相关叙事,投资者也可能发现他们对行业的现有认知与人工智能“洗白”企业所“拥有”的技术前沿之间的不一致。为了解决这种差异,投资者可能会增加对行业的投资,从而间接促进行业层面的研发投资。这种研发投资的增加推动了行业的技术前沿向前发展。然而,由于“AI先锋”企业并未真正提升其真正的AI能力,它们未能跟上行业的实际进步,从而加大了企业与行业技术前沿之间的差距。一旦人工智能“洗白”超过某个临界阈值,企业技术营销的可信度开始下降。对于同行企业来说,由认知失调引起的心理紧张将会减弱,因为人工智能“洗白”行为不再被认为反映了企业的实际AI能力(Seele和Schultz, 2022年)。因此,同行企业会减少或停止模仿人工智能“洗白”企业的行为,行业层面的研发投资趋于稳定。相反,行业投资者可能会将加剧的人工智能“洗白”视为泡沫风险的信号,从而导致整个行业的投资减少。随着可用研发投资的减少,整个行业的技术进步速度放缓,从而缩小了人工智能“洗白”企业与行业领导者之间的差距。总之,人工智能“洗白”的加剧导致了行业层面研发投资的非线性倒U形轨迹,即行业层面的研发投资先增加后减少。这种动态变化在推动人工智能“洗白”与企业技术差距之间的倒U形关系中起着关键作用。基于此分析,我们提出以下假设:

H3:人工智能“洗白”与行业层面研发投资之间存在U形关系。具体来说,随着人工智能“洗白”程度的加剧,行业层面研发投资先增加后减少,从而导致技术差距先扩大后缩小。

2.5. 人工智能支持的参与式学习能力的调节作用
人工智能支持的参与式学习是一种新兴的组织学习机制,它将人工智能与人类认知能力相结合(Falco, 2019年)。它强调人在组织过程中的协作,以提高知识获取、技术吸收和创新的效率(Falco, 2019年)。通过对抗性设计、话语互动和迭代反馈,人工智能支持的参与式学习能够扩展个人和组织的知识边界,并为决策者提供不同的视角和解决问题的方法(Wilson等人,2025年)。它充当了连接内部组织学习系统与外部技术生态系统的认知桥梁(Zirar等人,2023年),因此在促进智能转型和战略对齐中起着关键作用。在人工智能“洗白”的背景下,人工智能支持的参与式学习帮助企业更早地识别与失调相关的风险,通过人机协作学习加速从技术营销向实质性投资的转变。具体而言,高水平的人工智能支持的参与式学习提高了管理层和员工对人工智能“洗白”引起的认知偏见的敏感性。这是因为人工智能支持的参与式学习显著提升了企业的信息处理能力和识别技术趋势的能力。通过与人工智能系统的深入互动,企业可以生成新的问题解决方案,促进资源重组,并加速战略技术部署(Wang等人,2024年)。在这个过程中,人工智能不仅作为认知支持工具,还作为行为引导机制,使企业能够将人工智能“洗白”引发的不适转化为推动真正创新的动力(Liu等人,2025年)。此外,人工智能支持的参与式学习使企业能够更准确地评估自身与行业前沿之间的技术差距(Saemundsson和Candi, 2017年),从而促进更早的行为调整,增加研发投资,并最终缩小技术差距。人工智能支持的参与式学习带来的认知和决策敏感性的提升使得“人工智能‘洗白’”与技术差距之间的倒U形关系趋于平缓。在高水平的参与式学习条件下,企业倾向于在累积的认知失调达到临界阈值之前就启动纠正性行为调整,从而减轻“人工智能‘洗白’”可能带来的负面后果。相反,人工智能支持的参与式学习能力的不足会增加企业被战略叙事误导的可能性,延迟必要的行为调整,导致技术差距进一步扩大(Saemundsson和Candi, 2017年)。

总之,人工智能支持的参与式学习通过增强企业识别和适应认知失调的能力,减轻了人工智能“洗白”与技术差距之间的倒U形关系。在高水平的参与式学习下,曲线变得更加平坦,人工智能“洗白”的负面后果显著减少。

H4:人工智能支持的参与式学习能力调节了人工智能“洗白”与技术差距之间的倒U形关系,即在更高水平的参与式学习下,这种关系趋于平缓。

3. 研究设计
3.1. 数据来源和样本选择
本研究构建了一个涵盖2007年至2022年期间中国A股上市公司的多元来源面板数据集,旨在调查人工智能“洗白”行为对企业技术差距的影响。具体来说,与AI相关的披露数据来自企业的年度报告;专利数据来自中国国家知识产权局(CNIPA);财务数据来自中国股票市场和会计研究(CSMAR)数据库;媒体报道数据来自中国财经新闻数据库(CFDN)。这些数据通过企业的股票代码和年份进行合并,形成了一个不平衡的企业-年份面板数据集。选择2007年作为起点,是因为在此之前的年度报告中与AI相关的信息极其有限,无法进行测量。为了确保样本的稳健性,我们采用了几个筛选标准:(1)根据中国国家统计局的行业分类标准,排除了金融行业的企业;(2)排除了被标记为ST、?ST或PT的企业,因为潜在的财务异常可能会影响披露行为;(3)移除了包含缺失值的观测值;(4)所有连续变量都在第1和第99百分位数处进行了Winsorization处理,以减轻异常值的影响。最终样本包括17个行业的3842家上市公司,共有36,200个企业-年份观测值。表2详细报告了样本分布情况。

表2. 样本分布
行业代码 行业类别 企业数量 观测数量
农业、林业、畜牧业和渔业 41 45
采矿业 75 92
制造业 249 23,410
电力、热力、燃气和水生产与供应 122 140
建筑业 88 65
批发和零售贸易 164 182
交通运输、仓储和邮政服务 105 118
住宿和餐饮服务 63 56
信息传输、软件和信息服务 34 52
房地产 94 131
科学研究和技术服务 84 40
教育 75 1
卫生和社会工作 13 98
文化、体育和娱乐 56 51
公共管理、社会保障和社会组织 11 60
总计 384 36,200

3.2. 变量测量
3.2.1. 独立变量
本研究的关键独立变量是企业人工智能“洗白”的程度。在借鉴和扩展了常用的衡量“漂绿”行为(greenwashing)的概念和方法框架的基础上(Zhang, 2022, Zhang, 2023),我们构建了AI漂绿指数,该指数基于企业关于AI技术的披露水平与实际技术能力之间的差异。具体来说,对于与AI相关的披露,我们开发了一个专有的AI关键词词典(见附录表A1),并利用网络爬虫技术提取年度报告中出现的AI相关关键词的频率。年度报告是企业向利益相关者传达其战略意图和技术承诺的重要渠道。因此,AI关键词的使用频率被广泛认为是企业公开宣布的AI战略和承诺的代理指标(Bai et al., 2024)。至于企业的实际AI能力,则通过每年授予的AI相关专利数量来衡量,这反映了企业在AI领域的真实研发产出和积累的专业知识。这一指标被广泛用于评估技术创新能力。为了减轻由于行业异质性和企业规模差异带来的可比性偏差,我们对披露频率和专利数量进行了标准化处理。然后使用以下公式计算AI漂绿的程度:(1) AIwashingit = AIdisclosureit ? AIdisclosuretˉ / σAIdisclosure ? AIpatentit ? AIpatenttˉ / σAIpatent,其中AIwashingit表示企业i在年份t的AI漂绿程度,AIdisclosureit代表企业i在年份t的年度报告中披露的AI相关关键词的频率,AIpatentit表示企业i在年份t获得的AI相关专利数量。AIdisclosuretˉ和AIpatenttˉ分别表示所有企业在年份t的AI关键词频率和AI专利授予的横截面平均值。σAIdisclosure和σAIpatent指的是所有企业在年份t的相应变量的标准差。该指数捕捉了企业AI相关宣传与其实际技术能力之间的不一致程度。较大的偏差表明企业的AI能力被高估了。

3.2.2. 因变量
技术差距通常指的是企业在知识基础、技术能力和管理实践方面的系统性差异(Bourles et al., 2013)。现有文献中常用的一种方法是通过将企业的总要素生产率(TFP)与生产率前沿进行比较来衡量这一差距——生产率前沿通常定义为同一行业内TFP最高的企业(Bourles et al., 2013)。然而,这种方法主要捕捉的是生产效率的差异,并不能直接反映技术产出的差异。此外,常用于估计技术前沿的数据包络分析(DEA)等方法对数据稳定性敏感,且缺乏标准化的测量尺度(Ali and Lerme, 1997)。为了解决这些局限性,本研究采用专利产出差异作为衡量企业技术差距的替代指标,遵循Liang et al.(2022)的方法。具体来说,我们使用企业每年获得的专利总数作为其技术创新产出的指标。每个行业内的技术前沿被定义为该年度专利授予数量最高的企业。然后使用以下公式计算技术差距:(2) TechGapit = ln(Patentfrontier,th) ? Patentit,其中TechGapit表示企业i在年份t的技术差距,Patentfrontier,th是年份t内专利授予数量最高的企业获得的专利数量,Patentit是同一年度授予企业i的专利总数。

3.2.3. 中介变量和调节变量
如先前的假设所提出的,AI漂绿行为可能通过影响企业自身的研发投资及其所在行业的研究与开发投资来间接影响企业的技术差距。因此,本研究引入了两个中介变量:企业层面的研发投资,通过企业年度研发支出的自然对数来衡量(Sheng and Ni, 2024);以及行业层面的研发投资,通过同一行业内所有企业年均研发支出的自然对数来衡量(Coad, 2019)。本研究引入了AI支持的参与式学习能力作为调节变量,以捕捉企业吸收和应用AI技术的内部能力。借鉴现有文献(Wang et al., 2024),学习能力通常通过研发强度(即研发支出与总资产的比例)来代理。然而,由于企业在年度报告中不单独披露针对AI的研发投资,本研究使用来自中国国家知识产权局的专利数据来估计这一变量。具体来说,我们首先计算了每年每家企业获得的AI相关专利占总专利的比例,这反映了AI相关技术在企业整体研发产出中的份额。然后,我们将这一比例乘以企业每位员工的研发支出(即总研发支出除以员工人数),得到AI参与式学习能力的指数。较高的值表明有更多的人力资源投入到AI相关的研发中,增加了员工接触和参与AI技术的机会,从而意味着更高的参与式学习水平。AI支持的参与式学习能力的计算公式如下:(3) AI-enabled participatory learning capabilityit = AIpatentit / Patentit × R&D expenditureit / Employee numberit。

3.2.4. 控制变量
根据以往的研究(Xu et al., 2024),本文包括了一组基于企业基本特征和企业治理结构的控制变量。详细信息见表3。关于企业特征,我们使用总资产的自然对数来控制企业规模;杠杆率通过年末总负债与总资产的比例来衡量;企业上市年龄计算为当前年份与IPO年份加一之间的自然对数差。此外,固定资产比率定义为净固定资产与总资产的比例;董事会规模用董事人数的自然对数表示;资产回报率则通过净利润除以平均总资产来计算。

表3. 变量测量
变量类型 变量名称 测量方法
因变量 AI漂绿 见公式(1)
因变量 技术差距 见公式(2)
中介变量 企业层面研发投资 企业年度研发支出的自然对数
调节变量 AI支持的参与式学习能力 见公式(3)
控制变量 资产回报率 净利润除以平均总资产
控制变量 固定资产比率 净固定资产与总资产的比例
控制变量 高管薪酬 总高管薪酬的自然对数
控制变量 高管持股比例 高管持股占总股本的比例
控制变量 董事会规模 董事会成员数的自然对数
控制变量 所有权平衡 第二至第五大股东持股比例与最大股东持股比例的比值
控制变量 上市年龄 (当前年份 - 上市年份 + 1)的对数

3.3. 研究设计
为了研究AI漂绿对上市公司技术差距的影响,本研究构建了一个双向固定效应模型,如下所示:(4) Technologicalgapit = β0 + β1AIwashingit + β2AIwashingit2 + ∑βControlsit + Year + Industry + εit,其中Technologicalgapit表示企业i在年份t的技术差距;AIwashingit和AIwashingit2分别代表AI漂绿的水平和平方项;Controlsit是一个控制变量向量;Year和Industry分别表示年份和行业的固定效应,用于解释不可观察的时间趋势和行业特定差异;εit是误差项。模型估计使用了稳健的标准误差。此外,我们还通过构建中介效应和调节效应模型来扩展分析。选定的控制变量和固定效应与基线回归模型保持一致。中介效应模型指定为:(5) Firmor Industrylevel R&Dinvestmentit = β0 + β1AIwashingit + β2AIwashingit2 + ∑βControlsit + Year + Industry + εit;(6) Technologicalgapit = β0 + β1AIwashingit + β2AIwashingit2 + Firmor Industrylevel R&Dinvestmentit + ∑βControlsit + Year + Industry + εit。为了测试AI支持的参与式学习能力的调节效应,我们构建了以下调节效应模型:(7) Technologicalgapit = β0 + β1AIenabled participatory learning capability × AIwashingit + β2AIenabled participatory learning capability × AIwashingit2 + β3AIenabled participatory learning capability + ∑βControlsit + Year + Industry + εit。

4. 实证结果
4.1. 描述性统计和相关性分析
本研究首先进行描述性统计和相关性分析。表4显示,技术差距的平均值为5.912,标准差为2.511,表明企业之间的技术差距存在显著差异。与行业领导者相比,一些企业显示出较大的差距(最大值为8.034)。AI漂绿的均值为0.019,标准差为0.769,表明大多数企业的AI漂绿程度相对较低。然而,数值范围较广(从-2.413到4.469),表明一些企业大大夸大了其AI相关披露。其他变量的结果与以往文献一致。所有变量的皮尔逊相关系数均低于0.514,表明没有明显的多重共线性。为了进一步排除多重共线性的可能性,计算了每个变量的方差膨胀因子(VIF)。所有VIF值均低于2(最大值为1.96),远低于传统的10的阈值,表明在本研究中多重共线性不是严重问题。

表4. 相关性分析和描述性统计
| 变量 | 均值 | 标准差 | 最小值 | 最大值 | VIF | 观测值数量 |
|-----------------|-------------|-----------|-----------|-----------|---------|
| 技术差距 | 1.000 | 2.511 | 8.034 | 36,200 |
| AI漂绿 | -0.026 | 0.019 | -2.413 | 4.469 | 14,036 |
| 资产回报率 | 0.072 | -0.034 | 0.064 | -0.263 | 12,736 |
| 固定资产比率 | 0.028 | -0.159 | -0.085 | 1.000 | 20,002 |
| 高管薪酬 | 0.049 | -0.012 | -0.197 | 1.397 | 15,260 |
| 董事会规模 | -0.119 | -0.078 | -0.016 | 0.167 | 1.113 |
| 所有权平衡 | 0.086 | 0.073 | -0.099 | 0.133 | 1.000 |
| 上市年龄 | -0.010 | -0.071 | -0.090 | -0.034 | 1.609 |
| 企业规模 | -0.146 | -0.143 | -0.027 | 0.087 | 2.186 |
| 所有权平衡 | 0.086 | 0.073 | -0.099 | 0.133 | 1.000 |
| 杠杆率 | -0.230 | -0.103 | -0.367 | -0.117 | 0.430 |
| 执行层薪酬 | 0.049 | -0.012 | -0.197 | 1.563 | 1.795 |
| 董事会规模 | -0.119 | -0.078 | -0.016 | 0.167 | 2.134 |
| 所有权平衡 | 0.086 | 0.073 | -0.099 | 0.133 | 0.720 |
| 上市年龄 | -0.010 | -0.071 | -0.090 | -0.034 | 2.877 |
| 企业规模 | -0.146 | -0.143 | -0.027 | 0.087 | 2.708 |
| 杠杆率 | -0.230 | -0.103 | -0.367 | -0.117 | 0.122 |
| 执行层薪酬 | 0.049 | -0.012 | -0.197 | 1.563 | 1.963 |

4.2. 基线回归结果
为了检验AI漂绿行为是否显著影响企业的技术差距,本研究首先进行了仅控制年份和行业固定效应的回归分析,未包括任何控制变量。结果列在表5的第(1)列。AI漂绿的线性项系数为正(β1=0.106,p < 0.01),二次项系数为负(β2= -0.0197,p < 0.01),这表明AI漂绿与企业技术差距之间存在潜在的非线性关系。第(2)列包括了一整套控制变量。回归结果仍然稳健:AI漂绿的线性项保持为正(β1=0.104,p < 0.01),二次项仍然为负(β2= -0.0196,p < 0.01)。使用标准转折点公式计算出的拐点为2.6531。为了进一步验证非线性关系的存在,我们进行了U检验。斜率范围在-0.0718到0.1988之间,确认了AI漂绿与技术差距之间存在倒U形关系。

表5. 基线回归结果
| 变量 | (1) | (2) |
|--------------|-------------|-------------|
| AI漂绿 | 0.106 | 0.104 |
| | 0.0044 | 0.0044 |
| AI漂绿2 | -0.0197 | -0.0196 |
| | 0.0008 | 0.0008 |
| 资产回报率 | -0.280 | -0.049 |
| 固定资产比率 | -0.040 | -0.020 |
| 高管薪酬 | -0.012 | -0.012 |
| 董事会规模 | 0.0045 | 0.014 |
| 所有权平衡 | -0.0047 | 0.0047 |
| 上市年龄 | 0.012 | 0.009 |
| 企业规模 | 0.0039 | 0.0030 |
| 杠杆率 | -0.031 | -0.017 |
| 常数 | 5.926 | 6.020 |
| 年份固定效应 | 是 | 是 |
| 行业固定效应 | 是 | 是 |
| 观测值数量 | 36,249 | 36,200 |
| R2 | 0.957 | 0.957 |

从经济角度来看,适度的AI漂绿可以通过塑造技术形象和满足市场期望来帮助企业获取外部资源。然而,由于缺乏实际资源投入,这种行为可能会扩大技术差距。随着AI漂绿的加剧,可能会导致资源分配不当和技术优势的下降。但是,当AI漂绿过度时,意味着AI相关披露与企业实际AI能力严重偏离,这可能会导致强烈的认知失调。这反过来迫使企业增加研发投资,提升其AI能力,最终缩小技术差距。总之,AI漂绿对技术差距的影响不是线性的,而是遵循图1所示的倒U形非线性模式。因此,假设H1得到了支持。

4.3. 稳健性检验
为了验证基线回归结果的稳健性,本研究从多个维度进行了稳健性检验,包括(1)替换关键的解释变量和因变量,(2)采用更严格的固定效应规格,以及(3)控制潜在的遗漏变量。回归结果总结在表6中,一致支持AI漂绿与企业技术差距之间存在稳健的倒U形关系。**稳健性和内生性检验结果**

| 变量 | (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) |
|-------------|-----------|-----------|-----------|-----------|-----------|-----------|-----------|
| 替换自变量 | | | | | | | |
| 替换因变量 | | | | | | |
| 公司固定效应 | | 行业 × 城市固定效应 | + 分组标准误差 | | | |
| 控制遗漏变量 | | 第一阶段IV | | 第二阶段IV | | |
| PSMAI清洗 | 0.0405 | 0.0442 | 0.0816 | 0.103 | 0.115 | 0.356 | 0.059 |
| | (0.00217) | (0.00386) | (0.00655) | (0.0385) | (0.00494) | (11.04) |
| AI清洗2 | -0.00259 | -0.00529 | -0.00627 | -0.0193 | -0.0204 | -0.0588 | -0.008 |
| | (0.0008) | (0.000725) | (0.00115) | (0.00521) | (0.000901) | (-8.15) |
| ROA | -0.275 | -0.329 | -0.412 | -0.314 | -0.146 | -3.364 | -0.224 |
| | (0.0487) | (-0.0418) | (-0.0543) | (-0.262) | (-0.0617) | (0.379) | (0.0808) |
| 固定资产比率 | -0.0616 | -0.0387 | -0.118 | -0.0722 | -0.0509 | -2.137 |
| | (0.0197) | (-0.017) | (-0.0339) | (0.116) | (0.0218) | (-0.147) | (0.0408) |
| | (-2.60) | | | | | |
| 高管薪酬 | -0.0111 | -0.0185 | -0.0373 | -0.00541 | -0.0129 | -0.00576 |
| | (0.00471) | (0.00405) | (-0.00742) | (0.00527) | (0.00161) | (-0.00672) | (0.25) |
| 董事会规模 | 0.00413 | 0.0111 | -0.00651 | -0.0124 | 0.00144 | 0.264 |
| | (0.017) | (-0.0126) | (-0.0246) | (0.0197) | (-0.0165) | (0.0357) | (-0.0207) |
| | (-1.02) | | | | |
| 所有权结构 | -0.00125 | -0.00691 | -0.0401 | -0.00427 | -0.00546 | -0.184 |
| | (-0.008) | | | | | |
| | (-0.00468) | (-0.00401) | (-0.00873) | (0.00272) | (-0.00532) | (-0.11) |
| | (-0.00538) | (-1.58) | | | |

**注:**稳健标准误差以括号形式报告(第4列除外)。**、**和*分别表示1%、5%和10%的水平上的显著性。

### 4.3.1 替换关键自变量
鉴于年度报告中与AI相关的关键词频率可能受到报告布局和冗余表述的影响,我们使用管理层讨论与分析(MD&A)部分中与AI相关关键词的频率作为替代指标。MD&A部分更好地反映了战略重点和管理效率,因此具有更强的信号价值。如表6第(1)列所示,AI清洗的线性项(β1=0.0405)和二次项(β2=-0.00259)的系数在1%的水平上仍然显著,并且与基线结果一致,证实了存在倒U形关系。

### 4.3.2 替换因变量
虽然基线回归使用授权专利数量作为技术产出的代理指标,但由于漫长的审查和批准程序,这可能会低估当前的创新能力。作为稳健性检验,我们用专利申请数量替代授权专利数量。表6的第(2)列显示,结果仍然支持倒U形关系(β1=0.0442,p<0.01;β2=-0.00529,p<0.01),表明我们的发现不受技术创新产出代理指标选择的影响。

### 4.3.3 采用更严格的固定效应规格
首先,我们用公司固定效应替代行业固定效应,以考虑不可观察的公司层面异质性。其次,我们包括行业和城市的交互固定效应以及行业层面的分组标准误差。如表6的第(3)和(4)列所示,AI清洗的线性项系数仍然为正(分别为0.0816和0.103),而二次项系数仍然为负(分别为-0.00627和-0.0193),进一步证实了倒U形效应的稳健性。

### 4.3.4 控制遗漏变量
为了解决由遗漏变量引起的潜在内生性问题,我们纳入了可能影响公司技术差距的额外因素:(a) 行业竞争(Zu和Zhang,2023),通过Lerner指数衡量,接近1的值表示更高的垄断力量,接近0的值表示更具竞争性的市场;(b) 管理能力(Hua等人,2020),通过行政费用的自然对数代理;以及(c) 财务约束(Tingbani等人,2023),通过SA指数的绝对值衡量,即|-0.737 × Size + 0.043 × Size^2 – 0.040 × Age|。如表6的第(5)列所示,AI清洗的线性项(β1=0.115)和二次项(β2=-0.0204)仍然高度显著,并且与基线结果一致,表明非线性关系不是由遗漏变量驱动的。

### 4.4 内生性检验
为了进一步减轻潜在的内生性问题,本研究采用了两阶段最小二乘法(2SLS)和倾向得分匹配(PSM)方法进行内生性检验。

#### 4.4.1 2SLS
为了解决AI清洗与公司技术能力之间的潜在反向因果关系,本研究构建了企业社会形象作为工具变量(IV)。具体来说,我们使用来自中国金融新闻数据库(CFND)的正面媒体报道和正面报纸报道频率的自然对数作为代理指标。CFND是中国第一个利用大数据和AI技术收集、组织和分析上市公司相关财务新闻的综合性数据库。它采用支持向量机(SVM)模型对文本情感进行分类,对正面和负面情感的识别率很高,从而能够更好地捕捉围绕上市公司的社会形象。这个IV满足相关性和外生性条件:社会形象与公司披露AI清洗的沟通策略密切相关(Jia和Zhang,2015),但它不太可能直接影响公司的技术差距。如表6的第(6)列所示,两个IV在第一阶段回归中都在1%的水平上显著为正,表明企业社会形象与AI清洗之间存在强烈的正相关。在第二阶段回归中,如表6的第(7)列所示,AI清洗的线性项仍然显著为正(β1=0.356),二次项仍然显著为负(β2=-0.0588),与基线回归结果一致。此外,IV通过了弱工具检验(Wald F统计量=35.6019 > 10),排除了工具变量的弱性问题。内生性检验也支持工具变量的有效性(p=0.0002),确认了它们的适用性。总体而言,这些结果确认了在解决内生性问题后,AI清洗与公司技术差距之间的倒U形关系仍然稳健。

#### 4.4.2 倾向得分匹配(PSM)
此外,我们还采用了PSM方法。AI清洗水平高于样本中位数的公司被分配到治疗组,而低于中位数的公司被分配到对照组。使用最近邻匹配方法,我们对匹配后的样本重新估计回归模型(详见附录表A2、图A1和图A2中的PSM结果)。如表6的第(8)列所示,AI清洗的线性系数仍然显著为正(β1=0.059),二次项仍然显著为负(β2=-0.008),两者都在1%的水平上。这些结果再次证实了AI清洗与技术差距之间的倒U形关系。

### 5. 机制分析
#### 5.1 中介效应分析
为了确定AI清洗影响公司技术差距的中介机制,本研究采用了Baron和Kenny(1986)提出的三步回归方法来检验公司层面研发投资和行业层面研发投资的中介作用。相关回归结果见表7。

**表7. 中介效应结果**

| 变量 | (1) | (2) | (3) |
|-------------|-----------|-----------|-----------|
| 公司层面研发投资 | -0.0190 | (0.00285) |
| 行业层面研发投资 | 0.137 | (0.00727) |
| AI清洗 | -0.00666 | 0.090 |
| | 0.00571 | 0.103 |
| AI清洗2 | 0.0276 | -0.0189 |
| | -0.0189 | -0.0194 |
| | (0.00170 | (0.000814) |
| ROA | 0.619 | -0.261 |
| | -0.0585 | -0.269 |
| | (0.108) | (0.0514) |
| 固定资产比率 | -0.567 | -0.108 |
| | -0.0368 | -0.0336 |
| | (0.0474) | (0.0227) |
| | (0.0145) | (0.0200) |
| 高管薪酬 | 0.376 | -0.00725 |
| | -0.00509 | -0.0133 |
| | (0.0108) | (0.00529) |
| | (0.00345) | (0.00477) |
| 董事会规模 | -0.196 | 0.00488 |
| | 0.0183 | (0.00138) |
| | (0.0157) | (0.0107) |
| | (0.0148) | (0.00342) |
| | (0.00487) | (0.00342) |
| 上市年龄 | -0.368 | -0.00832 |
| | -0.0193 | -0.0155 |
| | (0.0210) | (0.0101) |
| | (0.00690) | (0.00953) |
| 公司规模 | 0.720 | 0.0107 |
| | 0.0221 | (0.000918 |
| | (0.00693) | (0.00389) |
| | (0.00221) | (0.00305) |
| 杠杆率 | -0.172 | -0.0278 |
| | -0.0219 | -0.0260 |
| | (0.0401) | (0.0191) |
| | (0.0126) | (0.0174) |
| | (0.016) | (0.016) |
| 常数 | -2.229 | 6.764 |
| | (0.0805) | (0.191) |
| | (0.0805) | (0.191) |

**注:**稳健标准误差以括号形式报告。**、**和*分别表示1%、5%和10%的水平上的显著性。

#### 5.1.1 公司层面研发投资
AI清洗的程度被用作自变量,公司年度研发投资的自然对数被用作因变量,以检验其对公司层面研发投资的影响。如表7的第(1)列所示,AI清洗的线性项为负(β1=-0.00666),而二次项为正(β2=0.0276),在1%的水平上具有统计学意义,表明AI清洗与公司层面研发投资之间存在显著的U形关系。这表明在AI清洗水平较低时,公司会经历“资源挤出效应”对研发投入的影响;然而,当AI清洗超过某个阈值时,认知失调的紧张感会促使行为调整,从而刺激研发投资的反弹。接下来,AI清洗和研发投资都被纳入回归模型,以公司的技术差距作为因变量。如表7的第(2)列所示,AI清洗的系数(β1=0.0900;β2=-0.0189)仍然显著,并形成了倒U形关系。同时,作为中介变量的公司层面研发投资在(2)列中的系数为负(β2=-0.0190,p<0.01),而在(1)列中的二次项AIwashing2为正(β2=0.0276),两个系数的乘积为负,表明公司层面研发投资在这一路径中起到了显著的间接负面影响。具体来说,较高水平的AI清洗会刺激公司增加研发投资,更多的研发投入有助于缩小公司与行业前沿之间的技术差距,从而建立了显著的中介机制。此外,自助法检验确认中介效应的置信区间为[0.0255, 0.0292](不包括0),Sobel检验的p值为0.0000,支持中介效应的显著性。我们还计算了直接效应和间接效应在总效应中的比例:直接效应占30.85%,间接效应占69.14%。详细结果见表8。因此,假设H2得到支持。

**表8. 中介检验和效应分解结果**

| | (1) | (2) | (3) |
|-------------|-----------|-----------|-----------|
| 公司层面研发投资 | | |
| 行业层面研发投资 | 0.0255 | -0.0292 |
| | (0.0078 | -0.0164) |
| | p=0.0000 | p=0.0000 |
| 间接效应 | 0.0121 | 9.14% |
| | 0.0273 | 48.92% |
| | 0.0054 | 30.85% |
| | 0.0285 | 51.08% |
| | 0.0175 | 100% |
| | 0.0558 | 100% |

#### 5.1.2 行业层面研发投资
为了检验AI清洗是否通过其对行业层面资源分配的影响间接影响公司的技术差距,本研究使用公司行业总年度研发投资的自然对数作为行业层面研发投资的代理指标。如表7的第(3)列所示,AI清洗的线性项系数为正(β1=0.00571),二次项系数为负(β2=-0.00115),两者在10%的水平上都具有统计学意义,表明AI清洗与行业层面研发投资之间存在倒U形关系。经济含义是,当AI清洗处于中等水平时,公司夸大的信号可能会误导同行关于技术进步的状态,从而在行业内引发“技术军备竞赛”。然而,当AI清洗过度且信号效应失去可信度时,同行可能对这种信号免疫,导致行业层面研发投资的整体减少。在包含中介变量的完整模型中,表7的第(4)列显示AI清洗仍然与技术差距呈现显著的倒U形关系。此外,行业层面研发投资的系数显著为正(β2=0.137,p<0.01),AI清洗的二次项在(3)列中仍然为负(β1=-0.00115)。由于它们的乘积为负,这表明AI清洗通过减少行业层面研发投资来缩小技术差距。此外,自助法检验的置信区间为[0.0078, 0.0164](不包括0),Sobel检验的p值为0.0000,进一步确认了行业层面研发投资作为中介渠道的显著性。总效应的分解显示,直接效应占48.92%,间接效应占51.08%。详细结果见表8。因此,假设H3得到支持。

#### 5.2 调节效应分析
为了进一步探讨学习机制在AI清洗与公司技术差距关系中的调节作用,本研究引入了AI支持的参与式学习能力变量,并检验了其在非线性关系中的调节作用。回归结果见表9。

**表9. 调节效应结果**

| 变量 | (1) | (2) |
|-------------|-----------|-----------|
| AI清洗 | 0.0957 | (0.00447) |
| AI清洗2 | -0.0210 | (0.000830) |
| AI支持的参与式学习能力 | -0.325 | (0.113) |
| AI支持的参与式学习能力 × AI清洗 | -0.325 | (0.113) |
| AI支持的参与式学习能力 × AI清洗2 | 0.165 | (0.0254) |
| AI支持的参与式学习能力 | 0.295 | (0.178) |
| ROA | -0.281 | (0.0514) |
| 固定资产比率 | -0.0893 | (0.0227) |
| | -0.0142 | (0.00517) |
| 董事会规模 | 0.0100 | (0.0157) |
| 所有权结构 | -0.00432 | (0.00486) |
| 上市年龄 | 0.0163 | (0.0100) |
| 公司规模 | -0.00131 | (0.00332) |
| 杠杆率 | 0.0326 | (0.0191) |
| | (0.0675 | (0.0807) |
| | (0.0805) | (0.191) |
| 观测值 | 28,153 | 28,151 |
| R2 | 0.945 | 0.981 |

**注:**稳健标准误差以括号形式报告。**、**和*分别表示1%、5%和10%的水平上的显著性。

**发现表明**AI清洗的线性项系数显著为正(β1=0.101),而二次项系数显著为负(β2=-0.0220),两者都在1%的水平上,确认了AI清洗与公司技术差距之间的倒U形关系。更重要的是,AI清洗的二次项与AI支持的参与式学习水平的交互项显著为正(β2=0.207,p<0.01),这与基线模型的符号相反。这表明具有较高AI支持的参与式学习能力的公司,在倒U形关系中的曲率减弱,表明技术差距对AI清洗变化的敏感性降低,即曲线变平。从经济角度来看,在AI清洗水平较低时,AI支持的参与式学习机制有助于员工理解和吸收AI技术,减少因夸大而导致的资源分配不当的风险,从而缓解技术差距的扩大。相反,当AI清洗超过某个临界阈值时,具有较强AI支持的参与式学习能力的公司可以识别认知失调,并提前采取战略调整,以积极缩小技术差距。为了进一步验证结果,我们根据Haans等人(2016)的方法,将样本分为高组和低组,基于AI支持的参与式学习能力的中位数。然后,我们比较了在不同AI支持的参与式学习能力水平下倒U形关系的曲率陡峭程度。如图2所示,具有较高AI支持的参与式学习能力的公司显示出比低水平公司更平的曲线,进一步证实了AI清洗对技术差距的影响显著受到公司AI支持的参与式学习能力的调节。因此,假设H4得到了支持。下载:下载高分辨率图片(183KB)下载:下载全尺寸图片图2. 人工智能支持的参与式学习能力对人工智能清洗与技术差距之间关系的调节效应。6. 异质性分析为了进一步探讨人工智能清洗影响技术差距的边界条件,本研究借鉴了认知失调理论,确定了三个关键的异质性来源:投资者情绪、制度环境和企业层面的技术密集度。这些因素可能通过影响企业遇到认知与行为不匹配时的紧张阈值或调整路径,从而重塑人工智能清洗与技术差距之间的非线性关系。6.1. 投资者情绪在认知失调理论的框架下,企业声明(例如,人工智能战略)与实际行为(例如,人工智能专利积累)之间的差异会引发内部紧张,促使行为调整。然而,这种紧张被激活的阈值并不是固定的,可以受到外部市场条件的调节。投资者情绪作为外部看法的反映,显著影响企业对认知失调的容忍度。根据Rhodes-Kropf等人(2005年)的研究,我们构建了一个企业层面的投资者情绪指数,以评估情绪环境如何调节人工智能清洗的非线性影响。具体来说,企业的市场估值(平均Q值)被分解为反映增长机会的内在价值部分和由情绪驱动的错误定价部分。为了控制行业异质性和市场周期,我们按行业和年份进行横截面回归分析:(8)Qit=β0+β1firm sizeit+β2leverageit+β3ROAit+εit其中,上述回归的拟合值Qi,tf被用作投资机会的代理变量,而标准化残差,即Qi,te=Qi,t?Qi,tf(Z分数),被用作投资者情绪的代理变量。数值越高,市场对企业的情绪越积极。如表10第(1)列所示,人工智能清洗与技术差距之间继续呈现出显著的倒U形关系,其中线性项(0.0946)和二次项(?0.0169)在1%的水平上均具有显著性。重要的是,人工智能清洗的二次项与投资者情绪之间的交互项显著为负(?0.00888,p < 0.01),表明投资者情绪越高,倒U形曲线越陡峭。从经济角度来看,高投资者情绪的市场环境向企业发送了乐观信号,增强了它们对认知失调的不适容忍度,从而推迟了行为调整的触发点。结果,对人工智能清洗的战略调整被推迟,导致早期分歧更加明显,随后追赶行为更加强烈。这种异质性效应的可视化表示见图3。表10. 异质性分析。变量(1)(2)(3)人工智能清洗0.0946???0.0614???0.0248???(0.00458)(0.00486)(0.00650)人工智能清洗2?0.0169????0.0190????0.0187???(0.000866)(0.000897)(0.000809)投资者情绪 × 人工智能清洗0.0317???(0.00452)投资者情绪 × 人工智能清洗2?0.00888???(0.000906)投资者情绪?0.000631(0.00284)人工智能试点区 × 人工智能清洗0.136???(0.0106)人工智能试点区 × 人工智能清洗20.00672???(0.00218)人工智能试点区0.0929???(0.00993)研发人员比例 × 人工智能清洗0.000680???(0.000240)研发人员比例 × 人工智能清洗20.000276???(0.000048)研发人员比例?0.00117???(0.000257)ROA?0.271????0.189????0.0510(0.0494)(0.0488)(0.0447)固定资产比率?0.0427???0.00865?0.0662???(0.0201)(0.0200)(0.0220)高管薪酬?0.0112??0.00169?0.00495(0.00480)(0.00438)(0.00480)董事会规模0.004850.01570.0104(0.0149)(0.0147)(0.0143)所有权平衡?0.00499?0.00397?0.00171(0.00475)(0.00473)(0.00441)上市年龄0.0111?0.00145???0.000412(0.00959)(0.000418)(0.00971)企业规模0.003890.00486?0.0197???(0.00307)(0.015)(0.00303)杠杆率?0.0305?0.02340.0292(0.0175)(0.0164)(0.0177)常数6.003???8.789???7.174???(0.0747)(0.846)(0.0747)Chow检验P = 0.0000P = 0.0000P = 0.0000年份固定效应是是是行业固定效应是是是观察值36,19836,00020,858R20.9570.9580.961注意:括号中报告了稳健的标准误差。标有Chow检验的行报告了组间异质性检验的结果。???、??和?分别表示1%、5%和10%水平的显著性。下载:下载高分辨率图片(170KB)下载:下载全尺寸图片图3. 投资者情绪的异质性效应。6.2. 制度环境制度环境不仅塑造了企业行为的边界,还影响了认知失调的激活和调整的强度和路径(Ng和Yu,2014)。在监管更严格的制度环境中,企业对认知失调的容忍度较低,这加速了紧张感的产生并促使更早的行为调整。本研究利用2019年至2021年间中国国家层面人工智能试点区的准自然实验来构建一个基于政策的处理变量。截至目前,中国政府已指定18个城市为国家级人工智能试点区。由于德清县是一个县级行政区划,无法在该层面准确匹配企业位置,因此被排除在外。剩余的17个地级市被指定为处理组,所有位于非试点区城市的上市公司被归类为对照组。据此,我们为试点区内的企业定义了一个处理组虚拟变量,值为1,否则为0。如表10第(2)列所示,人工智能清洗在试点区内对技术差距仍保持显著的倒U形影响,其中线性项(0.0614)和二次项(?0.0190)在1%的水平上均具有显著性。然而,人工智能清洗的二次项与试点区虚拟变量之间的交互项显著为正(0.0672,p < 0.01),表明曲线明显平缓。这一发现表明,在国家级人工智能试点区内,上市公司更有可能在达到人工智能清洗阈值之前限制技术创新的过度分歧,并在超过阈值后适度调整其追赶行为。原因是位于人工智能试点区的企业受到更严格的监督,并在一个具有更好人工智能专业知识和基础设施的环境中运营。这些条件减弱了企业进行人工智能清洗的动机,从而缓和了其影响的非线性。这种异质性效应的可视化表示见图4。下载:下载高分辨率图片(153KB)下载:下载全尺寸图片图4. 制度环境的异质性效应。6.3. 技术密集度企业的内部技术结构从根本上决定了其对认知失调的敏感性。与其他企业相比,技术密集型企业通常具有显著不同的劳动力构成,其特征是研发人员比例更高,内部知识系统更为成熟。因此,人工智能清洗引起的认知与行动之间的紧张可能更快地被识别和解决,从而提前调整路径。根据Souitaris(2002)的研究,我们根据企业劳动力中研发人员的比例对企业进行分类。研发人员比例高于中位数的企业被归类为技术密集型,并赋予虚拟变量1;低于中位数的企业被归类为非技术密集型,并赋予值0。如表10第(3)列所示,在技术密集型企业中,人工智能清洗与技术差距之间的关系呈倒U形,线性系数为0.0248,二次系数为?0.0187(两者在1%的水平上均具有显著性)。此外,人工智能清洗的平方和与技术密集度虚拟变量之间的交互项显著为正(0.000276),表明曲线弯曲度较低。这一发现意味着,在技术密集型企业中,在达到人工智能清洗阈值之前,它们更有可能抑制技术差距的过度分歧;同样,在超过阈值后,它们也更有可能适度调整其追赶行为。造成这种情况有两个主要原因。首先,它们强大的技术基础起到了缓冲作用,可以抵抗人工智能清洗的分歧效应;其次,它们的追赶策略更具选择性,并且与长期战略目标一致,而不是盲目模仿。因此,倒U形关系显著平缓。技术密集度的异质性效应的可视化表示见图5。下载:下载高分辨率图片(163KB)下载:下载全尺寸图片图5. 技术密集度的异质性效应。7. 讨论与结论本研究运用认知失调理论,实证检验了企业“人工智能清洗”对技术差距的影响,从而解决了现有文献中关于缺乏定量测量(Bietti,2020)和技术效应的实证证据(Seele和Schultz,2022)的关键研究空白。主要发现揭示了企业“人工智能清洗”与技术差距之间的倒U形关系。这挑战了“人工智能清洗”统一阻碍技术创新的线性假设(Seele和Schultz,2022),为企业技术战略背景下的认知失调理论提供了非线性扩展。这种关系通过涉及企业和行业层面研发投资的双路径机制传递,超出了静态分析框架。具体而言,在企业层面,“人工智能清洗”最初会挤占研发资源(Adomako和Tran,2023),但认知失调的积累最终促使企业增加研发投资以恢复一致性,证实了该理论的核心观点。在行业层面,虽然“人工智能清洗”加剧了市场竞争(Carrier和Tushnet,2021),但我们的分析揭示了一个动态过程,即行业层面的研发投资首先上升,随后恢复到更合理的水平,从而完善了产业溢出效应的逻辑框架。此外,调节效应分析表明,具有更强人工智能支持参与式学习能力的企业表现出更平滑的倒U形调整和更低的认知失调阈值,扩展了关于组织学习的研究。异质性分析进一步加深了对战略决策的理解:高投资者情绪推迟了调整阈值,证实了市场情绪的作用(Basnet等人,2025)。此外,一个完善的制度环境被证明能有效降低企业对认知失调的容忍度,为制度压力的约束作用提供了实证支持(Jobin等人,2019)。最后,技术密集型企业对认知失调的敏感性更强,这与关于战略响应差异的讨论(Shi,2024)一致,并为解释企业行为调整的差异提供了重要的理论基础。7.1. 理论意义本研究做出了三个关键的理论贡献。首先,本研究将人工智能清洗研究从概念化推进到实证分析,扩展了该领域的理论边界,并实证检验了人工智能清洗的行为后果和动态演变逻辑。此外,本研究揭示了人工智能清洗的调整机制,即由认知失调引发的补偿性研发行为,这与传统的信号理论形成了不同的对话。Spence(1973)提出的信号理论强调真实信号的稳定传递和有效性,但本研究发现,作为虚假技术信号的人工智能清洗并不会无限期地有效。当偏差积累超过组织容忍阈值时,将触发行为调整,例如增加研发投资。这一发现将人工智能清洗研究从伦理问题转变为组织行为分析,并为人工智能清洗研究中认知与行为之间的互动提供了新的视角。其次,本文将认知失调理论扩展到人工智能战略领域,丰富了组织层面应对失调的理论解释。Festinger(1957)提出的认知失调理论最初用于解释个体层面的认知与行为冲突;尽管一些研究将其扩展到组织层面,但没有涉及新兴的人工智能战略背景。本研究将人工智能清洗定义为组织认知失调的典型场景,为理解人工智能清洗的出现和演变提供了理论基础。此外,本文确定了人工智能支持的参与式学习能力在失调解决中的调节作用。这一发现将认知失调理论与人工智能技术特征相结合,扩展了该理论在技术驱动组织行为领域的应用边界,并解决了传统组织失调研究忽视技术能力调节作用的局限性。最后,本研究重构了技术差距的演变逻辑,并补充了认知驱动动态调整的理论视角。传统的技术差距研究主要关注结构因素。例如,外部层面强调制度环境(Ng和Yu,2014)和市场竞争(Zu和Zhang,2023)的影响,而内部层面关注人力资源(Burger等人,2022)和研发投资(Fuenfschilling和Truffer,2014)等资源禀赋。此外,现有研究通常将技术差距视为静态能力的差异(Bourles等人,2013),而忽视了认知因素的驱动作用。基于认知失调理论,本研究提出了一个新的逻辑。技术差距的演变是一个动态过程。在这个过程中,认知失调影响资源分配调整,导致技术差距的变化。这种非线性逻辑打破了传统观点,为技术差距研究提供了更丰富的分析框架。在理论一致性方面,人工智能清洗在早期扩大技术差距的结论与绿色清洗文献中的经典观点高度一致,即象征性行为挤占了实质性创新投资。Delmas和Burbano(2011)指出,当企业通过夸大环境承诺进行绿色清洗时,它们会将资源从环境技术研发转移到公关和市场营销上,从而削弱了其可持续创新能力。同样,Seele和Schultz(2022)提出,企业对人工智能能力的虚假声明将导致资源错配效应,优先考虑技术描述而非实际研发。我们的研究通过定量数据进一步证实,这种不匹配体现在研发投资的动态“挤压与反弹”模式中,这与上述文献的结论相吻合。7.2 实际意义 本研究的结果为各实践者提供了若干可行的建议。对于监管机构而言,改进与人工智能相关的信息披露监管框架并加强实质性审查机制至关重要。具体来说,监管机构应根据行业特点制定差异化的人工智能信息披露标准。在技术密集型行业中,信息披露应通过专利质量和技术商业化成果等客观指标进行交叉验证,以提高对“人工智能洗白”行为的监管准确性。同时,立法机构应加快制定专门针对人工智能的法规,明确界定与“人工智能洗白”相关的法律责任和处罚措施。从行业角度来看,行业协会应在减轻人工智能领域信息不对称方面发挥积极作用。它们可以与研究机构合作,开发一个多维度、可量化的评估系统,以评估企业的实际人工智能能力。这样的系统将为明智的监管决策和企业决策提供客观依据,从而对抗“人工智能洗白”造成的市场扭曲。此外,行业协会还应推动研发资源和信息共享平台的建立,这有助于防止因“人工智能洗白”引发的低效研发竞争,最终促进创新资源的最佳配置。对于企业而言,决策者必须建立强有力的内部防护机制来防范“人工智能洗白”。一方面,企业应增加对人工智能相关人力资本的投资,并培养擅长人机协作的优秀团队;另一方面,他们必须加强人工智能战略的治理,避免仅仅为了迎合资本市场而过度炒作人工智能概念。相反,资源应战略性地投向实质性技术创新,以确保人工智能战略能够创造可持续的长期价值。7.3 限制与未来研究方向 本研究存在一些局限性,但这些局限性也为未来的研究指明了方向。首先,研究样本仅来自中国上市公司,虽然这为研究提供了必要的代表性背景,但未能全面反映“人工智能洗白”对中小企业和非上市公司技术差距动态的影响。未来的研究可以大幅扩大样本范围(例如跨国分析),以考察认知失调机制在不同企业类型和制度环境中的异质性表现,从而提高研究结果的普遍性。其次,“人工智能洗白”的衡量主要基于文本披露与专利数据之间的差异。尽管这种方法较为标准,但并未充分考虑人工智能创新的质量或其实际应用效果。未来的研究应纳入多维度指标,如人工智能模型部署的成功率、与人工智能相关的商标或项目实施成功的可量化指标,以显著提高“人工智能洗白”衡量方法的准确性和可靠性。第三,尽管本研究识别出了企业行为调整的非线性转折点和异质性,但并未全面追踪这些调整随时间的动态演变轨迹。未来,研究人员可以采用事件研究或复杂的纵向面板模型等先进方法,更全面地捕捉“人工智能洗白”如何引发认知失调并最终影响企业技术差距的全过程。

**作者贡献声明**
孙哲:撰写——初稿、方法论、数据整理、概念化。
文玉军:撰写——初稿、可视化、软件开发、方法论、形式分析。
赵亮:撰写——审稿与编辑、撰写——初稿、监督、方法论、形式分析、数据整理、概念化。
Intesar Almugren:撰写——初稿、验证、监督、资源协调、项目管理、资金筹集。
Aradhana Galgotia:验证、资源协调、项目管理、调查。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号