《Journal of Engineering and Technology Management》：From open source to data-driven platform: Innovating business models through AI integration
编辑推荐：
摘要：本文以PrestaShop为案例，研究开源平台如何通过创新和重新设计其商业模式，以利用人工智能（AI）采用和数据分析能力建设所带来的机遇。现有文献强调，AI是最具变革性的数字技术之一，能够使平台提升运营和财务效率，推动产品创新，促进网络协同效应，并在更广
摘要：本文以PrestaShop为案例，研究开源平台如何通过创新和重新设计其商业模式，以利用人工智能（AI）采用和数据分析能力建设所带来的机遇。现有文献强调，AI是最具变革性的数字技术之一，能够使平台提升运营和财务效率，推动产品创新，促进网络协同效应，并在更广泛层面激发商业模式创新。然而，开源平台在数据收集方面面临独特挑战，因为其商业模式可能无法有效收集用户数据。在这种情况下，这些平台可能无法直接利用AI进行创新，而需要首先创新其商业模式以促进数据收集，从而释放AI的潜力。本研究旨在揭示此类动态，通过考察PrestaShop（一个拥有超过250,000家商户和数千名专家合作伙伴的法国电子商务平台）的案例，展示该平台如何转变其运营、产品开发、培训及利益相关者关系，以创造战略性大规模部署AI所需的必要条件。
**从开源到数据驱动平台：PrestaShop商业模式创新的AI整合路径研究**
**一、研究背景与问题提出**
在当今快速演进的技术格局中，商业模式创新已成为组织维持竞争力并响应市场需求变化的关键手段。对于平台企业——定义为“促进外部生产者与消费者之间互动的多边市场”——这种适应需求尤为突出。与传统企业不同，平台必须持续重新配置其价值创造和价值捕获机制，以协调生态系统各方的互动、管理数据流并维持可扩展的增长。因此，平台商业模式创新本质上是动态的，受治理、协调和技术架构的持续调整所塑造。
人工智能（AI）已成为跨行业转型的主要驱动力，为提升运营效率、深化客户洞察和实现新型价值创造提供了机会。然而，现有研究大多隐含假设企业拥有集中化、高质量的数据集，并对其数字基础设施具有强大控制力。这一假设不适用于开源平台，后者在去中心化数据治理下运作，对用户行为的可见性有限。其商业模式历来赋予用户对其安装和数据的完全控制权，使得系统性数据收集变得困难，并制约了AI采用所需的组织条件。
尽管AI在平台生态系统中的相关性日益增强，但关于在去中心化治理模式下运作的组织如何为AI整合准备结构和组织条件的研究仍然匮乏。现有研究主要考察专有或集中化平台，在这些平台中，数据捕获是架构固有的，企业可以直接部署AI以优化互动、个性化服务或协调紧密治理生态系统中的互补者。相比之下，开源平台缺乏这些数据优势：其模块化架构、社区主导的开发以及用户控制的安装限制了平台所有者对行为、绩效和生态系统动态的可见性。这就在AI的战略潜力与开源商业模式的现实结构之间形成了根本性张力，后者依赖于集体创新和分布式治理而非层级控制。然而，关于开源平台如何驾驭这种张力，以及需要哪些商业模式调整才能使AI可行，实证研究仍然稀缺。
这形成了一个明确且研究不足的研究空白：开源平台如何重新设计其商业模式，以创造能够实现AI驱动价值创造的前提条件，尤其是在数据访问受到结构性限制的情况下？理解这一挑战至关重要，因为开源平台代表了数字基础设施的重要类别，其创新轨迹日益依赖于利用数据和AI的能力。
**二、研究内容与核心发现**
本研究通过考察PrestaShop这一主要的开源电子商务平台，探讨其如何调整商业模式以逐步实现数据收集、分析和AI的大规模部署。研究采用单一案例研究和溯因逻辑，分析了PrestaShop如何从去中心化、社区驱动的数据访问有限模式，转变为更具编排性的、数据驱动的平台，能够将AI整合到其运营、产品开发和生态系统管理中。
研究基于三个互补的文献领域：商业模式动态、AI采用和平台治理。通过综合这些流派的观点，研究提出了AI在商业模式转型中作用的流程视角，将其概念化为三个连续功能：AI作为触发器、AI作为驱动者和AI作为使能者。这一框架使研究者能够理论化在去中心化控制特征的开源情境中，商业模式调整和AI整合如何展开。
研究发现，PrestaShop的转型经历了多个阶段。2007-2014年，平台处于开源电子商务基础阶段，依赖社区贡献和支持服务收入，无直接货币化。2015-2018年，进入混合货币化与治理阶段，推出了Addons市场，但出现社区与核心团队之间的早期张力。2019-2020年，进行生态系统再平衡，重新定义PrestaShop作为生态系统编排者的角色。2021-2022年，进入AI整合的数据准备阶段，平台重组以捕获数据和分析，启动试点AI服务并发展内部AI能力。2023年至今，处于持续进行的AI赋能转型阶段，进行早期AI部署，能力和基础设施持续发展。
关键转折点包括：2021年PrestaShop建立了数据战略团队，以创建系统性数据收集能力。它用外部生态系统智能工具补充内部数据捕获，以丰富商户和合作伙伴画像。AI驱动的细分使平台能够进行主动的生态系统参与，GTM团队操作商户和代理画像，实现有针对性的外展和合作伙伴激活策略。基于Looker仪表板的洞察使战略资源重新分配和识别有利可图的商户集群成为可能，特别是欧盟和拉丁美洲地区的中型商户。
在运营层面，AI通过自动化生态系统监控和决策促进了转型。例如，在客户支持系统中部署机器学习，导致平均工单解决时间显著减少，并基于用户历史和行为的自动化内容交付增加。2022年、2023年和2024年的效益非常积极：活跃网站趋势从-20%提升至+10%，EBITDA增长67%，成本降低28%。
研究识别出三个AI作用的阶段：作为触发器（2021-2022年），AI暴露了结构性缺口，如缺乏标准化数据，促使组织和战略适应；作为驱动者（2023-2024年），AI支持的分析和细分机制帮助重新定向资源，指导市场优先级排序，重塑价值主张；作为使能者（2024年至今），AI支持可扩展配置和生态系统产品的设计，通过大规模操作化知识并维持持续改进。PrestaShop Enterprise的推出是这一阶段的标志性事件，它作为一种基于订阅的分发模式，提供了策划的、高性能的开源核心替代方案，体现了从去中心化策展向结构化编排的转变。
**三、主要关键技术方法**
本研究采用系统性组合方法，这是一种固有的溯因方法，允许根据涌现的实证数据迭代精炼理论。数据收集方法包括半结构化访谈（2024年1月至7月期间进行10次，每次45-75分钟，对象包括CTO、CFO、CPO、销售与运营经理、客户关怀经理、数据团队负责人以及法国、西班牙/拉美、意大利/其他地区国家经理）、文档分析（20多份内部文件和仪表板，包括产品与财务文档、KPI报告、月度业务审查、HubSpot和Looker仪表板、PrestaShop Enterprise和Checkout文档）以及参与式观察（来自6个活动和会议的田野笔记，包括战略会议、创新研讨会、PrestaShop巡展活动和一般月度会议）。数据分析采用Gioia等（2013）的主题编码方法，先归纳编码访谈记录和文档以识别一阶概念，然后分组为二阶主题，通过交叉比较和PrestaShop内部人员的反馈进行迭代精炼。
**四、研究结果**
**AI作为触发器（2021-2022年）**：最初采用数据策略实现了生态系统映射和市场细分。这些努力支持了商户-专家匹配，并为双方利益相关者增强了价值主张。早期关于潜在AI应用的讨论暴露了平台缺乏支持机器学习、预测或自动化所需的基础数据治理机制，这促使建立专门的数据策略职能，并使内部团队围绕系统性数据收集和协调逐步对齐。
**AI作为驱动者（2023-2024年）**：随着PrestaShop开始收集一致且更高质量的数据，AI成为战略适应的驱动者，使整个组织能够做出更明智的决策。数据驱动的分析揭示了具有最高增长和盈利潜力的细分市场，特别是欧盟和拉美地区的中型商户，促使商业、支持和产品开发工作进行战略重新聚焦。AI支持的细分和预测增强了目标定位能力，实现了对商户需求和合作伙伴行为的更精确识别。
**AI作为使能者（2024年至今）**：AI通过支持可扩展、模块化的商业模式配置来发挥使能作用，这些配置能够在不同地区、商户细分和合作伙伴群体中提供差异化价值。PrestaShop Enterprise的推出体现了这一阶段，其中策划的模块、受控的集成标准和增值服务可以与高潜力商户的需求对齐。AI使平台能够大规模操作化生态系统知识，增强产品一致性，并通过自动化推荐、定向功能开发和日益精炼的价值主张创造持续适应的条件。
**五、讨论与结论**
研究发现，开源平台面临独特的结构性限制，包括对用户数据的有限控制和去中心化治理。这些限制要求先进行商业模式适应阶段，以创造AI价值创造的组织和技术前提。在PrestaShop案例中，建立数据收集机制、创建专门的数据策略团队以及逐步集中生态系统情报是AI能够指导战略优先级或支持可扩展产品创新之前的基本步骤。这一过程强调，开源情境中的AI采用不仅取决于技术能力，还取决于价值配置和治理机制的有意重新设计。
研究识别出AI在开源平台商业模式转型中贡献的三阶段过程：作为触发器，AI暴露结构性缺口，如缺乏标准化数据，从而要求组织和战略适应；作为驱动者，AI支持的分析和细分机制帮助重新定向资源，指导市场优先级排序，重塑价值主张；作为使能者，AI支持可扩展配置和生态系统产品的设计，通过大规模操作化知识并维持持续改进。这些阶段共同形成一个顺序且相互依赖的过程，反映了AI如何在开源情境中诱导、加速并最终稳定商业模式创新。
这一过程模型补充并扩展了现有的AI赋能转型理论，后者通常假设组织已拥有集中化、高质量的数据和强大的治理结构。相比之下，本案例表明开源平台面临一个先决阶段，在该阶段中，商业模式组件必须重新设计以创建AI采用所需的数据基础。这种顺序在先前模型中未被捕获，突出了去中心化生态系统的结构性偶然性。
研究对理论和实践具有多重启示。理论上，它通过提供平台商业模式持续迭代适应的实证见解，为商业模式动态文献做出贡献；通过展示AI在开源平台中不能直接利用，除非先进行商业模式重构以实现系统性数据收集和编排，扩展了商业模式创新文献；通过识别数据治理和去中心化控制作为需要预先解决的具体结构性瓶颈，精炼了AI赋能转型的现有模型。实践上，研究建议平台管理者应优先考虑内部数据治理机制，如用户选择加入系统和专有分析层，以确保在启动AI项目前数据可访问；AI采用应从低风险的小规模实验开始，如推荐引擎、欺诈检测，以实现快速学习周期并最小化对核心运营的潜在干扰；管理者应为生态系统参与者设计明确的激励机制，如商户、开发者或服务提供商，以贡献数据或共同创造AI赋能的服务，包括提供高级分析仪表板、收入共享计划或平台界面上的优先曝光。
本研究的局限性包括：作为单一案例研究，发现可能缺乏普遍性；研究反映了PrestaShop内AI和数据策略成熟度的特定阶段，可能随时间演变；依赖内部文档和绩效指标可能引入偏差；AI技术的快速演进意味着研究结果是一个时间快照。未来研究可探索其他开源或数据受限平台，以及平台如何利用AI培育生态系统战略。
