在位企业如何利用人工智能技术对其创新组合进行战略更新？

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：How do incumbents use AI technologies to strategically renew their innovation portfolios?

　　

人工智能（Artificial Intelligence，AI）在增强企业创新并推动特定行业技术进步方面的战略性应用，仍然缺乏充分研究。本研究提出了一种基于人工智能的发明类型学，将其区分为：开启新技术方向的不连续战略更新发明（Discontinuous Strategic Renewal Inventions，DSRI）、沿这些新路径延展发展的后续不连续战略更新发明（Follow-on DSRI），以及扩展既有创新组合的连续战略更新发明（Continuous Strategic Renewal Inventions，CSRI）。研究聚焦农业部门，分析了一个包含14,400件专利的数据集，样本涵盖了在其创新战略中整合人工智能技术的在位企业与新进入者。研究人员采用负二项回归（negative binomial regression），考察这些人工智能发明类型对战略更新活动的影响。结果凸显了DSRI，尤其是Follow-on DSRI，在推动技术进步中的关键作用。与既有主流假设相反，研究发现，人工智能战略实施所带来的收益在产业之间存在显著差异；相较于来自电子或机械行业的进入者，传统农业企业通常获得更大的收益。研究强调，无论是市场中的老牌参与者还是新参与者，都有必要持续探索颠覆性人工智能技术，以开启新的技术路径并获取竞争优势。

本文发表于《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》，围绕在位企业如何利用人工智能（Artificial Intelligence，AI）技术推进创新组合的战略更新展开研究，重点回答了企业在特定“竞争场域”（playing field）内如何将AI整合进其技术创新活动，以及不同整合方式将如何影响后续技术发展。文章以农业领域为经验场景，试图弥补现有研究在“AI如何真正进入企业创新组合并形成不同更新路径”这一问题上的不足。既有文献虽然已经表明，AI能够提升生产效率、支持产品开发并重塑价值创造逻辑，但对于企业究竟是将AI用于既有产品和技术能力的延展，还是用于开辟全新的技术方向，相关机制尚未得到充分解释。尤其在战略更新（strategic renewal）研究中，企业如何借助AI突破路径依赖（path dependence）、如何在本地既有企业与外部进入者之间形成差异化创新结果，仍有明显研究空白。基于此，研究人员选择农业这一既传统又正经历数字化转型的行业进行分析，因为该领域同时存在长期深耕的农业企业，也存在来自电子和机械领域、试图借助AI进入农业的新进入者，因而适合观察AI驱动的不同战略更新模式。

研究人员首先从理论上构建了一套AI发明类型学。文章将利用AI开辟企业新技术方向、进入企业既有技术边界之外领域的发明定义为不连续战略更新发明（DSRI）；将在此基础上继续沿新路径展开的发明定义为后续不连续战略更新发明（Follow-on DSRI）；将利用AI增强既有创新组合、但不改变企业核心业务技术路径的发明定义为连续战略更新发明（CSRI）。这一分类将战略更新文献中“渐进更新”与“不连续转型”的区分，具体落实到AI专利与创新活动的识别之中。文章进一步提出，三类AI发明对未来技术发展的影响并不相同，且这种影响可能受到企业所属行业背景的制约。研究最终得出两项核心结论：其一，相较于CSRI，DSRI对后续技术发展的推动作用更强，而Follow-on DSRI的影响最为显著；其二，在农业这一场域内，传统农业企业从AI驱动的战略更新中获得的技术收益往往高于来自电子业或机械业的外部企业。该研究的重要意义在于，它不仅细化了AI与战略更新之间的关系，也说明了AI并非在所有产业主体中均匀地产生价值，其创新效应高度依赖企业原有知识基础与产业嵌入程度。

在方法上，研究主要采用专利计量与计量经济分析相结合的路径。研究人员依据世界知识产权组织（WIPO）关于农业领域AI发明的界定，从Derwent Innovation提取专利数据；筛选出2000—2020年间在农业AI专利家族中申请量不少于20件的16家公司，并补充其完整农业专利组合，最终形成14,412件唯一专利家族数据。随后以标准行业分类（SIC）将企业划分为农业、机械和电子三类，并以合作专利分类（CPC）7位码识别DSRI、Follow-on DSRI与CSRI。研究以标准化前向引文（forward citation）衡量专利对未来技术发展的影响，并采用负二项回归（negative binomial regression）检验不同发明类型及行业来源的作用。

在研究结果部分，文章首先给出“4.1. Descriptive statistics”的分析。描述性统计显示，本地农业企业与外部企业在AI发明使用方式上存在明显差异。农业企业的AI专利中，DSRI占比较低，而CSRI占比较高，表明其更倾向于利用AI扩展和强化既有技术组合，体现出较强的利用式创新（exploitative innovation）取向。相较之下，电子企业在农业场域中拥有最高比例的DSRI，说明其更倾向于借助AI探索新的技术方向，以探索式创新（exploratory innovation）进入农业。机械企业则在DSRI与CSRI之间呈现相对均衡分布。从平均标准化前向引文看，DSRI整体上具有最高影响力，Follow-on DSRI次之，CSRI较低；而在行业差异上，农业企业的DSRI平均影响高于电子和机械企业。这些统计结果初步表明，AI用于开辟新技术路径时，往往比用于延展既有路径时更能引发后续技术响应。

接着在“4.2. Model estimation”中，研究人员通过回归模型进一步检验上述关系。结果表明，AI驱动的不连续战略更新对未来技术发展的促进作用显著强于连续战略更新。CSRI相对于基准组DSRI表现出更强的负向影响，说明仅在熟悉技术领域内将AI用于增量扩展，其知识溢出与后续技术带动能力较弱。更重要的是，Follow-on DSRI的影响显著高于初始DSRI，表明企业一旦通过DSRI进入新的技术方向，若继续在该方向上追加发明投入，便更容易积累知识优势并放大技术影响。这一结果说明，不连续战略更新并非“一次性突破”，而是一个需要持续投入的路径形成过程。研究还通过稳健性检验与预测边际效应分析，进一步确认了DSRI与Follow-on DSRI相对于CSRI的优势在整体样本中具有统计支持。

在行业异质性方面，研究结果显示，不同来源企业从AI战略更新中获得的收益并不一致。对于“本地企业”与“外部企业”的比较，文章发现，本地农业企业的DSRI对未来技术发展的推动作用高于外部电子和机械企业的同类发明；在Follow-on DSRI上，这种优势对电子企业尤其明显，而对机械企业虽方向一致，但统计显著性较弱；在CSRI方面，农业企业也显著优于电子企业，而与机械企业相比则没有显著差异。由此可见，尽管外部企业，尤其是电子企业，更频繁地利用AI实施探索式突破，但真正从这些AI发明中转化出更高后续技术价值的，往往是长期嵌入农业场域的本地企业。文章据此指出，产业既有知识基础、市场理解和技术场景经验，能够帮助农业企业更有效地把AI嵌入具体应用之中，从而提升发明的后续影响。

围绕上述结果，文章讨论部分强调了几方面理论贡献。首先，研究通过构建DSRI、Follow-on DSRI与CSRI三分法，推进了技术驱动型战略更新研究，使学界能够更精确地区分企业将AI用于“开新路”还是“走老路”的不同创新方式。其次，文章修正了部分既有文献对外部进入者更具颠覆优势的预期。结果显示，在农业场域中，本地农业企业反而更能从不连续AI更新中获益，这说明原有领域知识并不必然构成认知锁定（cognitive lock-in），在AI这种通用目的技术（general-purpose technology）加持下，既有知识也可能转化为高价值的重组资源。再次，研究证明，若企业希望最大化AI创新的长期技术影响，仅进行初始DSRI并不足够，必须沿新路径持续推进Follow-on DSRI，才能真正形成具有累积性的技术优势。最后，文章指出，农业场域中的AI创新体现出“创造性积累”（creative accumulation）特征，即新知识并非单独替代旧能力，而是与既有产业知识结合，推动企业维持和更新竞争力。

在实践意义上，文章认为企业管理者至少应把握三点。第一，AI战略更新的收益依赖企业是否深度嵌入特定竞争场域，因此企业在设计AI创新战略时，不应仅关注技术本身，也要考虑自身是否具备足够的场景知识与应用基础。第二，无论本地企业还是外部进入者，若要通过AI获得更高质量、更高影响力的创新成果，都需要在探索性方向上持续投入，而非停留于一次性的突破尝试。第三，本文提出的专利分类框架可被企业用于盘点内部技术组合，并监测本行业及跨行业竞争者的AI布局，从而支持技术战略决策。

关于局限性，文章指出研究仅基于农业领域专利数据，且聚焦技术驱动型战略更新，未纳入商业模式等其他更新形式；数据来源于单一专利数据库，也可能带来供给侧偏差。未来研究可扩展至其他行业，并结合更多企业层面数据，以考察AI战略更新对企业绩效和市场结构的更广泛影响。文章还建议，后续研究可进一步分析AI发明背后的知识来源，如利用后向引文区分内部与外部知识，或将该类型学应用于其他新兴技术领域。

研究结论部分可概括为：研究人员通过农业领域的专利分析表明，在位企业和新进入者都能够借助人工智能推进创新组合更新，但不同AI发明类型的效果差异显著。不连续战略更新发明（DSRI）比连续战略更新发明（CSRI）更能推动后续技术发展，而后续不连续战略更新发明（Follow-on DSRI）的影响最强。与此同时，AI驱动战略更新的收益并非在各产业主体之间均等分布；在农业场域中，传统农业企业通常比来自电子和机械行业的外部进入者更能从AI整合中获得技术收益。总体而言，企业若希望通过AI开拓新技术路径并形成竞争优势，就需要持续探索具有颠覆潜力的AI技术，并在新的技术方向上保持长期投入。