在工业4.0时代，人工智能（AI）已成为组织绩效的关键驱动力，从根本上重塑了企业设计运营、管理团队以及在技术密集型环境中维持竞争力的方式（Gabsi, 2024; Khogali and Mekid, 2023）。历史上，AI在组织中的应用主要与任务自动化和效率提升相关，重点在于降低成本和优化流程（Ryalat, Franco, Elmoaqet, Almtireen, & Al-Refai, 2024）。最近，机器学习、数据分析和智能系统的进步扩展了AI的角色，使其从运营支持扩展到创造战略价值，影响创新、决策质量和组织适应性（Ali et al., 2025a; Singh et al., 2025）。对于管理者和政策制定者来说，实际挑战不再是是否采用AI，而是如何有效利用AI来获得实质性的绩效提升，同时保持员工参与度和组织承诺。在制造业及相关行业中，物联网（IoT）、预测性维护、实时监控、流程自动化和需求预测等AI应用使企业能够降低运营成本、提高灵活性、改善供应链决策，并通过减少浪费、优化资源使用和降低能耗来支持可持续发展目标（Ali, Qian, Jiang, Fey, & Ali, 2026; Shamsuddoha et al., 2025）。除了效率之外，AI还通过允许企业快速响应需求波动和运营中断，促进了全球价值链中的大规模定制和韧性（Wan et al., 2020, Modgil et al., 2022）。随着竞争压力的加剧，AI的应用已经从单纯的技术升级演变为对组织绩效、创新能力和长期可持续性具有直接影响的战略需求（Tariq, Poulin, & Abonamah, 2021）。
尽管AI具有这些实际潜力，但企业往往难以将AI投资转化为持续的绩效提升，这凸显了采用AI与创造价值之间的关键差距。以往的研究对AI驱动技术如何提升绩效的组织机制了解有限，通常将AI视为独立的技术输入，而不是嵌入团队和组织流程中的社会技术系统（Mikalef, Islam, Parida, Singh, & Altwaijry, 2023）。基于创新扩散理论（IDT），本研究认为AI的绩效效应不仅取决于其技术能力，还取决于其在组织内的传播、解释和制度化方式（Kelley & Brooks, 1991）。在实践中，制造企业面临多种阻碍这一传播过程的障碍，包括数字基础设施不足、实时数据能力有限，以及由于机器学习模型的“黑箱”特性而产生的怀疑态度，这些因素削弱了管理层的信任和接受度（Antosz et al., 2020, Carletti et al., 2019）。此外，有效的AI实施需要与组织战略相一致、对员工进行再培训以及具备适应性强的团队动态，而这些因素在以技术为中心的研究中经常被忽视（Singh et al., 2025）。这些挑战在新兴经济体中尤为突出，资源限制和协调困难进一步复杂化了AI的整合（Moharrak, Nguyen, & Mogaji, 2024）。这些问题共同强调了需要研究团队动态、创新过程和员工承诺等组织因素如何帮助企业将AI应用转化为有意义的绩效成果。
为了解决AI影响组织绩效的潜在机制这一空白，本研究应用IDT来探讨团队动态、CIIC和高承诺 workforce（HCW）作为中介变量的作用。重要的是，我们区分了服务型AI（SPAI）和通用型AI（GPAI）：SPAI旨在执行特定操作任务，如质量检查、调度或客户服务；而GPAI则提供更广泛和灵活的应用，包括预测分析、战略决策和跨职能优化。IDT表明，这些技术的成功传播取决于组织如何将它们融入日常惯例、流程和文化实践（Bertels, Howard-Grenville, & Pek, 2016）。对于SPAI，强大的团队动态使员工能够围绕特定任务有效协作，确保在日常运营中实现效益（Patel, Pettitt, & Wilson, 2012）；对于GPAI，团队动态在促进跨部门协作和知识共享方面发挥着更重要的作用，这对战略整合至关重要（Lindblom & Martins, 2022）。CIIC的中介作用也有所不同：在SPAI的情况下，企业围绕特定流程进行创新以提高效率（Sun & Abdullahi Usman, 2025）；而在GPAI的情况下，企业利用更广泛的创新能力来转变商业模式并投资于长期技术进步。最后，高承诺的 workforce减少了对AI应用的抵制并建立了信任（Silvestre, Begnini, & Abreu, 2025）。对组织有高度承诺的员工更愿意将SPAI整合到日常活动中，并适应需要持续学习和文化调整的GPAI驱动的系统性变化。
鉴于工业4.0下的快速数字化转型，AI在制造企业中的整合对竞争力、效率和可持续增长具有深远影响（Emon & Khan, 2025）。然而，如果不了解将AI应用转化为实际成果的组织和人力机制，企业可能会低估这些技术的价值，甚至可能出现反效果（Amankwah-Amoah & Appiah, 2025）。通过区分SPAI和GPAI，本研究提供了对AI应用及其绩效成果的更细致的视角。基于IDT，我们认为AI对组织绩效的影响并非孤立发生，而是取决于促进AI赋能实践传播和制度化的中介机制。具体而言，本研究旨在（1）探讨SPAI和GPAI如何通过团队动态、CIIC和高承诺workforce的中介作用影响组织绩效；（2）明确这些中介机制在释放AI潜力方面的最有效条件。
因此，本研究遵循以下研究问题（RQ）：
RQ1. AI如何通过团队动态、CIIC和高承诺workforce影响组织绩效？
RQ2. SPAI和GPAI如何通过团队动态、
CIIC和高承诺workforce影响组织绩效？
本研究通过深化我们对AI应用及其组织影响的理解，为商业战略、技术和创新领域做出了多项重要贡献。首先，本研究扩展了IDT（Rogers, 2003b）的理论，认为AI应用的绩效影响取决于以组织和人为中心的赋能机制，而不仅仅是技术本身。具体而言，我们引入了团队动态、高承诺工作系统和CIIC作为AI传播、嵌入和组织绩效转化的关键中介机制。通过将AI传播视为受组织结构和员工能力塑造的社会技术过程，本研究在数字化转型的背景下进一步完善了IDT（Wonglimpiyarat & Yuberk, 2005）。其次，它区分了SPAI和GPAI，表明AI对绩效的影响因类型而异：GPAI提高了适应性和跨职能知识整合以及战略创新能力，而SPAI提高了运营效率并解决了特定领域的挑战（Marzi & Balzano, 2025）。
第三，它强调了团队动态的中介作用，表明绩效提升取决于团队层面吸收和应用AI知识的过程，其中GPAI需要更广泛的协作，而SPAI主要惠及特定领域的团队（Sik, 2016）。第四，研究表明CIIC中介了AI对绩效的影响，使企业能够将AI知识转化为实际创新，GPAI支持企业范围内的整合，而SPAI推动有针对性的效率提升。最后，它强调了高承诺workforce的重要性，揭示了员工参与度、适应性和主动性对于将AI应用转化为绩效的关键作用（Rubel, Kee, & Rimi, 2023），GPAI和SPAI对此有不同的要求。
其余部分的结构如下：第2节讨论理论背景并提出假设，第3节概述方法论和数据，第4节展示实证结果，第5节提供讨论和结论。
