连接人类智能与机器智能：设计思维与生成式人工智能如何推动探索性创新与利用性创新

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Bridging human and machine intelligence: How design thinking and generative AI capabilities drive exploratory and exploitative innovation

生成式人工智能与设计思维的协同创新机制研究——基于中国企业的模糊集定性比较分析

　　

蔡颖|辛晓华|李丽旭|尚艳颖|陈璐洁

西安理工大学经济与管理学院，中国西安，710054

摘要

尽管文献强调了生成式人工智能（GenAI）和设计思维（DT）在创新中的作用，但它们之间的相互作用仍不明确。为了解决这一差距，我们利用技术采纳视角来研究三种GenAI能力（即关系能力、分析能力和创造能力）与五个DT方面（即用户关注、问题构建、可视化、实验与迭代以及包容多样性）如何相互作用，从而影响探索性创新和利用性创新。我们使用模糊集定性比较分析方法分析了来自303家中国企业的调查数据。实证结果表明，要实现高水平的探索性创新和利用性创新，企业需要同时依赖GenAI能力和DT，而不仅仅是单独依赖其中任何一个因素。更有趣的是，要实现高水平的探索性创新，企业需要关注分析能力、创造能力、问题构建和包容多样性的结合；相反，要实现高水平的利用性创新，企业必须关注关系能力、用户关注和可视化的结合。我们的发现揭示了GenAI能力和DT之间的重要相互作用，为现有的创新文献做出了贡献。我们的研究还为企业在更有效地协调人类智能和机器智能方面提供了管理启示。

引言

生成式人工智能（GenAI）是一种变革性技术，它能够与人类进行复杂的互动（即关系能力），自主处理和分析复杂信息（即分析能力），并生成新颖的、与上下文相关且有价值的内容（即创造能力）（Jackson等人，2024；Li等人，2025a）。更重要的是，这些能力使其成为推动创新的强大工具，使组织能够构思新概念（Eisenreich等人，2024），快速构建原型（Bilgram和Laarmann，2023），以及开发新产品（Kumar等人，2025）。然而，尽管其潜力巨大，许多组织在将GenAI整合到创新过程中仍面临挑战，因为它们往往缺乏对真实用户需求的深入理解，也无法确保与人类智能的有效协作（Magistretti等人，2024）。因此，许多由AI生成的解决方案性能较差，或者难以成功实施（B?ckle和Kouris，2023）。

为了解决这些挑战，研究人员越来越多地将设计思维（DT）作为补充策略（Magistretti等人，2024；Verganti等人，2020）。DT是一种以人类需求为中心的创新方法，它关注利益相关者的要求，并采用迭代过程创造性地解决问题（Micheli等人，2019）。此外，DT强调五个主要方面：用户关注、问题构建、可视化、实验与迭代以及包容多样性（Carlgren等人，2016）。由于DT确保AI生成的创新在技术上可行且符合人类价值观和用户需求（Magistretti等人，2024），研究人员提出AI和DT之间的互动和相互强化可以显著推动创新（Saeidnia和Ausloos，2024）。一些领先企业确实正在进行这样的整合。例如，IBM在全球建立了多个设计工作室，其中DT实践与Watson AI平台协同工作。设计师和数据科学家合作，利用GenAI带来的洞察力和以用户为中心的设计相结合的力量，创造新的服务和产品，从而通过相互强化推动创新（Cautela等人，2019）。

然而，由GenAI代表的机器智能与由DT代表人类智能的整合在组织内部产生了关键的紧张关系。一方面，组织倾向于利用各种GenAI能力来提高效率和可扩展性（Li等人，2025b）；另一方面，强烈强调确保解决方案符合人类价值观和用户需求，这是DT的核心原则（Bartoloni等人，2022）。这些相互冲突的需求在组织内部产生了摩擦，提出了一个重大挑战：如何调和GenAI的优势与以用户为中心的创新中固有的同理心和迭代过程？这种紧张关系突显了需要结构化地理解GenAI和DT之间的关系，以便解决在技术效率与以用户为中心的设计之间取得平衡的实际困境。

最近的研究主要集中在研究GenAI和DT在创新中的独立作用（Holmstr?m和Carroll，2024；Randhawa等人，2021）。具体来说，GenAI通常被单独研究，研究强调其对提高创新绩效（Singh等人，2024）、生成新想法（Eisenreich等人，2024）和创造性解决问题的影响（Boussioux等人，2024）。同样，DT主要被视为促进创造力（Dell'Era等人，2020）和开发以用户为中心的解决方案（Chouki等人，2021）的方法。此外，虽然有一些研究提到了GenAI和DT之间的潜在相互强化作用，但它们简化了这种关系。例如，Kyriakopoulos等人（2025）仅强调了AI能力与DT框架之间的潜在一致性，而没有探讨不同类型的GenAI能力如何与DT的各个方面相互作用。这种缺乏探索导致了对如何战略性地整合这些元素以最大化创新成果的理解不足。这种不足可能导致次优的创新，因为公司可能会过度依赖GenAI能力而没有结构化的实施框架，或者仅仅关注DT方法而忽视GenAI能力（B?ckle和Kouris，2023；Saeidnia和Ausloos，2024）。因此，至关重要的是要获得对两者关系的配置性理解，以便有效地整合GenAI能力和DT的互补优势，而不是将它们视为独立的创新驱动力。

此外，文献表明企业创新可以分为探索性创新和利用性创新（Jansen等人，2006）。前者涉及开发全新的产品或服务，而后者则侧重于优化和改进现有解决方案（Enkel等人，2017）。由于探索性创新和利用性创新通常需要不同的能力和过程（Gama等人，2022），因此研究GenAI能力的各种维度如何与关键的DT方面相互作用以推动这两种类型的创新是必要的。不考虑这些相互作用的不同影响的企业可能会过度投资于一种创新而牺牲另一种（Randall等人，2017）。更严重的是，这种疏忽可能导致资源分配不效率、创新策略不一致，最终削弱竞争优势（Krakowski，2025）。因此，我们的主要研究问题是：当GenAI能力和DT以不同配置结合时，它们如何共同推动探索性创新和利用性创新？

我们基于技术采纳的理论视角构建了研究框架。最近的研究应用这一理论来研究ChatGPT和AI聊天机器人等技术（Gkinko和Elbanna，2023；Thomas等人，2024），证明了其在研究先进技术方面的相关性。此外，这一理论强调了人类在技术使用中的核心作用，关注人类和用户如何在特定背景下适应、定制和重新解释技术（DeSanctis和Poole，1994；Felicetti等人，2024）。鉴于GenAI是一项新兴技术，其创新效果在很大程度上取决于用户的创造性转化过程（Corvello，2025），而DT作为一种以用户为中心的创新方法，为采纳GenAI提供了结构化的实践指导（Magistretti等人，2024）。我们基于这些发现，分析了来自303家中国企业的问卷数据，以研究GenAI能力和DT的不同配置如何影响探索性创新和利用性创新。

我们的研究有三个理论贡献。首先，为了响应探索AI和DT协同潜力的呼吁（Sreenivasan和Suresh，2024），我们通过研究GenAI能力和DT之间的相互作用来整合这两个领域，而不仅仅是关注它们在创新中的单独作用。其次，我们确定了驱动探索性创新和利用性创新的GenAI能力和DT的具体配置，从而提供了这些元素如何相互作用以产生不同形式创新的更全面解释。最后，与传统的基于方差的研究方法不同，我们应用模糊集定性比较分析（fsQCA）来揭示GenAI能力、DT和创新之间的复杂配置和不对称关系。这种方法为理解创新中多维因素的相互作用提供了更细致的分析框架，从而推进了如何协同利用GenAI能力和DT以促进创新的研究。

部分摘录

GenAI能力

从能力构建的角度来看，投资于一项技术的价值在于其能够整合到核心组织活动中，并转化为可持续的竞争优势（Doherty和Terry，2009）。在这个框架内，GenAI能力指的是使其能够为实现特定目标或任务做出贡献的核心技能和功能（Kaplan和Haenlein，2019）。这些能力使组织能够有效地利用GenAI来创造新的

技术采纳视角

技术采纳视角解释了用户如何主动适应、修改并将技术整合到工作实践中（DeSanctis和Poole，1994）。这一视角强调，技术的实现价值不仅取决于其固有的功能，而是从根本上源于用户通过持续实践的创造性转化（Gkinko和Elbanna，2023）。此外，采纳过程涉及两个关键机制：定制以使技术

数据收集

我们选择中国企业作为研究对象有三个主要原因。首先，中国是全球GenAI领域最大、增长最快的市场之一。2024年，中国的GenAI相关企业数量超过了4500家，核心行业规模接近6000亿元人民币（CNNIC，2024）。这一事实为研究提供了特别相关的背景。其次，中国的产业格局多样化，包括传统制造业以及信息技术和服务行业。

fsQCA的结果

fsQCA的结果在表6中呈现，使用了两个关键指标来评估解决方案：整体一致性和覆盖率。整体一致性衡量具有相同因果条件的案例产生结果的程度，其中0.85或更高的阈值通常表示可接受的充分性（Woodside，2018）。覆盖率类似于统计分析中的决定系数（R²），用于评估配置的实证相关性（Ragin，

主要分析结果的讨论

我们的研究通过研究GenAI能力和DT在创新中的相互作用，推进了当前的理解，超越了之前仅单独研究这些因素的研究（Cai等人，2023；Eisenreich等人，2024）。我们的发现表明，GenAI能力和DT的结合对于高水平的探索性创新和利用性创新非常重要。这一发现与Sreenivasan和Suresh（2024）关于AI和DT之间潜在协同作用的观点一致。

CRediT作者贡献声明

蔡颖：撰写——原始草稿、可视化、方法论、概念化。辛晓华：撰写——原始草稿、可视化、方法论、概念化。李丽旭：撰写——审阅与编辑、可视化、监督、项目管理、形式分析。尚艳颖：撰写——审阅与编辑、验证、监督、方法论、调查。陈璐洁：撰写——审阅与编辑、验证、监督、资源。

伦理批准

不适用。该研究不涉及人类受试者。

作者同意

所有作者都已阅读并批准了最终手稿，同意将其提交给《Technological Forecasting and Social Change》，并确认这是原创作品，未在其他地方考虑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

蔡颖感谢陕西省博士后研究资助项目（编号2025BSHSDZZ287）的支持。辛晓华感谢西安理工大学（编号105-451124036）的研究资助。李丽旭感谢国家自然科学基金（编号72302183）的资助。尚艳颖感谢中国教育部人文与社会科学青年基金（编号的支持。

蔡颖是西安理工大学经济与管理学院的博士后。她的研究兴趣包括创新管理和技术商业化。辛晓华是西安理工大学经济与管理学院的讲师。她的研究兴趣包括