生成式AI数字产品的关键成功因素：从技术与市场的二元关系到技术、市场与伦理的三维框架

《TECHNOLOGY IN SOCIETY》：CRITICAL SUCCESS FACTORS FOR GENAI DIGITAL PRODUCTS: FROM TECHNOLOGY–MARKET DUALITY TO A TECHNOLOGY–MARKET–ETHICS TRIAD

　　伊万·索罗金|泽利科·特基奇
俄罗斯莫斯科国立经济大学商学院

摘要：生成式人工智能数字产品对传统的新产品开发及产品成功框架提出了挑战，因为其上线后的表现具有不确定性：不同运行环境和情境下输出结果可能有所不同，系统行为可能会因数据漂移而发生变化，且实际价值取决于用户互动、监管以及大规模运营中的管理措施。本研究以基于大型语言模型的生成式人工智能数字产品为研究对象，明确了在B2C和B2B场景下实现持续市场表现的各项关键成功因素，并通过专家意见驱动的两阶段研究设计，确定了25项关键成功因素。随后运用解释结构模型和MICMAC分析方法，梳理这些因素之间的关联关系，按其驱动力和依赖程度进行分类。除了这些关键成功因素外，生成式人工智能产品还依赖于更广泛的技术、运营和管理能力。其中，产品经理的AI素养、团队技术专长、问题理解能力以及伦理意识这四项因素处于核心地位，且具备较强的驱动作用。伦理因素作为一种“扩展规模的前提条件”，影响着产品的设计、推广和商业化进程。这一研究结果为理解生成式人工智能产品的持续成功提供了“技术-市场-伦理”三元分析框架。在B2C和B2B场景中，虽然核心关键成功因素相同，但针对产品应用的需求存在差异：B2C场景更注重交互质量和易用性，而B2C场景则更强调可解释性、责任感、系统集成以及合规性。

引言：长期以来，新产品成功的衡量标准一直建立在一系列关键成功因素之上，这些因素涵盖产品优势、流程效率、上市执行以及组织能力等方面（Cooper, 2019; Ernst, 2002; Evanschitzky et al., 2012）。这类因素主要是通过对那些上市后表现相对可预测的产品进行研究而确定的，其功能可以提前明确，在可预见的条件下经过验证，且运行性能较为稳定。而基于生成式人工智能的数字产品和服务则在三个方面对这一传统标准构成了挑战。首先，生成式系统的输出具有随机性，即便输入相同，由于随机解码机制，也可能产生不同结果；此外，检索到的信息、输入上下文以及任务要求的差异也会进一步增加输出的不稳定性（D’Amour et al., 2022）。传统软件通常被设计为对相同输入始终输出相同结果，尽管用户可能会随着时间推移对软件功能进行改造和整合。其次，随着数据分布和内在关系的变化，产品上线后的性能也可能会发生变化甚至下降。因此，数据漂移和概念漂移，再加上机器学习领域特有的技术债务，都要求产品在发布后需要持续评估，并定期进行重新开发，以确保其稳定性（Gama et al., 2014; Sculley et al., 2015）。第三，产品的价值是通过用户与产品的互动实现的，最终效果取决于用户的提问技巧、监督能力以及正确使用方式，同时也与产品本身的功能密切相关（Amershi, Weld, et al., 2019）。

正是由于这三大特性，生成式人工智能产品有别于传统的数字产品，同时也使得维持市场表现所需的可靠性和管理标准发生了根本性变化。虽然非人工智能类的数字产品也会通过用户改造、功能更新以及市场环境变化而不断发展，但由于生成式人工智能产品的行为在上市后更难以预测，因此对其持续评估和管控的要求更为严格。这些情况表明，现有的关键成功因素模型可能无法完全涵盖生成式人工智能产品成功所需的条件，而鉴于许多相关项目难以突破试点阶段，这一局限性尤为重要。Gartner预测，到2025年底，至少有30%的生成式人工智能项目将在完成概念验证后终止（Gartner, 2024）；MIT NANDA的研究则显示，接受调查的组织中，60%使用了嵌入式或特定任务的生成式人工智能工具，20%进行了试点测试，仅有5%实现了正式商用（Challapally et al., 2025）。

生成式人工智能产品的规模化发展取决于其运行的整体系统环境。如今的生成式人工智能产品往往将大型语言模型与检索机制、外部工具、工作流逻辑以及各种保障措施相结合，以此提升功能并弥补模型的不足（Bran et al., 2024）。这类混合架构虽能降低运营风险，但却无法消除输出的随机性或数据漂移问题。因此，正如关于生产级机器学习系统的指南中所强调的，这类产品仍需持续进行监控、评估、系统更新以及准备回滚机制（Amershi, Begel, et al., 2019; Breck et al., 2017）。此外，许多生成式人工智能产品还依赖于少数几家基础模型提供商，这使得产品团队难以掌控产品的核心功能（Bommasani et al., 2021; Korinek & Vipra, 2025）。这种依赖性提升了工作流整合、数据集成、评估以及管理机制的重要性，成为产品差异化的关键，但同时也带来了成本、连续性和可移植性方面的风险（UK CMA, 2024）。

为探究生成式人工智能产品的特性如何影响其持续成功所需的条件，本研究聚焦于基于大型语言模型的生成式人工智能数字产品，这类产品包括各类助手、协同工具、融入生成式人工智能的工作流，以及通过API提供、主要通过数字渠道交付的服务。在这一产品类别中，我们将B2C场景（面向消费者的产品，其采用主要由用户推动）与B2B场景（面向企业的产品，其采用需通过采购、系统集成和合规性流程来实现）区分开来。本研究未纳入两类产品：一类是那些成功高度依赖于硬件集成或物理运行的产品，比如嵌入在硬件产品中的生成式人工智能解决方案，这类产品涉及硬件集成、合作伙伴协调以及生态系统管理需求；另一类则是物理形态的人工智能产品，包括具身系统以及在安全性要求极高的场景中使用的产品，如自动驾驶车辆、服务机器人以及人工智能驱动的可穿戴设备，这类产品涉及硬件可靠性、物理安全认证以及制造限制等方面的问题（Wirtz & Stock-Homburg, 2025）。

在此研究框架下，本研究借鉴了关于新产品开发成功因素测量的研究成果（Griffin & Page, 1996）以及关于可重复商业化产品化过程的研究成果（H?rk?nen et al., 2015），将产品成功定义为在规模化压力下仍能保持的持续市场表现。这意味着产品不仅要实现用户 adoption 和价值创造，还要通过全生命周期的管理确保性能稳定，同时满足用户在数据使用、安全性和责任归属方面的合理期望。因此，产品的持续成功取决于在规模化过程中能够支撑上述目标的各种条件，以及这些条件之间的相互关系。

目前，关于基于大型语言模型的生成式人工智能数字产品在规模化压力下实现持续市场表现所需条件的研究仍存在三方面空白。首先，传统的关于产品成功因素的研究已经为产品、流程和市场层面的驱动因素提供了坚实的参考基础（Cooper, 2019; Evanschitzky et al., 2012），但这些研究较少关注在输出随机性及数据漂移情况下维持产品稳定性能所需的测试、可观测性以及全生命周期管理措施，也未能充分体现通过用户互动实现产品价值的机制。其次，现有关于人工智能成功的研究多侧重于组织的准备程度和实施条件（J?hnk et al., 2021; Lee et al., 2023; Merhi, 2023），而对于在规模化过程中，如何通过货币化、采购合规性、合规要求以及上市后的产品稳定性来决定产品能否实现规模化发展，这类研究提供的见解十分有限。第三，以往的研究通常将成功因素以简单列表的形式呈现，当涉及众多不同类型的因素时，难以清晰地判断哪些因素最为重要，以及它们之间是如何相互影响的。

基于以上背景，本研究旨在探讨在规模化压力下，哪些关键成功因素决定了基于大型语言模型的生成式人工智能数字产品的持续市场表现，以及这些因素之间存在怎样的层级关联。为此，我们采用了两阶段的研究设计与分析方法：第一阶段通过与产品相关方的半结构化访谈、归纳编码以及结构化验证，识别并整理出一组关键成功因素；第二阶段则运用解释结构模型和交叉影响矩阵乘法分类法，分析这些关键成功因素之间的关联关系，并分别为B2B和B2C场景构建独立的依赖结构模型。

本研究在新产品成功和数字创新研究领域做出了四项贡献。首先，它将现有的产品成功因素研究扩展到基于大型语言模型的生成式人工智能数字产品，明确指出了数据依赖性、对计算基础设施的依赖以及全生命周期管理的重要性。这些要素在传统的产品成功框架中并非核心内容（Cooper, 2019; Ernst, 2002; Evanschitzky et al., 2012），在现有的信息系统成功模型中也仅被间接提及（DeLone & McLean, 2003）。其次，本研究丰富了关于负责任的人工智能和企业数字责任的相关研究（Carl & Hinz, 2024; Lobschat et al., 2021），阐明了伦理因素在生成式人工智能产品成功体系中的作用。伦理因素被视为一项核心关键成功因素，且不依赖于其他任何因素。这一定位使其可以被理解为一种“扩展规模的前提条件”，影响着产品的设计、用户接受度以及价值实现。第三，由这四项核心关键成功因素构成的结构，为“技术-市场-伦理”三元分析框架提供了基础，这一框架有助于从技术可行性、市场适配性以及伦理责任三个维度来理解生成式人工智能产品的持续成功。第四，研究表明，尽管B2C和B2C场景的核心关键成功因素相同，但其在产品应用方面的侧重点存在差异：B2C场景更注重用户互动和产品的易用性，而B2C场景则更强调采购流程、系统集成、责任归属以及合规性要求。

本文的其余部分结构如下：第二节回顾了以往关于成功因素的研究，并指出了当前研究在生成式人工智能产品领域的不足之处；第三节详细介绍了本研究采用的两阶段研究方法；第四节报告了第一阶段的研究结果，给出了最终确定的25项关键成功因素及其定义；第五节展示了第二阶段的研究结果，包括针对B2C和B2C场景的ISM层级模型以及MICMAC分析图表；第六节阐述了本研究的贡献，并进一步阐述了“技术-市场-伦理”三元分析框架的内涵；第七节总结了本研究存在的局限，并提出了未来研究的方向。伊万·索罗金：写作——审稿与编辑、写作——初稿撰写、可视化、形式分析、数据整理。未引用的参考文献：Amershi等人，2019年；UK，2024年。关于生成式人工智能及人工智能辅助技术在写作过程中的应用声明在撰写本文档时，作者们使用了ChatGPT 5.2来提升手稿的可读性及语言表达水平。使用该工具后，作者们对内容进行了必要的审稿和编辑，并对论文内容承担全部责任。资金支持本研究部分是在“人工智能与数据变革商业系统：机制、架构与信号（AI-BUSINESS）”这一研究项目中进行的，该项目由赫尔辛基经济大学商学院研究计划资助（2025-2027年）。资助对象：泽利科·特基奇。利益冲突声明? 作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。