人工智能的扩散作为开放式创新动态：预测斯洛伐克企业中的采纳、去采纳与稳定均衡

《Journal of Complexity》：AI DIFFUSION AS OPEN INNOVATION DYNAMICS: FORECASTING ADOPTION, DE-ADOPTION, AND STATIONARY EQUILIBRIUM IN SLOVAK ENTERPRISES

　　

本研究将企业采纳人工智能（AI）建模为开放式创新动态，预测斯洛伐克企业中AI的扩散，这是一个将外部技术机会转化为组织能力的分阶段过程。通过一项横截面调查，研究人员将企业分为非采纳者、规划者和采纳者，并开发了一个具有年度转换的离散时间马尔可夫链（Markov chain）框架。调查数据被用于通过逻辑函数（logistic function）映射企业级转换概率，并在乐观、基线和保守假设下聚合为特定情景的转换矩阵。扩散建模使用了一个吸收采纳变体和一个去采纳变体。结果表明，AI扩散由两个机制驱动——从非采纳到规划的激活和从规划到采纳的转换——并且情景差异显著影响扩散速度和过渡段（transitional segments）的持续性。当采纳是吸收时，长期结果接近饱和；一旦引入去采纳，扩散反而收敛到一个较低且具有持续非采纳者群体的稳定均衡，表明AI采纳仍然有限而非自维持。对于研究而言，该框架为未来的纵向验证提供了透明基础；在实践中，它支持基于情景的预测、瓶颈诊断以及在激活、转换和保留杠杆上的管理干预时机。其创新性在于将开放式创新动态转化为一个校准的马尔可夫框架，该框架同时捕捉了采纳的进展性和可逆性。

**论文解读：企业人工智能扩散的阶段性预测——基于马尔可夫链的斯洛伐克企业采纳与去采纳动态分析**

**1. 研究背景与问题**

人工智能（AI）扩散作为开放式创新动态的典型案例，涉及企业如何将快速演进的外部技术机会转化为内部组织能力。现有研究多采用单一累积采纳曲线（如Bass模型）或横截面相关性分析，忽视了AI采纳实质上是多阶段、可逆的过程，且缺乏对规划阶段（planners）和去采纳（de-adoption）机制的动态建模。斯洛伐克作为制造业导向与小型开放经济体，其企业AI采纳受能力约束与行业结构影响，但现有预测工具未能提供透明、可重复的阶段性预测框架。因此，研究人员开展了这项研究，旨在填补这一空白，为政策制定与管理实践提供基于情景的预测工具，论文发表在《Journal of Complexity》。

**2. 主要关键技术方法**

研究人员采用离散时间马尔可夫链（Markov chain）框架，将企业分为三个互斥状态：采纳者（Adopters）、规划者（Planners）和非采纳者（Non-adopters）。通过2025年对816家斯洛伐克企业的横截面调查（数据来自AI-ImpactSK项目，公开于Zenodo），研究人员利用Likert量表调查块，分别构建了规划者的“采纳倾向指数（Adoption Propensity, AP）”和非采纳者的“规划倾向指数（Planning Propensity, PP）”。通过逻辑函数（logistic function）将倾向指数映射为企业级转换概率，并基于倾向指数的分布分位数（Q1、中位数、Q3）设定了乐观、基线和保守三种情景。随后，将企业级概率聚合成状态级转换概率，形成转换矩阵，并预测了吸收采纳变体（adopter为吸收态，无去采纳）和去采纳变体（引入5%的年去采纳率，基于ZEW数据校准）两种情景下的扩散路径。

**3. 研究结果**

**3.1 描述性统计与概率估计输入**
调查结果显示，初始状态分布为：采纳者68.87%（n=562），规划者16.05%（n=131），非采纳者15.07%（n=123）。规划者的采纳倾向指数（AP）均值为0.4737，标准差为0.1089；非采纳者的规划倾向指数（PP）均值为0.3478，标准差为0.1646。规划者表现出较高的动机驱动与预期积极影响，而非采纳者则显示出较低的AI知识与中等水平的条件性重新考虑意愿。

**3.2 吸收采纳变体预测**
在吸收采纳变体中，采纳者被视为完全吸收态（p_AA=1）。通过马尔可夫模型预测，基线情景下，采纳率从68.87%（t=0）上升到77.13%（t=1），在t=5时达到97.11%，t=10时接近99.87%，t=20时基本饱和（99.998%）。乐观情景下，采纳率在t=5时即达99.62%，保守情景下则较慢，t=20时也达99.73%。结果表明，当采纳为吸收态时，长期结果趋向完全饱和，情景差异主要影响扩散速度而非最终采纳上限。

**3.3 去采纳变体预测**
在去采纳变体中，引入5%的年去采纳率（p_AN=0.05）。基线情景下，采纳率从68.87%上升到t=5时的83.38%，并在t=10和t=20时稳定在约83.88%，收敛至一个较低的稳定均衡，而非完全饱和。乐观情景下，长期采纳率稳定在87.80%，保守情景下则为72.85%。此外，非采纳者群体在长期内并未消失，而是维持一个持续的非采纳者池（约13-14%），这表明AI采纳并非自维持过程，而是受去采纳流出限制的均衡渗透。

**4. 讨论与结论**

讨论部分强调，分阶段表示揭示了扩散由两个不同机制驱动：激活（N→P）和转换（P→A），这支持瓶颈诊断，并区分了不同干预措施的作用点。去采纳的引入将长期结果从机械饱和转变为均衡渗透，表明“饱和”概念应谨慎使用，因为长期采纳率取决于转换强度与去采纳的平衡。研究结论部分指出，这项研究通过超越单一集合采纳曲线，明确将采纳表示为分阶段且可能可逆的过程，为预测企业AI扩散做出了贡献。使用816家企业的横截面调查，将企业分为非采纳者、规划者和采纳者，并开发了离散时间马尔可夫链框架。关键方法贡献在于将Likert量表调查证据转化为年度转换概率。结果强调了三个实质洞察：分阶段表示揭示扩散由两个不同机制驱动；在吸收采纳下，长期饱和；引入去采纳后，收敛到均衡。应用上，该框架为基于情景的预测和瓶颈诊断提供了透明工具，并表明减少去采纳风险对长期渗透至关重要。