生成式人工智能与企业创新：数量优势还是质量隐患？

《TECHNOLOGY IN SOCIETY》：Generative Artificial Intelligence and Corporate Innovation: Quantity Boon or Quality Bane?

　　摘要：作为一项具有颠覆性的通用技术，生成式人工智能正在重塑企业创新模式，但其能否带来更多且质量更高的创新成果仍需进一步验证。本研究基于2018年至2024年间中国A股上市公司的26,716个企业年度观测数据，通过运用四维领域专用词汇表对投资者问答文本进行词频分析，衡量企业层面生成式人工智能的应用强度。创新质量则通过专利语义新颖性和专利影响力来评估。研究结果表明，生成式人工智能的应用与创新数量的增加存在显著关联，但在研究期间尚未显著提升创新质量。降低创新门槛、减轻创新成本负担以及缩短创新周期是推动创新产出增加的三大机制。此外，生成式人工智能与创新数量、质量之间的关系还会因组织和市场环境的不同而有所差异。通过区分创新数量与质量，本研究将基于知识的观点拓展到了生成式人工智能领域，发现通过生成式人工智能获取的知识更容易转化为创新数量，而提升创新质量则需要更深入的整合以及更强有力的技术、人力和组织支持。这些研究结果为数字化环境下的创新管理提供了参考，同时也强调了在应用生成式人工智能时需要结合专业技能和组织能力，以推动实质性和可持续的创新。

引言：生成式人工智能作为一种具有颠覆性的通用技术，正在改变全球的生产和创新模式（Brynjolfsson等人，2025）。凭借其在内容生成、知识检索与重组以及复杂问题解决方面的能力，生成式人工智能拓展了传统人工智能的应用边界，成为推动产业转型的重要力量。它通过降低知识搜索、表达、实验和沟通的成本，改变了企业在整个创新过程中获取、处理和应用知识的方式（Rammer等人，2022）。此外，生成式人工智能并非单纯的自动化或效率提升工具，当与人类专业知识相结合时，它能够拓宽思维范围，增强创造力，促进跨领域知识的探索与整合（Eapen等人，2023；Jia等人，2024）。然而，更广泛、更快速的知识获取并不一定能在所有创新成果上带来同等程度的提升，这就引出了一个关键问题：生成式人工智能对企业创新的数量和质量是否有不同影响？

对于企业而言，生成式人工智能可通过降低信息搜索、解决方案生成以及研发试错的成本，加快研发进程，让更多企业成员参与创意产生和问题解决，从而扩大创新产出（Chan & Choi，2025；Ciampi等人，2021；Johnson等人，2022）。从根本上说，生成式人工智能通过大规模训练数据学习模式和结构，进而生成新的文本、解决方案和知识内容，从而扩大企业可获取知识的范围和便利性（Zhang & Xu，2025）。不过，要将这些优势转化为高质量的创新成果，通常需要更深入的知识转化过程。人工智能生成的创意和解决方案必须经过评估、吸收、情境化处理，与企业现有的技术和隐性知识相整合，再通过人类判断和实验进一步优化。如果企业缺乏足够的专业知识、配套资源或组织能力，使用生成式人工智能可能仅停留在快速的知识重组层面，无法实现深度的情境整合，这可能会增加创新成果同质化、过度依赖技术或资源被挤占的风险（Raisch & Krakowski，2021；Wach等人，2023）。因此，这些风险究竟源于生成式人工智能的技术特性、配套条件不足，还是两者的相互作用，目前仍是一个未解之谜。要了解生成式人工智能对企业创新的影响，就需要探究它对创新数量和质量是否存在不同影响，以及影响这些结果的特定条件。

正是在全球范围内对此展开讨论的背景下，中国为相关研究提供了重要且及时的视角。首先，中国不断推出国家级人工智能发展战略，大力推动人工智能与工业系统的深度融合，加速该技术在各类企业中的广泛应用。其次，中国长期以来专利申请量一直处于较高水平，企业研发投入和专利储备持续增长，为研究生成式人工智能对创新数量的影响提供了丰富的样本。第三，中国的创新体系存在“数量快速增长但质量提升乏力”的结构性问题。根据世界知识产权组织的报告（WIPO，2024），中国在专利申请数量方面位居全球前列，但其企业专利转让率、海外专利转让比例以及高价值专利转化水平仍有较大提升空间（Ang等人，2023；CNIPA，2025）。因此，中国这一背景不仅适合观察生成式人工智能是否推动了企业的创新扩张，尤其有助于研究这种扩张是否能够转化为更高品质的创新成果。

目前关于人工智能与企业创新的研究可分为几大方向。首先，以往的研究大多聚焦于传统人工智能，强调其在提高运营效率、优化资源配置以及辅助管理决策方面的作用（Bai等人，2025；Li等人，2023）。其次，越来越多的研究开始认识到人工智能的双重效应，即虽然人工智能能够提升效率并增强人类能力，但过度依赖人工智能可能会限制探索性思考和创造性判断（Raisch & Krakowski，2021）。第三，针对生成式人工智能的最新研究则指出，它有潜力改变知识的创造、检索和重组方式，从而助力创意产生、创造性问题解决以及知识密集型任务的处理（Boussioux等人，2024；Noy & Zhang，2023）。然而，关于生成式人工智能与企业创新之间关系的实证研究仍然有限。现有研究主要探讨了生成式人工智能对生产力、创造力和任务绩效的影响，而对于企业如何将生成式人工智能能力融入创新流程，并将其转化为企业层面的创新成果，相关研究还比较少（Dell’Acqua等人，2026；Deepa等人，2024）。此外，现有的创新研究往往将创新绩效视为一个统一的指标，未能明确由生成式人工智能支撑的知识能力对创新数量和质量的贡献是否存在差异（Kogan等人，2017；Valentini，2012）。

基于上述研究缺口，本研究旨在探讨企业应用生成式人工智能是否会对创新数量和质量产生不同影响，其作用机制是什么，以及在何种组织和外部条件下会产生这样的影响。研究以2018年至2024年间的中国A股上市公司为研究对象，分析生成式人工智能应用与创新数量、质量之间的差异化关系，以及影响这些关系的机制和条件。本研究主要基于基于知识的观点，将生成式人工智能视为一种能够改变企业知识获取、重组和表达方式的技术，进而研究由此产生的知识优势是如何不同地转化为创新数量和质量的。

实证研究表明，生成式人工智能的应用显著提升了企业的创新数量。机制检验进一步表明，这一效应主要是通过降低创新门槛、减轻创新成本负担以及缩短创新周期实现的，这说明生成式人工智能最直接的贡献在于提高了创新活动的可及性和产出效率。相比之下，在研究期间，生成式人工智能的应用尚未显著提升创新质量，这表明通过生成式人工智能实现的知识生成、整合和重组难以直接转化为更高品质的创新成果。异质性分析还显示，要实现创新质量的提升，需要具备足够的配套条件；如果这些条件不足，或者企业过度依赖生成式人工智能的输出，那么在特定环境下可能会出现负面的质量影响。

本研究从四个方面为相关文献做出了贡献。首先，本研究通过区分创新数量与质量，并从基于知识的观点出发解释它们对生成式人工智能的不同反应，从而对现有关于生成式人工智能与企业创新的研究进行了更细致的拓展。生成式人工智能扩大了企业可获取的知识范围，提升了知识搜索、生成、表达和重组的效率，使得这些知识优势能更便捷地转化为更多的创新成果。不过，更高品质的创新需要更深入的转化过程，即通过生成式人工智能生成和获取的知识必须经过评估、吸收、情境化处理，并与企业特定的技术和隐性知识相整合。这样的知识转化对专业判断、配套条件以及组织适应能力的要求更高，可能需要更长的时间才能产生可观察到的成果。其次，本研究明确了生成式人工智能影响企业创新的机制和边界条件。机制检验表明，生成式人工智能之所以能提升创新数量，部分原因在于它降低了创新门槛、减轻了创新成本负担，并缩短了创新周期。异质性分析进一步指出，要将生成式人工智能生成和获取的知识转化为更高品质的创新，需要企业拥有充足的资源、专业技能、组织能力以及良好的外部环境支持。第三，本研究改进了生成式人工智能应用和创新质量的测量方法。它构建了一个四维领域的专用生成式人工智能词汇表，并将其应用于投资者问答文本，以此衡量企业层面的生成式人工智能应用强度。同时，它还将专利语义新颖性与专利影响力相结合，用于衡量创新质量，从而同时反映企业创新的独特性和外部认可度。第四，本研究为中国背景下的生成式人工智能与企业创新研究提供了更多证据。在中国，企业普遍具有积极的专利申请行为，同时也面临着不断提升创新成果的压力。这一背景有助于研究生成式人工智能是主要推动创新产出的增长，还是有助于实现创新质量的实质性提升。这些研究结果加深了人们对生成式人工智能创新意义的理解，也为企业在创新活动中应用生成式人工智能提供了实用指导。

本文的其余结构如下：第二部分回顾了有关生成式人工智能与企业创新的相关文献，构建了理论框架，并提出了研究假设；第三部分详细介绍了研究设计及变量构建方法；第四部分展示了实证结果、机制检验以及一系列扩展分析和稳健性检验；第五部分总结了主要结论，并提出了相关的政策建议。王明月：写作——审稿与编辑、项目管理、调研、资金筹措、概念构思。参考文献：Aghion和Howitt，1992年；Ananthraman等人，2023年；Camilleri，2024年；Du等人，2026年；Füller等人，2024年；Grant，1996年；Nonaka，1994年；Yang，2022年。利益冲突声明：? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢：本研究部分得到了中国国家自然科学基金项目（编号72204247）的支持，以及中国科学院发展研究院青年基金项目（编号E3x1881Q）的资助。罗阳阳是华北电力大学经济管理学院讲师及硕士生导师，拥有管理学博士学位。她的研究方向为人工智能与企业创新。她主持并参与了多项国家级和省级科研项目，在国内外高水平学术期刊上发表论文十余篇。罗阳阳|侯玉清|李巧初|王明月，华北电力大学经济管理学院，中国北京102206。