生成式人工智能对创新的影响：来自软件产品的证据

《STRATEGIC MANAGEMENT JOURNAL》：The impact of generative artificial intelligence on innovation: Evidence from software products

　　

研究摘要：研究人员研究了生成式人工智能（GAI）工具在软件产品情境下对产品层面创新成果的影响。具体而言，研究人员阐明了GAI如何通过将开发者的活动从代际创新转向原创性创新来改变创新方向，其中原创性创新可能对市场而言是新的，但并不一定比此前的创新更具新颖性。研究人员认为，这种转变是由GAI在软件产品的构思与实施两个阶段促进任务的能力所驱动的，这使得部分开发者能够创造出此前超出其能力范围的软件产品，同时使其他开发者能够根据不同活动重新配置其精力投入。研究人员在浏览器附加组件情境中进行的分析为上述论点提供了经验证据。研究人员讨论了本研究对创新研究的意义以及研究结论向其他领域的推广性。

管理总结：生成式AI工具正在改变组织的创新方式。研究人员通过研究Firefox浏览器附加组件生态系统发现，在ChatGPT发布后，新附加组件的数量增加了34%，这一增长由既有开发者和首次开发者共同推动。然而，开发者同时将对其既有附加组件的改进减少了20%，将精力转向新项目。尽管新附加组件涉及更广泛的知识领域，但它们与已有产品相比并未发生实质性差异。这表明生成式AI帮助开发者高效地整合既有知识，而非产生真正新颖的想法。对于平台管理者和商业领袖而言，这些发现强调，尽管生成式AI能够 democratize 产品创造并加速新产品发布，但仍可能需要新的策略来维持产品质量并鼓励真正的创新。

生成式人工智能对创新的影响：来自软件产品的证据

一、研究背景与问题

创新通常被理解为包含两个主要阶段的过程：构思（ideation）阶段，创新者在此阶段搜索想法或机会；实施（implementation）阶段，创新者将想法转化为实际产品。在软件产品开发情境下，构思阶段涉及开发者生成产品创意，可能包含新功能或对既有软件产品功能的重组；实施阶段则主要涉及开发者将想法编写为实际计算机代码。创新活动的总体方向（或轨迹）由创新者开发的产品类型所塑造，创新者通常需要在将资源分配给原创性创新（如新产品）与改进既有产品（即代际创新）之间做出权衡。

生成式人工智能（GAI），特别是大语言模型（LLMs），正在重塑创新过程中的任务执行经济学。与传统的预测性人工智能（PAI）不同，GAI不仅能够处理和分析海量数据，还能跨领域整合信息，生成此前未曾设想过的想法和概念，并能将想法转化为包括文本、图像或计算机代码在内的切实成果。GAI因此被描述为“发明之发明”（invention that makes inventions, IMI），即一种不仅提高生产或创新效率，而且通过支持创新的构思和实施阶段来改变创新本身方法的技术。然而，以往研究主要集中于GAI在特定任务上对人类能力的补充或替代效应，对于这些任务层面的效应如何转化为创新者在实际产品组合层面的资源配置决策，以及GAI如何影响创新的整体方向，仍缺乏深入了解。本研究旨在填补这一空白，以软件产品为背景，考察GAI工具对产品层面创新成果的影响。

二、研究内容与主要结论

研究人员利用Mozilla公司开发的Firefox浏览器附加组件平台数据，围绕ChatGPT的发布这一准自然实验，采用面板差异（panel differences, PD）方法研究了GAI对软件产品创新的影响。研究样本涵盖2021年6月至2023年5月期间Firefox附加组件生态系统的完整数据，包括31,265个附加组件的信息，并辅以对33名Firefox开发者的探索性调查数据。

研究发现：第一，ChatGPT发布后，新浏览器附加组件的引入数量增加了34.4%，且这一增长既来自既有开发者，也来自新进入的开发者，表明GAI降低了进入壁垒，拓宽了创新来源。第二，新增附加组件倾向于覆盖更多类别（category count 增加），但其与既有产品的文本相似度并未显著下降，即产品的“原创性”提高但“新颖性”未同步提升。第三，既有附加组件的更新率下降了20.3%，表明开发者将精力从代际创新（产品改进）转向原创性创新（新产品开发）。第四，新增附加组件的质量（以用户评分为衡量）未出现下降，排除了新手开发者涌入导致质量滑坡的担忧。

三、关键研究方法

本研究主要采用了以下技术方法：
1. 面板差异（PD）估计方法：不同于传统双重差分（DiD）设计中采用同期未受处理组吸收时间效应，PD方法使用上一年同月作为对照组，通过比较2022年6月至2023年5月（处理期）与2021年6月至2022年5月（控制期）在ChatGPT发布前后（2022年11月为分界点）的创新活动差异来识别因果效应。该方法依赖平行趋势假设、处理外生性假设和稳定单元处理值假设。
2. 多种回归模型：在类别层面采用普通最小二乘（OLS）、对数OLS（log-OLS）和泊松（Poisson）回归；在附加组件层面采用OLS、log-OLS、Poisson和Logit模型，并通过固定效应控制类别（或附加组件）与处理组的交互固定效应以及月份固定效应。
3. 新颖性度量：使用潜在语义索引（Latent Semantic Indexing, LSI）相似度评分衡量新附加组件与此前产品的文本相似性，并采用“中性化文本”以消除GAI辅助文本生成的风格差异影响。
4. 辅助工具：使用archive.org捕获研究时间窗口内所有附加组件更新记录，确保数据完整性；采用Python脚本对附加组件描述进行关键词匹配以识别AI相关附加组件，并使用ChatGPT Chat Completion模型对附加组件是否与AI相关进行分类，用于排除需求侧解释。
5. 定性方法：对附加组件开发者进行访谈，并结合33名Firefox开发者的定量调查问卷，涵盖GAI在构思、实施、开发时间线和竞争环境方面的感知影响。

四、研究结果详解

（一）新增附加组件的数量（验证假设1）
基于类别层面PD分析，Post×Treatment系数在OLS模型中为7.366（p=.001），在log-OLS模型中为0.295（p=.0003），对应约34.4%的新增附加组件数量增长；Poisson模型系数为0.248（p<.0001），对应约28.2%的预期数量增长。事件研究法的前置系数接近零（F=0.05, p=.82），支持平行趋势假设。调查数据表明，GAI在构思和实施阶段均发挥重要作用：81.8%的开发者使用GAI进行构思，97%的开发者使用GAI编写代码，且自报项目完成时间从数月缩短至数周。

（二）新开发者引入的附加组件（验证假设2）
新开发者引入的新增附加组件数量显著增加（OLS系数5.964，p=.002），且与既有开发者相比，两组间增长幅度无显著差异（交互项Post×Treatment×Existing不显著），说明增长同时来自密集边际（既有开发者产出更多）和扩展边际（新开发者进入）。调查显示，69.7%的开发者认为GAI降低了进入附加组件市场的门槛，经验较少的开发者对此认同更强。新开发者引入产品的质量（以30天平均评分衡量）未显著下降，排除了质量稀释担忧。

（三）既有产品更新的减少（验证假设3）
在附加组件-月份层面的分析中，Post×Treatment对更新数量的OLS系数为-0.0909（p<.001），log-OLS系数为-0.0481，对应约4.69%的更新减少；Poisson系数为-0.226，对应约20.3%的预期更新次数减少。事件研究图显示处理前系数接近零，处理后显著为负。主要更新（major updates）未受显著影响，但次要更新（minor updates）显著减少（Poisson系数-0.279，p<.0001），表明开发者减少的是低价值修补工作。异质性分析发现，用户基础较大的附加组件其更新减少幅度较弱，表明竞争性价值调节了资源分配决策。

（四）知识领域范围的扩展（验证假设4）
新引入附加组件覆盖的平均类别数显著增加（β=0.057，p=.024），表明GAI帮助开发者整合更广泛的知识领域。然而，LSI相似度得分未显著下降（β=0.0070，p=.111），中性化文本的相似度甚至略有上升（β=0.0069，p=.042），说明新产品的知识组合范围更广，但并未比既有产品更具新颖性，支持“高效重组”机制——开发者以更低认知和资源成本获取并组合多样领域知识，但并未进入完全未知的知识领域。

五、讨论与结论

本研究的讨论部分指出：第一，以往AI研究多集中于预测性AI的特定任务效应，本研究揭示了GAI如何通过任务层面的补充或替代效应引发创新者资源的整体再配置，从而改变创新轨迹。第二，GAI作为“发明之发明”，其影响不同于传统通用目的技术（GPT）的滞后效应，能够立即作用于创新的方向和类型。第三，研究结果对“GAI是支持既有知识利用还是促进探索性创新”的争论提供了新证据：GAI促进更多原创产品开发，但这些产品不一定更新颖。第四，研究还涉及平台治理与政策启示：平台管理者需要调整推荐算法以应对新产品激增，并考虑通过激励措施鼓励开发者维护既有产品；政策制定者需关注产品重复性和潜在效率损失问题。

研究结论部分（对应原文DISCUSSION开头）总结为：研究人员研究了GAI工具在软件产品情境下对产品层面创新成果的影响，认为GAI协助开发者进行产品构思和实施的能力，使部分开发者能够创造此前超出其能力范围的软件产品，同时使其他开发者重新配置不同活动类型的精力。这不仅提高了创新速率，还影响了开发者创造的产品类型，并最终改变了创新的整体方向。基于ChatGPT引入Firefox附加组件生态系统的研究发现，新附加组件数量激增34.4%，源自既有开发者与新手开发者的共同贡献；原创附加组件覆盖更多类别，但其新颖性未显著提升；同时既有附加组件的更新率下降20.3%。对33位Firefox开发者的调查数据为上述理论机制提供了支持。