《Decision Support Systems》：The rise of AI-enabled new product ideation: End of innovation crowdsourcing?
编辑推荐：
摘要创新众包已成为新产品开发中创造力的重要来源，它利用多元的人类视角和隐性知识来产生新颖的想法。生成式AI的迅速崛起，其能力接近人类的创造力，对传统人类众包的价值提出了挑战，促使企业重新思考如何获取创新创意。基于冯·希佩尔（von Hippel）的用户创新理论和知识粘性概念，
摘要
创新众包已成为新产品开发中创造力的重要来源，它利用多元的人类视角和隐性知识来产生新颖的想法。生成式AI的迅速崛起，其能力接近人类的创造力，对传统人类众包的价值提出了挑战，促使企业重新思考如何获取创新创意。基于冯·希佩尔（von Hippel）的用户创新理论和知识粘性概念，我们理论化了AI可构想特征与众包可构想特征在需求明确化和需求满足化方面的影响差异，并识别了塑造生成式AI相对有效性的两个边界条件。实证研究发现，AI可构想特征对需求明确化和需求满足化均有正向影响，但其影响具有条件性。技术复杂性放大了AI可构想性对需求明确化的正向效应，反映了生成式AI在综合显性技术知识方面的优势。相比之下，痛点特异性削弱了AI可构想性对需求满足化的正向效应，表明生成式AI在获取支撑用户痛点解决方案的隐性、具身体验知识方面存在局限性。这些发现推进了对生成式AI在创新众包中作用的情境化理解，并为寻求整合AI辅助与人类驱动创意的企业提供了指导。
引言
生成式人工智能（GenAI）能否真正近似人类的创造力？这个问题已不再是纯理论探讨。Midjourney和DALL-E等生成式AI工具已展现出从简单文本提示跨领域生成高质量输出的能力，涵盖音乐、艺术、写作和软件等领域——这些领域长期以来被视为人类创造力的专属领域[1], [2]。对于组织而言，通过生成式AI实现可扩展、成本效益高的创意产出具有明显吸引力，尤其是在新产品开发中，企业一直依赖人类群体的智慧。
创新众包——利用传统企业边界之外的外部实体创意来实现创新——一直是新产品开发中的主要方法[3]。让大量非专业个体参与已被证明对于寻求为新产品注入创意的企业是有效的。众包成员的多样化背景、文化和专业知识引入了多种视角，产生了比企业内部产生的更加原创和非传统的想法[4]。跨各种情境的研究支持了众包创意因其异质性而产生更具创新性和商业可行性的产品这一观点[5], [6], [7]。然而，随着生成式AI能力的进步，它对这种既定的有效性提出了挑战，引发了一个根本性问题：在什么情境下、在多大程度上，生成式AI赋能的创意能够实现类似的价值主张？
本研究的主要目标是理论化和实证地探索生成式AI生成的新产品特征的价值主张。借鉴冯·希佩尔的理论[8]，我们探讨了生成式AI在多大程度上能够近似众包在需求明确化——即识别需求并转化为其独特市场地位并赢得溢价价格的能力——和需求满足化——即产品满足用户需求程度，如产品评分所示——方面的表现。冯·希佩尔的核心论点是，创新往往发生在粘性知识所在之处，因为转移这些知识的摩擦使其在源头进行创新更加高效。对于AI可构想的产品创意要近似众包可构想创意的价值，生成式AI必须能够获取或复制使人类众包有价值的那类知识。然而，关键的是，并非所有与产品创新相关的知识都具有相同的粘性程度——知识粘性的这种异质性恰恰塑造了生成式AI创意更有效或更不有效的条件。
我们识别了两个理论上合理的知识粘性维度，它们调节AI可构想与众包可构想产品特征的相对有效性。第一个维度是用户痛点特异性——即产品特征在多大程度上解决了用户在个人或专业中遇到的特定痛点。人类众包成员亲自体验过这些痛点，因此能够独特地将它们转化为有意义的产品创意。相比之下，生成式AI缺乏体验不适或挫折感的具身经历——它无法体验笨拙的工作流程，也无法直觉地把握未被满足需求的情感分量。这引发了一个问题：市场是否确实奖励这种情境化的人类知识，以及AI能否近似痛点特异性较高的领域。
第二个维度是
技术复杂性——即产品特征在构想和实施过程中在多大程度上需要专业化的、领域特定的技术知识。技术知识在冯·希佩尔意义上也可以具有粘性，因为它在新情境中获取和应用成本高昂。然而，其中很大一部分已被广泛记录在论文、代码库和结构化数据集中——这些正是大语言模型训练的语料库——这表明生成式AI可能更具优势来综合和重组这些知识。与此同时，拥有深厚技术专长的人类众包成员可能会带来超越训练数据所能捕获的应用性和情境特定判断。因此，高技术复杂性最终是缩小还是扩大了AI可构想与众包可构想创意在市场中的差距，仍然是一个开放性问题。总之，本研究旨在回答以下问题：
RQ1
AI可构想与众包可构想的产品特征如何影响市场中的需求明确化和需求满足化？
RQ2
用户痛点特异性如何调节AI可构想性在多大程度上接近众包可构想性来推动产品成功？
RQ3
技术复杂性如何调节AI可构想性在多大程度上接近众包可构想性来推动产品成功？
我们在一项涉及3536个在AppExchange平台上发布的应用的实证研究中检验了关于AI可构想产品特征及其与众包可构想特征相比的相对优势和局限性的理论。借助深度学习领域的最新进展，我们捕获了应用特征文本描述的语义嵌入，以严格比较其与众包创意和生成式AI生成的假设新应用创意的相似性。
我们的分析得出三个主要发现。第一，AI可构想特征对溢价价格和应用程序评分均有正向影响。第二，痛点特异性负向调节了AI可构想性对应用程序评分的效应，揭示了生成式AI在隐性、体验性知识最为重要的领域中的局限性。第三，技术复杂性显著放大了AI可构想性对溢价价格的效应，表明生成式AI在需要综合显性技术知识的高复杂性情境中具有相对优势。这些发现共同强调了AI可构想与众包可构想特征之间的绩效差异，以及生成式AI展现相对优势和局限性的条件。通过考察生成式AI在创新众包中的角色，本研究推进了对企业如何有效整合AI辅助与人类驱动创意于其创新战略中的全面理解。
章节摘要
生成式AI在创新众包中的角色
生成式AI作为创意工具的出现，促使越来越多的研究开始考察其为传统上由人类创造力主导的创新流程做出贡献的潜力。该领域的早期工作主要集中在评估生成式AI的创意输出相对于人类基准的表现。采用既定创造力评估工具（如替代用途任务和发散思维测试）的研究发现，大语言模型能够产生与人类评分相当、在某些情况下甚至更
众包可构想性与新产品创意成功
首先，我们将产品特征的可构想性定义为一个给定实体构思出该产品特征的似然性。具体而言，AI可构想性指的是AI可能构思出的产品特征，而众包可构想性指的是人类众包可以集体生成的特征。表2总结了这两个构念与冯·希佩尔创新理论核心要点的概念映射。
我们提出众包可构想性与正向
实证情境
我们的实证情境结合了Salesforce的两个平台：IdeaExchange和AppExchange。IdeaExchange是一个用户创新社区，Salesforce用户在其中提出和讨论新的CRM功能；而AppExchange是一个第三方应用市场，用于扩展Salesforce功能。这两个平台共同提供了互补的创意和产品市场环境，已被广泛应用于先前的众包研究中[33], [34], [35]。
我们收集了三个
AI与人工生成创意的语义差异
我们首先评估了AI生成和众包生成创意的语义结构。使用SBERT模型，我们从两种创意来源的文本描述中提取了768维语义嵌入，并评估了它们的聚类特性。分析得出了整体轮廓系数为0.434（AI = 0.460；众包 = 0.412）。簇间欧氏距离均值（76.63）约为AI生成（38.59）和
理论贡献
本研究对文献做出了三个理论贡献。第一，我们通过确立生成式AI赋能创意的市场层面价值主张，解决了创新众包文献中一个紧迫但尚未充分探索的问题。现有众包文献主要将其核心问题框定为众包贡献者与内部专家之间的比较[5], [6], [7]，而未解决一个紧迫的当代问题：随着生成式AI作为可扩展替代方案的出现
CRediT作者贡献声明
Heeseung Lee： 撰写——审阅与编辑，撰写——原始草稿，可视化，验证，方法论，形式分析，数据整理，概念化。Likoebe Maruping： 撰写——审阅与编辑，撰写——原始草稿，概念化。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
Heeseung Lee是加州州立大学奇科分校商学院信息系统助理教授。他获得了佐治亚州立大学计算机信息系统博士学位。他的研究兴趣包括基于众包的数字平台经济学、数字化赋能的创新与创业以及深度学习。
Heeseung Lee | Likoebe Maruping
加州州立大学奇科分校商学院，加利福尼亚州奇科市第一街西400号，邮编95929，美国
