《Frontiers in Artificial Intelligence》：An empirical study of augmented analytics adoption and its impact on firms’ agility through AI-based models
编辑推荐：
摘要：增强分析（Augmented Analytics）将人工智能（Artificial Intelligence, AI）、机器学习（Machine Learning, ML）和自然语言处理（Natural Language Processing, NLP）
摘要：增强分析（Augmented Analytics）将人工智能（Artificial Intelligence, AI）、机器学习（Machine Learning, ML）和自然语言处理（Natural Language Processing, NLP）与商业分析相结合，扩展了传统分析的功能。然而，不同组织在采用这些技术并从中获取价值的能力上存在显著差异。本研究探讨了与增强分析采用相关的组织条件，以及企业敏捷性（Firm Agility）在连接采用与竞争优势之间所扮演的角色。研究所提出的模型基于任务-技术匹配（Task-Technology Fit, TTF）、资源基础观（Resource-Based View, RBV）和动态能力理论（Dynamic Capability Theory），将六个资源-技术匹配维度作为增强分析采用的前因，并检验企业敏捷性作为中介变量的作用。研究人员采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM），对来自约旦多个行业287名受访者的最终分析样本数据进行了分析。研究结果表明，各匹配维度对采用的影响并不相同，其中数据、个体、文化和分析能力匹配显示出最清晰的相关关系。结果还显示，增强分析采用与竞争优势之间的关系主要通过企业敏捷性发挥作用。因此，该研究认为增强分析的价值不仅取决于技术的采用，还取决于组织资源的协调一致，以及利用分析洞察来支持及时的组织响应。
一、研究背景与问题提出
在数据驱动决策日益重要的商业环境中，增强分析（Augmented Analytics）通过将人工智能（Artificial Intelligence, AI）、机器学习（Machine Learning, ML）和自然语言处理（Natural Language Processing, NLP）融入传统分析流程，实现了数据分析过程的自动化与智能化增强。然而，实践中许多组织的分析项目面临数据准备困难、解释偏差和分析技能人才短缺等问题，采用增强分析不仅是技术挑战，更是组织层面的挑战。现有研究多聚焦于技术功能本身，较少系统性地考察组织资源与技术的匹配程度如何影响采用，以及采用后价值通过何种机制实现。本研究整合任务-技术匹配（Task-Technology Fit, TTF）、资源基础观（Resource-Based View, RBV）和动态能力理论（Dynamic Capability Theory），构建了一个从资源-技术匹配到增强分析采用，再到企业敏捷性，最终影响竞争优势的理论链条，旨在揭示增强分析采用的组织前因及价值转化机制。
二、研究设计与核心结论
研究人员以约旦多个行业的专业人士为研究对象，采用有目的的非概率抽样策略，通过纸质和数字问卷结合的方式收集数据。在发放的500份问卷中回收307份，经筛选后获得287份有效样本，有效回收率为93.5%。样本覆盖服务、教育、金融、通信、零售等多个行业，受访者包括数据分析师、商业智能专家、数据工程师、AI/ML从业者、IT管理者及业务用户等角色。研究人员采用偏最小二乘结构方程模型（PLS-SEM）检验测量模型和结构模型，通过自助抽样法（500次重复抽样）估计路径系数的显著性，并使用偏差校正与加速（Bias-Corrected and Accelerated, BCa）置信区间判断假设是否成立。同时，研究人员通过全共线性方差膨胀因子（VIF）诊断共同方法偏差，采用盲分法（blindfolding）计算预测相关性指标Q2。
研究得出以下主要结论：第一，六个资源-技术匹配维度中，数据-技术匹配、个体-技术匹配、文化-技术匹配和分析能力-技术匹配对增强分析采用有显著正向影响，而IT基础设施-技术匹配在置信区间规则下未获支持，任务-技术匹配的影响不显著。第二，增强分析采用对企业敏捷性有强正向影响（β=0.625），企业敏捷性对竞争优势有强正向影响（β=0.712），而增强分析采用对竞争优势的直接效应在置信区间规则下不显著。第三，企业敏捷性在增强分析采用与竞争优势之间起完全中介作用，间接效应为0.445，总效应为0.542。这些发现表明，增强分析的价值实现依赖于组织资源的协同配置，以及将分析洞察转化为及时组织响应的动态能力，而非单纯的技术部署。该研究为理解AI赋能分析技术的价值创造机制提供了理论与实证基础，对管理实践具有启示意义。
三、主要研究方法
研究人员采用了定量、理论驱动的设计。首先，基于文献综述和理论推演构建了包含六个资源-技术匹配维度、增强分析采用、企业敏捷性和竞争优势的理论模型。其次，通过结构化问卷收集横截面数据，问卷采用利克特量表测量各构念。增强分析采用被规范为形成性（formative）构念，其余构念为反射性（reflective）构念。数据分析采用PLS-SEM，分两阶段进行：先评估测量模型（包括收敛效度、区分效度和信度），再评估结构模型（包括路径系数、R2、效应量f2、中介效应和预测相关性Q2）。样本来源为约旦各行业的287名专业人士，采用有目的抽样以确保受访者对分析或商业智能工作有真实接触。
四、研究结果
（一）反射性测量模型评估
研究人员通过指标载荷和平均提取方差（Average Variance Extracted, AVE）评估收敛效度。结果显示，反射性指标的载荷介于0.703至0.861之间，AVE值介于0.588至0.691之间，均超过建议阈值，表明收敛效度良好。通过交叉载荷、Fornell-Larcker准则和异质-单质比率（Heterotrait-Monotrait Ratio, HTMT）评估区分效度。Fornell-Larcker准则得到满足，HTMT值大多低于0.90，但个体-技术匹配与任务-技术匹配之间的HTMT值达到0.902，数据-技术匹配与个体-技术匹配、数据-技术匹配与任务-技术匹配的HTMT值接近0.90，研究人员对这些构念对的区分效度持谨慎态度。信度方面，组合信度介于0.863至0.910之间，Cronbach's alpha介于0.769至0.883之间，表明内部一致性令人满意。
（二）AAA形成性测量模型评估
由于增强分析采用被规范为形成性构念，研究人员采用不同的评估逻辑，重点关注外部权重、显著性、共线性和外部载荷。四个形成性指标的外部权重介于0.268至0.367之间，均达到统计显著；外部载荷介于0.767至0.812之间；VIF值介于1.458至1.706之间。这些结果支持保留全部四个形成性指标。
（三）结构模型路径系数
结构模型评估显示，内部VIF值均低于3.0，不存在严重的预测变量共线性。在六个前因中，分析能力-技术匹配（β=0.219）、数据-技术匹配（β=0.188）、个体-技术匹配（β=0.150）和文化-技术匹配（β=0.141）对增强分析采用有显著正向影响；IT基础设施-技术匹配的系数为正但BCa 95%置信区间包含零，未被支持；任务-技术匹配的影响不显著。在下游路径中，增强分析采用对企业敏捷性有显著正向影响（β=0.625），企业敏捷性对竞争优势有显著正向影响（β=0.712），而增强分析采用对竞争优势的直接效应为正但BCa置信区间包含零，未被支持。
（四）中介分析
研究人员通过自助抽样检验了增强分析采用→企业敏捷性→竞争优势的间接效应。特定间接效应为0.445，BCa 95%置信区间为[0.373, 0.521]，排除零；直接效应为0.097，BCa区间为[-0.005, 0.179]，包含零。总效应为0.542，显著。这一模式指向间接-only中介（indirect-only mediation），即增强分析采用主要通过企业敏捷性对竞争优势产生影响。
（五）决定系数R2
模型解释了增强分析采用58.2%的方差（R2=0.582），企业敏捷性39.0%的方差（R2=0.390），竞争优势60.3%的方差（R2=0.603）。这表明模型对三个内生构念均具有较好的解释力，其中对企业敏捷性方差的解释相对较低，提示可能存在其他影响敏捷性的因素未被纳入模型。
（六）效应量f2
效应量f2显示，增强分析采用对企业敏捷性的效应为大效应（f2=0.641），企业敏捷性对竞争优势的效应同样为大效应（f2=0.779），而增强分析采用对竞争优势的直接效应可忽略不计（f2=0.014）。在前因中，分析能力-技术匹配和数据-技术匹配具有最大的增量效应，但均属于小效应范围。
（七）预测相关性Q2
通过盲分法以8为省略距离计算交叉验证冗余度，企业敏捷性的Q2为0.224，竞争优势的Q2为0.374，均大于零，表明两个反射性内生构念具有预测相关性。增强分析采用因被规范为形成性构念而未纳入Q2计算。
（八）共同方法偏差诊断
全共线性VIF值介于2.503至3.224之间，均低于3.3的阈值，表明不存在严重的全共线性共同方法偏差。但研究人员指出，由于所有变量均来自同一自我报告问卷，共同方法偏差仍不能被完全排除。
五、讨论与结论总结
在讨论部分，研究人员解释了研究结果的理论与实践意义。选择性而非统一的匹配维度结果，扩展了传统的T TF逻辑，表明增强分析采用依赖于多种组织资源的协同对齐，而非单一的任务功能匹配。IT基础设施匹配未获支持，提示基础设施可能是一种基础性或阈值性资源，一旦达到最低技术就绪水平，其增量影响便不再显著。任务匹配的不显著则表明，即使任务与技术在纸面上匹配良好，数据可靠性、用户能力和组织惯例仍可能阻碍实际使用。
关于动态能力，企业敏捷性在增强分析采用与竞争优势之间承担了核心中介角色，这一机制解释了为什么技术相似的投入可能带来不同的竞争结果。分析工具可以被竞争对手获取，但将洞察转化为快速感知、决策和重构的组织过程难以模仿。间接-only中介的发现将技术采用阶段与价值实现阶段连接起来，为AI赋能分析的价值创造提供了机制层面的解释。
在结论部分，研究人员指出，增强分析的组织价值是一个逐步累积的过程，而非一次采用决策即可达成的结果。在六个资源-技术匹配维度中，数据匹配、个体能力匹配、文化匹配和分析能力匹配与采用的关系最清晰，而任务-技术匹配和IT基础设施路径未通过BCa置信区间规则检验。仅具备技术就绪并不足够，采用更多地依赖于信息、人力、分析和文化资源的质量。核心结论是，增强分析采用与企业敏捷性密切相关，企业敏捷性与竞争优势密切相关，而采用对竞争优势的直接路径则不成立。被支持的间接效应表明，企业敏捷性是连接增强分析采用与竞争优势的主要机制。盲分法结果显示企业敏捷性和竞争优势均具有预测相关性。该研究的贡献在于将多维匹配（采用条件）、资源基础观（互补资源的重要性）和动态能力理论（采用通过敏捷性转化为组织价值）整合在一个理论模型中。未被支持的路径也增强了贡献的清晰度，表明仅靠匹配或仅靠技术采用都无法在不同组织中产生相同的成果。
