📈 economics

AI‑Powered Capabilities and Green New Product Development: The Dual and Asymmetric Mediating Roles of Green Exploratory and Exploitative

Gebaseerd op de theorie van dynamische capaciteiten en surveygegevens van 333 Chinese productiebedrijven, onthult deze studie dat door AI ondersteunde capaciteiten de ontwikkeling van groene nieuwe producten significant verbeteren via de dubbele bemiddelende rollen van groene exploratieve en exploitatieve processen, waarbij het exploratieve pad een significant sterker bemiddelend effect vertoont dan het exploitatieve pad.

Oorspronkelijke auteurs: Jun Zhou, JianHui Chen, ChengZi Liu, RongFu Zhan, JunFeng Cao, Tao Liu, DeYu Zhong

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jun Zhou, JianHui Chen, ChengZi Liu, RongFu Zhan, JunFeng Cao, Tao Liu, DeYu Zhong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: AI als de "Super-Scanner" voor Groene Uitvindingen

Stel je een productiebedrijf voor als een reusachtige chef die probeert een nieuw, gezond en milieuvriendelijk menu te creëren (Groene Nieuwe Productontwikkeling). In het verleden moest deze chef raden welke ingrediënten hij moest gebruiken of hoe hij ze moest bereiden.

Nu heeft deze chef een Super-Scanner (AI). Deze AI kan miljoenen datapunten bekijken—zoals weerpatronen, klachten van klanten over vervuiling of nieuwe overheidsregels—en direct trends opsporen.

De hoofdvraag die dit artikel stelt is: Zorgt het hebben van deze Super-Scanner er automatisch voor dat de chef betere groene gerechten maakt?

Het antwoord is ja, maar niet direct. De AI kookt het gerecht niet zelf. In plaats daarvan geeft de AI de chef twee verschillende manieren om te werken:

De "Ontdekkende" Chef: Iemand die de AI gebruikt om volledig nieuwe ingrediënten te vinden en nog nooit eerder vertoonde recepten uit te vinden.
De "Optimaliserende" Chef: Iemand die de AI gebruikt om de bestaande recepten sneller te laten koken, minder water te laten verbruiken en een consistenter smaak te geven.

Dit onderzoek heeft geconstateerd dat hoewel beide chefs het restaurant helpen te laten slagen, de "Ontdekkende" Chef veel betere resultaten boekt bij het gebruik van AI.

De Twee Manieren waarop AI Helpt (De Mediators)

De onderzoekers keken naar hoe de AI het bedrijf daadwerkelijk helpt. Ze vonden twee duidelijke "paden" of "routines":

1. Groene Exploratie (De "Schatzoeker")

Wat het is: Dit gaat over het zoeken naar dingen die je nog nooit eerder hebt gezien. Het is riskant. Het gaat over de vraag: "Wat als we een auto maken van paddenstoelenleer?"
Hoe AI helpt: De AI werkt als een metaaldetector in een uitgestrekte woestijn. Het vindt kleine, verborgen signalen (zoals een nieuwe trend in milieuvriendelijke verpakkingen) die een mens zou missen. Het verlaagt de angst om iets nieuws te proberen, omdat de AI het resultaat kan simuleren voordat je echt geld uitgeeft.
De claim van het artikel: De AI is echt goed in het helpen van bedrijven om deze nieuwe, radicale ideeën te vinden.

2. Groene Exploitatie (De "Efficiëntie-expert")

Wat het is: Dit gaat over het nemen van wat je al hebt en het iets beter maken. Het gaat om de vraag: "Hoe kunnen we onze huidige zonnepanelen 5% goedkoper produceren?"
Hoe AI helpt: De AI werkt als een precisie-monteur. Het past de assemblagelijn aan, herstelt kleine fouten en zorgt ervoor dat het recyclingproces soepel verloopt.
De claim van het artikel: De AI helpt hier ook bij, maar het is meer een standaard hulpmiddel dat simpelweg zorgt dat de zaken soepeler verlopen.

De Grote Verrassing: De "Ontdekker" Wint

De belangrijkste bevinding van dit artikel is wat de onderzoekers "Asymmetrische Mediatie" noemen.

Denk er als volgt over:

Als je een zaklamp (AI) geeft aan een Schatzoeker (Ontdekker), kan hij een diamant vinden die hij in het donker nooit had gezien. De zaklamp verandert alles voor hem.
Als je diezelfde zaklamp geeft aan een Monteur (Optimaliseerder) die al in een goed verlichte werkplaats werkt, helpt het hem om beter te zien, maar hij deed al een goed werk. De zaklamp is nuttig, maar het verandert zijn leven niet zozeel.

Het Resultaat: De studie vond dat het "Schatzoeker"-pad (Exploratie) significant sterker is dan het "Monteur"-pad (Exploitatie).

Het vermogen van de AI om nieuwe kansen op te sporen (Sensing) is haar superkracht.
Het vermogen van de AI om zaken simpelweg sneller te maken (Optimalisatie) is goed, maar dat is niet de belangrijkste reden waarom bedrijven grote groene doorbraken beleven.

In cijfers: Het "Ontdekker"-pad verklaarde ongeveer 23% van het succes, terwijl het "Optimaliseerder"-pad ongeveer 16% verklaarde. Het "Ontdekker"-pad was de duidelijke winnaar.

Waarom Gebeurt Dit? (De Drie Redenen)

Het artikel geeft drie redenen waarom de AI de "Ontdekker" veel meer helpt dan de "Optimaliseerder":

Het Onzichtbare Vinden: AI is geweldig in het opsporen van vreemde patronen in enorme hoeveelheden data. Dit is precies wat een "Ontdekker" nodig heeft om nieuwe ideeën te vinden. Een "Optimaliseerder" hoeft alleen maar een regel te volgen, wat ook makkelijker door mensen te doen is.
Het Risico op Falen Verlagen: Het proberen van nieuwe groene ideeën is eng en duur. AI kan duizenden virtuele simulaties draaien om te zeggen: "Dit idee zou kunnen werken," wat bedrijven de moed geeft om het toch te proberen. Deze "moed-boost" is enorm voor exploratie, maar minder cruciaal voor het aanpassen van bestaande producten.
De Eerste Zijn: In de groene markt is het veel geld waard om de eerste te zijn die een nieuw ecologisch product uitvindt. AI helpt je om daar als eerste te zijn. Het simpelweg goedkoper maken van een oud product (Optimalisatie) geeft je niet diezelfde "first-mover advantage".

Wat Moeten Bedrijven Doen? (De Conclusie)

Gebaseerd alleen op wat dit artikel zegt, is dit het advies voor managers:

Koop geen AI enkel om geld te besparen op de assemblagelijn. Hoewel dat fijn is, is dat niet het krachtigste gebruik van de technologie voor groene innovatie.
Koop AI om nieuwe ideeën te vinden. Investeer in tools die je helpen de markt te scannen voor nieuwe trends, voorspellen wat klanten als volgende willen hebben en radicale nieuwe productontwerpen te simuleren.
Zoek de balans, maar neig naar het nieuwe. Je moet nog steeds je huidige producten verbeteren (Exploitatie), maar als je beperkte middelen hebt, besteed dan meer aan de "Schatzoek"-kant (Exploratie), omdat de AI dat pad veel effectiever maakt.

Samenvatting

Dit artikel is als een kaart die laat zien dat hoewel AI een nuttig hulpmiddel is voor zowel het oplossen van oude problemen als het uitvinden van nieuwe, het een toverstaf is voor uitvindingen. Als je geweldige nieuwe groene producten wilt creëren, moet je AI gebruiken om je te helpen het onbekende te verkennen, en niet alleen om het bekende op te poetsen.

Technische Samenvatting: AI-gestuurde Capaciteiten en Groene Nieuwe Productontwikkeling

Probleemstelling en Onderzoeksgaten
De convergentie van kunstmatige intelligentie (AI) en milieuvriendelijke duurzaamheid vormt een kritieke grens in innovatiemanagement, maar de mechanismen waarmee AI-capaciteiten vertalen naar Groene Nieuwe Productontwikkeling (Groene NPD) blijven theoretisch onderontwikkeld. Hoewel eerder onderzoek zich grotendeels heeft gericht op directe prestatieresultaten (bijv. kostenbesparingen, efficiëntie), behandelt het AI vaak als een geïsoleerde technologische input, waarbij de interne organisatorische routines die AI-gegenereerde inzichten omzetten in tastbare productresultaten over het hoofd worden gezien. Deze studie identificeert drie specifieke hiaten in de literatuur:

De Mediatie Black Box: Bestaande studies ontleden zelden de procesarchitecturen waarlangs AI Groene NPD beïnvloedt, waarbij impliciet wordt aangenomen dat voordelen materialiseren zonder organisatorische tussenkomst.
Ondifferentiatie van Innovatiemodi: Onderzoek faalt vaak in het onderscheiden tussen groene exploratieve (zoeken, ontdekken, radicale nieuwheid) en groene exploitatieve (verfijning, efficiëntie, incrementele verbetering) innovatieactiviteiten, ondanks hun uiteenlopende operationele vereisten.
Ongeexamineerde Asymmetrie: Zelfs wanneer meerdere mediatoren worden overwogen, gaan studies doorgaans uit van symmetrische effecten. Dit artikel stelt de vraag of de specifieke capaciteiten van AI (patroonherkenning, onzekerheidsreductie) één mediatiepad aanzienlijk sterker kunnen maken dan het andere.

Theoretisch Kader en Hypothesen
Geworteld in de Dynamic Capabilities Theory (DCT), stelt de studie dat AI-gestuurde capaciteiten niet direct Groene NPD aansturen, maar eerder fungeren als een katalysator voor specifieke adaptieve processen. Het kader maakt onderscheid tussen:

Groene Exploratie: Een op sensing gebaseerd proces waarbij AI de kansidentificatie en de ontdekking van nieuwe koolstofarme trajecten versterkt.
Groene Exploitatie: Een op seizing/transforming gebaseerd proces waarbij AI de uitvoering optimaliseert, bestaande groene technologieën verfijnt en de procesefficiëntie verbetert.

De studie stelt een duaal mediatie-model voor met een asymmetrische hypothese:

H1a & H1b: Zowel groene exploratie als groene exploitatie mediëren de positieve relatie tussen AI-gestuurde capaciteiten en Groene NPD.
H1c (Asymmetrie): Het mediatie-effect van groene exploratie is significant sterker dan dat van groene exploitatie. Dit wordt theoretisch onderbouwd door het comparatieve voordeel van AI in het versterken van sensing, het disproportionele vermogen om de hoge onzekerheid die gepaard gaat met radicale innovatie te verminderen, en de strategische waarde van first-mover voordelen in volatiele koolstofarme markten.

Methodologie

Dataverzameling: De studie maakte gebruik van cross-sectionale enquêtegegevens van 333 productiebedrijven in China verspreid over vijf hoog-prioritaire sectoren: elektronica/halfgeleiders, automotive, machinerie, farmaceutica/medische hulpmiddelen, en huishoudelijke apparatuur/consumentenelektronica.
Steekproefcriteria: Bedrijven werden geselecteerd op basis van hun implementatie van Groene NPD-praktijken en de adoptie van AI-technologieën voor koolstofarme operaties of besluitvorming.
Metingen: Constructen werden gemeten met behulp van multi-item schalen aangepast van gevestigde literatuur (bijv. Gupta et al., 2023; Singh et al., 2024) op een 7-punts Likert-schaal. Belangrijke variabelen waren AI-gestuurde capaciteiten, groene exploratie, groene exploitatie en Groene NPD-prestaties. Controle variabelen waren onder meer industriële sector, leeftijd van het bedrijf, grootte, AI-investeringen en ISO 14001-certificering.
Analyse: De studie maakte gebruik van hiërarchische regressie en gebootstrapt mediatie-analyse (PROCESS Model 4 met 5.000 resamples) om hypothesen te testen. Common method bias werd beoordeeld via de Harman's single-factor test en CFA-vergelijkingen, terwijl non-respons bias werd gecontroleerd door vroege en late respondenten te vergelijken.

Belangrijkste Resultaten

Duale Mediatie Bevestigd: Zowel groene exploratie als groene exploitatie mediëren significant de relatie tussen AI-gestuurde capaciteiten en Groene NPD.
- AI-capaciteiten voorspellen groene exploratie positief ( $\beta = 0,624, p < 0,001$ ) en groene exploitatie positief ( $\beta = 0,578, p < 0,001$ ).
- Beide mediatoren voorspellen Groene NPD positief ( $\beta_{exploratory} = 0,375, p < 0,001$ ; $\beta_{exploitative} = 0,289, p < 0,001$ ).
Asymmetrische Mediatie: Het indirecte effect via groene exploratie is significant sterker dan via groene exploitatie.
- Indirect effect (Exploratory): $\beta = 0,234$ , 95% CI [0,139, 0,354].
- Indirect effect (Exploitative): $\beta = 0,167$ , 95% CI [0,093, 0,258].
- De betrouwbaarheidsintervallen vertonen een gedeeltelijke niet-overlap, wat de hypothese van asymmetrie ondersteunt.
Model Fit: Het volledige model verklaart 54% van de variantie in Groene NPD ( $R^2 = 0,540$ ).

Belangrijkste Bijdragen en Betekenis
Het artikel claimt drie primaire bijdragen:

Het ontleden van de Black Box: Door twee onderscheidende procesarchitecturen te specificeren (exploratie en exploitatie), verheldert de studie hoe AI waarde genereert in Groene NPD, waarbij zij beweegt van directe-effectmodellen naar een procesgeoriënteerd perspectief geworteld in DCT.
Het uitdagen van de "Balans-aanname": De bevindingen dagen de traditionele ambidexterity-aanname uit dat bedrijven exploratie en exploitatie gelijkmatig moeten balanceren. In plaats daarvan demonstreert de studie de primacy van exploratieve mediatie in AI-gestuurde groene innovatiecontexten, wat suggereert dat de unieke capaciteiten van AI krachtiger zijn in sensing en ontdekking dan in incrementele verfijning.
Methodologische Template: De studie biedt een rigoureus template voor het testen van duale en asymmetrische mediatie met behulp van gebootstrapt betrouwbaarheidsintervalvergelijking, wat een repliceerbare methode biedt voor toekomstig onderzoek naar concurrerende mediatiepaden.

Praktische Implicaties

Voor Managers: Bedrijven moeten prioriteit geven aan AI-investeringen die sensing en exploratieve capaciteiten versterken (bijv. voorspellende analytics voor opkomende markten, generatief ontwerp) boven puur optimalisatiegerichte tools, hoewel een gebalanceerde maar op exploratie gerichte aanpak (bijv. 60–70% naar exploratie) wordt aanbevolen.
Voor AI-leveranciers: Productontwikkeling moet differentiëren tussen exploratie-georiënteerde tools (generatief ontwerp, detectie van zwakke signalen) en exploitatie-georiënteerde tools (procesoptimalisatie, voorspellend onderhoud).
Voor Beleidsmakers: Subsidies en regelgevende kaders moeten worden herijkt om hoog-risico, AI-gestuurde exploratieve groene innovatie te ondersteunen, die grotere prestatiewinsten oplevert per eenheid investering dan incrementele exploitatie.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen beperkingen zoals het cross-sectionele ontwerp (wat causale inferentie beperkt), de afhankelijkheid van gegevens van één respondent, en de specifieke context van de Chinese productie. Toekomstig onderzoek wordt gesuggereerd om longitudinale ontwerpen te gebruiken, gedragsmatige micro-fundamenten te onderzoeken en de interactie van AI met andere Industrie 4.0-technologieën (IoT, blockchain) te onderzoeken. Daarnaast merkt de studie op dat de voorgestelde moderatie-effecten van technologische onzekerheid niet volledig zijn getest in dit manuscript en een avenue blijven voor toekomstige analyse.