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

Resumo Técnico: Capacidades Impulsionadas por IA e Desenvolvimento de Novos Produtos Verdes

Problema e Lacunas de Pesquisa
A convergência da inteligência artificial (IA) e da sustentabilidade ambiental representa uma fronteira crítica na gestão da inovação, contudo, os mecanismos através dos quais as capacidades de IA se traduzem em Desenvolvimento de Novos Produtos Verdes (Green NPD) permanecem teoricamente subdesenvolvidos. Embora pesquisas anteriores tenham focado amplamente em resultados de desempenho direto (ex: redução de custos, eficiência), elas frequentemente tratam a IA como um input tecnológico isolado, negligenciando as rotinas organizacionais internas que convertem os insights gerados pela IA em resultados tangíveis de produtos. Este estudo identifica três lacunas específicas na literatura:

1. A Caixa Preta da Mediação: Estudos existentes raramente detalham as arquiteturas de processo através das quais a IA influencia o Green NPD, assumindo implicitamente que os benefícios se materializam sem intermediação organizacional.
2. Tratamento Indiferenciado de Modos de Inovação: A pesquisa frequentemente falha em distinguir entre atividades de inovação verde exploratória (busca, descoberta, novidade radical) e verde exploratória de refinamento/explotação (refinamento, eficiência, melhoria incremental), apesar de seus distintos requisitos operacionais.
3. Assimetria Não Examinada: Mesmo quando múltiplos mediadores são considerados, os estudos tipicamente assumem efeitos simétricos. Este artigo questiona se as capacidades específicas da IA (reconhecimento de padrões, redução de incerteza) poderiam tornar um caminho de mediação significativamente mais forte que o outro.

Estrutura Teórica e Hipóteses
Fundamentado na Teoria das Capacidades Dinâmicas (DCT), o estudo postula que as capacidades impulsionadas por IA não impulsionam diretamente o Green NPD, mas atuam como um catalisador para processos adaptativos específicos. O framework distingue entre:

• Verde Exploratória: Um processo orientado pela detecção (sensing), onde a IA potencializa a identificação de oportunidades e a descoberta de trajetórias de baixo carbono inéditas.
• Verde Explotação (Exploitative): Um processo orientado pela captura/transformação (seizing/transforming), onde a IA otimiza a execução, refina tecnologias verdes existentes e melhora a eficiência dos processos.

O estudo propõe um modelo de mediação dupla com uma hipótese de assimetria:

• H1a & H1b: Tanto a exploração verde quanto a explotação verde medeiam a relação positiva entre as capacidades impulsionadas por IA e o Green NPD.
• H1c (Assimetria): O efeito mediador da exploração verde é significativamente mais forte do que o da explotação verde. Isso é teorizado com base na vantagem comparativa da IA na ampliação da detecção (sensing augmentation), sua capacidade desproporcional de reduzir a alta incerteza associada à inovação radical e o valor estratégico das vantagens de pioneirismo em mercados voláteis de baixo carbono.

Metodologia

• Coleta de Dados: O estudo utilizou dados de levantamento transversal de 333 empresas de manufatura na China, distribuídas em cinco setores prioritários: eletrônicos/semicondutores, automotivo, máquinas, farmacêutico/dispositivos médicos e eletrodomésticos/eletrônicos de consumo.
• Critérios de Amostragem: As empresas foram selecionadas com base na implementação de práticas de Green NPD e na adoção de tecnologias de IA para operações ou tomada de decisão de baixo carbono.
• Medidas: Os construtos foram medidos utilizando escalas de múltiplos itens adaptadas da literatura estabelecida (ex: Gupta et al., 2023; Singh et al., 2024) em uma escala Likert de 7 pontos. As variáveis principais incluíram capacidades impulsionadas por IA, exploração verde, explotação verde e desempenho de Green NPD. As variáveis de controle incluíram setor industrial, idade da empresa, tamanho, investimento em IA e certificação ISO 14001.
• Análise: O estudo empregou regressão hierárquica e análise de mediação por bootstrap (PROCESS Model 4 com 5.000 reamostragens) para testar as hipóteses. O viés de método comum foi avaliado via teste de fator único de Harman e comparações de CFA, enquanto o viés de não resposta foi verificado comparando respondentes iniciais e tardios.

Principais Resultados

1. Mediação Dupla Confirmada: Tanto a exploração verde quanto a explotação verde medeiam significativamente a relação entre as capacidades impulsionadas por IA e o Green NPD.
   • As capacidades de IA predizem positivamente a exploração verde ($\beta = 0,624, p < 0,001$) e a explotação verde ($\beta = 0,578, p < 0,001$).
   • Ambos os mediadores predizem positivamente o Green NPD ($\beta_{exploratory} = 0,375, p < 0,001$; $\beta_{exploitative} = 0,289, p < 0,001$).
2. Mediação Assimétrica: O efeito indireto via exploração verde é significativamente mais forte do que via explotação verde.
   • Efeito indireto (Exploração): $\beta = 0,234$, IC 95% [0,139, 0,354].
   • Efeito indireto (Explotação): $\beta = 0,167$, IC 95% [0,093, 0,258].
   • Os intervalos de confiança exibem sobreposição parcial, apoiando a hipótese de assimetria.
3. Ajuste do Modelo: O modelo completo explica 54% da variância do Green NPD ($R^2 = 0,540$).

Principais Contribuições e Significância
O artigo reivindica três contribuições primárias:

1. Desvendando a Caixa Preta: Ao especificar duas arquiteturas de processo distintas (exploração e explotação), o estudo esclarece como a IA gera valor no Green NPD, indo além dos modelos de efeito direto para uma visão orientada a processos fundamentada na DCT.
2. Desafiando a "Suposição de Equilíbrio": Os achados desafiam a tradicional suposição de ambidestria de que as empresas devem equilibrar exploração e explotação igualmente. Em vez disso, o estudo demonstra a primazia da mediação exploratória em contextos de inovação verde habilitados por IA, sugerindo que as capacidades únicas da IA são mais potentes na detecção e descoberta do que no refinamento incremental.
3. Template Metodológico: O estudo fornece um template rigoroso para testar mediações duplas e assimétricas usando comparações de intervalos de confiança por bootstrap, ofereando um método replicável para pesquisas futuras que comparem caminhos de mediação concorrentes.

Implicações Práticas

• Para Gestores: As empresas devem priorizar investimentos em IA que potencializem as capacidades de detecção e exploração (ex: análise preditiva para mercados emergentes, design generativo) em detrimento de ferramentas puramente focadas em otimização, embora uma abordagem equilibrada, porém inclinada para a exploração (ex: 60–70% para exploração), seja recomendada.
• Para Fornecedores de IA: O desenvolvimento de produtos deve diferenciar entre ferramentas orientadas à exploração (design generativo, detecção de sinais fracos) e ferramentas orientadas à explotação (otimização de processos, manutenção preditiva).
• Para Formuladores de Políticas: Subsídios e marcos regulatórios devem ser recalibrados para apoiar a inovação verde exploratória de alto risco habilitada por IA, que gera maiores ganhos de desempenho por unidade de investimento do que a explotação incremental.

Limitações e Direções Futuras
Os autores reconhecem limitações incluindo o desenho transversal (limitando a inferência causal), dependência de dados de respondente único e o contexto específico da manufatura chinesa. Sugere-se que pesquisas futuras utilizem desenhos longitudinais, investiguem os microfundamentos comportamentais e examinem a interação da IA com outras tecnologias da Indústria 4.0 (IoT, blockchain). Adicionalmente, o estudo observa que os efeitos de moderação propostos da incerteza tecnológica não foram totalmente testados neste manuscrito e permanecem como uma via para análises futuras.