📈 economics

When Does AI Adoption Enhance SME Innovation Performance? The Roles of Absorptive Capacity, Entrepreneurial Agility, and Digital Maturity

本研究表明，在中小企业中，人工智能的应用并非直接提升创新绩效，而是通过一条序列中介路径间接实现，即应用通过构建吸收能力来促进创业敏捷性，且这一过程受到企业数字化成熟度的显著强化。

原作者： Ali Zokaei Kuhbanani, Léo-Paul Dana, Mohammad Hadi Bolandian, Zahra Najafi Kalyani

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Ali Zokaei Kuhbanani, Léo-Paul Dana, Mohammad Hadi Bolandian, Zahra Najafi Kalyani

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大问题：买了一辆法拉利，你就能变成更好的赛车手吗？

想象一下你是一家中小企业（SME）的店主。你听说人工智能（AI）是商业领域里最新的“法拉利”。它可以预测趋势、自动化枯燥的任务，并帮助你做决策。于是，你买下了这辆法拉利（你采用了 AI）。

这篇论文提出了一个简单的问题： 仅仅拥有这辆车，是否会自动让你变成一个更快、更优秀的赛车手，从而赢得更多比赛（创新）？

研究给出的简短回答是： 不。仅仅拥有这辆车并不意味着你能赢。你需要知道如何驾驶它，你需要一张好的地图，并且你需要随时准备好对路况做出反应。

三个关键要素

研究人员发现，为了让 AI 真正帮助小企业进行创新（创造新产品、服务或更好的工作方式），必须按特定顺序发生三个特定的过程。把这想象成一场接力赛或一份烹饪食谱。

1. 燃料：吸收能力（“学习引擎”）

它是什么： 这是公司的学习能力。它不仅仅是看到新信息，而是理解信息、将其与已知知识结合，并弄清楚如何使用它。
类比： 想象 AI 给了你 1,000 本新书。吸收能力就是你真正阅读这些书、理解其中的故事并记住教训的能力。如果你买了书却读不懂，或者不理解其中的语言，这些书就毫无用处。
研究结果： 研究表明，大量使用 AI 有助于构建这个“学习引擎”。你使用 AI 越多，你就越擅长从中学习。

2. 驾驶员的反应：创业敏捷性（“快速反应”）

它是什么： 这是快速行动的能力。它关乎于发现机会并立即改变计划，而不是陷入繁文缛节中。
类比： 一旦你读完了那些书（吸收能力），你现在知道了有一条捷径存在。创业敏捷性就是那位看到了捷径并立即转动方向盘去尝试的驾驶员，而不是死板地坚持旧路线。这是快速转型（Pivot）的能力。
研究结果： 研究发现，优秀的“学习引擎”（吸收能力）会带来更好的“反应能力”（敏捷性）。如果你理解了数据，你就能行动得更快。

3. 终点线：创新绩效（“赢得比赛”）

它是什么： 这是最终的结果：新产品、更好的服务或更成功的商业模式。
类比： 这就是率先冲过终点线。
研究结果： 研究发现，敏捷性才是真正带你到达终点线的关键。你可以拥有赛车（AI）和书籍（学习），但如果你不转动方向盘并快速驾驶（敏捷性），你也无法获胜。

令人惊讶的转折：直接联系被切断了

这是论文中最重要的部分：买下一辆法拉利（AI）并不会直接让你赢得比赛。

研究发现，如果你只观察“AI 使用”和“创新”，两者之间并没有直接的联系。

为什么？ 因为 AI 只是一个工具。它产生的是数据和洞察。如果你没有学习引擎来理解这些数据，也没有快速反应来根据数据采取行动，那么 AI 就只会停在那里无所作为。
路径是： AI $\rightarrow$ 学习 $\rightarrow$ 快速行动 $\rightarrow$ 创新。
教训： 你不能跳过中间步骤。你不能只是买了 AI 就指望新产品会自动出现。

秘密武器：数字化成熟度（“车库状况”）

研究还考察了一个被称为数字化成熟度的因素。

它是什么： 这是公司对技术的“准备程度”。他们的网络好吗？员工会用电脑吗？老板支持技术吗？数据是干净的吗？
类比： 想象你拥有一辆法拉利（AI）和一个优秀的驾驶员（敏捷性）。但你的车库（数字化成熟度）却是一个泥泞、破旧的小屋，连加油泵都没有。即使有了好车和好司机，你也无法把车从泥泞中开出来。
研究结果： 如果一家公司拥有高数字化成熟度（一个整洁、装备精良的车库），那么使用 AI 与从中学习之间的联系会变得更加强大。
- 高成熟度： AI 使用 $\rightarrow$ 超快速学习。
- 低成熟度： AI 使用 $\rightarrow$ 缓慢且混乱的学习。

面向大众的总结

把采用 AI 想象成购买一件高科技厨房电器。

购买电器（采用 AI） 并不会自动让你成为一名大厨。
你需要吸收能力：阅读食谱、理解食材并学习如何操作机器的能力。
你需要创业敏捷性：快速品尝食物、调整调料并在食物变凉之前上菜的能力。
数字化成熟度是你的厨房配置。如果你的厨房很乱，没电，而且你不知道如何使用炉灶，那么那件高级电器也不会帮你做出美味佳肴。但如果你的厨房设备齐全且井然有序，那件电器能帮你非常快速地做出惊艳的美食。

底线是： 小企业不应该只是抱着“期待奇迹发生”的心态去购买 AI。他们需要建立从 AI 中学习的能力，训练团队根据这些知识快速行动，并确保他们的数字化“厨房”已经为这些工具做好了准备。只有这样，AI 才能转化为真正的创新。

技术摘要：人工智能采用何时能提升中小企业创新绩效？

问题陈述
尽管人工智能（AI）日益被视为创新的驱动力，但一个显著的“采用—价值差距”依然存在，尤其是在中小企业（SMEs）中。许多企业采用了 AI 工具，却未能成功将其转化为切实的创新成果。现有文献通常将 AI 采用视为创新的直接前因或企业绩效的直接驱动因素，未能充分解释将技术部署转化为价值的组织机制。此外，中小企业的特定背景——其特征是资源受限、创新流程不够正式化以及依赖于管理认知——在 AI 研究领域仍有待深入开发。本研究旨在解决这一关键问题：在何种情况下，通过何种能力路径，AI 采用强度能够提升中小企业的创新绩效？

理论框架
本研究整合了动态能力理论（Teece 等，1997；Teece，2007）和吸收能力理论（Cohen & Levinthal，1990；Zahra & George，2002）。研究提出了一个序列能力构建模型，即：

AI 采用强度作为一种技术投入，强化了吸收能力（识别、获取、同化、转化和利用知识的能力）。
增强的吸收能力促进了创业敏捷性（快速识别机会、进行实验并重新配置资源的能力）。
创业敏捷性将这些能力转化为中小企业创新绩效。
数字化成熟度被设定为一个边界条件，它强化了 AI 采用与吸收能力之间的关系，从而影响下游的间接路径。

研究方法

设计： 定量、解释性、横截面问卷调查设计。
背景： 在伊朗（一个以资源和制度约束为特征的新兴经济体）运营的中小企业。
样本： 来自已采用或尝试使用 AI 工具的中小企业的 294 份有效回复。受访者包括所有者、CEO、创新经理和 IT 经理。
数据收集： 采用目的抽样策略，以确保受访者对 AI 使用和创新活动具有直接了解。
测量： 使用改编后的量表（7 点李克特量表）测量五个反映性构念：AI 采用强度、吸收能力、创业敏捷性、中小企业创新绩效和数字化成熟度。
分析： 采用偏最小二乘结构方程模型（PLS-SEM），并使用 SmartPLS 进行分析。分析遵循两步法：评估测量模型（信度、效度）和结构模型（路径系数、中介、调节）。
验证： 研究利用自助法（5,000 次子样本）进行显著性检验，并使用 PLSpredict 来评估样本外预测相关性。通过程序性补救措施和共线性诊断来处理共同方法偏差。

主要结果
实证分析得出以下发现：

仅间接中介： AI 采用强度对中小企业创新绩效的直接效应在统计上并不显著 ( $\beta = 0 0.079, p = 0.142$ )。然而，总效应和序列间接效应是显著的。这表明存在一种仅间接的中介机制。
能力链：
- AI 采用强度正向影响吸收能力 ( $\beta = 0.391, p < 0.001$ )。
- 吸收能力显著增强创业敏捷性 ( $\beta = 0.555, p < 0.001$ )。
- 创业敏捷性显著提高中小企业创新绩效 ( $\beta = 0.484, p < 0.001$ )。
序列中介： 序列路径（AI 采用 $\rightarrow$ 吸收能力 $\rightarrow$ 创业敏捷性 $\rightarrow$ 创新绩效）是显著的 ( $\beta = 0.105, p < 0.001$ )，证实了所提出的序列机制。
数字化成熟度的调节作用： 数字化成熟度正向调节 AI 采用强度与吸收能力之间的关系 ( $\beta = 0.128, p = 0.008$ )。交互作用图显示，对于数字化成熟度高的企业，AI 采用对吸收能力的正向影响显著更强。
被调节的序列中介： 数字化成熟度强化了整个间接路径，这意味着在数字化成熟度高的中小企业中，能力构建过程更为有效。
预测相关性： PLSpredict 结果显示，中小企业创新绩效的指标级预测相关性令人满意，且 PLS-SEM 模型在均方根误差（RMSE）方面优于线性基准模型。

核心贡献
本文声称有四个主要的理论贡献：

转变 AI-创新逻辑： 研究超越了直接效应视角，证明了 AI 采用并非独立的预测因子，而是作为能力构建过程中的一项投入。
扩展吸收能力理论： 将吸收能力定位为 AI 采用与创业行动之间的关键“知识处理桥梁”，表明 AI 强化了企业处理外部知识的能力。
将创业敏捷性作为一种机制： 研究确定了创业敏捷性是将吸收的知识转化为创新绩效的行动导向型机制，将 AI 研究与创业理论联系起来。
将数字化成熟度作为边界条件： 本研究不仅将数字化成熟度视为背景因素，还将其理论化并实证支持为决定 AI 采用能否转化为吸收能力及随后转化为创新的关键条件。

意义与主张
研究结论认为，AI 在中小企业中的创新价值较少取决于采用行为本身，而更多取决于允许企业从 AI 中学习并基于 AI 赋能的洞察采取行动的组织能力。作者断言，AI 并不会代表中小企业进行创新；相反，只有当中小企业具备必要的数字化成熟度、吸收能力和创业敏捷性时，才能实现利用 AI 进行创新。

研究结果表明，为了让 AI 提升创新，中小企业必须专注于构建互补能力——具体而言，是解读 AI 生成的数据以及据此采取行动的能力——而不仅仅是将技术获取视为成功的充分条件。研究强调，在资源受限的新兴经济体中，这些能力条件对于弥合“采用—价值差距”显得尤为重要。