人工智能的竞争优势：走向情境人工智能理论

人工智能的竞争优势 ： 迈向情境 AI 理论 Ayenda Kemp Pamplin弗吉尼亚理工大学商学院ayenda @ vt. edu 感谢：我要感谢副编辑Allan Afuah及各位审稿人在整个修订过程中提供的宝贵指导和支持。本文在很大程度上得益于同事Cynthia Devers、Devi Gnyawali、Richard Hunt、Abraham Oshotse、Karen Schnatterly和Max Stallkamp提出的有益建议。 人工智能的竞争优势 ： 迈向情境 AI 理论 Abstract 如何利用人工智能（AI）建立竞争优势？尽管AI已经开始渗透到商业活动中，我们对如何利用AI创造独特价值的理解仍然有限。为了解决这一问题，本文引入了“情境化AI”的概念，并阐明了其在建立以AI为基础的竞争优势中的重要性。文章强调了在情境化AI过程中涉及的组织活动——定位、边界设定和重新定义。它还解释了在这些情境化活动下，企业能够更好地发展出特定于自身的、成本效益高且符合战略环境机会的AI驱动能力的条件。因此，本文提供了一个综合框架，将企业的AI追求与竞争优势联系起来。 人工智能用于建立竞争优势的前景提出了一个理论上的难题。据估计，到2033年，大约40%至50%的工作将通过智能算法实现自动化（Frey & Osborne, 2013），这反映了生产率的提升和成本的降低。此外，预计人工智能可能会导致新产品出现（Barro & Davenport, 2019；Davenport & Kirby, 2015），因为它使企业能够将其产品嵌入人工智能，并激发公司在产品开发过程中的创新（Gregory et al., 2021；Cockburn et al., 2019）。尽管如此，越来越多的研究表明，人工智能可能带来重大的战略障碍。人工智能可能是短视的（Balasubramanian et al., 2022），无法感知企业内的相互依赖性（Raisch & Krakowski, 2021），并且难以受到管理控制（Murray et al., 2021）。这些因素表明，使用人工智能降低成本并创造优质产品可能没有先前想象的那么简单。此外，人工智能是一种显性知识形式（Broussard, 2018；Shrestha et al., 2021），类似于通用技术（Teece, 2018）。因此，即使人工智能在企业内部创造了价值，支撑这些结果的活动也可能被竞争对手复制。因此，虽然人工智能有潜力促进竞争优势，但尚不清楚这种潜力如何实现。 本文通过发展一种理论来解决这一难题。位于 AI -人工智能在其所在公司的经验性、结构性和关系性系统中的代理权受到限制。我们基于组织能力理论构建了这一框架，该理论认为竞争优势主要是在企业利用其战略资产时产生，且这些资产具有独特的特性（Barney, 1991）、易于开发（Winter, 2000），并且与企业的内部和外部环境相一致（Mahoney & Pandian, 1992；Sirmon, Hitt, & Ireland, 2007）。我们认为，实现这些目标对于人工智能来说是具有挑战性的，因为它在这些系统中的代理权受到了限制。 代理行为的倾向性（Murray等，2021），若未能在公司背景下恰当情境化，可能会产生反效果。我们还承认，未情境化的代理行为可能是AI的基本状态（Balasubramanian等，2022）。 我们通过解释企业如何（1）在企业的独特经验和系统中限定人工智能的自主性，以及（2）通过三种定位活动将这种转变后的人工智能嵌入企业的组织能力，来解决人工智能的战略局限性。接地、边界和重铸. 地毯化涉及协调组织内部哪些体验将被允许供AI学习。边界化涉及 努力塑造竞争对手AI所基于的经验。重塑涉及协调算法及其周围程序的持续适应，以增强AI与公司内相互依赖活动的一致性。我们还考虑了技术约束和环境动态如何影响将AI置于特定位置所带来的好处。因此，本文承认AI的战略局限性，并解释了企业如何克服这些局限性以更好地实现AI作为竞争优势新基础的潜力。 概念背景 AI 对竞争优势的承诺 你：人工智能（AI）广泛指代的是能够完成以往只有人类才能完成的认知任务的机器（Davenport, 2018）。虽然机器取代人类劳动力的历史由来已久，但AI的兴起是独特的，因为机器首次能够“学习”并以自主的方式进行工作（Faraj, Pachidi, & Sayegh, 2018）。在以往的技术中，机器通过人类操作者编写的复杂if-then语句完成工作。机器几乎没有自主性；其行为直接反映了编程者的知识（Dreyfus & Dreyfus, 2005；Norman, 2017）。 对比而言，计算机在接受了一组输入数据、学习目标、误差函数以及用于最小化该误差函数的数学算法（Chen et al., 2020；Alpaydin, 2016）后，能够自行“制定”将输入数据与期望结果关联的规则。这些规则的关键之处在于它们并非由人类创建，并且在许多情况下甚至无法被人类解释（Castelvecchi, 2016）。因此，人工智能可以被视为拥有独特形式的代理理性，使得机器能够在认知任务方面达到或超越人类表现的水平（Murray etal., 2021）。 人工智能的力量促使许多人相信，人工智能将通过智能自动化提高企业效率，并通过协助人类解决新颖问题来创造价值，从而革新经济生产（Barro & Davenport, 2019；Brynjolfsson & Mitchell, 2017；Frey & Osborne, 2013）。事实上，我们已经开始在多个行业中看到人工智能带来的流程和产品改进（Tarafdar, Beath, & Ross, 2019）。例如，星展银行(DBS Bank)最近实施了一项能够以85%的准确率预测员工在未来三个月内是否离职的人工智能系统。该公司现在正在使用人工智能来运营一家仅雇用传统银行员工数量90%的印度数字银行（Davenport, 2018）。又如，在产品开发过程中，香水设计师现在使用人工智能生成更受消费者欢迎的香水，而这些香水比仅由人类专家设计的香水更具吸引力（Goodwin et al., 2017）。 尽管在运营和产品设计方面有所改进，然而，企业对人工智能的投资可能无法转化为利润。根据波士顿咨询集团最近的一项调查，在受访的顶级管理者中，有九成的人认为人工智能为他们的公司带来了巨大的商业机会（Ransbotham等，2019），而43%的高管表示已经在其公司实施了人工智能技术。 组织机构。然而，报告还指出，“大多数公司难以通过AI创造价值。”Lui、Lee和Ngai（2022）提供了实证支持，发现市场在企业层面会对AI的采用进行惩罚。因此，尽管AI已经开始带来产品和工艺的改进，企业在AI方面的公司层面收益，如市场表现改善或竞争优势，可能更为难以实现。 AI 的三大战略局限 什么是这种脱节的原因？尽管现有的理论无法解释企业如何系统地利用人工智能来建立竞争优势，但最近的研究对此提供了一些见解。我们从组织能力的角度出发，识别出企业可能难以通过其人工智能投资建立竞争优势的三个原因。我们重点关注人工智能的一般性、显性以及短视的特性。虽然人工智能无疑为公司带来了许多新的挑战，但在我们的理论中，这三个局限性由于其对能力发展产生的负面影响而显得尤为重要，我们认为能力发展是通过人工智能建立竞争优势的关键所在。 The first strategic challenge of AI is其对应的中文为：“人工智能的第一个战略挑战在于其通用性质。从AI算法中得出的逻辑通常并不专属于应用该算法的用户，而是可以“通过使用相同的过程被任何人重新发现”（Shrestha等，2021：4）。例如，在所有其他条件相同的情况下，神经网络算法将无论是在Spotify还是Pandora的应用下，都会得出相同的逻辑来连接一组输入与输出。这表明，人工智能可能在竞争企业之间展现出共同的行为模式。关于人工智能的通用性质这一点至关重要，因为人工智能被视为一种通用技术，类似于电力、蒸汽机或互联网（Brynjolfsson和Mitchell，2017；Frey和Osborne，2013；Lynch，2017）。通用技术很可能被广泛采用。 在竞争企业中被采纳（Bresnahan & Trajtenberg, 1995）。因此，这些技术倾向于产生整体经济利益而非私人租金（Bresnahan & Trajtenberg, 1995；Teece, 2018）。因此，虽然人工智能可能帮助一家企业开发更好的和更便宜的产品，但表面上看来，人工智能也将帮助该企业的竞争对手做到同样的事情。 AI 的第二个战略局限性在于它表现为显性知识的形式。AI 算法及其驱动的数据必须以明确的指令或数学公式的形式呈现给计算机（Broussard, 2018）。因此，驱动企业AI过程的组织知识可能因网络攻击而被提取，并且在员工流动期间高度可移植（Tramér, Zhang, Juels, Reiter, & Ristenpart, 2016）。这一观察结果与一般观点一致，即显性知识在组织边界间扩散相对迅速，这使得建立竞争优势变得困难（Grant, 1996；Nickerson & Zenger, 2004）。对于AI而言，这一挑战尤为突出，因为知识产权法目前不允许为数学公式和程序申请专利（Gaudry & Hayim, 2018；Liyange & Berry, 2019）。因此，识别防止AI资产在企业间传播的机制至关重要。 AI 的第三个战略局限性是短视。AI 短视是指 AI 算法缺乏对其任务范围之外的活动和事件的上下文意识（Balasubramanian 等人，2022 年；Dreyfus，2012 年；Raisch 和 Krakowski，2020 年）。通常，单个 AI 算法只能执行整个组织流程中的一个小子任务（Davenport，2018 年）。因此，AI 驱动的流程通常会使用集体的 AI 算法（例如，Kumar等人，2018 年）。然而，算法识别其任务与其他公司内部任务之间相互依赖性的能力是有限的。这可能导致昂贵的技术和运营故障（Balasubramanian 等人，2022 年；Dreyfus 2012年）。此外，由于AI在完成任务时具有较高的自主性，管理者在错误发生时难以对其进行纠正（Murray等，2021年）。 相关的人工智能（AI）的短视后果之一是，AI 将缺乏对一家公司战略的深刻理解。因此，即使当AI的行为对于执行一项任务是最优的，也不能保证这种行为适合于公司正在追求（或应该追求）的市场机会类型（Balasubramanian等，2022）。例如，一家低成本航空公司可能开发出一种能够正确识别客户愿意为短途航班支付2000美元的AI。然而，这种AI可能无法理解这样的报价与其公司的市场定位和低成本供应商策略不一致。换句话说，AI 对公司的最终价值不仅取决于其任务的有效性，还取决于其与公司整体战略的契合度。因此，克服AI 短视的组织机制对于建立竞争优势是必要的。 AI的所有通用性、明确性和短视性质都对其企业层面的好处构成威胁，但这些障碍尤其难以克服，因为AI本身具有这些特性。both一种机器和代理性的结合。例如，AI 的通用性质类似于通用的人力资本。通用的人力资本通常无法成为企业间优势的基础，因为竞争对手通常可以通过类似的方式获取并应用该知识来模仿焦点企业（Barney & Wright,1998）。然而，与AI不同的是，通用人力资本可以在企业内部通过社会化过程进行转换，并且随着人类员工在公司内参与丰富的非正式社交互动而变得具体化（Coff, 1997）。对于AI而言，这种选项是不可用的，因为它是一种机器。另一方面，AI 的代理性能力消除了组织中控制技术的常规模式。例如，考虑专家系统这一案例，在最近AI兴起之前，这