大數據驅動的產品創新商務智能

謝康　盧鵬　夏正豪

關鍵詞：人工智能；產品創新；商務智能；大數據合作資產；SSP框架

中圖分類號：F272；C931.6 文獻標識碼：A 文章編號：1000-176X（2024）04-0033-12

一、引言

ChatGPT成為2023年度《Nature》十大人物之一，這是首個非人類實體入選，旨在認可人工智能（Artificial Intelligence，AI） 大模型在科學發展中的新社會主體作用，表明以往結構化的商務智能（Business Intelligence，BI） 轉變為AI的非結構化BI時代。按照IBM的定義，BI是指在一系列數字技術支持下簡化信息收集、分析的策略集合，以充分運用企業數據資產制定更好的商務決策。顯然，AI既依賴大數據同時也創造大數據，二者密不可分。因此，在本文中，AI代表了大數據環境或資源基礎，大數據的有效使用意味著AI應用的實現。

目前，在AI科技創新和產業發展上，中國走在世界前列。據中華人民共和國工業和信息化部統計，截至2022年6月，中國AI核心產業規模超過4 000億元，AI企業數量超過3 000家，僅次于美國，排名世界第二。AI技術及產業正在幫助企業以遠超從前的速度和質量來進行制造業數字化轉型和產品創新。截至2023年7月，中國建成智能制造能力成熟度2級以上水平的數字化車間和智能工廠2 500多個，相較于智能制造能力成熟度1級水平的數字化車間和智能工廠，這些示范工廠的產品研發周期平均縮短20. 7%，生產效率平均提升34. 8%，產品不良率平均下降27. 4%。在產品創新領域，AI幫助企業了解新產品的市場潛力［1］，支持企業通過探索式和利用式學習進行產品創新，將產品快速發布［2］，完成產品創新并降低創新的風險。

然而，理論上，AI如何影響產品創新商務智能的發展，AI與人的深度協同在產品創新的戰略層和流程層分別重塑哪些基礎等問題，尚未有清晰的答案。據此，本文以大數據合作資產理論為基礎，從企業與用戶互動的適應性創新視角出發，提出大數據驅動的產品創新商務智能主體—戰略—流程（Subject?Strategy?Process，SSP） 框架，探討AI影響產品創新的新機制，以推進AI時代的產品創新商務智能理論研究。

二、AI 影響產品創新機制的SSP 分析框架

（一） SSP 分析框架的文獻基礎

根據相關代表性文獻，AI影響產品創新的研究可以歸納為以下三條主線：其一，AI對產品創新主體結構變革的影響。該研究主線主要從三個方面展開探討：一是從知識管理與組織學習視角出發，強調AI對數據要素、知識要素和資本要素的重新組合。具體地，Liu等［3］認為，AI通過加速知識創造和技術溢出，提高學習和吸收能力，以增加研發投入和人才投資來促進創新。同時，AI通過消除距離、位置和資源分布不均等物理限制，改變了知識積累方式，逐漸打破傳統企業組織的邊界，使企業不再是封閉的實體，而是模塊化的生產網絡［4］。

二是從社會網絡視角出發，強調AI對勞動要素的重新組合。吳小龍等［5］認為，AI由產品創新輔助工具拓展為新的創新主體，在產品創新的過程中與人協同完成啟發式驗證，作為以往經驗驗證和數據驗證的重要補充而存在，從而實現產品原創性與用戶需求異質性匹配的平衡。三是從技術接受視角出發，強調AI對管理要素和技術要素的重新組合，聚焦于產品創新中組織與員工對AI的態度。Glikson和Woolley［6］認為，AI的有形性、透明性、可靠性和行為即時性對于人的認知信任具有重要作用，AI的擬人化對于人的情感信任具有重要影響。此外，感知易用性和有用性、感知信任、感知智能和擬人化均是創新流程中AI應用的關鍵影響因素［7］。可以認為，AI能夠成為與人協同改變要素組合與知識積累方式的新型創新主體。但其在創新流程中仍面臨信任問題、數據質量和系統整合等難題。

其二，AI對產品創新戰略變革的影響。該研究主線也主要從三個方面展開探討：一是從競爭戰略和組織文化視角出發，考察AI增強組織開發自身動態能力和產品創新核心競爭力的機制，企業通過AI技術提高創新流程的可擴展性，以及增強組織動態學習和適應能力，進而使組織形成數據驅動的組織文化［8-9］。二是從商業模式和生態系統視角出發，Plantec等［10］認為，企業在設計AI嵌入式系統時主要依賴知識開發，大數據和人工智能技術被整合到新產品開發的各個階段，形成反饋迭代的產品升級模式。在企業外部，AI的分布性、可編輯性和可擴展性特征，驅動企業與其互補方快速連接和匹配，并以此構建創新生態系統［11］。三是從風險管理視角出發，聚焦于AI算法本身的監督與管理。AI基于歷史數據進行訓練，可能會降低其應對長期問題的能力，因而利用AI進行產品創新時需要處理偏見增加帶來的風險，避免決策中的歧視問題［12-13］。同時，AI作為機器認知的不透明性要求算法結果的可解釋性問題得到妥善解決，并且組織需要在數據治理和基礎設施方面進行投資［14］。可以認為，AI認知戰略在產品創新中不僅推動了組織的內部發展，還會促成企業與外部生態系統之間的快速連接，以有效應對與AI算法相關的風險和管理挑戰。

其三，AI對于產品創新流程管理變革的影響。該研究主線主要從兩個方面展開探討：一是從創新分工的變革視角出發，Hossain等［15］ 認為，AI通過不斷迭代簡單任務來處理產品創新的復雜性，人的設計越來越成為一種意義建構的活動，專注于挖掘應該或可以解決哪些問題，如制造業企業在營銷分析平臺的基礎上采用AI替代營銷人員時，其感知、把握和重新配置市場的能力會更強，從而帶來持續的競爭優勢。二是從創新流程的提質提效問題視角出發，Thomassey和Zeng［16］ 認為，AI驅動的適應性質量管理可以解決傳統質量管理方法面臨的挑戰，即在處理高維、非線性的制造數據上AI對產品創新的貢獻明顯，如采用AI技術可以實現自動化數據收集和資產管理，從而提高創新產品的用料品質，且最大限度地減少最終產品檢查中的錯誤等。實證結果表明，企業所在行業和地區的AI發展水平越高，AI對企業創新效率的影響就越強，與傳統方法相比，AI適應性質量管理的產量損失減少了21. 7%［17-18］。此外，企業利用大數據驅動的AI產生的外部市場和用戶知識，在產品創新后端的營銷領域采取理性決策來提高績效［19］。可以認為，AI應用對產品創新流程管理產生深刻影響。

總體來看，AI對產品創新的影響機制研究具有多視角、多維度和多層次特征，但核心研究議題依然是圍繞AI對產品創新各個環節的重構和全價值鏈的降本增效來展開。其中，AI使產品的創新主體發生結構性變革，引發產品創新的戰略和流程發生變革。現有文獻在創新主體層面聚焦于AI如何與人協同進行創新，使AI應用與數據要素、勞動要素、技術要素和資本要素相匹配。在創新戰略層面聚焦于AI的戰略性使用如何與競爭戰略、商業模式創新、組織文化、生態系統相匹配。在創新流程層面聚焦于AI如何整合產品創新的創意生成階段、詳細設計與開發階段、測試與商業化階段，使流程前中后端一體化動態協同。基于上述機制，創新主體、戰略和流程三個層面的AI應用又會相互影響、相互支撐。因此，從創新主體、戰略和流程三個層面探討AI對產品創新的影響機制，構成現有文獻的理論共識之一，也構成本文提出AI影響產品創新機制的SSP框架的文獻基礎。

（二） SSP 分析框架的理論基礎與研究視角

學界對于AI的定義因研究情境而異，本文基于創新管理這一特殊情境，結合技術［20］、過程［3］和創新視角［21］對于AI的定義，提出創新管理視角的AI定義：AI是指融入企業戰略及創新開發，實現跨業務、跨流程、跨時間維度價值創造和產品創新的數字生態系統。該定義強調AI帶來的創新主體、戰略和流程的新變革構成產品創新機制的基礎。其中，產品創新機制是指產品創新過程中各要素之間的結構關系和運行方式。刻畫產品創新通常有技術創新和要素組合方式兩種視角。綜合這兩種視角，本文以大數據合作資產理論為基礎，結合內生經濟增長理論和熊彼特創新理論，從企業與用戶互動的適應性創新視角，分析AI對產品創新流程一體化與要素組合方式轉變的影響，以刻畫AI影響產品創新的新機制。

AI對創新主體產生結構性變革的影響是基于企業與用戶互動的適應性創新實現的，企業與用戶互動的適應性創新構成數字經濟的主流創新模式［22］和AI賴以演化進步的大數據基礎。從企業與用戶互動的適應性創新視角出發，剖析AI影響產品創新的新機制，可以從AI技術進步的底層邏輯上更好地闡述影響機制的源頭。同時，大數據合作資產為理解企業和用戶互動的適應性創新的本質特征提供了重要理論指引［23］。首先，該理論強調，企業與用戶互動構成大數據合作資產賴以存在的基礎和條件。其次，該理論強調，大數據合作資產具有高度情境依賴性，大數據發展、企業與用戶互動、行動者價值共創這三個條件是形成大數據合作資產價值的前提［24］。在AI應用于產品創新的過程中，人與AI互動形成的數據化結果本質上屬于大數據合作資產。進一步地，大數據合作資產不僅構成人與AI互動的結果，更是二者互動的動力源泉和基礎。因此，大數據合作資產適合于作為本文的理論基礎，以刻畫AI影響產品創新的新機制。

其一，在創新主體層面，AI影響產品創新的新機制主要通過人與AI雙向卷入形成的反饋式增強來實現。在產品創新的過程中，人與AI的交互是其核心和基礎，交互中的雙向卷入會增加企業的技術變遷效應、勞動力替代效應和知識溢出效應［25］，不僅改變了既有生產要素組合方式，也改變了知識積累方式。人為產品創新提供經驗、直覺判斷，AI使企業在產品創新中實現更高效準確的市場洞察、用戶偏好分析和輿情實時監控，針對已存在或尚未被意識到的需求，生成更多可商業化的新解決方案，從而提高創新效率，穩固創新產品的差異化競爭力。人與AI在創意上相互反饋、補足和完善，產品創新便得以獲得反饋式增強。

其二，在創新戰略層面，AI影響產品創新的新機制主要通過戰略匹配的流程整合來實現。由于各類創新具有交互性和共同演化性，任何產品創新都不是獨立的，需要與之相匹配的創新戰略和互補資產作為支撐。因此，產品創新、AI技術與組織中的其他要素在動態交互的過程中共同演化，企業需要戰略性地使用AI，將AI的認知戰略整合到組織戰略中，使認知戰略與競爭戰略、商業模式、組織文化和生態系統相匹配，才能夠通過產品和服務創新創造價值。

其三，在創新流程層面，AI影響產品創新的新機制主要通過前中后端的一體化動態協同來實現。在創意生成的模糊前端，AI投資盡管并未顯著改變產品結構，但其顯著提高了商標數量和產品專利。例如，AI投資促進了產品創新在前端的創意生成［26］，通過處理現有知識領域中的大量信息，AI系統可以快速捕獲其中的潛在知識，從而開發或識別大量的創意，形成創意網絡。在設計與開發的中端，AI還可以突破本地知識搜索的限制，從不同領域的產品知識中汲取靈感，形成產品原型網絡。在測試與商業化的后端，AI驅動的產品創新能夠形成智能產品網絡，產品網絡內部各產品的功能高度相關，并可以通過人與AI的深度互動反饋進行自我測試與優化，從中再提取出新的創意，為下一個周期的產品創新提供潛在的依據和方向。

（三） SSP 分析框架的維度、結構與要素

AI在創新主體、戰略與流程三個層面上的影響，構成大數據驅動的產品創新商務智能三個分析維度。其中，AI作為新的社會主體，融入組織活動并帶來新的生產要素投入，形成生產要素的新組合而推動產品創新進步。特別是，AI帶來時空壓縮效應，提升產品開發效率［27］，引發組織創新戰略與流程的根本性變革，三者相互聯動構成產品創新的AI生態系統，形成大數據驅動的產品創新商務智能，在每個維度內部存在不同的要素組合結構。由此，本文依據大數據合作資產理論，從企業與用戶互動的適應性變革視角出發，提出大數據驅動的產品創新商務智能SSP分析框架，用于探討產品創新商務智能的新機制，具體如圖1所示。

由圖1可知，創新主體、戰略和流程三個層面內部存在不同的要素組合結構。在創新主體層中，人通過新生產要素組合的方式重新配置AI及其他生產要素，使知識積累方式產生突變，產品創新知識再反饋到人，去補充現有產品知識庫。在這種反饋式增強中，人與AI形成雙向卷入的深度協同與互動模式。在創新戰略層中，AI的認知戰略通過與競爭戰略、組織文化、商業模式和生態系統的匹配來嵌入前中后端。在創新流程層中，人與AI的深度協同與互動使得創新的前中后端分別產生了創意網絡、原型網絡和產品網絡，三者在AI的啟發、糾偏和自測中形成一體化動態協同。

由圖1可知，創新主體、戰略和流程三者相互聯動，構成產品創新中AI生態系統的運行結構及特征，創新主體、戰略和流程之間兩兩互相影響。因而SSP分析框架也可被視為產品創新AI生態系統分析框架。其中，創新主體通過要素組合、知識積累的反饋式增強路徑影響創新戰略，指導創新流程層前中后端一體化。在創新主體層中，人與AI協同通過要素組合和知識積累路徑影響創新流程，形成模糊前端全流程擴散、需求—解決方案對非線性的迭代和智能制造的生成式自測，從而支持創新戰略層中認知戰略與競爭戰略、組織文化、商業模式和生態系統的匹配。

其一，創新主體和創新戰略的雙向影響主要體現在以下兩個方面。一是在創新主體影響創新戰略方面，AI作為產品創新決策中可靠而高效的分析主體，推動企業AI認知戰略的形成，AI認知戰略與競爭戰略、組織文化、商業模式和生態系統相匹配，實現前中后端的一體化。二是在創新戰略影響創新主體方面，AI認知戰略使企業擁有了基于已知知識的推理、學習、關聯和問題解決能力，促進了要素組合與知識積累的反饋式循環，迭代間隔越來越小，最終循環次數增加，人與AI協同機制更加穩定地產出創新結果。

其二，創新主體和創新流程的雙向影響主要體現在以下兩個方面。一是在創新主體影響創新流程方面，人與AI的產品創新協同機制，在創新流程的前中后端上分別發揮不同的作用：在創新流程的前端，即產品創意產生階段，AI的自我生成特征與AI對人的互動啟發［5］，有助于快速生成多樣化的創意網絡。在創新流程的中端，即產品設計開發階段，AI可以為組織提供產品設計的糾偏功能，根據市場上已有產品分析及小范圍內部用戶反饋結果進行分析，對設計人員經驗的局限進行糾偏，形成具有生產可行性的產品原型網絡。在創新流程的后端，即產品測試及商業化階段，AI可以提供自我測試，對產品功能預先進行錯誤排查、AI自我模擬用戶數據進行A/Btest等，形成功能高度相關的產品網絡。二是在創新流程影響創新主體方面，前中后端一體化使得產品開發的固定流程變得靈活，前中后端組合的可能性增加，要素組合方式更加多樣化，進一步促進知識積累方式的質變，這最終反映在人與AI的產品創新協同機制上。

其三，創新戰略與創新流程的雙向影響主要體現在以下兩方面。在創新戰略影響創新流程方面，AI的戰略性使用不僅要與組織內部因素協同匹配，對于其價值鏈上下游的各個參與者形成的生態系統，企業也要形成與之同步的AI認知戰略，從而實現前中后端一體化。在創新流程營銷創新戰略方面，前中后端一體化的創新流程中，人與AI的啟發、糾偏機制可以有助于企業戰略的實現。同時，需要注意戰略并不是一成不變，而是需要企業及時調整、優化戰略方向，適應新的市場和技術環境，保證企業在競爭激烈的市場環境中保持領先地位。

在SSP框架中，AI的介入直接影響創新主體的結構，從而引發創新戰略和創新流程的一系列連鎖反應。因此，AI對創新主體的結構性改變是產品創新AI生態系統的核心特征。為了探究這一核心特征為產品創新帶來的具體影響，本文分別對AI創新主體結構性改變重塑產品創新戰略的變革基礎、AI創新主體結構性改變對產品創新流程變革的影響兩部分內容展開具體闡述。

三、AI 創新主體結構性改變重塑創新戰略的變革基礎

相對于以往以人為主體的戰略創新，AI技術應用在制造業產品創新時呈現出人與AI協同的創新主體結構性改變。人在創新戰略中往往提供定性經驗進行新產品開發的方向引導，而AI的自身特征與人的經驗結合形成創新主體。相比于其他數字技術，AI具有三個核心的創新特征：復合主體、自我生成和知識積累質變。首先，AI的復合主體特征是指AI兼具通用目的技術與社會主體這兩個方面的特征。在通用目的技術方面，AI有助于組織的價值創造和流程優化。在社會主體方面，AI的擬人化特征和倫理等原本適用于人類主體的特征在算法模型中體現，對組織應用AI的采用意愿、信任水平和技術效能等因素產生影響。其次，AI的自我生成特征是指AI基于數據、算法、模型進行快速反饋、即時調整。最后，AI的知識積累質變特征是指在AI生態系統中或智能制造模式下，數字技術需要與業務高度匹配，知識積累速度與以往的知識涌現相比呈現出質變。因此，AI創新主體結構性改變構建創新戰略變革的新基礎主要體現在以下兩個方面。

（一） 要素組合方式與知識積累方式的新變革

AI使決策和學習自動化，也促成了知識積累方式的新變革。將AI技術有機融入組織流程內，是解決AI技術在創新開發中遇到的問題的重要保障。在創新開發過程中，AI從與用戶的互動過程中，或是組織所在的生態系統中不斷收集實時數據。而嵌入產品中的AI，通過解讀這些數據，進行自然語言建模并作出預測，從而指導企業制定決策。借助算法，AI可以自動為用戶生成新的特定解決方案，并不需要人工干預。在這個循環中，伴隨著新數據的不斷采集，AI可以利用其學習能力優化其對用戶需求和行為傾向的預測精準度［28］。在AI驅動的系統中，較多創新相關知識是依靠算法自動化采集和積累，再將數據傳遞給AI。AI在解決問題的過程中整合來源多樣化的數據，這些處理和決策的過程又進一步促進開放式創新和分布式創新，從而形成有價值的生態系統。值得注意的是，AI增加知識積累的方式更多是探索新知識，而不是利用現有知識［29］。因此，人與AI協同的主體結構特征對創新戰略形成要素組合方式與知識積累方式的新變革，即人與AI協同的主體結構特征使得創新戰略層中，知識積累速度大大加快。AI在訓練數據后生成的算法模型可以基于現有數據，生成可以復用且有啟發性的新知識，拓展了以往組織與人通過探索式和利用式學習進行知識積累的方式。

（二） 企業AI 認知戰略的適應性匹配

人與AI協同的創新主體特征，使得企業AI認知戰略的適應性匹配成為產品創新戰略變革的新基礎。通過將AI認知戰略與競爭戰略、組織文化、商業模式和生態系統匹配，從而實現前中后端一體化的AI戰略性應用。在競爭戰略方面，技術需要與業務動態融合才可以獲得競爭優勢，AI技術在組織的競爭戰略指導下，嵌入產品創新業務的前中后端賦能，為組織帶來競爭優勢。在組織文化方面，基于資源基礎觀和動態能力理論，Lee等［9］認為，AI應被集成到組織的業務分析工具中，使企業跨越傳統的組織邊界，從而激發出數據驅動文化，極大地影響產品創新戰略和組織流程，帶動前中后端一體化動態協同，企業由此得以克服傳統的人力密集型創新流程的諸多限制。在商業模式方面，已有組織開發出基于AI的商業模式，這種商業模式為利益相關者創造了新價值，改變了整個原有的價值鏈的前中后端［30］。在生態系統方面，AI的引入讓組織的價值創造、傳遞和獲取過程超越了現有邊界，為產品創新的新活動和新流程提供了更為有利的運作環境，這一環境涵蓋了產品開發的前中后端。

可以說，在上述四類匹配中，AI認知戰略與競爭戰略的匹配處于首要位置，為企業提供競爭優勢，是認知戰略實現的首要條件，對于組織文化、商業模式和生態系統的匹配起著決定性作用。AI認知戰略與組織文化的匹配是企業內部運營層面的重要因素，在AI時代，企業需要建立開放、創新和包容的組織文化，以適應不斷變化的市場環境和技術進步。這種文化可以激發員工的創造力和創新精神，促進AI技術的研發和應用。AI認知戰略與商業模式的匹配是企業產品對投放及盈利的重要因素，企業可以借助AI不斷探索新的商業模式。AI認知戰略與生態系統的匹配是實現AI戰略性應用的全局性因素，AI時代的企業需要與其他企業、機構和政府等建立良好的生態系統，借助價值共創吸引多主體參與創新，從而突破傳統的價值鏈和創新模式，為自身競爭戰略的實施創造環境。這種生態系統可以促進信息共享、合作創新和共同發展。這四類匹配也是前中后端一體化的必要條件，四類匹配在前中后端分別均有體現，如企業在前中后端的產品開發行為均是在競爭戰略指導下進行的。AI的創新主體結構性變革，通過要素組合和知識積累兩種路徑，對產品創新戰略層變革產生重要影響。

四、AI 創新主體結構性改變對創新流程變革的影響

從創新流程角度來看，人與AI形成的協同創新主體帶來了有別于以往產品創新的三個新特征，即模糊前端的全流程擴散、需求—解決方案對的非線性迭代和智能制造的生成式自測。這三個新特征本質上是AI創新主體結構性改變對產品創新流程變革的三個關鍵性影響。

（一） 模糊前端的全流程擴散

產品創新模糊前端通常是指在新產品詳細設計和開發之前進行的機會識別、機會評估、創意生成、創意篩選和概念開發等活動，具有數據的非結構性、管理的動態性和決策的不確定性三個特征［31］。在產品創新中，有效地實施前端流程可以直接促進新產品的成功，如產品80%的成本是在模糊前端確定的。AI改變了模糊前端的創意分工，這種變革使創新流程更加專注于人類獨特的創新和解決問題能力，提升了前端活動的質量。AI介入對產品創新模糊前端的影響最明顯地體現在全流程擴散領域，如AI驅動的認知戰略使企業在產品創新中實時進行信念更新，因而產品的邊界始終處于流動狀態［32］，進而將模糊前端擴散到全流程中，因為企業有效利用AI技術創造價值的能力源于將AI創造性地綁定到新的或改進的流程中的能力。因此，AI的應用需超越單一業務單位而覆蓋到整個運營流程中，包括產品創新的創意生成、設計開發和測試與商業化等環節。如通過機器學習的Apriori算法與LDA和QFD技術相結合，利用文本挖掘和分析方法，企業獲取用戶在線評論中包含的顧客需求和市場競爭的客觀信息，將其轉化為數據并輸入到模型中來推動產品創新［33］。又如在模糊前端階段，參與產品概念開發的員工通常較少，AI作為社會主體參與到該階段中也可以彌補員工在創意上的不足。然而，模糊前端的全流程擴散可能會在后續的開發過程中增加因為模糊性而導致的部門間沖突，AI技術黑盒特征會導致其產出的產品概念加重人的理解負擔，員工會擔心增加模糊前端在產品創新中的誤導性，從而抗拒對AI 的使用［34］，這就需要對AI模糊前端的全流程擴散進行治理。

可以認為，在模糊前端階段，用于決策的信息通常是定性的、非正式的和不精確的，AI的分析能力可以有效地處理這些信息，提供更深入、準確的洞察，幫助決策者更好地理解市場和用戶。在AI情境中，由人與AI構成的雙創新主體在保持人對于產品創新的經驗、直覺和理解的同時，凸顯了AI快速反饋與實時調整的生成性，在知識的本地搜索與遠程搜索過程中，人受到AI的啟發，產生以前從未想過的產品創意。由此，知識被重組為創意網絡，在后續設計原型和測試產品的流程中，創意網絡中的產品的多種可能性始終保留，以便員工隨時對產品細節進行按需調整。AI的跨業務單元特性使得模糊前端的可能性擴散到產品創新全流程的各個環節，打通產品創新相關各部門的創意壁壘，使其“用同一種語言說話”，AI在其中扮演著通用目的技術與社會主體的復合身份。

（二） 需求—解決方案對的非線性迭代

需求—解決方案對本質上是一個問題解決過程，是指在不預先將問題形式化的前提下，企業員工通過搜尋和聚合信息，構建需求和解決方案景觀。如果從解決方案中獲得的收益不低于在該配對中提供解決方案的成本，則該配對是可行的［35］。AI技術的介入改變由人主導的信息聚合和知識積累方式，以不透明的認知形式產生更多樣化的需求與解決方案匹配場景，如AI模型快速反饋和實時調整的生成性為異質性知識提取提供了豐富的機會，使新產品開發團隊能夠將一個模型應用于多種任務。由此，通過擴展產品創新團隊可以操作的需求和解決方案空間，AI使組織能夠發現問題和解決方案之間更多的潛在聯系［36］。用戶出于自身需求、經驗和專業知識對產品進行超前改進，企業產品開發人員在市場上利用AI同時挖掘全域用戶對于新產品的需求和解決方案信息，判斷需求的普遍性和解決方案的商業化可行性，從而實現產品創新的新型創新分工［37］。在此過程中，AI的文本摘要、情感分析和用戶洞察感知能力在理解給定文本中的重要聯系并提取相關信息和知識方面起著關鍵作用。

以智能商業為例，多方主體數據資源依托AI平臺進行松散耦合的互動，算法不斷迭代增強，使企業突破了“需求識別—問題解決”的傳統線性范式。AI可以管理非線性復雜關系、進行多任務處理、提高學習中的容錯率，也可以同時處理定量和定性信息。由此，AI技術應用的知識溢出效應會使多個產品領域相互連通，單品類產品的創新往往會啟發式帶動多品類產品的創新［32］。因此，AI對需求—解決方案對的影響體現在非線性迭代中，且這種非線性迭代體現在產品創新流程中的模糊前端與詳細設計開發階段，因為AI與人雙創新主體的介入使產品創新流程由傳統的線性模式變革為非線性反饋迭代模式，需求與解決方案將缺少明確的界限，一個階段的解決方案可能會成為下一個階段的需求，某一階段的需求也可能成為另一階段的解決方案，需求構成的創意網絡與解決方案構成的原型網絡在相互糾偏的過程中，構成下一輪適應性產品創新的迭代基礎。全品類產品大數據將會支撐AI精確識別需求，同時AI作為預測技術的本質將會推動對于解決方案的智能化識別，在非線性的迭代中形成多產品的需求—解決方案對協同創新網絡。

（三） 智能制造的生成式自測

產品創新流程的后端包括產品的測試、生產和市場投放，本文聚焦于測試和生產這兩個模塊，闡述人與AI雙創新主體結構性變革對產品創新流程后端的影響。在測試與商業化的后端，由人與AI深度協同進行測試與生產，構建物理實體、虛擬模型和表征物理—虛擬交互連接的人—網絡—物理實體系統，并在醫療保健、制造業和航空等眾多應用領域被使用［38］。由此，AI技術賦能的智能制造將測試與生產進行統合，具有自主適應和自我優化的特點，能夠在虛擬空間中進行實體產品的測試和改進，在缺少人為干預和控制的情況下獨立運行，并將最終成果投射回物理實體的世界。

人類數字孿生體從創新主體層為智能制造提供基礎，其應用包括但不限于生產數據收集和分析，基于RFID的生產監控和基于數字孿生的物理融合等。如面向智能制造的知識驅動數字孿生制造單元具備自我思考、自我決策、自我執行和自我完善的能力，可以實現智能工藝規劃、智能生產調度和生產過程分析與動態調節［39］。又如Sbai和Elboukhari［40］利用創造性對抗網絡，鼓勵生成性對抗網絡偏離現有的繪畫風格，從而生成原創的產品設計。創造性對抗網絡允許生成多樣化、非常規的產品，并重視產品的原創性，該模型提供的超過60%的生成設計被認為是由人類設計師創作的，表明生成性自測構成AI影響智能制造過程中產品開發的關鍵特征之一。

由此，在產品創新的后端，人與AI的深度互動和融合有助于AI在虛擬空間中展現其生成性，根據人類對于獎勵算法的調整，AI能夠適應性地將產品向更具創新性的方向進行優化，有助于提升AI的創造力。在產品測試的過程中，AI可以豐富人類在物理世界中開展的A/B test所形成的結論，利用算法實現產品的生成式自測。在智能制造的生產過程中，基于人類數字孿生體、動態知識庫和自學習技術，AI可以通過智能感知、模擬、理解、預測、優化和控制策略優化制造流程，使產品創新與制造流程更好地融合起來。

總之，AI創新主體結構性改變對產品創新流程變革的影響具有全流程、非線性迭代和生成性自測三個特征，形成產品創新前中后端一體化動態協同。首先，模糊前端的全流程擴散凸顯了AI在產品創新前端的動態介入，使創新流程變得更為流動、實時。AI的應用不再局限于單一的業務單位，而是覆蓋了整個產品創新流程。這種前端的擴散打破了原有的創新阻礙，為不同部門之間的協同創新提供了可能性。雖然AI在數據分析和創意生成方面具有顯著優勢，但需要注意在模糊前端擴散過程中保持協同的平衡，以防止部門間的沖突。其次，AI與人的雙創新主體通過異質性知識提取，產品創新團隊可以從中汲取靈感，形成一個多產品需求—解決方案對協同創新網絡。這種非線性的迭代模式使得需求與解決方案之間的邊界變得模糊，為下一輪適應性產品創新提供了迭代基礎。最后，人與AI的深度互動和融合構建了人類數字孿生體，為智能制造提供了基礎。在產品創新的后端，AI展現了其生成性，通過智能感知、模擬、理解、預測、優化和控制策略來支持自主的制造。這種生成式自測的方式使產品測試和生產變得更具自主性和適應性，并加速了產品從虛擬空間到物理實體的迭代過程。由此，AI應用使產品創新流程中的創意生成、詳細設計與開發、測試與商業化環節之間的門檻變模糊，形成流動、循環和反饋為特性的產品創新模式。這種整體流程的協同和動態性為企業提供了更為靈活、適應性更強的創新環境，也為產品迭代提供了更多可能性，人與AI的深度協同將成為推動產品創新的重要動力。

五、結論與展望

本文以大數據合作資產理論為基礎，從企業與用戶互動的適應性創新視角出發，提出大數據驅動的產品創新商務智能SSP分析框架，得到三個方面的主要結論。首先，從創新管理角度來看，AI本質上是融入企業戰略及創新開發，實現跨業務、跨流程、跨時間維度價值創造和產品創新的數字生態系統，人與AI雙向卷入形成要素組合與知識積累的雙向反饋式增強機制，使創新主體發生結構性改變，形成產品創新戰略與流程變革的新基礎。其次，AI認知戰略是指企業對AI價值及其實現方式的戰略共識及其管理行為。企業AI認知戰略需與組織競爭戰略、組織文化、商業模式和生態系統相匹配，進而共同影響AI在創新流程中的一體化應用。最后，與基于以往的技術進步和其他通用目的技術的產品創新管理相比，模糊前端的全流程擴散、需求—解決方案對的非線性迭代和智能制造的生成式自測，構成大數據驅動的產品創新流程的三個新特征。

基于上述三項研究，本文形成兩個創新點：一方面，將內生經濟增長理論和熊彼特的創新理論的主要思想，內嵌于大數據合作資產的基礎理論中構建SSP分析框架，通過突出AI對產品創新的推動作用，強調AI對產品創新的影響源于企業與用戶互動形成的大數據合作資產。AI通過要素組合與知識積累兩條路徑形成新的創新主體，形成人與AI的深度協同，進而形成大數據驅動的產品創新商務智能。由此，本文擴展了對創新網絡的理解，為內生經濟增長理論中有關知識傳播和產業互動的觀點提供了支持，認為AI作為通用目的技術與社會主體的復合主體參與產品創新，不僅是一種新的技術要素投入，還改變了企業要素組合的方式和知識積累的方式，推動了AI創新管理與大數據合作資產、內生經濟增長及熊彼特創新理論結合的交叉創新。另一方面，通過SSP框架，本文闡述了大數據驅動的產品創新商務智能實現機制，分析了產品創新主體、創新戰略和創新流程層AI的利用方式，以及三者之間的邏輯關系，剖析了人與AI雙向卷入、AI的戰略性使用和AI對于創新流程的重塑。研究表明，SSP框架較好地刻畫出大數據驅動的產品創新商務智能的特征和規律，可為AI與產品創新的關系研究提供新的分析視角。

在未來的研究中，可對SSP框架中的關鍵概念及內在關系開展操作化和驗證性工作，包括如何刻畫模糊前端的全流程擴散、需求—解決方案對的非線性迭代和智能制造的生成式自測，形成可操作的實證模型，擬考慮基于相關代表性文獻和實踐觀察來提取關鍵變量，形成商務智能領域的研究模型。同時，針對AI的戰略使用如何促使前中后端一體化從而影響產品創新績效的機制，形成可操作的變量和實證數據，也有待后續研究來完善。此外，AI融入產品創新商務智能之后，形成的創意網絡、原型網絡和產品網絡之間，以及三個網絡內部各個要素相互影響的機制，在本文中并未進行研究，有待未來深入探討。