人工智能赋能对创新绩效的影响路径——基于模糊定性比较分析

孙丽文，李少帅

（河北工业大学经济管理学院，天津 300401）

新一轮科技革命和产业革命由“导入期”向“拓展期”过渡［1］，为我国绝大多数企业加快向数字化和智能化转型升级、实现高质量发展提供了重大历史性机遇。作为新一轮科技革命和产业变革的战略性技术，人工智能（AI）强大的赋能特性能够与实体经济深度融合，成为经济社会发展的重要驱动力量［2］。2017 年7 月8 日，由国务院印发的《新一代人工智能发展规划》正式实施，为我国抢抓人工智能战略发展机遇指明了方向。同年11 月，科技部等多部门通过充分调研和论证，宣布依托百度、阿里云、腾讯和科大讯飞等企业分别建立自动驾驶、城市大脑、医疗影像及智能语音开放创新平台，此后又分两批次共增补11 家企业，其实践包含了人工智能创新应用和发展的诸多前沿探索；同时，上述15 家领先企业将人工智能赋能自身和外界，实现了人工智能相关产品和服务的爆发式发展、市场规模裂变式增加，突破千亿级别。那么，人工智能是如何通过赋能影响创新绩效的呢？国内外学者对此进行了较为广泛而深入的研究，并给出了多种视角下的解释，然而通过对现有研究成果的梳理发现，相关文献多假定影响创新绩效的因素（创新投入、数据驱动、企业战略等）之间属于相互独立关系，而且是单向线性影响关系，进一步借助数理统计、回归模型等研究其对创新结果的具体影响，如杜运周等［3］提出采用定性比较分析方法，但影响因素之间通常是通过相互作用、共同导致创新结果的发生，并不是由某特定因素单独决定，因此，非常有必要研究影响因素之间如何组合和相互作用、共同影响创新绩效。本研究以我国15 家国家人工智能开放创新平台依托企业的生动实践为研究样本，采用定性比较分析方法探索人工智能赋能对创新绩效的具体影响路径，并研究每条路径的影响因素如何组合和相互作用，以期为深化研究人工智能赋能机理、加快高质量发展提供参考。

1 研究框架的构建

从创新绩效的影响因素视角看，人工智能赋能创新绩效是技术突破阈值并与创新应用深度融合的具体体现，是数据规模迅速扩张和数据价值被深度挖掘的必然结果，是企业基于人工智能构筑全新竞争优势的战略决策［4］。因此，人工智能赋能创新绩效是技术层面、数据层面和企业层面多种因素共同作用的结果，本研究将其视为驱动创新绩效的前因。

1.1 技术层面因素的影响

从技术层面考察人工智能赋能对创新绩效的影响，依据研究视角差异可分为两类研究。一类研究从技术专利出发来探讨人工智能技术的赋能行为，认为人工智能技术专利不仅是技术创新能力的核心载体和直接体现，更是赋能创新绩效的根本动力［5］。技术专利中的创新发明和技术解决方案既能够催生新兴商业模式和经济新业态，也能够为创新绩效的实现提供强大技术支撑［6］。有研究表明，人工智能技术专利的布局及实施集中于计算机视觉、自然语言处理、智能机器人和机器学习等主要领域，能够对相关企业的创新绩效产生直接的推动效应［7］。另外一类研究从技术扩散及应用实践出发，认为技术赋能效应发挥往往受制于技术扩散及共享程度。开放平台能够助力技术实现快速扩散和共享，受到政府、科技巨头等各方关注并获得稳定的资本支持，推动人工智能从技术优势向市场优势转化，最终形成以人工智能核心技术为支撑的发展新格局［8］。人工智能技术专利和技术开放平台在很大程度上简明反映了人工智能技术与创新绩效之间的关系，揭示人工智能技术对创新绩效的内在影响，因此，本研究在技术层面选取这两个变量作为具体前因变量。

1.2 数据层面因素的影响

从数据层面对人工智能赋能创新绩效的驱动因素的研究同样可分为两类。一类研究从数据资源支撑视角探讨人工智能技术对创新绩效的影响，认为建立和完善数据基础设施对创新绩效路径形成具有战略意义［9］。有研究发现在智能经济时代，创新绩效更加依赖于对数据资源及数据设施的掌控能力，具有超大规模数据资源的领先型企业也更倾向于建立和完善数据设施［10］，以构建“数据护城河”；而那些无力建立庞大、完善的数据设施但在细分领域优势明显的后发型企业，则更倾向于与领先企业合作以获取对数据基础设施和数据管理设施的使用权限，通过“引流”实现高起点起步。另外一类研究从数据驱动视角探讨数据管理机制对创新绩效路径的影响，认为数据管理机制是提升企业创新绩效的关键因素［11］。朱东华等［12］提出大数据环境下面向技术创新管理的双向决策模型，并认为数据管理机制的建立使领先型企业获得了数字化升级的组织保障。在数据管理机制指引下，领先型企业构建起涵盖众多领域和场景的数据生态体系，并通过吸纳更多利益相关者融入持续拓展数据生态体系覆盖范围，进一步优化数据管理机制并加速创新绩效的实现和提升［13］。可见，构建基于数据驱动的管理机制不仅成为领先型企业实施数字化转型的组织保障，更是提升创新绩效的根本前提。综上所述，数据基础设施和基于数据驱动的数据管理机制是人工智能赋能创新绩效的重要因素，因此，本研究在数据层面选取这两个变量作为具体前因变量。

1.3 企业层面因素的影响

从企业发展角度看，人工智能赋能创新绩效路径的形成及差异是企业战略决策的行为体现。首先，人工智能极大地解放了劳动生产力，改变了组织和个体成员的关系，组织职能因此由控制转向激励、由监管转向赋能，同时数字赋能（digital empowerment）等特征成为组织结构优化的重点关注因素［14］。组织职能转变在领先型企业中体现尤为明显，领先型企业向激励型和赋能型组织转变越充分，组织结构动态调整能力越强，越能够广泛吸纳相关利益者加入，培育和增强企业的创新能力和动态响应能力，从而使组织结构趋向合理［15］；其次，人工智能使企业的营销战略迈向全场景和精准化，在破除社会化媒介时代传统营销模式的壁垒的同时，也积极探索由人工智能引领的新型营销体系［16］。一是由领先型企业建立智能营销平台，全力疏解因媒介高度碎片化、媒体重合度高等导致的用户洞察难度增加的困境［17］；二是企业借助人工智能加快实现营销渠道的整合与联动，推动线上和线下营销的深度融合［18］。无论是构建智能营销平台，还是整合营销渠道、实现营销联动，核心目的都在于通过对消费者的精准洞察和及时的供需匹配促进资源实现高效配置。再次，企业以增强服务能力为导向，将战略重心由提供具体服务转变为能力培植。公有云（public cloud）由于灵活高效和共享的特点，能以低廉的价格将服务提供给终端用户并创造巨大价值，因此成为互联网巨头、AI 独角兽等领先企业的战略布局重点。有研究表明，企业通过提供云服务不仅能够实现业务增值，而且能够整合上游服务和下游用户，形成全新的服务升级路径［19］。同时，领先企业以优化服务关系、提升服务质量为导向，打造以人工智能技术为关键支撑、覆盖广泛应用场景的卓越服务生态系统，促进相关企业服务能力提升［20］。

综上，本研究构建人工智能赋能对创新绩效影响的理论框架如图1 所示。

图1 人工智能赋能对创新绩效影响的理论框架

2 基于定性比较分析的研究设计

2.1 研究方法

定性比较分析法（QCA）从集合理论中衍生，目前已成为社会科学研究领域最新兴起的研究分析方法。该方法有效整合了定性分析和定量分析两种方法的优势，其分析逻辑可表述为基于一定数量的跨案例比较，归纳出不同集合之间的普遍隶属性［21］。定性比较分析关注跨案例的多重并发因果关系，即当多个原因同时出现时，可构成导致某个结果的原因组合，而且具体给定的原因组合或许并不是产生特定结果的唯一路径，这与主流以宏观统计为核心的条件假设完全不同［3］。概括来讲，定性比较分析法具有三大优势：第一，把待研究对象抽象为不同因素组合，采用集合论的思想来判别因素所属集合的隶属关系；第二，集合论思想下的隶属关系本质上属于非对称关系，同一个结论可能可对应多个路径，即具有多重并发因果性；第三，作为定性研究的升级版，除保持对质性关注，更加入了科学的统计验证，突破了以往案例研究结果难推广和定量研究要求严苛而忽略整体性，从而不易从本质上反映多重并发因果关系的局限［3］。

本研究运用定性比较分析法主要出于以下考虑：其一，驱动人工智能赋能对创新绩效的影响不仅仅是单个因素，而是多种因素交互的结果，但现有数理统计分析对解释条件非独立而相互依赖的现象存在缺陷，因此应采用基于集合论的思想，利用因素组合的方式进行探索［22］；其二，在人工智能赋能创新绩效过程中，技术层面、数据层面和企业层面三者之间可能存在共同驱动同一条创新绩效路径的等效因果链，QCA 认为实现特定结果的路径是多样化的，核心条件相同、边缘条件不同或者是核心条件不同的组态间都可能构成多个等效组态，而并不存在唯一最优解［23］；其三，本研究的样本容量属于中小级别（10～40），因此难以对众多因素进行跨层次分析，而QCA 以布尔运算为根本，其结果的稳健性只取决于样本是否涵盖代表性个体而非样本容量大小，并且能够进行跨层次分析［24］。

2.2 数据收集

研究样本为国家新一代开放创新平台所依托的15 家企业，样本数据收集渠道主要包括：（1）政府部门发布的相关统计报告，从工业和信息化部2019 年发布的《人工智能中国专利技术分析报告》中筛选出样本企业的人工智能专利申请量；（2）管理咨询公司、互联网数据研究机构发布的统计报告，主要包括普华永道发布的《2018 年全球创新1000强报告》、国际数据公司2019 年有关研究报告以及Synergy Research Group 发布的2019 年云计算研究报告，收集样本企业主要人工智能产品和服务的盈利数据、在我国公有云服务市场的占比情况等数据信息；（3）样本企业官方网站及其开放创新平台网站，根据网站公布的信息汇总整理企业基于数据驱动的管理机制主要构成、人工智能开放创新平台对外输出技术数量；（4）企业公开会议以及新闻报道等，收集统计企业服务对象和合作伙伴规模；（5）官方和主流媒体等权威媒体的新闻报道等，据此查询企业目前所建立的数据中心数量1）。

在实际操作中，某一指标数据仅依靠以上单一途径难以获取完整的数据信息，需要通过其他途径进行补充。同时，因本研究采用的部分指标和评价方式较为新颖，如影响程度、职能转变及架构重塑等比重类指标在现有研究中几乎很难找到相应参考，需要通过深入分析企业发展情况、文本统计特征以确定相应的取值。以上数据获取渠道的权威性和多样性保证了研究的规范性和科学性。

2.3 数据分析

2.3.1 fsQCA 分析步骤

QCA 可分为清晰定性比较分析（csQCA）和模糊定性比较分析（fsQCA）。在清晰集中，“1”表示样本隶属于该集合，“0”表示样本不隶属于该集合，某要素在特定领域中只能属于或者不属于该集合，因此是样本间完全质性的区分；而模糊集则允许取0～1 之间的部分隶属分数。本研究采用fsQCA 方法，分为3 个基本步骤：首先，把前因条件和被解释变量转变为集合数据。基于理论和实际情况，把各项条件和结果的原始数据校准为相应的模糊集隶属分数［25］；其次，识别所有能导致结果的前因条件组合，即通过确定相应的评判标准和阈值，把与结果关联的前因条件组合筛选出来，对于特定条件组合，若前因条件组合与结果变量的关系大于所设定阈值（隶属度大于0.5），那么表明该前因条件组合与结果变量有相关关系，能够反映彼此复杂的因果关系［22］；最后，通过评估结果的模糊子集一致性（Consistency）进行必要条件和组合条件分析，在确定具体条件组合的相关关系后，进一步通过一致性指标评估条件组合对结果影响路径的稳定性［26］。测度条件组合构成结果的模糊子集一致性公式如下：

式（1）中：Xi表示第i个样本在条件组合X中的隶属度；Yi表示第i个样本例在条件组合Y中的隶属度；Min(Xi,Yi)表示Xi和Yi两者中的最小值。通常情况下，满足充分条件一致性和合理水平为0.75，也有较为严格评判标准要求一致性达到0.80［27］。

2.3.2 变量测度

运用fsQCA 方法需要用最少的变量反映最多的信息，因此控制变量的总量非常重要，尤其是在中小样本容量（10～40）的研究设计中，这同样符合简约条件的常规论点，即解释特定现象的因素越少越接近因果机制的核心因素，越容易发现事情的本质和原因。基于以上对驱动因素的分析，同时为避免有限多样性问题，最终选取技术能力、技术开放、数据设施、数据机制、职能转变、架构重塑、服务能力、服务生态、营销平台及渠道整合10 个变量为前因变量，选取创新绩效为结果变量（见表1）。在测量结果中，集合分数处于区间［0～20%］的为较小（或较弱），［>20%～40%］为一般，［>40%～60%］为较大（或较强），［60%以上］为很大（或很强）。

表1 变量解释说明

（1）技术能力。专利申请能够在很大程度上反映技术的综合水平［28］，因此，根据工业和信息化部2019 年发布的《人工智能中国专利技术分析报告》，筛选出15 家样本企业的人工智能专利申请量以反映其整体技术能力。

（2）技术开放。技术开放体现人工智能对外技术赋能的能力，采用创新平台开放的AI 技术能力数量表示。

（3）数据设施。数据设施反映企业对数据资源的重视和投入，用企业建立的数据中心数量测度，数据中心数量越多表示对数据资源重视程度越高、投入越大。

（4）数据机制。数据机制即企业基于数据驱动所建立的管理机制，如小米DWN 和ADS 数据仓库管理机制。

（5）职能转变。即企业组织职能向激励和赋能型组织转化程度。

（6）架构重塑。架构重塑体现企业对产业组织形态的影响能力［29］。

（7）服务能力。服务能力反映企业的云服务实力，采用公有云服务市场份额进行测度［30］。

（8）服务生态。服务生态反映企业人工智能服务网络覆盖程度，可用服务对象和合作伙伴规模予以测量。

（9）营销平台。营销平台反映企业构建智能营销平台的资源投入强度。

（10）渠道整合。渠道整合反映企业拓展和整合营销渠道的资源投入强度。

（11）创新绩效。创新绩效反映人工智能赋能的经济效应，借鉴何小钢［31］的研究思路，选取人工智能相关产品和服务总体营收为测量指标。

2.3.3 变量校准

定性比较分析与统计方法不同并且至关重要的步骤便是变量校准，这是由于未被校准的变量仅能够反映样本间的相对位置，而不能把优劣加以区分，定性比较分析通过设定目标集合并对变量进行校准，能够使其转化为目标集合介于［0～1］之间的隶属分数。模糊集分数表示不同样本属于某集合的程度，包括两个定性状态：完全隶属和完全不隶属。模糊隶属分数为1 表示“完全属于某集合”，接近1 表示强隶属关系；若模糊隶属分数处于［0～0.5］，则表示样本隶属于该集合；若隶属分数为0，则表示完全不隶属与该集合。fsQCA 结合了定性分析与定量评价，0 和1 属于定性赋值，0.5 也是定性定位，是评估样本属于或不属于某集合的最大模糊点，校准后处于［0～1］的为部分隶属。

fsQCA 把变量校准为集合隶属分数首先要设定3 个锚点：完全隶属、最大模糊点和完全不隶属，从而使每个变量校准后都以集合隶属分数的形式处于［0～1］区间。参考Ragin［32］、Fiss［33］等学者的研究成果，在校准锚点选取中充分考虑研究所依据的理论基础、数据分布特点，第1 个锚点可按照10%分位数、20%分位数及上四分位数等进行取值，第2 个锚点可按照平均值、中位数等进行取值，第3 个锚点可按照下四分位数、80%分位数、90%分位数等进行取值。运用SPSS 软件，样本变量校准隶属分数结果如表2 所示。

表2 样本变量的分位数分析

在充分考虑所依据理论和样本数据分布特点的基础上，参考Ragin［32］、Fiss［33］的做法，将技术能力和数据设施两个前因变量的3 个锚点分别设置为上四分位数、平均值和下四分位数；将技术开放、服务能力、服务生态及创新绩效4 个前因变量的3个锚点分别设置为上四分位数、中位数和下四分位数；将数据机制、职能转变、架构重塑、营销平台及渠道整合5 个前因变量的3 个锚点分别设置为10%分位数、平均值和90%分位数。各变量校准锚点取值标准及数值如表3 所示。

表3 样本变量校准锚点取值标准及取值

确定各变量校准锚点后，在fsQCA 软件中对前因变量和结果变量执行校准命令，使它们转化为隶属度分数并落在［0～1］区间。如表4 所示。

表4 样本变量校准后的集合隶属度分数

3 结果分析与路径发现

3.1 单项前因条件的必要性分析

模糊集在条件组合分析前需要进行必要性检验，以验证单个前因变量是否为引致结果变量的必要条件；若某条件变量是引致结果变量的必要条件，那么其必定会被纳入构型之中。必要条件可通过观测分析前因变量对结果变量的一致性分值得到，可理解为经典回归统计分析中的系数显著。通常情形下，若一致性分值不小于0.85，就可认为该条件属于必要条件，而较严格的标准认为只有不小于0.90 才能被认为是必要条件，本研究为增加对前因变量的识别能力，将一致性分值设为0.90。检验结果如表5所示，可看到所有前因变量作为必要条件的一致性均小于0.90，表明不存在单个前因变量是导致结果变量不可或缺的组成部分，影响创新绩效的构成需要视实际情形而定。

表5 样本各前因变量对结果变量影响的一致性得分

3.2 人工智能赋能对创新绩效的影响路径

经过fsQCA 实证分析后会得到不同简化程度的结果：复杂解（complex solution）、中间解（intermediate solution）和简单解（simple solution）。其中，复杂解没有对构型进行简化，较为复杂，若把复杂解引入创新绩效路径分析会变得非常繁琐也无法反映本质；简单解则由于条件较为宽松，甚至有可能把很多较为重要的必要条件也精简掉，因此结果会出现与理论或者实际不相符的结果。相比而言，中间解则会根据研究者的理论储备和实践经验，把具有重要意义的逻辑余项纳入最终结果，其优势在于不允许删去必要条件，即任何构成结果的集合以及作为必要条件的有意义条件，得到的结果具有较好的启示性和普适性［34］。因此，在利用fsQCA 进行研究时，中间解被大多数研究者所采纳。

从广义上来讲，以上3 种类型的解（solution）对于分析问题都是有价值的，通过比对不同解的构成往往更具有启示意义。本研究根据Fiss［23］对前因变量的分类，把所有只在简单解中出现的前因变量界定为核心要素（core condition），把所有只在中间解中出现的前因变量界定为非核心要素（peripheral condition）。其中，核心要素是本质的、不可或缺的，而且核心要素往往与所要研究的结果变量存在很强的因果关系；非核心要素相对于核心要素而言是具有可替代性的，非核心要素与结果变量之间的因果关系较弱。运用Ragin［22］提出的逻辑方案表整理结果，并依据核心要素对中间解的所有条件组合进行划分，最后筛选出来的因素组合如表6 所示，较为清晰揭示出人工智能赋能对创新绩效影响的具体路径，每条路径都代表特定的因素组合。可以看到，5条路径的覆盖度分别为0.505、0.507、0.578、0.673、0.620，表明每条创新绩效影响路径的实现均有超过一半的样本参与，各路径整体分布较为均衡；5 条路径的一致性水平均超过0.8，表明每条路径的因素组合可认为是影响创新绩效的一致充分条件，同时整体创新绩效影响路径一致性也满足充分一致性水平。由此，归纳人工智能赋能对创新绩效影响的5种实现路径：

表6 样本企业人工智能赋能创新绩效影响路径

（1）技术支撑型路径：［Tskill*］［Topen*］［Decent*］［Ochan］［Sabli］［Secol］［～Mplat］［～Minte］。

方案1 表明技术能力、技术开放和数据设施共同发力是赋能创新绩效的充分条件。百度、阿里云以及腾讯公司共拥有超过1 000 余件AI 专利和10 多个大型数据中心，拥有雄厚的技术积淀和硬件设施，通过创新开放平台对外输出超过100 余项的AI 技术能力，加速自身所在产业链以及密切相关产业的生产方式由劳动密集型向技术密集型转变，同时强化服务能力和建立服务生态也能促进创新绩效的大幅提升，而不需要对营销和组织领域过多关注。

（2）数据驱动型路径：［Dcent*］［Dmech*］［Ochan*］［Sabli］ ［Minte*］。

方案2 表明人工智能可依托数据设施、数据机制、服务能力、职能转变和渠道整合促进创新绩效的实现。具体而言，将数据基础设施和数据管理机制作为核心要素，将数据资源视为重构生产关系和形成新型生产力的关键，革新市场分工格局，并将服务能力提升、组织职能转变和营销渠道整合为重要辅助，以实现更好的经济效益和数智化升级。由于数据驱动型路径的关键在于建立数据设施和基于数据驱动的管理机制，因此具有海量数据资源、强大数据挖掘和分析能力的领先型企业成为该路径的主力军，有50.7%的样本企业通过该路径，如阿里云、腾讯公司等，亦有部分企业通过加入由互联网巨头构筑的数字生态系统，在拓展营销渠道、提升市场盈利能力的同时也积极推进向数字化和智能化转型的进程。

（3）组织变革型路径：［Tskill*］［Dmech］［Ochan*］［Oremo*］［Mplat］［Minte］。

方案3 需要架构重塑、职能转变、技术能力、数据机制及营销领域的协同发力，以推动组织职能转变和组织架构重塑为核心，使组织职能由监管控制向激励赋能转变，组织架构由刚性科层制向柔性架构转变，以充分释放组织创新活力、增强对环境变化的快速适应能力；同时，也需要灵活运用非核心要素，如通过汇聚组织内外部运行数据、打通“数据孤岛”，以多元化数据引导和辅助组织的职能转变以及架构重塑，也可通过智能营销平台和营销渠道整合提升组织变革对创新绩效的实际效果。有57.8%的样本企业通过该路径，形成了较强的市场盈利能力。

（4）服务生态型路径：［～Tskill］［～Dcent］［Dmech］［Sabli*］［Secol*］［Minte*］。

方案4 要求从数据机制、服务能力、服务生态和营销渠道整合同时入手，即以提升服务能力和构建完善的服务生态为核心，利用人工智能技术提升现有服务水平和拓展新型服务，并构建优质高效的服务生态，实现更佳的服务感受、更低的服务成本、更短的响应时间和更高的服务效率。在非核心要素中，可通过关注基于数据驱动的管理机制和打通线上线下营销渠道，以提升服务生态对创新绩效的效果，而不用对技术专利规模和数据硬件设施建设投入过多的精力。有67.3%的样本企业通过该路径，实现了服务体系的整体性提升。服务生态型路径适合现有服务体验较差或新型服务体系建设难度较大的相关企业。

（5）营销整合型路径：［Tskill*］［Dcent］［Dmech］［Ochan*］［Mplat*］［Minte*］。

方案5 几乎包含了所有层面的驱动要素，强调对技术、数据、组织、服务及营销的均衡投入。该路径表明人工智能通过营销促进创新绩效是一个综合性极强的过程，不仅需要以构建较为全面的智能营销平台、整合既有营销渠道、先进的核心技术支持、促进利于营销变革的组织职能（激励和赋能）转变为核心要素，而且需要同时关注对数据资源的有效运用，为营销模式等变革提供精准可靠的数据支撑，畅通产品和服务流通渠道，使供需双方之间更加匹配与和谐。有62%的样本企业通过该路径，创造了巨大的商业价值。

4 结论

本研究首先从影响创新绩效的因素出发，从技术层面、数据层面和企业层面系统回顾与梳理了人工智能赋能影响创新绩效的相关研究，并构建起人工智能赋能对创新绩效影响的理论框架，进一步以国家新一代人工智能开放创新平台所依托的15 家企业为研究样本，采用fsQCA 方法深入探索，得到人工智能赋能对创新绩效的5 种影响路径。主要研究结论如下：

第一，人工智能赋能创新绩效路径可归结为技术支撑型、数据驱动型、组织变革型、服务生态型和营销整合型。（1）技术支撑型路径以技术能力、技术开放和数据设施为核心要素，注重数据和技术（研发、扩散和共享）之间的相互协同，而不需要对营销和组织领域过多关注；（2）数据驱动型路径以数据基础设施、数据管理机制、职能转变和渠道整合为核心要素，依靠对数据资源的充分挖掘和深度运用，实现较好的创新绩效；（3）组织变革型路径以组织职能转变、架构重塑和技术能力为核心要素，强调利用人工智能推动组织职能转向激励和赋能，以及对内部架构的重新设计；（4）服务生态型路径以服务能力、服务生态和渠道整合为核心要素，尤其强调通过提升服务能力和优化服务体验等方式形成卓越的服务生态，而不用对技术专利和数据设施投入过多精力；（5）营销整合型路径强调所有层面的均衡投入和协同作用。由于不同领域的企业对营销的需求不同，在技术能力、数据资源、生态搭建等方面也存在明显差异，因此需要结合具体情形并实施相应的营销整合策略。

第二，人工智能赋能创新绩效路径为现有产业加快实现数字化和智能化转型提供了选择空间，为人工智能助推高质量发展提供了有益启示。（1）高端制造企业、汽车制造企业等可采取技术支撑型路径，将人工智能赋能技术体系，推动研发设计、生产制造等环节更加高效智能，整个技术体系迈向数字化、智能化；（2）大数据、机器学习等新兴技术使数据获取渠道更加便捷多样、数据存储和使用成本降低，同时数据蕴含的价值增加，大多数企业都可采取数据驱动型路径，借助人工智能技术构建和完善以数据驱动为核心的生产、管理及服务体系，以数据驱动提升自身生产运行效能；（3）对于组织架构不合理并且尚未高度固化的多数企业来讲，均可采取组织变革型路径，通过人工智能加快组织架构变革，打造数字化和智能化组织结构体系；（4）在实际中，服务生态型路径往往适用于两种类型的企业，其一本身就是以追求极致体验的服务型企业，其二是将服务作为向数字化和智能化转型的重要战略补充的企业，如生产性服务业企业，这两种类型企业都可借助人工智能建立新型服务生态体系，促进相关服务质量和效率的整体性跃升；（5）几乎所有企业目前都面临媒介高度碎片化、用户洞察难度增加等营销困境，可结合所在行业特征和自身实际，灵活采用营销整合型路径，通过人工智能深度洞察消费者需求、建立供需双方的精准对接，拓宽和开辟营销新模式，最终实现资源供需间动态平衡。

注释：

1）文中的数据中心数量只包括在国内建立的，不包括在国外建立的。