📝 英文题目：AI-augmented dynamic capabilities for digital innovation under risk: Unveiling predictive insight and uncertainty absorption mechanisms
📚 来源期刊：Technology in Society
🗓 发表时间：2026-09-30
✍ 作者：Fuqi Zhao, Nourah O. Alshaghdali, Varun Chotia, Hawazen Almugren
🏆 期刊等级：SSCI Q1 · JCR Q1 · 中科院 管理学2区 · TOP 管理学TOP · EI检索 · Scopus
📌 本文看点
01
AI-augmented dynamic capabilities
02
predictive insight
03
uncertainty absorption
BACKGROUND
研究背景
问题提出
动态能力观（DCV）强调企业感知机会、抓取机会、重组资源以应万变，而 AI 被认为能放大这三种能力。但已有研究多把 AI 当成「分析工具」一笔带过，没说清 AI 到底通过什么中间机制、在什么边界条件下变成数字创新成果；更没人区分「当下绩效」和「抗冲击韧性」两种不同结果。
难点剖析
AI 产出预测不等于组织会行动。预测洞察是认知能力（把数据变成前瞻），不确定性吸收是组织能力（把前瞻解释、赋权、协调成一致的战略动作）——中间隔着管理诠释、治理结构与跨部门协同。这条「认知→组织」的转化能否发生，是本文要检验却可能塌掉的关键环节，也是对 PLS 链式中介能否跑通的硬考验。
理论脉络
动态能力观（Teece）+ 微观基础视角（把能力拆到管理者认知与组织流程层）。两类新构念：AI 驱动预测洞察能力（APIC，上游、生成前瞻）+ 战略不确定性吸收能力（SUAC，下游、把前瞻变成一致战略行动）。再引入感知创新风险（PIR）作为情境调节。
METHOD
研究方法
理论模型
AI 增强动态能力链（见图 Figure 3 验证后模型）：三项上游 AI 能力——AI 增强感知（AISC）、算法机会抓取（AOSC）、AI 重组（AIRC）——共同驱动 AI 驱动预测洞察（APIC）；APIC 再驱动战略不确定性吸收（SUAC）；SUAC 分别指向数字创新绩效（DIP，近端效率结果）与数字创新韧性（DIR，远端抗冲击结果）。假设 APIC→SUAC→DIP/DIR 的链式中介，以及感知创新风险（PIR）调节 APIC→SUAC。
研究假设
H1–H3：AISC / AOSC / AIRC 正向影响 APIC（预测洞察）。 H4：APIC 正向影响 SUAC（不确定性吸收）。 H5：SUAC 正向影响 DIP（创新绩效）。 H6：SUAC 正向影响 DIR（创新韧性）。 H7a–H7c：AISC/AOSC/AIRC → APIC → SUAC → DIP 链式中介。 H8a–H8c：AISC/AOSC/AIRC → APIC → SUAC → DIR 链式中介。 H9：PIR 正向调节 APIC → SUAC。
分析策略
偏最小二乘结构方程模型（PLS-SEM，SmartPLS 4）；N=286 的组织受访者横截面数据，达 Westland 样本量建议；Bootstrap 检验中介与调节；共同方法偏差以全共线性与 HTMT 诊断。
DESIGN
实验设计
数据收集
横截面问卷调查，最终有效样本 286 名组织受访者（管理者、技术与分析岗位、运营/营销/咨询/工程/创新相关职能）。覆盖 IT 软件、制造、交通物流、电信、咨询、医疗、教育、金融、零售、工程等多行业，含大中小企业与不同 AI 采用阶段。仅保留能证明自己确实接触过 AI 辅助决策过程的受访者以提升关键知情者效度。
研究样本
286 人；男性 67.5%；年龄 31–40 岁占 36.4%（20–30 岁 18.9%、41–50 岁 23.8%、51 岁以上 21.0%）；学历以本科 35.7% 为主，硕士 17.8%、高中 21.7%、博士 2.8%。行业高度多元、数字密集。
测量工具
8 个构念（AISC/AOSC/AIRC/APIC/SUAC/PIR/DIP/DIR）题项改编自既有文献，全部 5 点 Likert（1=非常不同意，5=非常同意）；所有题项因子载荷 >0.7。
RESULTS
结果与分析
信效度检验
信效度达标：Cronbach‘s α 全部 >0.70，组合信度 CR 全部 >0.70，AVE 全部 >0.50（如 APIC α=.924/CR=.943/AVE=.767，DIR α=.921/CR=.941/AVE=.761）。区分效度：Fornell-Larcker 临界越界两对（AISC–AOSC 相关 .857 > AISC√AVE .856；AOSC–AIRC .832 > AOSC√AVE .826），系 AI 动态能力维度高度相关所致，概念上保留；HTMT 多数 <0.85，有四对（AOSC–DIP .884、AIRC–DIR .881、AISC–AIRC .862、AISC–AOSC .856）超严格 0.85 但均 <0.90。共同方法偏差：全共线性 VIF<3.3、变量相关 <0.9，CMB 不严重。模型拟合为 PLS 默认（无全局拟合指数，以路径系数与 BootCI 为准）。
假设检验
H1–H3：三项 AI 能力 → 预测洞察（APIC） — AISC β=.184*；AOSC β=.507***（影响最强）；AIRC β=.189* → 全支持
H4：预测洞察 → 不确定性吸收（SUAC） — β=−.168, p=.310 → 不支持
H5：不确定性吸收 → 创新绩效（DIP） — β=.053, p=.254 → 不支持
H6：不确定性吸收 → 创新韧性（DIR） — β=.227*** → 支持
H7a–H8c：AISC/AOSC/AIRC → APIC → SUAC → DIP/DIR 链式中介 — 6 条 β 介于 −.002~−.019、p 均>.40 → 全不支持
H9：感知创新风险（PIR）调节 APIC → SUAC — 交互 β=.109, t=2.482, p=.013 → 支持（高感知风险下正相关更强；该调节不延伸到链式中介路径）
CONCLUSION
总体结论
研究结论
1. AI 三项能力都显著增强预测洞察，且「算法机会抓取（AOSC）」贡献最大（β=.507）——光会采集数据不够，能快速把算法判断转成行动才算数。 2. 但预测洞察不会自动变成组织结果：APIC→SUAC 不显著、SUAC→DIP 不显著、整条链式中介全塌。技术能力≠组织结果，中间缺的是管理诠释、治理、跨部门协同等互补机制（本文未建模测量）。 3. 唯一站稳的直接路径是 SUAC→DIR（不确定性吸收 → 创新韧性，β=.227***）：AI 价值主战场是「动荡中维持并适应创新」，不是「立刻提升绩效」。 4. 边界条件：高感知创新风险下，预测洞察才被真正吸收进战略行动（H9）。所以 AI 在越不确定的项目里，回报才越明显——别指望它在所有场景稳赚。
研究局限
① 横截面设计，无法捕捉 AI 能力随时间的动态演化与长期影响；
② 数据为个体受访者主观感知，存在认知偏差，虽经 AI 接触筛选缓解，仍宜与客观指标/多源数据交叉；
③ 核心边界未建模——「把预测洞察变成一致战略行动」的组织机制（AI 治理、管理诠释、实施就绪度、决策归属、跨部门整合）既未操作化也未测量，所以 APIC–SUAC 不成立只能归因于「链条不完整」，无法指认是哪块互补机制在补；
④ 样本跨多行业但未按行业、企业规模、数字成熟度、AI 阶段分层，这些情境差异可能改变能力转化；
⑤ 链式中介全不成立提示还可能有其他中介（管理认知、组织学习、数字成熟度等）未被纳入。
未来展望
做纵向研究跟踪 AI 能力演化；用客观指标+多 informant 设计提升外 validity；把 AI 治理、管理诠释与意义建构、实施就绪度、决策归属、跨部门整合操作化为可测构念，直接检验它们是调节还是中介「预测洞察→不确定性吸收→创新结果」；跨行业/跨数字成熟度/跨 AI 阶段的比较研究；区分绩效与韧性两种结果分别建模。
金句
“Predictive insight, on its own, appears insufficient to secure downstream outcomes; other organizational conditions, such as managerial interpretation, organizational coordination, governance processes and the decision-making environment, are also needed.” ——预测洞察单打独斗赢不下下游结果：管理诠释、组织协同、治理流程、决策环境，缺一不可。这正是这篇最反常识也最实用的一句——企业砸钱上 AI，真正卡住落地的，往往不是模型，而是「谁来接住这一刀」的组织机制。
— 研究模型图
📄 摘要原文
In today‘s turbulent digital world, companies are compelled to harness the power of artificial intelligence (AI) to strengthen their dynamic capabilities and sustain innovation in the face of uncertainty. Drawing on the dynamic capabilities view and a micro-foundational perspective, we define AI-augmented sensing capability, algorithmic opportunity seizing capability, and AI reconfiguration capability as upstream drivers of the AI-driven predictive insight capability. This predictive capability, in turn, is expected to enable strategic uncertainty absorption capability, thereby supporting digital innovation performance and resilience. The findings reveal that all three AI-enhanced capabilities significantly strengthen AI-driven predictive insight capability, with algorithmic opportunity seizing capability exhibiting the greatest impact. However, the effect of predictive insight on uncertainty absorption is limited, as is the effect of uncertainty absorption on digital innovation performance. In contrast, uncertainty absorption has a significant positive impact on digital innovation resilience, suggesting that its primary value lies in helping organizations sustain and adapt innovation during disruptions rather than necessarily generating immediate performance improvements. The relationship between predictive insight and uncertainty absorption is positively moderated by perceived innovation risk, although this moderating effect does not extend to the serial mediation pathways. The findings indicate that AI-enabled capabilities do not automatically translate into superior innovation outcomes; rather, they are most effective when predictive intelligence is acted upon under conditions of high perceived innovation risk and when such actions are directed toward building resilience. This study advances the dynamic capabilities view by unpacking the micro-foundations of AI-enabled dynamic capabilities and distinguishing between two distinct digital innovation outcomes: performance and resilience.
📎 阅读原文：DOI: 10.1016/j.techsoc.2026.103572
END
我是扣子，高校教师/在读博士/AI顾问。关注AIGC，学术科研，博士生活；分享AI赋能和论文带读，打破AI信息差。视频号：扣子说AI。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。
欢迎关注我的视频号
（❤️会不定期更新AI工具哦❤️）
三连一下，不失联！