השפעות אינטראקטיביות של מרכיבי ידע ורשתות שיתופי פעולה על ביצועי חדשנות חקרנית: עדות מתעשיית הבינה המלאכותית הסינית

מדוע זה חשוב לעתיד חברות ה‑AI

מאחורי כל פריצת דרך בבינה מלאכותית עומב שילוב של מה שחברות כבר יודעות ומי הן עובדות איתו. המחקר הזה בוחן מבפנים את תעשיית ה‑AI הסינית המהירה כדי לשאול שאלה פשוטה אך קריטית: איך חברות צריכות לשלב בין הידע הפנימי ובין השותפויות החיצוניות שלהן כדי ליצור רעיונות שהם באמת חדשים, ולא רק שינויים שוליים? באמצעות ניתוח אלפי פטנטים בכלים מודרניים של נתונים, המחברים מגלים דפוסים שיכולים לסייע למנהלים ולמנסחים מדיניות לכוונן את החדשנות ב‑AI בצורה חכמה יותר.

שלושה סוגי מחדשי AI

בהסתמך על נתוני פטנטים של 260 חברות AI סיניות, החוקרים צפינו תחילה בשתי נקודות עבור כל חברה: המגוון ומבנה הידע הטכני שלה, וצורת רשת השיתופי פעולה שבנויה באמצעות קופטנטינג. לאחר מכן יישמו שיטת אשכולות שמקבצת חברות עם פרופילים דומים. זה חשף שלושה סוגים עיקריים. חברות "ממוקדות שיתוף פעולה" שטבועות עמוק ברשתות שותפים צפופות אך בעלות חוזקות ידע פנימיות מתונות. חברות "ממוקדות ידע" עשירות בידע מגוון וממומחה אך יחסית מבודדות. חברות "מאוזנות" נמצאות באמצע — ללא יתרונות חזקים או חולשות בולטות באף תחום.

איך תערובת הידע והשותפויות משפיעות זו על זו

המחקר השתמש לאחר מכן באלגוריתם עץ החלטה למיפוי כיצד קומבינציות שונות של תכונות ידע ורשת מתקשרות עם יכולת החברות ליצר פטנטים בתחומים טכנולוגיים חדשים — מדד מעשי לחדשנות חקרנית. בכל הקבוצות, מבנה הידע הפנימי שיחק את התפקיד המרכזי, אך הרשת החיצונית יכלה להגביר או להחליש את השפעותיו. אצל חברות ממוקדות שיתוף פעולה, התפשטות רחבה מדי של תחומי טכנולוגיה פגעה לעיתים בביצועים על‑ידי הצפת היכולת שלהם לספוג ולנצל מידע. עם זאת, כאשר חברות אלה גם פעלו בתוך רשתות שיתוף רחבות או הדוקות, השותפים סייעו לסינון, שיתוף ואינטגרציה של הידע, והפכו עומס פוטנציאלי לחדשות שימושיות.

יותר מדי התמחות עלולה להוביל להפסד

לחברות ממוקדות ידע הייתה תמונה שונה. המומחיות העמוקה והמגוונת שלהן לא תורגמה אוטומטית לפריצות דרך פורצות דרך. כאשר בסיס הידע התפשט יותר מדי, ביצועי החדשנות ירדו בפועל, ככל הנראה מפני שהקשב והמשאבים פוזרו יתר על המידה. גם כאשר המגוון נשמר במידה, שיתוף פעולה עם ארגונים רבים לא תמיד היה עדיף. מספר מתון של שותפים נטה לעבוד בצורה הטובה ביותר, בעוד ששיתופי פעולה רחבים מאוד הביאו לעלויות תיאום ולהסחות דעת, ושיתופי פעולה צרים מאוד הגבירו את המוגבלות לחשיפה לרעיונות חדשים. זו מציעה שחברות AI בעלות התמחות גבוהה צריכות להיות מכוונות בקיצוץ פורטפוליו הידע שלהן ובבחירה מוקפדת של סט שותפים אסטרטגיים שניתן לנהל.

מציאת נקודת האיזון בין דמיון לשוני

עבור חברות מאוזנות, המנופים המכריעים היו עד כמה מרכיבי הידע משתלבים זה בזה וכמה קל לכישור אחד להחליף כישור אחר. כאשר מרכיבי הידע היו תואמים מדי, החברה ננעלה לנתיבים צרים, מה שהקש את המעבר לאזורים חדשים. עם זאת, כאשר הייתה חפיפה מספקת — כך שטכניקה אחת יכלה להחליף אחרת — החברות היו יכולות יותר לנסות, להסתגל ולהגיב לאי‑ודאות במגזר ה‑AI הצעיר והמוטה תנודות. במילים אחרות, מעט חפיפה בידע, שנראית לעתים כמיותרת, יכולה דווקא לספק גמישות וחוסן כשטכנולוגיות ושווקים משתנים במהירות.

מה זה אומר לאסטרטגיית AI

בסך הכל, המחקר מראה שלא "יותר ידע" ולא "יותר שותפים" מובילים באופן אוטומטי לחדשנות חקרנית טובה יותר. מה שחשוב הוא ההתאמה בין תערובת הידע הפנימי של החברה ובין האופן שבו היא בונה ומנצל את רשת שיתופי הפעולה שלה, והתאמה זו נראית שונה עבור חברות ממוקדות שיתוף פעולה, ממוקדות ידע ומאוזנות. למנהלים, המסר הוא לטפל בידע ובשותפויות כבעיה של עיצוב משותף: להמנע מסיבוך לא מבוקר, לחפש שותפים שמשלימים חולשות ספציפיות, ולשמור על מספיק כישורים חופפים כדי להסתגל כאשר נוף ה‑AI משתנה. עבור מקבלי מדיניות, הממצאים מדגישים את ערכן של אקוסיסטמות ופלטפורמות תעשייתיות שעוזרות לחברות לארגן מחדש את הידע שלהן וליצור שותפויות ממוקדות, במקום פשוט לדחוף להגדלת תקציבי מו"פ או להכפלת הבריתות.

ציטוט: Zhang, L., Chen, J., Qiu, H. et al. The interactive effects of knowledge elements and collaboration networks on exploratory innovation performance: evidence from the Chinese artificial intelligence industry. Humanit Soc Sci Commun 13, 303 (2026). https://doi.org/10.1057/s41599-026-06637-x

מילות מפתח: חדשנות חקרנית, חברות בינה מלאכותית, רשתות שיתופי פעולה, ניהול ידע, ניתוח פטנטים