Interaktywne efekty elementów wiedzy i sieci współpracy na wydajność innowacji eksploracyjnych: dowody z chińskiego przemysłu sztucznej inteligencji

Dlaczego to ma znaczenie dla przyszłości firm AI

Za każdym przełomem w sztucznej inteligencji stoi mieszanka tego, co firmy już wiedzą, i z kim współpracują. Niniejsze badanie zagląda do wnętrza szybko rozwijającego się chińskiego sektora AI, by postawić proste, lecz kluczowe pytanie: jak firmy powinny łączyć swoją wewnętrzną wiedzę z zewnętrznymi partnerstwami, aby tworzyć naprawdę nowe idee, a nie tylko drobne ulepszenia? Analizując tysiące patentów za pomocą nowoczesnych narzędzi danych, autorzy odkrywają wzorce, które mogą pomóc menedżerom i decydentom kierować innowacjami w AI w sposób bardziej przemyślany.

Trzy typy innowatorów AI

Wykorzystując dane patentowe z 260 chińskich firm AI, badacze najpierw zmapowali dla każdej firmy dwie rzeczy: różnorodność i strukturę jej wiedzy technicznej oraz kształt sieci współpracy zbudowanej poprzez współautorstwo patentów. Następnie zastosowali metodę klastrowania, która grupuje firmy o podobnych profilach. Wyłoniły się trzy szerokie typy. Firmy „zorientowane na współpracę” są głęboko osadzone w gęstych sieciach partnerów, lecz mają tylko umiarkowane wewnętrzne mocne strony w zakresie wiedzy. Firmy „zorientowane na wiedzę” dysponują bogatym, zróżnicowanym i wyspecjalizowanym know‑how, ale są stosunkowo izolowane. Firmy „zrównoważone” plasują się pośrodku, bez wyraźnych przewag ani rażących braków w żadnym z tych obszarów.

Jak mieszanka wiedzy i partnerstwa współdziałają

Badanie wykorzystało następnie algorytm drzewa decyzyjnego, aby prześledzić, jak różne kombinacje cech wiedzy i sieci wiążą się ze zdolnością firm do tworzenia patentów w nowych obszarach technologicznych — praktycznym wskaźniku innowacji eksploracyjnej. We wszystkich grupach to struktura wewnętrznej wiedzy odgrywała kluczową rolę, ale otaczająca sieć mogła albo wzmacniać, albo łagodzić jej efekty. W przypadku firm zorientowanych na współpracę zbyt szerokie spektrum dziedzin technicznych często szkodziło wydajności, przytłaczając ich zdolność do absorpcji i wykorzystania informacji. Jednak gdy te firmy miały także szerokie lub ciasno splecione sieci współpracy, partnerzy pomagali im filtrować, dzielić się i integrować wiedzę, przekształcając potencjalne przeciążenie w użyteczną nowość.

Zbyt duża specjalizacja może się zemścić

Firmy zorientowane na wiedzę opowiadają inną historię. Ich głęboka i zróżnicowana ekspertyza nie przekładała się automatycznie na przełomowe odkrycia. Gdy baza wiedzy stawała się nadmiernie różnorodna, wydajność innowacyjna faktycznie spadała, prawdopodobnie dlatego, że uwagę i zasoby rozpraszano zbyt szeroko. Nawet przy umiarkowanej różnorodności współpraca z wieloma organizacjami nie zawsze była lepsza. Najlepiej sprawdzała się umiarkowana liczba partnerów, podczas gdy bardzo szeroka współpraca wiązała się z kosztami koordynacji i rozproszeniem uwagi, a bardzo wąska ograniczała dostęp do świeżych pomysłów. Sugeruje to, że wysoce wyspecjalizowane firmy AI powinny świadomie przycinać swoje portfolio wiedzy i dobierać umiarkowany, strategiczny zestaw partnerów.

Znalezienie złotego środka między podobieństwem a różnicą

Dla firm zrównoważonych kluczowe dźwignie stanowiły to, jak mocno elementy wiedzy do siebie pasują i na ile jedna umiejętność może zastąpić inną. Gdy elementy wiedzy były zbyt doskonale dopasowane, firma utknęła na wąskich ścieżkach, co utrudniało przeskok do nowych obszarów. Natomiast gdy istniał wystarczający stopień nakładania się — tak że jedna technika mogła zastępować inną — firmy były lepiej przygotowane do eksperymentowania, zmiany kursu i reagowania na niepewność w młodym i niestabilnym sektorze AI. Innymi słowy, pewna redundancja w know‑how, często postrzegana jako marnotrawstwo, może faktycznie zapewniać elastyczność i odporność, gdy technologie i rynki szybko się zmieniają.

Co to oznacza dla strategii AI

Ogólnie rzecz biorąc, badanie pokazuje, że ani „więcej wiedzy”, ani „więcej partnerów” nie prowadzi automatycznie do lepszych innowacji eksploracyjnych. Ważne jest dopasowanie między wewnętrzną mieszanką wiedzy firmy a sposobem, w jaki buduje i wykorzystuje sieć współpracy, a to dopasowanie wygląda inaczej dla firm zorientowanych na współpracę, wiedzę i dla firm zrównoważonych. Dla menedżerów przesłanie brzmi: traktujcie wiedzę i partnerstwa jako wspólny problem projektowy — unikajcie niekontrolowanej złożoności, szukajcie partnerów uzupełniających konkretne słabości i utrzymujcie wystarczający stopień nakładających się umiejętności, aby móc się dostosować, gdy krajobraz AI się zmienia. Dla twórców polityki wyniki podkreślają wartość ekosystemów i platform przemysłowych, które pomagają firmom reorganizować wiedzę i tworzyć ukierunkowane partnerstwa, zamiast jedynie naciskać na większe wydatki na badania i rozwój czy więcej sojuszy.

Cytowanie: 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

Słowa kluczowe: innowacja eksploracyjna, firmy zajmujące się sztuczną inteligencją, sieci współpracy, zarządzanie wiedzą, analiza patentowa