Os efeitos interativos de elementos de conhecimento e redes de colaboração no desempenho de inovação exploratória: evidências da indústria chinesa de inteligência artificial

Por que isso importa para o futuro das empresas de IA

Por trás de cada avanço em inteligência artificial existe uma combinação do que as empresas já sabem e com quem elas trabalham. Este estudo examina a dinâmica da rápida indústria de IA da China para responder a uma pergunta simples, porém crucial: como as empresas devem combinar seu know‑how interno com parcerias externas para gerar ideias genuinamente novas, e não apenas ajustes incrementais? Ao analisar milhares de patentes com ferramentas de dados modernas, os autores revelam padrões que podem ajudar gestores e formuladores de políticas a orientar a inovação em IA de forma mais inteligente.

Três tipos de inovadores em IA

Usando dados de patentes de 260 empresas chinesas de IA, os pesquisadores mapearam primeiro duas dimensões para cada empresa: a variedade e a estrutura do seu conhecimento técnico, e o formato de sua rede de colaboração construída por co‑patentes. Em seguida, aplicaram um método de agrupamento que reúne empresas com perfis semelhantes. Isso revelou três tipos gerais. As empresas “orientadas à colaboração” estão profundamente inseridas em redes densas de parceiros, mas têm apenas pontos fortes moderados internamente. As empresas “orientadas ao conhecimento” são ricas em conhecimento diversificado e especializado, mas relativamente isoladas. As empresas “equilibradas” ficam no meio‑termo, sem vantagens fortes nem fraquezas evidentes em nenhuma das áreas.

Como o mix de conhecimento e as parcerias interagem

O estudo então utilizou um algoritmo de árvore de decisão para traçar como diferentes combinações de características de conhecimento e de rede se relacionam com a capacidade das empresas de gerar patentes em novas áreas tecnológicas — uma medida prática de inovação exploratória. Em todos os grupos, a estrutura do conhecimento interno teve o papel principal, mas a rede ao redor podia tanto amplificar quanto atenuar seus efeitos. Para as empresas orientadas à colaboração, ter um leque muito amplo de campos técnicos frequentemente prejudicava o desempenho ao sobrecarregar sua capacidade de absorver e usar informação. Ainda assim, quando essas empresas também tinham redes de colaboração amplas ou bem conectadas, os parceiros ajudavam a filtrar, compartilhar e integrar conhecimento, transformando uma sobrecarga potencial em novidade útil.

Especialização excessiva pode sair pela culatra

As empresas orientadas ao conhecimento mostraram um panorama diferente. Seu profundo e variado conhecimento não se traduziu automaticamente em avanços de ponta. Quando sua base de conhecimento se tornava excessivamente diversa, o desempenho em inovação na verdade caía, provavelmente porque atenção e recursos eram dispersos demais. Mesmo quando a diversidade era controlada, a parceria com muitas organizações nem sempre era melhor. Um número moderado de colaboradores tendia a funcionar melhor, enquanto colaborações muito amplas traziam custos de coordenação e distrações, e colaborações muito estreitas limitavam a exposição a ideias novas. Isso sugere que empresas de IA altamente especializadas precisam ser deliberadas ao enxugar seu portfólio de conhecimento e ao selecionar um conjunto manejável de parceiros estratégicos.

Encontrando o ponto ideal entre semelhança e diferença

Para as empresas equilibradas, as alavancas-chave eram o quão bem os elementos de conhecimento se encaixavam e o quão facilmente uma competência podia substituir outra. Quando os elementos de conhecimento eram perfeitamente alinhados, a empresa ficava presa em caminhos estreitos, dificultando a transição para novas áreas. Entretanto, quando havia sobreposição suficiente — de modo que uma técnica pudesse substituir outra — as empresas conseguiam experimentar, pivotar e responder à incerteza no setor jovem e volátil de IA. Em outras palavras, alguma redundância no know‑how, muitas vezes vista como desperdício, pode na verdade proporcionar flexibilidade e resiliência quando tecnologias e mercados mudam rapidamente.

O que isso significa para a estratégia em IA

No geral, o estudo mostra que nem “mais conhecimento” nem “mais parceiros” levam automaticamente a melhor inovação exploratória. O que importa é o ajuste entre o mix de conhecimento interno de uma empresa e a forma como ela constrói e usa sua rede de colaboração, e esse ajuste difere para empresas orientadas à colaboração, ao conhecimento e equilibradas. Para gestores, a mensagem é tratar conhecimento e parcerias como um problema de design conjunto: evitar complexidade descontrolada, buscar parceiros que complementem fraquezas específicas e manter habilidades sobrepostas suficientes para se adaptar quando o cenário de IA mudar. Para formuladores de políticas, os achados destacam o valor de ecossistemas e plataformas industriais que ajudam empresas a reorganizar seu conhecimento e formar parcerias direcionadas, em vez de simplesmente incentivar mais gastos em P&D ou mais alianças.

Citação: 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

Palavras-chave: inovação exploratória, empresas de inteligência artificial, redes de colaboração, gestão do conhecimento, análise de patentes