Взаимодействие элементов знаний и сетей сотрудничества при поисковой инновационной эффективности: свидетельства из китайской индустрии искусственного интеллекта

Почему это важно для будущего AI‑компаний

За каждым прорывом в области искусственного интеллекта стоит сочетание того, что компании уже знают, и с кем они работают. В этом исследовании, посвящённом быстро развивающейся китайской индустрии ИИ, задаётся простой, но ключевой вопрос: как компаниям сочетать внутренние знания и внешние партнёрства, чтобы создавать по‑настоящему новые идеи, а не просто незначительные улучшения? Анализ тысяч патентов с применением современных инструментов данных выявляет закономерности, которые могут помочь менеджерам и политикам более эффективно направлять инновации в сфере ИИ.

Три типа инноваторов в ИИ

На основе патентных данных 260 китайских компаний в области ИИ исследователи сначала сопоставили для каждой фирмы два аспекта: разнообразие и структуру её технических знаний и форму сети сотрудничества, выстроенной через совместное патентование. Затем они применили метод кластеризации, группируя компании с похожими профилями. Это выявило три широких типа. «Ориентированные на сотрудничество» фирмы глубоко встроены в плотные партнёрские сети, но имеют лишь умеренные внутренние знания. «Ориентированные на знания» компании обладают разнообразным и специализированным набором знаний, но относительно изолированы. «Сбалансированные» фирмы занимают промежуточное положение, не имея ни явных преимуществ, ни серьёзных слабых сторон в одной из областей.

Как взаимодействуют микс знаний и партнёрства

Далее в исследовании использовали алгоритм деревьев решений, чтобы проследить, как разные сочетания характеристик знаний и сетей связаны со способностью компаний производить патенты в новых технологических областях — практический показатель поисковой инновации. Во всех группах структура внутренних знаний играла ведущую роль, но окружающая сеть могла либо усиливать, либо смягчать её влияние. Для ориентированных на сотрудничество фирм чрезмерно широкое покрытие технических областей часто вредило результатам, перегружая их способность усваивать и применять информацию. Тем не менее при наличии широких или плотно связанных сетей партнёров коллаборации помогали фильтровать, обмениваться и интегрировать знания, превращая потенциальную перегрузку в полезную новизну.

Чрезмерная специализация может обернуться против вас

История ориентированных на знания фирм оказалась иной. Их глубокая и разносторонняя экспертиза не всегда автоматически приводила к прорывам. Когда база знаний становилась чрезмерно разнообразной, инновационная эффективность падала, вероятно потому, что внимание и ресурсы распределялись слишком тонко. Даже при контролируемой диверсификации партнёрство с большим числом организаций не всегда оказалось полезным. Умеренное число соработников обычно давало лучшие результаты, в то время как очень широкие сети влекли за собой издержки координации и отвлекающие факторы, а слишком узкие сотрудничества ограничивали доступ к свежим идеям. Это указывает на то, что высокоспециализированным компаниям в ИИ следует целенаправленно сокращать портфель знаний и тщательно подбирать управляемый набор стратегических партнёров.

Найти золотую середину между сходством и различием

Для сбалансированных фирм ключевыми факторами были степень согласованности элементов знаний и то, насколько одна компетенция могла заменить другую. Когда элементы знаний были слишком идеально согласованы, фирма застревала на узких траекториях, что усложняло переход в новые области. Однако при достаточном перекрытии — когда одна техника могла служить заменой другой — компании лучше экспериментировали, меняли курс и реагировали на неопределённость в молодом и волатильном секторе ИИ. Иными словами, некоторая избыточность в знаниях, часто воспринимаемая как расточительство, может обеспечивать гибкость и устойчивость, когда технологии и рынки быстро меняются.

Что это значит для стратегии в области ИИ

В целом исследование показывает, что ни «больше знаний», ни «больше партнёров» автоматически не ведут к лучшей поисковой инновации. Важна согласованность между внутренним миксом знаний компании и тем, как она выстраивает и использует свою сеть сотрудничества, и эта согласованность различается для ориентированных на сотрудничество, ориентированных на знания и сбалансированных фирм. Для менеджеров посыл прост: рассматривать знания и партнёрства как совместную проблему проектирования — избегать неконтролируемой сложности, искать партнёров, дополняющих конкретные слабые стороны, и поддерживать достаточный уровень перекрывающихся навыков, чтобы адаптироваться к изменениям в ландшафте ИИ. Для политиков результаты подчёркивают ценность экосистем и отраслевых платформ, которые помогают компаниям реорганизовать знания и формировать целевые партнёрства, вместо того чтобы просто стимулировать больше расходов на НИОКР или увеличение числа союзов.

Цитирование: 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

Ключевые слова: поисковая инновация, компании в сфере искусственного интеллекта, сети сотрудничества, управление знаниями, анализ патентов