中文标题：人工智能聚焦与企业绩效
英文标题：Artificial Intelligence Focus and Firm Performance
期刊：Journal of the Academy of Marketing Science
发表时间：2022年6月
作者：Sagarika Mishra, Michael T. Ewing, Holly B. Cooper
引用格式：Mishra, S., Ewing, M. T., & Cooper, H. B. (2022). Artificial intelligence focus and firm performance. Journal of the Academy of Marketing Science, 50(6), 1176-1197.
一、摘要
研究基于美国上市公司长达15年的10-K年报数据，构建“AI聚焦度”指标，系统探讨企业在年报中对AI聚焦程度与其运营效率之间的关系。
作者指出，尽管10-K报告在会计与金融研究中早已是重要信息源，但在营销学界的系统利用中相对被忽视。基于经济学与营销理论框架，研究者通过联立方程模型发现：美国上市公司正处于AI转型的关键时期。AI聚焦度的提升与企业净利润、净经营效率以及营销投资回报率的提高相关，同时还能降低广告支出并促进就业增长。这显示出AI正在悄然重塑企业的盈利路径与组织结构。对于正处于数智转型关键期的企业而言，该研究提供了战略制定和绩效评估的重要参考视角。
二、研究背景
AI正加速渗透营销实践，在客户管理、定价优化等环节展现出强大能力，被视为提升企业竞争力的关键引擎。麦肯锡预测AI将于2030年带来高达13万亿美元的经济价值，并在营销方面创造1.4至2.6万亿美元的价值。尽管越来越多的企业将AI列入战略重点，但真正落地时常常受限于技术基础、人才配置和回报机制的不确定性，导致“想投入、不敢投”成为普遍现象；从理论层面看，AI作为新兴技术能否成为效率跃迁的“跳板”、优化客户旅程及其提升ROI的潜力，仍缺乏基于大样本企业实际战略披露的系统性量化检验。因此，企业层面的“AI战略聚焦度”是否真的能够转化为可持续的运营效率优势，并通过何种路径实现这种转化成为了当前学术界亟需探索的问题。
三、理论基础与研究假设
本研究基于经济学与营销学的视角构建了AI聚焦度与企业经营效率之间的分析框架。从经济学出发，企业在利用现有技术提升产出与盈利的同时，会将部分利润再投资于新技术，形成“技术—产出—再投资”的循环机制；营销学认为AI可优化销售流程各环节，提高销售效率，例如通过高精度预测优化营销决策、在客户察觉前识别服务失误并提供修复方案等。基于上述理论，本研究提出四个假设：
H1：AI聚焦度与总运营效率（人均销售额）呈负相关。
H2：AI聚焦度与销售回报率（每1美元销售额的净收入）呈正相关。
H3：AI聚焦度与营销相关投资回报率（每1美元营销投资的净收入）之间存在显著关系，但方向尚待实证检验。
H4：AI聚焦度与净运营效率（每位员工的净利润）呈正相关。
四、概念框架
图1 概念框架图
五、核心变量
（一） 解释变量：
AI 聚焦度--(AIᵢₜ)：10-K报告中AI相关词汇出现频率（AI词数/报告总词数）
（二）中间变量：
广告支出效率--(AdSpends/Total Assets)t: 单位资产广告支出
员工规模--ln(Emp)ₜ: 员工人数的自然对数
销售强度--(Sales/Asset)ₜ: 单位资产销售额
销售效率--(Sales/Emp)ₜ: 人均销售额
（三）效率指标：
净利润率--(NI/Sales)ₜ: 净利润/销售额
营销投资回报--(NI/30%SGA)ₜ: 净利润/（30%×销售与管理费用）
人均净利--(NI/Emp)ₜ: 净利润/员工人数
六、数据和方法
本研究数据来源于EDGAR与COMPUSTAT，其中EDGAR提供了2005至2019年期间美国上市公司提交的10-K年报，研究通过文本分析提取122个AI相关词汇的频率，构建了年度“AI聚焦度”指标；COMPUSTAT则提供了企业规模、杠杆率、流动性等财务变量，最终样本为19,000个公司年度观察值。研究以“AI战略聚焦→资源配置→经营效率”为逻辑框架，联立十个方程，系统检验AI对广告投入、员工规模、销售效率和净利润等的影响。为应对变量间的内生性问题，采用三阶段最小二乘法（3SLS）并引入滞后工具变量，确保估计结果的稳健性与因果解释力。此外，研究还通过倾向得分匹配（PSM）和多种替代指标（如行业加权AI关注度）进行稳健性检验，增强研究结果的可信度与推广价值。
七、研究结论
（一）AI 聚焦度与广告投入效率呈负相关，表明AI可提高营销效率、减少广告成本，表明 AI 有助于更精准投放，减少盲目支出。
（二）AI 聚焦度与员工规模正向关联，证实落地 AI 需要更多专业人才与数据团队，即AI部署能促进就业。
（三）AI 聚焦度与员工销售效率呈负相关，说明短期内新增人力与系统迭代可能拉低人均产出。
（四）AI 聚焦度与人均净利、净利率及营销 ROI 均呈显著正相关。
（五）高AI 聚焦度企业的运营模式更高效，利润与投资回报更强，从而形成良性循环推动AI持续投入。
八、理论与管理启示
本研究的主要理论贡献在于，首次基于企业10-K年报披露构建了可量化的“AI聚焦度”指标，并通过联立方程模型揭示了从AI战略聚焦到资源配置再到经营效率的完整因果链条，既丰富了AI对企业绩效影响的研究，也为后续技术战略在营销领域的因果推理提供了坚实的方法论基础。
在实践层面，企业应当借助AI技术优化广告投放，通过精准定向和实时竞价显著降低无效触达成本；同时，组建由数据科学家、工程师和业务顾问构成的跨职能团队，以充分发挥人机协同的优势；在推进过程中，要分阶段开展绩效评估——短期内关注人力与系统磨合带来的效率波动，而中长期则要以净利润增长为核心目标；此外，绩效衡量也应当多元化，不仅要关注人均销售等毛效率指标，还要兼顾净运营效率和投资回报，避免单一指标带来的误判。
九、结语
Mishra 等人的研究提醒我们：AI投资从不是“一锤子买卖”，而是一场“降本—增投—提效”的长期系统工程。企业想真正释放AI价值，不能只靠烧钱砸技术，而要做到三方面协同：其一，用AI精准锁定用户、优化营销（广告投放）路径，从源头降低无效支出；其二，构建跨部门的AI团队，打通技术、业务与数据的协作壁垒；其三，建立分阶段、多维度的绩效评估机制，除关注总效率外，更要把握净运营效率和投资回报。未来，随着AI在个性化营销、智能供应链、实时风控等场景的深度落地，“AI聚焦到绩效跃升”的价值链条，将愈加清晰，也愈发重要。
资料来源：中智院微信公众号