人工智能影响与人工智能韧性：软件及基于软件的商业模式二维评估框架

# AI暴露度与AI韧性：针对软件及软件驱动商业模式的二维评估框架
来源：https://arxiv.org/html/2609.11321  
Paul Darius Mandl、Peter Mandl（所属机构：慕尼黑应用科技大学，德国慕尼黑；邮箱：[email protected]）、Martin Häusl（所属机构：慕尼黑应用科技大学，德国慕尼黑；邮箱：[email protected]）

###### 摘要

人工智能正在重塑软件生产方式及软件驱动的商业模式经济学。传统技术尽职调查主要聚焦架构、可扩展性及技术债等技术特性，但这些准则无法全面捕捉AI对企业价值主张、竞争地位、利润率或客户触达能力的影响。本文提出*人工智能暴露度与韧性*（AI-ER）二维评估框架。*AI暴露度*描述AI对商业模式造成的变革压力，*AI韧性*描述企业吸收压力、适应变化并以经济可行方式运用AI的能力。两个维度的指标体系源自当前AI能力、部署条件，以及商业模式与组织适应性的相关研究。该模型将暴露度与韧性分离评估，并明确引入证据质量与置信度评估。评估可先基于公开信息开展，后续结合内部证据优化，最终形成可追溯的企业画像，在支持横向比较的同时不掩盖基础证据的不确定性。论文进一步提出初步评分逻辑与实证验证流程。

###### 索引关键词：

AI暴露度、AI韧性、AI-ER、生成式AI、软件商业模式、技术尽职调查、并购、AI单元经济学

## I 引言

人工智能的进步正改变企业创造价值的方式，也重塑软件驱动商业模式的评估标准。关键问题不再仅是企业是否应用AI，更需审视其业务中哪些环节面临AI冲击，以及企业应对冲击的能力。这对软件企业尤为重要，因为其客户价值往往依赖于信息的处理与生成。当前AI系统能以更低成本、更大规模完成越来越多此类工作\[13 (https://arxiv.org/html/2609.11321#bib.bib1),18 (https://arxiv.org/html/2609.11321#bib.bib4)\]。

由此产生的评估难题兼具技术性与战略性。技术尽职调查通常考察架构、代码质量、可扩展性、安全性和技术债；战略分析则更侧重客户价值、竞争地位与商业逻辑。AI可能同时影响这两个层面：企业可能广泛使用AI却仍面临巨大外部压力，反之，专属数据、稳固客户关系或监管壁垒可能在AI功能尚未显著时就提供韧性支持。

本文提出*人工智能暴露度与韧性*（AI-ER）框架以区分这两个评估维度。AI暴露度衡量AI对商业模式、价值主张、利润率和客户触达造成的冲击压力；AI韧性评估企业吸收冲击并适应变化所需的技术、组织与经济条件。两个维度独立评估，最终以二维企业画像呈现，不合并为单一总分。

本文贡献体现在三方面：首先明确定义AI暴露度与AI韧性作为独立评估维度；其次从经济影响机制推导出简洁指标体系，采用非补偿性评分逻辑，并辅以证据置信度模型，使薄弱证据支撑的评分得以透明呈现；第三，通过数值案例提出基于独立评估、信度分析与敏感性测试的实证验证流程。

该框架借鉴当前AI系统的能力边界，以及技术暴露、商业模式变革、平台经济学、组织韧性、软件交付等领域的研究成果，从中推导影响机制与评估指标。其定位是服务于战略评估、投资并购决策与技术尽职调查，而非生成普适性企业评级。该框架提供结构化视角，呈现AI相关压力、应对能力及所用证据的可靠性。

## II 方法论路径

评估AI能力与限制 → 审视研究基础 → 推导影响机制 → 定义评估维度 → 界定指标 → 构建AI-ER画像

图1：AI-ER评估框架开发流程——从理论基础到二维企业画像。该框架将两个抽象概念转化为可基于可观测信息检验的评估问题。AI暴露度代表外部变革压力，AI韧性代表应对能力。纯文字评述将阻碍企业、评估者与时间点之间的可比性，因此AI-ER对两个维度均采用量化指标。

推导过程融合技术与经济视角：当前AI能力界定AI可提供的服务类型及限制实际应用的部署条件；商业模式与市场结构研究阐明这些能力何时产生经济冲击；组织适应性研究则识别企业有效响应的条件。该框架衔接这些视角，避免仅凭单一技术特征直接推断企业暴露度。

首先提炼重复出现的经济影响机制，描述AI如何改变企业的产品供给、市场地位或经济表现，再将其归类至AI暴露度或AI韧性维度转化为候选指标。指标保留标准需满足：具有独特概念作用、可获观测证据支撑、不与其他评估维度重复。

指标数量经过严格控制：过多指标将增加收集成本并导致重叠风险；过度聚合则可能掩盖商业模式、市场定位与组织技术能力的关键差异。最终指标体系依据第五章推导形成（见链接https://arxiv.org/html/2609.11321#S5）。图1（https://arxiv.org/html/2609.11321#S2.F1）总结了该流程。

指标评分仅在其所属维度内进行聚合。维度分值便于把握主要趋势，同时保留单项指标的可见性。这种区分至关重要，因为高暴露度与高韧性可能并存。企业画像依赖于对两个维度的联合解读，而非单一综合评分。

每个指标评分均关联可追溯的证据。置信度描述评分依据的充分性而非评分高低，取决于现有证据质量，以及在多次独立评估中的一致性程度。第六章（https://arxiv.org/html/2609.11321#S6）详述评分、聚合及置信度逻辑。

## III 人工智能的能力边界与部署条件

AI-ER框架需要独立于特定模型、厂商或产品代际的技术基础。因此核心问题并非企业采用哪种AI技术，而是AI系统在实际运营条件下能提供哪些具有经济相关性的服务。这种功能视角将技术发展与潜在商业模式变革相关联，同时避免将技术功能的存在直接等同于经济影响。

### III-A 经济相关能力领域

当前AI系统提供分析、预测、生成及决策支持服务。分析类方法能识别大数据中的模式与异常，支持复杂信息的自动化评估，其效能已在图像分类、医学影像分析等领域得到验证\[23 (https://arxiv.org/html/2609.11321#bib.bib17)\]。预测系统基于现有数据估计概率与发展趋势，其效用高度依赖数据质量及所学关系的稳定性。优化方法在既定目标与约束下比较备选行动方案，扩展了上述能力\[23 (https://arxiv.org/html/2609.11321#bib.bib17)\]。

生成式AI新增内容创建与转化功能，当前系统可生成文本、图像与程序代码，并在不同表示形式间转换信息。标准化评估与专业任务基准记录了这些能力的广度\[23 (https://arxiv.org/html/2609.11321#bib.bib17),2 (https://arxiv.org/html/2609.11321#bib.bib18)\]。但对企业应用而言，单次输出质量并不充分，只有当服务能重复交付、集成至现有系统并以可接受成本规模化时，其经济相关性才会提升。接口与标准化服务使未开发基础模型的企业也能获取这些能力。

这种广泛获取带来重要经济影响：相似的AI能力可能同时为企业、竞争对手、客户及大型平台提供商所用。因此技术可及性本身并不构成持久优势，后续评估需深入考察AI在何处产生经济效益，以及哪些企业特定条件支撑或限制其应用。

### III-B 部署条件与局限

已记录的能力并未使AI成为通用替代技术。其性能仍受任务特性、可用数据及运行环境制约。标准化评估结果不能直接套用于业务流程。生成式系统可能输出看似合理实则错误的内容，对输入变化反应不稳定，且可能无法反映企业特定规则或例外情况。这些局限在复杂或责任敏感型应用中尤为关键\[2 (https://arxiv.org/html/2609.11321#bib.bib18),1 (https://arxiv.org/html/2609.11321#bib.bib19)\]。

当AI功能嵌入更长工作流时，更多限制随之显现：实际应用需要状态维护、错误检测，以及跨多个处理环节保持责任清晰。工作流越长，不确定性积累越多。因此可部署方案不仅需要强大模型，还需集成、监控及适当的人工控制。

技术可行性区别于经济可行性。运维、质量保证与系统集成会产生成本，可能削弱预期收益。法律与组织要求进一步限制应用，数据保护、信息安全、可追溯性及人工监督在涉及人员或敏感信息的决策中尤为重要\[1 (https://arxiv.org/html/2609.11321#bib.bib19),8 (https://arxiv.org/html/2609.11321#bib.bib20)\]。AI-ER仅将特定情境中具备足够可靠性、可用性、经济性与合规性的能力视为具有经济相关性。

技术分析界定了AI可能引发变革的服务范围，但尚未确定特定企业的暴露度或韧性——这取决于后续章节探讨的经济与组织关系。

## IV 研究现状与概念框架

当技术能力改变服务形态、成本结构、市场关系或价值创造形式时，它便获得经济相关性。AI-ER因此整合三个研究视角：技术暴露研究揭示AI能力与现有活动的重叠区域；商业模式研究阐释这些重叠如何影响价值创造与经济获取；韧性研究则关注组织如何应对变化。这三个视角构成两个评估维度的概念基础。

### IV-A 技术暴露与商业模式变革

技术暴露研究考察活动或职业与新技术能力的重叠程度。针对生成式AI，Eloundou等学者及OECD识别出知识密集型、语言处理与信息加工活动的高暴露特征\[7 (https://arxiv.org/html/2609.11321#bib.bib3),19 (https://arxiv.org/html/2609.11321#bib.bib21)\]。这种邻近性预示着技术变革潜力，但并不意味着活动将被自动化或企业将经济受创。实际应用与市场条件决定技术能否使用及其影响分布。

因此企业评估必须超越孤立活动，关键问题在于AI是否改变服务的经济内核、价值主张或市场地位。商业模式创新研究表明，AI可支持新产品、改变服务交付方式并重塑经济获取机制\[13 (https://arxiv.org/html/2609.11321#bib.bib1),12 (https://arxiv.org/html/2609.11321#bib.bib2)\]。影响效果取决于商业逻辑：数字信息产品通常比价值高度依赖物理、监管或关系条件的供给更贴近生成式与分析式AI能力。

平台经济学进一步引入市场结构与客户触达问题。数字平台能将原本独立的功能整合为更大产品组合，并接管客户界面\[20 (https://arxiv.org/html/2609.11321#bib.bib9),26 (https://arxiv.org/html/2609.11321#bib.bib10)\]。因此服务可能仍具实用价值，其独立变现能力或市场通路却已弱化。本文界定的AI暴露度不仅包含技术可替代性，还涵盖AI引发的价值创造、竞争格局与客户触达变化。

### IV-B 组织韧性与适应性

组织韧性关乎应对变革与中断的能力，包括前瞻预判、持续行动与后续适应。Duchek将韧性定义为衔接预判、应对与适应的能力\[6 (https://arxiv.org/html/2609.11321#bib.bib12)\]。这种视角尤其适用于AI相关变革，因为新能力会随时间扩散，并持续改变客户预期与竞争环境。

数字韧性研究将上述视角应用于高度依赖数字技术的组织。数字技术既能提升信息处理与响应速度，也可能产生对数据、平台、基础设施及外部供应商的依赖\[25 (https://arxiv.org/html/2609.11321#bib.bib13)\]。因此应用AI并不自动增强韧性，技术可能性需在具体组织情境中评估其实际价值。