在可持续创新生态系统中管理复杂性：以基于人工智能的企业架构为案例的实证分析

《Technovation》：Governing complexity in sustainable innovation ecosystems: An empirical analysis for AI-enabled enterprise architecture

　　马丁·伦尼尼卡 | 多米尼克·帕拉 | 佩特拉·波洛娃
克拉德科夫大学信息技术与管理学院，捷克共和国克拉德科夫

**摘要**
将人工智能（AI）整合到企业架构（EA）中为推进可持续创新生态系统（SIEs）提供了变革潜力。然而，AI的发展速度往往与传统的、僵化的治理方式发生冲突。本研究采用顺序混合方法设计——首先是系统性的文献回顾，随后是对十位行业专家的访谈——来描绘AI在EA-IE领域的战略影响。我们的研究发现显示，AI的价值主要集中在业务和数据层面，其中AI重新配置了生态系统中的参与者和流程。我们发现了一个EA悖论：尽管实践者认为正式框架过于僵化，但他们依赖架构原则作为动态能力来管理结构性惯性。从理论上讲，我们通过提出三个可检验的命题，从描述性发现过渡到因果机制，解释了组织如何平衡架构稳定性与AI采用所需的灵活性。在实践层面，该研究提供了一种诊断工具，用于将AI的采用与组织韧性对齐。最后，我们概述了未来研究的路线图，利用动态多智能体模拟来探索支持AI的SIEs的适应性治理策略。该研究提供了关于在复杂适应性系统中管理AI的本地化、基于实证的视角，将EA重新定义为一种灵活的、以人为中心的创新协调工具。

1. **引言**
创新生态系统（IE）的概念已经发展成为一个由相互连接的参与者、资源和流程组成的动态网络，这些要素在不同的功能层面组织起来以实现更广泛的可持续性目标（Granstrand和Holgersson，2020；Jacobides等人，2018；Neto等人，2024；Oh等人，2016；Oliveira-Duarte等人，2021）。这些生态系统中的价值创造和创新是由这些元素之间的横向互动和资源交换驱动的（Carrara和Freisinger，2024）。将技术进步，特别是人工智能（AI），整合到创新过程中，并结合对IE的有意设计和培养，越来越被认可为实现期望结果的关键因素（Aldoseri等人，2024；Huang等人，2025；Obreja等人，2024；Secundo等人，2025）。当前的研究越来越强调IE在促进可持续创业和发展中的作用（Bakry等人，2024，2025；B?rbulescu等人，2021；Leit?o等人，2018）。这一转变反映了范式的变化，其中可持续性考虑已成为生态系统分析的组成部分，从而产生了“可持续IE”（SIE）这一术语（Liu和Stephens，2019；Pham和Vu，2022；Sultana和Turkina，2023）。这些生态系统可持续发展的前提是它们的韧性，我们不仅将其理解为恢复力，而且理解为系统吸收冲击、适应性重组以及根据技术或市场动态的变化调整核心功能的能力（Bakhtiar等人，2026；Bakry等人，2024）。在本研究中，我们通过专家对组织准备情况、适应性治理策略和社会技术能力的评估，定性评估了这种韧性。

与SIEs的横向协作性质相比，企业架构（EA）提供了一种独特的、垂直分层的方法。在这种背景下，EA可以定义为组织（或生态系统）的结构化表示，它将业务战略与IT基础设施对齐，并分为不同的层次，例如业务、应用、数据和技术（Gampfer等人，2018），以确保一致性和效率（Kotusev等人，2022）。这种垂直对齐主要是为了确保内部一致性、运营效率以及组织有效适应不断变化的市场动态所需的灵活性（Hoogervorst，2004；Tamm等人，2022）。当考虑到SIEs的独特特征时，即它们本质上依赖于复杂的横向协作价值创造和与外部利益相关者的广泛互动（Alghamdi，2024b；Gampfer等人，2018；García-Escallón等人，2021；Nardello等人，2015；Neto等人，2024），对一个强大且定义明确的EA框架的需求尤为突出。基于对EA在支持创新方面作用的已有理解（Nardello等人，2015），将其应用于SIEs需要特别强调在所有架构层面上促进和支持可持续性。

现在，AI被广泛认为是确保SIEs长期活力和动态性的不可或缺的角色（Chatterjee等人，2020；Sultana等人，2023；Zimmermann等人，2021）。Kamalabai等人（2024）强调了人们对EA在可持续整合AI系统以及领导组织转型努力中的核心作用的期望日益增长。因此，AI对当代创新（Huang等人，2025；Mariani等人，2023；Secundo等人，2025；Sun等人，2022）和可持续发展的影响（Goralski和Tan，2020；Jankovic和Curovic，2023；Leal Filho等人，2023；Sipola等人，2023）使其在EA和SIEs中的战略整合变得至关重要。EA的结构，包括其明确的业务、应用、数据和技术层次，为AI驱动的过程在SIEs的各种相互连接元素中的结构化采用和可扩展实施提供了明确的路径。虽然现有研究已经探讨了AI及其驱动过程在SIEs领域的意义和多方面的影响（Huang等人，2025；Secundo等人，2025；Sultana等人，2023；Sun等人，2022；Zimmermann等人，2021），以及其他研究探讨了AI对EA及其相关框架的变革性影响（Afriliana等人，2022；Bakar等人，2024；Chen和Zhao，2024；Denni-Fiberesima，2024；Guo和Gao，2024；Rittelmeyer和Sandkuhl，2021），但现有文献中仍存在研究空白。

具体来说，缺乏将SIEs的横向层次与EA的垂直层次系统地结合成一个连贯的多维分析框架的全面研究。此外，现有的知识体系尚未充分探索AI驱动的过程增强这些综合维度动态性的潜力，从而促进这些复杂适应性系统中的可持续发展和加速创新。在组织范围内大规模成功部署AI需要一个强有力的策略和治理。EA提供了结构，确保AI举措与业务目标战略性地整合，防止实施碎片化。因此，本研究开发并基于实证提出了一个多维框架来解决这一空白。该框架明确地将EA的垂直层次与SIE的横向层次整合在一起。它将EA工件（例如，模块化架构和治理原则）视为边界对象，将不同利益相关者在业务、技术和可持续性领域对齐。我们的主要目标是探索如何将AI整合到EA的垂直层次和SIE的横向层次中，以提高组织韧性和推进可持续创新。在处理这些系统的复杂性时，我们明确指出，我们的研究是从在更广泛的复杂适应性系统（生态系统）中运作的焦点角色（企业）的角度来探讨治理的。我们认为，虽然没有一个单一的角色控制整个SIE，但焦点企业利用EA作为内部治理机制来适应和影响生态系统的外部复杂性。为了指导我们的研究，我们围绕以下研究问题（RQ）进行了结构化。

**RQ1：** 行业专家如何看待AI在EA层次和SIE组件不同交叉点的战略重要性？
**RQ2：** 组织目前采用哪些实际策略、社会技术障碍和治理方法将AI整合到他们的EA中？
**RQ3：** 如何将这些实证见解综合成一个连贯的框架，以帮助组织评估和增强其支持AI的SIEs的韧性？

为了回答这些问题，我们采用了顺序混合方法的研究设计。初始阶段包括系统性的文献回顾（SLR），以综合现有知识并识别AI、EA和SIEs之间的基础概念。SLR的见解为第二阶段提供了信息：一项涉及10位在技术、业务和可持续性方面具有不同背景的资深行业专家的实证研究。这一阶段使用结构化协议通过基于矩阵的调查收集定量数据，评估AI的战略重要性，并通过深入的半结构化访谈探索实际整合策略、挑战和最佳实践。

我们的分析得出了几个对理论和实践都有意义的发现。从定量上看，我们发现一个强烈的共识，即AI的战略价值主要集中在业务和数据层次，而不是基础技术层次。关键的是，我们发现了一个词汇差距，表明尽管实践者可能不熟悉正式的EA术语（显性知识），但他们通过操作经验发展出了高度的隐性架构思维。从定性上看，我们的研究揭示了一个EA悖论，即实践者重视架构原则（例如，治理、模块化），但普遍认为正式的EA框架对于AI的快速发展来说过于僵化。我们将这一悖论理论化为从规则治理到原则治理的战略转变，作为平衡AI灵活性和结构性惯性的动态能力。

此外，采用过程中最大的障碍始终被认定为社会技术性的，特别是技能、文化和变革阻力等人为因素，而不仅仅是纯粹的技术挑战。这些发现具有几个含义。从理论上讲，它们通过对EA-IE交叉点的操作化，通过三个正式的可检验命题（P1、P2、P3）为理解复杂适应性系统中的治理提供了更细致的社会技术视角，这些命题定义了框架的边界条件。从实践上讲，它们为管理者提供了关于应重点投入AI工作的方向，并强调投资于人力和组织能力的重要性。最后，这项研究通过提供一个基于信念-愿望-意图（BDI）逻辑和概述、设计概念和细节（ODD）协议的正式化路线图，为未来研究提供了指导。

本文的其余部分结构如下。第2节回顾了核心概念的文献，为我们的研究奠定了理论基础。第3节详细介绍了我们的混合方法研究设计，包括参与者选择、数据收集协议和分析策略。第4节展示了从专家研究中得出的定量和定性结果。第5节讨论了这些发现的理论和实践意义，概述了研究的局限性，并提出了展望未来的研究议程。最后，第6节提供了结论性意见。

2. **研究背景**
2.1. 创新生态系统和可持续过程
创新的概念已经超越了传统的、以企业为中心的模型，发展到将SIEs视为对经济进步和价值创造至关重要的复杂适应性系统（Granstrand和Holgersson，2020；Jacobides等人，2018）。IEs的特点是相互依赖的参与者、异构资源和非线性互动，其中新颖性不是来自孤立的代理，而是来自多样化参与者的协同作用（Oh等人，2016；Pushpananthan和Elmquist，2022）。采用生态系统视角使研究人员能够考虑支撑创新的系统动态和共同进化过程（Baldwin等人，2024）。在这种系统视角下，我们特别关注焦点角色的视角。我们将企业概念化为一个适应性代理，它利用EA来导航和影响更广泛的复杂适应性系统。这一视角激发了越来越多的学术努力来解构生态系统的复杂性，无论是通过识别参与者的具体角色和活动（Carrara和Freisinger，2024；Dedehayir等人，2018），绘制关系和结构配置（Panetti等人，2020），还是制定与生态系统独特架构对齐的创新策略（Adner，2006）。同时，创新平台的概念作为促进协作和知识交换的关键机制得到了重视，从而加强了生态系统思维的互联互通性（Dedehayir等人，2018；Han等人，2022；Jacobides等人，2018）。

这一文献中的一个关键进展是将可持续性作为IEs的一个定义维度，从而产生了SIEs的概念。这种重新概念化认识到，生态系统不仅应提供经济价值，还应提供社会包容性和环境责任（Bakry等人，2024，2025；Liu和Stephens，2019）。这种向可持续发展目标（SDGs）的转变引入了跨国协调者之间的治理紧张关系（Nylund等人，2021）。中介在通过跨部门伙伴关系和治理机制协调这些相互冲突的逻辑方面发挥着关键作用，防止了碎片化（Leit?o等人，2018；Oliveira-Duarte等人，2021；Sultana和Turkina，2023）。数字化转型和循环经济原则进一步加速了向可持续生产模式的转变（Alka等人，2024；Liao等人，2024）。然而，这些系统的复杂性要求采用复杂的分析方法；因此，学者们对生态系统演化进行了建模（Neto等人，2024年；Paasi等人，2023年），并应用了诸如泛archy这样的框架来解释更新的自适应周期（Boyer，2020年）。在这种背景下，韧性是可行性的一个决定性属性，推动了新型测量框架的发展（Bakhtiar等人，2026年）。总体而言，这些研究强调了管理SIEs需要通过结构化的框架来解决复杂性，以引导创新方向，实现具有竞争力和包容性的、对环境负责的发展（Baldwin等人，2024年；Leit?o等人，2018年；Nylund等人，2021年；Oliveira-Duarte等人，2021年）。

2.2. 企业架构和可持续流程
企业架构已经从一个纯粹的技术对齐工具演变为一种全面的管理方法，能够协调整个企业的可持续转型（Gampfer等人，2018年；Kotusev和Kurnia，2021年）。它能够提供关于社会技术系统的综合视角，使组织能够将可持续性融入核心运营中，增强一致性并减少冗余（Kotusev和Kurnia，2021年；Lapalme，2012年）。企业架构提供了结构化的方法论，以实现战略利益，并平衡经济目标与社会需求（Shanks等人，2018年；Tamm等人，2022年）。可持续性现在是这种转型的核心维度（Alghamdi，2024b），并得到了诸如绿色企业架构和可持续政府模型等专业框架的支持，这些框架将数字化转型与环境目标相一致（Alghamdi，2024b；Liu和Stephens，2019年；Thirasakthana和Kiattisin，2021年；Vandevenne等人，2023年）。除了高层次的框架外，企业架构还提供了具体的工具和技术，以促进可持续创新。例如，使用架构模式可以为反复出现的可持续性挑战提供可重用的设计解决方案，如节能的IT基础设施或循环供应链流程（Alghamdi，2024b；García-Escallón等人，2021年；Vandevenne等人，2023年）。企业架构的各种成果，从能力图到系统模型，充当了桥梁对象，弥合了具有不同优先级和术语的各个利益相关者之间的沟通差距，比如业务策略师、IT架构师和可持续性官员（Kotusev等人，2022年，2023年）。这些成果对于促进共同理解和协调行动至关重要，这是实施复杂的跨职能可持续性计划的前提。

企业架构的应用范围非常广泛，从将系统工程整合到供应链管理中（Nuerk和Da?ena，2023年），到通过简约的数字化模型帮助资源有限的小中型企业（SMEs）参与SIEs（Pham和Vu，2022年）。这些应用表明，企业架构对于可持续创新的价值既适用于大型企业，也适用于较小的参与者。此外，企业架构向智能数字系统的演变（Gampfer等人，2018年；Zimmermann等人，2020年）以及人工智能、物联网和分析等新兴技术的整合（Afriliana等人，2022年；Aldoseri等人，2024年；Mariani等人，2023年）扩大了其战略相关性（Tamm等人，2022年）。通过增强实时监控和适应型决策，企业架构既为数字化转型提供了蓝图，也是实现结构完整性、敏捷性和透明度的关键推动因素（Hoogervorst，2004年；Tamm等人，2022年），这些都是应对现代企业复杂性所必需的（Mariani等人，2023年；Nardello等人，2015年）。

2.3. 人工智能和创新生态系统
人工智能为SIEs引入了一个变革性的层面，从根本上重塑了价值创造过程、参与者之间的关系以及生态系统的结构逻辑（Secundo等人，2025年）。由人工智能支持的生态系统与传统数字生态系统不同，它们通过快速的数据驱动互动和跨越行业和组织界限的新协作模式而区别开来（Arenal等人，2020年；Stahl，2022年）。与早期技术不同，人工智能增强了人类智能，促进了能力的共同演化，从而提高了创造力和绿色价值创造（Huang等人，2025年；Obreja等人，2024年；Salminen等人，2024年）。从战略上讲，人工智能驱动的创新基于三个支柱：智能自动化、数据驱动的决策和生态系统层面的协作（Aldoseri等人，2024年）。这些支柱根据当地的治理选择重组了价值链，并产生了不同的全球发展路径（Chen等人，2023年）。人工智能还扩展了管理SIEs复杂性的工具箱。智能平台和服务促进了开放创新，促进了知识交流，并扩大了实验规模（Corrales-Garay等人，2024年；Zimmermann等人，2021年）。这些平台已被证明可以催化可持续增长（Barile等人，2026年），同时降低了较小参与者的障碍，因为定制的框架允许微型、小型和中型企业参与由人工智能支持的IEs（Qu和Kim，2025年）。这种人工智能访问的民主化对于扩大创新参与度和确保数字化生态系统中的包容性至关重要。然而，这种加速需要治理框架来确保公平性、问责制和透明度（Minkkinen等人，2023年；Stahl，2022年；Sun等人，2022年）。最终，如果通过负责任和包容性的治理框架来引导，人工智能将成为下一代生态系统的催化剂，能够推动可持续转型。

2.4. 人工智能和企业架构
解决SIEs中的人工智能复杂性需要结构化的治理和整合机制，而企业架构在这方面具有独特的地位（Sipola等人，2023年；Stahl，2022年）。任务不再仅仅是采用人工智能技术，而是要将它们可持续地嵌入组织核心，确保它们强化长期战略目标，而不仅仅是孤立的项目（Kamalabai等人，2024年；Raisch和Krakowski，2021年）。然而，这种整合挑战了传统的企业架构实践，要求向更加适应性强、动态性和智能化的架构转变（Chatterjee等人，2020年；Kotusev和Kurnia，2021年），这些架构能够支持快速变化和持续学习（Rittelmeyer和Sandkuhl，2021年；Zimmermann等人，2020年）。作为战略意图与操作现实之间的桥梁，企业架构将面向可持续性的人工智能策略转化为韧性实践，并借助诊断成熟度模型来识别能力差距和迈向人工智能准备状态的路径（Klingenstein等人，2025年）。
实际框架进一步展示了企业架构如何支持人工智能的整合。例如，基于TOGAF的方法为企业架构中的人工智能整合提供了结构化的指导（Fitriani等人，2023年），而企业架构模型则作为人工智能解决方案开发的蓝图，确保与组织结构和工作流程的对齐（Kotusev等人，2023年；Sandkuhl和Rittelmeyer，2021年；Tamm等人，2022年）。实证研究证实了企业架构在应对技术和组织采用挑战方面的有效性（Bakar等人，2024年；Kim等人，2020年；Matharoo，2025年；Sipola等人，2023年），尤其是在平衡生成式人工智能的创新潜力与操作风险方面（Mariani等人，2023年；Raisch和Krakowski，2021年）。
展望未来，企业架构与人工智能之间的关系可能会变得更加共生。人工智能本身也可以被用来增强企业架构实践，例如通过多智能体系统（Lea等人，2005年）生成适应性架构设计（Chen和Zhao，2024年）或由人工智能驱动的工具来增强企业架构建模和决策支持（An等人，2023年；Guo和Gao，2024年；Hughes等人，2025年）。随着企业架构演变为能够协调整个服务生态系统的智能学科（Minkkinen等人，2023年；Secundo等人，2025年；Zimmermann等人，2023年），它可能会从人工主导转向机器辅助的治理（Yablonsky，2021年）。最终，这种融合将企业架构定位为一种战略能力，为企业在更广泛的人工智能支持的SIEs中发挥韧性作用提供必要的严谨性和适应智慧（Barile等人，2026年；Chen和Zhao，2024年；Stahl，2022年；Vinuesa等人，2020年）。

3. 研究方法
本研究以企业架构-创新生态系统（EA-IE）治理矩阵（图1）为框架，将SIE概念化为一个复杂的适应系统。在这个模型中，重点企业作为一个适应代理，利用企业架构的各个垂直层次（业务、应用、数据、技术）来维持结构核心的稳定性。这种内部秩序与IE的新兴环境（参与者、资源、流程）保持平衡，后者受到人工智能和可持续性宏观压力的驱动。

图1. 企业架构-创新生态系统治理矩阵。来源：自行处理。
矩阵中的12个交点代表了从我们的系统文献回顾（SLR）综合中获得的社会技术治理接口。具体来说，我们将企业架构的基础垂直层次与文献中确定的IE的水平协作维度进行了交叉参照，以绘制出核心的社会技术紧张关系。为了确保理论透明度，每个接口都是基于既定的理论锚点进行配置的：业务层次交点（例如，战略对齐、循环模型整合）基于生态系统协调和价值共创理论（Adner，2006年；Jacobides等人，2018年）；应用和数据层次交点（例如，平台治理、数据主权、共享）反映了数字平台治理以及架构作为IE之间边界对象的作用（Kotusev等人，2023年；Paasi等人，2023年）；技术层次交点（例如，绿色计算、互操作性标准）与模块化系统和可持续基础设施研究相一致（Tilson等人，2010年；Zimmermann等人，2023年）。这12个点提供了关于如何执行适应性韧性的操作定义——即转变内部结构的同时保持生态系统对齐的能力。例如，技术和流程的交点将互操作性标准作为跨组织人工智能功能的要求，而业务-参与者接口定义了治理共享可持续性目标的机制。通过系统地将企业架构能力映射到IE要求上，该矩阵从一个可视化工具转变为一个用于识别社会技术摩擦点的分析框架。
为了解决我们的研究问题（RQs），我们采用了一种顺序混合方法的研究设计，首先进行SLR以建立理论基础，然后进行实证研究以开发和验证我们提出的框架。这种方法允许我们进行全面调查，将理论发展基于现有文献和当代专业实践。

3.1. 系统文献回顾
我们的研究的第一阶段是系统文献回顾（SLR）。我们遵循了管理和信息系统研究推荐的严格多阶段过程（Kitchenham等人，2009年；Tranfield等人，2003年），确保我们的程序是透明和可复制的，符合PRISMA 2020声明的原则（Page等人，2021年）。SLR的目的是为我们的RQs提供理论基础。具体来说，它解决了两个关键目标：1）综合现有文献中对人工智能、企业架构和SIE概念的认知和实证联系，从而为RQ1提供关于人工智能在企业架构层次和SIE组件交叉点上战略重要性的见解；2）识别人工智能驱动的过程如何影响企业架构的结构层次与SIEs的协作元素之间的关系，直接贡献于RQ2，并为RQ3中提出的连贯框架的发展提供框架。
我们在2025年6月对两个主要的学术数据库Scopus和Web of Science（WoS）进行了全面搜索，选择这两个数据库是因为它们涵盖了高质量、经过同行评审的技术、管理和可持续性科学文献的广泛范围。为了减少出版偏见并捕捉相关的灰色文献，如有影响力的工作论文和报告，我们的搜索还补充了Google Scholar的结构化查询（Haddaway等人，2015年）。搜索查询围绕我们从初步调查中确定的四个概念性支柱构建。以下搜索字符串应用于摘要字段，以保持专注同时全面的范围：((“创新生态系统”) AND (可持续性 OR 可持续性)) OR ((“企业架构” OR “企业架构框架”) AND (可持续性 OR 可持续性)) OR ((“创新生态系统”) AND (AI OR “人工智能”) OR ((“企业架构” OR “企业架构框架”) AND (AI OR “人工智能”)))。
初步搜索在Scopus中产生了1100个结果，在WoS中产生了449个结果，在Google Scholar中产生了前997个与上下文相关的结果。经过自动和手动去除重复项后，剩余658条独特记录。研究选择分为两个阶段进行，由两位作者独立完成，以确保可靠性。首先，我们根据预定义的包含和排除标准筛选标题和摘要。为了保持跨学科的有效性和确保严格的质量评估，我们对每个候选研究应用了三级质量评估框架：（1）来源可靠性，要求研究发表在同行评审的期刊或主要学术数据库（Scopus、WoS）索引的完整会议论文集中，优先选择排名在Q1/Q2级别的期刊；（2）方法论透明度，排除未能提供明确研究设计、数据收集或理论推导描述的研究；（3）理论深度，优先选择提供人工智能-EA-SIE交叉点新概念扩展的研究。通过明确排除非同行评审的材料、扩展摘要和社论，我们确保我们在概念框架（图1）中识别的12个治理接口来自高影响力、理论基础的证据。
这导致排除了587篇与目标无关的文章（n = 354篇）、缺乏足够细节进行评估的文章（n = 175篇）或仅重新使用现有框架而没有新贡献的文章（n = 58篇）。两位评审者之间的任何分歧都是在共识会议中解决的，必要时由第三位作者担任仲裁者。这一过程最终确定了71项被认为对全文分析和综合高度相关的研究。这些研究被分类以构建我们的分析框架：1）信息工程（IEs）和可持续进程（n=24），2）企业分析（EA）和可持续进程（n=17），3）人工智能（AI）和信息工程（n=14），以及4）人工智能（AI）和企业分析（n=16）。

3.2. 实证框架的开发与验证
3.2.1. 研究设计与理由
为了回答我们的研究问题（RQs），我们采用了序贯解释性混合方法设计（Creswell和Plano Clark，2018）。这种方法非常适合复杂的社会技术性问题，因为它允许首先进行定量探索以发现广泛的模式，然后通过定性调查来解释和丰富这些发现（Yin，2017）。这种两阶段设计的理由基于首先系统地绘制出被认为对人工智能整合最关键的架构交叉点（定量阶段），然后理解这些交叉点在实践中是如何被解决的，包括相关的策略、挑战和未来影响（定性阶段）。定量组件的目的不是进行统计概括；其目的是描述性和启发性的。它有助于识别并确定图1中显示的治理接口的重要性，从而为后续的定性访谈提供一个结构化的起点。初步的定量阶段提供了一个关于人工智能战略重要性的结构化、可比较的数据集，而随后的定性阶段则提供了解读这些评级和探索新兴主题所需的丰富背景叙述。通过整合这两种数据类型，本研究旨在产生比单一方法更全面的理解，从而增强我们的发现的有效性和实际相关性。

3.2.2. 参与者选择与样本特征
鉴于研究主题的性质，我们采用了非概率性的目的性抽样策略，特别是通过专家抽样来接触行业高级领导者（Patton，2015）。我们制定了严格的选择标准，以确保参与者具有深厚的知识和相关经验（Okoli和Pawlowski，2004）。候选人需要满足以下条件：1）担任高级执行或战略角色（例如，首席执行官、首席信息官、创始人、总监）；2）至少有五年的数字化转型、人工智能采纳或企业战略管理实践经验；3）积极参与技术驱动的创新。至关重要的是，为了确保与信息工程（SIE）背景的相关性，一个附加标准要求所有候选人在过去三年内积极参与了包含环境、社会和治理（ESG）或循环经济成分的项目。这确保了他们的战略见解基于可持续创新的实际情况，而不论他们的主要职位是什么。我们的最终样本由10位行业高级专家组成，这些专家被有意选中，以便提供对研究问题的异质性和全面性的视角。这种小样本、以专家为中心的方法在技术管理研究中已经得到广泛应用，其目标是来自知识渊博来源的深入可靠评估，而不是统计意义上的样本代表性。虽然样本量有限，不适合进行统计推断，但选择过程遵循了目的性抽样标准，以确保在高度专业化的实践者中达到理论饱和。样本的可信度通过其丰富的经验得到加强，平均工作年限为11.9年，范围从5年到20年不等。专业角色涵盖了战略、技术和市场方面的责任，包括：1）战略与执行领导（首席执行官/创始人4名，首席创新官1名，运营总监1名）；2）技术性与市场专家（系统分析师/设计师1名，产品与销售经理1名，以及专注于循环经济的市场与商业分析师1名）。这种角色的多样性在行业代表上也有体现，专家来自技术初创企业、企业咨询、制造业、金融服务和投资管理等不同领域。尽管这种行业多样性引入了变化，但这在方法论上是故意的。通过跨生态系统范围抽样（从敏捷创业公司到受监管的企业），我们旨在识别出尽管存在情境差异但仍持续的普遍架构模式。这种有意的设计旨在确保我们的发现不限于单一行业的观点，而是反映出对挑战和机会的多方面的理解，从而增强了我们定性结论的外部有效性（Patton，2015）。这种方法促进了分析的概括性，使我们能够从具体的专家观察出发，发展出适用于人工智能支持的SIE治理这一更广泛现象的理论模型。

3.2.3. 数据收集协议与程序
数据收集于2025年5月至7月之间，使用了一个全面的半结构化协议，旨在系统地捕获定量和定性数据。该协议通过面对面会议、在线视频/音频访谈和在线调查等多种方式进行，以适应高级专家参与者的紧张日程安排。协议分为四个部分，以确保所有数据收集方式的一致性和逻辑流程。
● 第一部分：这一初始部分收集了人口统计和职业信息，包括职位、专业技能和经验年限，在获得知情同意后进行。
● 第二部分：问题1（Q1）旨在校准每位专家的背景，这部分使用了5点李克特量表（从“一无所知”到“专家”），让参与者自我评估他们对研究四个核心概念的熟悉程度。这既作为背景介绍，也验证了他们的专业知识。
● 第三部分：这一部分构成了研究的核心定量组件，使用了问题2（Q2）。参与者被要求在一个6点李克特量表上评估人工智能整合的重要性（从“完全不重要”到“非常重要”），该量表将企业分析（EA）的垂直层面（业务、应用、数据、技术）与信息工程（IE）的 horizontal 组件（参与者、资源、流程）相对应。目的是系统地绘制出人工智能在整个架构景观中的战略重要性。
● 第四部分：协议的最后一部分也是最广泛的部分，包含开放式问题（Q3、Q4、Q5、Q6 和 Q7），旨在引出丰富的叙述性回答。这些问题被组织成五个主题领域，以探讨定量评级背后的“为什么”和“如何”：
1. 人工智能在可持续创新中的作用（当前应用、对竞争优势的影响、与可持续性的对齐）。
2. 人工智能与企业分析的整合策略和挑战（当前策略、框架使用、技术/组织障碍的管理）。
3. 组织的准备情况和韧性（评估因素、提高适应性的措施）。
4. 主要的采纳障碍（主要障碍、特定的伦理和治理挑战）。
5. 未来展望和建议（最佳实践、对企业分析和信息工程发展的预测）。

3.2.4. 数据分析策略
为了系统地分析收集的数据，我们采用了平行分析方法，首先分别检查定量和定性数据，然后在最终解释阶段将它们整合在一起。这种方法与序贯解释性混合方法设计（Creswell和Plano Clark，2018）一致，并确保在将数据综合成与我们研究问题一致的完整解释之前，两种数据类型都能保持其完整性。定量数据使用Python和适当的统计库进行分析，以计算平均分数、标准差和可视化结果。这使我们能够识别出具有重要性和最低重要性的人工智能与企业分析交叉点，评估专家之间的共识程度和分歧，并绘制出与研究问题1相关的模式。我们明确指出，这些结果不是推论性的：描述性统计仅总结了我们的样本，不能推广到更广泛的人群。定性数据包括转录的开放式回答和访谈记录，使用Braun和Clarke（2022）以及Braun等人（2014）提出的六阶段流程进行了反思性主题分析。这一过程包括：1）通过反复阅读熟悉数据；2）对数据集进行系统的逐行编码；3）从编码中生成候选主题；4）根据编码摘录和完整数据集审查和完善主题；5）定义和命名最终主题；6）生成由丰富例证支持的分析性叙述。这种分析对于解决研究问题2特别重要，因为它提供了关于社会技术障碍、治理方法以及人工智能融入企业分析的实际策略的见解。在最终的整合阶段，定性见解被系统地与定量模式进行了比较，并用于详细阐述，从而产生了连贯的、多层次的研究结果解释（Fetters等人，2013）。例如，当定量结果突出显示业务层-参与者交叉点非常重要时，定性叙述解释了其原因，详细说明了人工智能如何增强人类能力、支持决策制定并重塑信息工程中的角色。这种解释性的整合还有助于综合多维度框架（研究问题3），将战略层次的定量优先级与推动者和障碍的定性识别结合起来。

3.2.5. 数据分析策略
为了系统地分析收集的数据，我们采用了平行分析方法，首先分别分析定量和定性数据，然后在最终解释阶段将它们整合在一起。这种方法与序贯解释性混合方法设计（Creswell和Plano Clark，2018）一致，并确保在将数据综合为与我们的研究问题一致的完整解释之前，两种数据类型都能保持其完整性。定量数据分析使用了Python和适当的统计库来计算平均分数、标准差和可视化结果。这使我们能够识别出具有重要性和最低重要性的人工智能与企业分析交叉点，评估专家之间的共识水平和分歧，并绘制出与研究问题1相关的模式。我们明确指出，这些结果不是推论性的：描述性统计仅总结我们的样本，不能推广到更广泛的人群。定性数据包括转录的开放式回答和访谈记录，使用Braun和Clarke（2022）以及Braun等人（2014）提出的六阶段流程进行了反思性主题分析。这一过程包括：1）通过反复阅读熟悉数据；2）对数据集进行系统的逐行编码；3）从编码中生成候选主题；4）根据编码摘录和完整数据集审查和完善主题；5）定义和命名最终主题；6）生成由丰富例证支持的分析性叙述。这种分析对于解决研究问题2特别重要，因为它提供了关于社会技术障碍、治理方法和人工智能融入企业分析的实际策略的见解。在最终的整合阶段，定性见解被系统地与定量模式进行比较，并用于详细阐述，产生了连贯的、多层次的研究结果解释（Fetters等人，2013）。例如，当定量结果突出显示业务层-参与者交叉点非常重要时，定性叙述解释了其原因，详细说明了人工智能如何增强人类能力、支持决策制定并重塑信息工程中的角色。这种解释性的整合还有助于综合多维度框架（研究问题3），将战略层次的定量优先级与推动者和障碍的定性识别结合起来。

4. 结果
4.1. 定量评估：优先考虑人工智能的战略重点
在十位专家的协议中，受访者对信息工程（IEs）的熟悉程度最高（平均分=4.0，满分5分），其次是人工智能（平均分=3.6）。可持续性也获得了相对较高的分数（平均分=3.4），反映了其在创新导向实践中的确立角色。相比之下，企业分析（EA）的熟悉程度较低（平均分=2.9），表明尽管专家在创新的概念和技术方面充满信心，但他们对结构化企业分析框架的了解相对较少。图2中的热图可视化显示了专家之间的这些差异，其中信息工程和人工智能方面的专业知识最为一致，而可持续性和企业分析方面的熟悉程度变化较大。当这些数据映射到企业分析-信息工程治理矩阵（图1）上时，这种模式表明人工智能和可持续性已经嵌入到专家的实践中，而企业分析仍然是连接这些视角和信息工程的潜在技能发展领域。然而，应当指出，鉴于本研究的探索性质和较小的专家样本规模（n=10），以下定量指标（平均值和标准差）仅用于描述性目的，以识别启发式模式和相对优先级。这些指标应被视为该特定小组内共识的顺序指标，而不是可推广的参数。虽然标准差表明意见存在差异，但在第4.3节中，这些波动被用作定性描述的起点，而不是统计误差的衡量标准。

下载：下载高分辨率图像（470KB）
下载：下载全尺寸图像
图2. 对研究核心概念的熟悉程度。来源：自行处理。
在人工智能与企业分析各层交叉点上，对人工智能重要性的综合评估显示出一个强有力的共识，即人工智能在业务层最具价值，特别是对于参与者（平均分=5.4，满分6分）和流程（平均分=5.5）。数据流程也获得了较高的评分（平均分=5.0），强调了强大的数据基础设施在推动人工智能驱动转型中的核心作用。应用层和技术层虽然评分较低，但仍为正数（平均值在3.8到4.6之间），表明这些更被视为促成条件而非战略影响的主要来源。单元格中的标准差大约在0.5到1.3之间，表明顾问和管理者更强调业务层面的影响，而专注于技术的实践者则对应用和基础设施给予了更高的评价。图3中的热图清楚地显示了这些模式，表明业务层和数据相关交叉点上的重要性得分较高。具体来说，最高的重要性得分与生态系统战略对齐（业务-参与者）、循环商业模式整合（业务-流程）以及跨组织数据管道（数据-流程）接口相一致（如图1所定义）。这种定量优先级验证了框架的结构，突出了关键参与者认为最具战略影响的地方。

下载：下载高分辨率图像（246KB）
下载：下载全尺寸图像
图3. 人工智能整合到信息工程和企业分析中的重要性。来源：自行处理。

4.2.**定性洞察：专家访谈的主题分析**

对定性数据的主题分析揭示了四个主要且相互关联的主题，这些主题概括了将人工智能（AI）整合到企业架构（EA）中的当前状态、挑战及未来发展轨迹。

**主题1：AI作为可持续创新催化剂的演变角色**

访谈清楚地表明，AI在创新中的角色正在经历显著而快速的变化，从最初应用于狭窄的后端功能，发展成为推动业务价值的核心和战略驱动力。专家们描述了一个清晰的转变路径：从使用机器学习进行基本数据处理和流程优化，到利用先进的人工智能，特别是生成式AI，来进行高价值的战略活动。这包括竞争分析、模拟和评估新的开发模型，以及加速新产品的设计。这一转变标志着AI从一个提升效率的工具，转变为一个促进创造力和战略洞察力的平台。其实际效益非常显著，专家们报告称通过推荐引擎增加了销售额，通过预测分析降低了运营成本，并提高了对市场变化的响应能力。对一些人来说，AI已成为他们商业模式的核心，使他们能够通过提供可扩展的、由AI驱动的解决方案来颠覆传统行业，从而比现有竞争对手更快地创造价值。

将这些创新努力与可持续发展目标相结合越来越受到重视，尽管这种整合的成熟度各不相同。最普遍的方法是利用AI提高运营效率，从而直接贡献于环境可持续性。这包括优化物流、减少生产过程中的能源消耗、最小化计算浪费，甚至使用可再生能源为数据中心供电。更高级的战略方法是将AI用作设计和实现可持续解决方案的工具。例如，监测碳足迹、提高供应链透明度以及设计更耐用、循环利用的产品。这表明人们认识到AI有潜力推动超越单纯内部优化的系统性变革。这种向战略洞察力的转变通过可持续资源调动策略（Business-Resources）接口实现，AI在此过程中帮助分配生态系统资产，以实现创新和可持续发展目标。

然而，特别是那些具有循环经济背景的专家，指出了一个关键的可持续性悖论。他们明确警告说，AI本身并不一定是环保的；相反，训练大型模型所需的大量计算能力会产生显著的碳足迹。一位专家将这种情况描述为潜在的反弹性效应，即数字解决方案的环境成本可能会超过其带来的效率提升。因此，受访者强调，必须将绿色AI实践（如优化代码以提高能源效率、选择使用可再生能源的数据中心）作为前提条件，而不是事后考虑的事项。如果没有这种谨慎的战略监督，AI的采用可能会危及它旨在推进的可持续发展目标。

**主题2：EA与AI整合的悖论：原则胜过框架**

从访谈中浮现出一个显著且一致的悖论，即关于正式企业架构（EA）框架的作用。虽然少数专家（通常来自结构化或受监管较多的行业）报告称他们在AI整合中积极使用了TOGAF或Zachman等成熟框架，但绝大多数专家表示他们根本不使用任何正式框架。相反，他们依赖轻量级的替代方案、松散的参考或只是一系列指导性架构原则。这表明普遍认为传统的、繁琐的EA方法过于僵化和官僚化，无法跟上AI快速迭代的步伐。特别是在高度敏捷的环境中，对快速AI部署的需求超过了传统的官僚周期。然而，正如专家们所隐含的警告，如果这些指导原则没有得到牢固的确立，这种追求敏捷性的做法可能会导致“影子AI”的泛滥，即分散的团队采用未经授权的AI工具，完全绕过官方治理结构。

尽管如此，尽管专家们明确表示放弃了正式框架，但他们对自己整合策略的描述实际上体现了对核心架构原则的严格遵守。这种共同的架构思维始终涉及一种结构化、分阶段的方法：1）从业务价值开始——第一步几乎总是识别出AI可以增加可衡量价值的具体业务能力或痛点，从而确保AI举措具有战略意义而非仅仅基于技术驱动；2）分阶段和迭代地推进——专家们普遍建议从小型试点项目开始，以证明价值、从失败中学习，并在尝试扩大规模之前建立组织动力；3）优先建立坚实的技术基础——人们明确认识到，成功的AI依赖于强大的技术基础，强调强大的数据流程、API优先或模块化架构，以及使用可扩展的云服务。这一悖论表明，在AI的背景下，EA的实际价值更多在于其作为一种思维方式的本质——一种管理复杂性、确保战略一致性并控制快速变化环境中的变革的认知工具。因此，应对这一悖论需要特别是在数据-过程接口处建立强大的机制，确保自动化AI工作流程由灵活的原则而非严格的程序规则来管理。这种架构思维有效地成为了图1中定义的矩阵的治理机制。即使没有正式框架，专家们也能直觉地管理特定接口（如自动化合规性和共创工作流程（Application-Processes），以确保快速的AI迭代不会损害EA的功能。

**主题3：克服采纳AI的社会技术障碍**

专家们一致认为，AI采纳面临的最大和最困难的障碍并非纯粹的技术问题，而是深层次的社会技术问题。人类因素始终被认为是最关键的挑战。这包括克服员工对变化的恐惧和抵触情绪，这可能会减缓或使项目失败，以及解决持续存在的人才和技能缺口问题，这使得找到能够跨越技术和业务领域鸿沟的合格专家变得困难。此外，一个关键的操作风险是关于将敏感的企业数据输入公共AI助手的问题，这种做法迫使许多组织关闭AI工具，从而扼杀了它们本应支持的创新。为了应对这些人类挑战，专家们强调了早期和持续利益相关者参与的重要性、沟通以消除对AI的误解，以及开展广泛的培训计划，这些计划不仅关注技术技能，还关注工作流程的调整和对伦理影响的理解。这种社会技术紧张关系明确突显了我们框架中业务-参与者接口（Business-Actor）的关键重要性，在这里，战略AI的对齐必须直接解决人力资本和组织文化问题，而不仅仅是技术部署问题。风险集中在数据主权和伦理治理（Data-Actors）以及数据共享协议和API（Data-Resources）接口上。定性洞察表明，当旨在保护数据完整性的治理接口被新兴的AI使用模式绕过时，社会技术障碍最为严重。

第二大类障碍集中在数据和治理方面。数据质量差、数据孤岛以及与旧系统整合的难度被视为基础性的技术障碍，这些障碍可能在AI举措开始之前就将其扼杀。同时，建立有效的AI治理框架被视为至关重要但非常复杂。这包括管理多种伦理挑战，如算法偏见、确保透明度和可解释性（黑箱问题），以及应对复杂的监管环境。对AI引发错误的缺乏明确责任会导致治理真空，从而给所在企业及其更大生态系统带来法律和声誉上的损害。

为了建立必要的组织准备和韧性，专家们建议采取整体方法。这从多维度的全面评估开始：数据、技术、技能、文化和财务能力。最有效的韧性措施是实用和迭代的，例如通过分阶段推进来减少干扰，建立强大的监控和反馈循环，最重要的是，在关键过程中融入人类参与的设计。这些措施有助于加强互操作性标准（Technology-Processes）和平台治理角色（Application-Actors）接口，确保技术层有效支持企业架构中的关键参与者。后者被认为是维持人类监督、建立信任以及确保AI作为人类智能的补充而非替代品的关键。

**主题4：未来的发展轨迹：迈向AI中介的企业架构（EAI）**

展望未来，专家们分享了一个引人入胜且高度一致的愿景，即AI将如何从根本上重塑企业架构（EA）和企业信息系统（SIEs）。共识是，AI将引发EA的范式转变，将其从当前的静态、碎片化和缓慢的功能转变为一种动态的、实时运作的学习性功能。在这个未来愿景中，AI将持续从整个企业中收集数据，以丰富和更新EA仓库，有效地将其变成一个动态的变革操作系统或实时战略仪表板。预计生成式AI将自动化许多目前由架构师执行的耗时且低价值的任务，使他们能够专注于更高层次的战略思考。

这种技术变革将不可避免地导致企业架构师角色的深刻演变。未来的架构师将不再是静态蓝图的创造者，而更像是AI洞察的策展人或prompt工程师，负责设计、管理和微调智能和自我优化的系统。这一新角色将致力于培养创新文化，并确保设计的智能系统以人为本且符合伦理标准。最后，这种转变预计将使架构洞察民主化。由AI驱动的工具，如自然语言接口和高级可视化工具，将使非技术利益相关者能够互动并理解复杂的架构信息，使架构成为企业的共同语言。从更广阔的角度来看，预计AI将通过实现高度个性化来重塑企业信息系统（SIEs），通过促进新的跨行业合作来模糊传统行业边界，并创建AI中介的市场，使公司和它们的智能代理能够协作创造价值。通过应用-资源接口（Application-Resource）来概念化这些动态，核心企业可以更好地协调共享的AI能力和数字资产。这种未来轨迹意味着向自我优化接口的转变，其中像可持续基础设施配置（Technology-Resources）和共享AI工具及知识库（Application-Resources）这样的交叉点变得动态和自主，要求企业架构师从手动设计转向这些接口的策展工作。

**4.3：整合定量和定性发现**

发现的整合遵循了一种混合方法的设计原则，其中定性叙述被用来解析热图中识别的描述性模式。通过将发现映射到EA-IE治理矩阵上，我们看到定量重要性最高的领域（业务和数据层）也是定性复杂性最高的区域。从定量角度来看，专家们认为业务和数据层对AI整合具有最高的战略重要性，而应用和技术层得分较低，表明它们更多地被视为促进者而非直接的价值驱动因素。然而，这些层之间的中等标准差表明个体专家之间存在显著差异。定性洞察显示，这种差异并非随机，而是取决于专家所处的具体行业背景。这些模式与这样一个观点相符：AI的最大影响发生在组织战略与运营流程的接口处，在那里它塑造了决策制定、参与者协作和创新绩效。数值评级与专家观点之间的这种一致性强调了集体对AI作为一种战略现象而非纯粹技术现象的理解。

定性洞察通过阐述这些模式出现的原因，丰富了这些发现，并细化了方法所提供的平均观点。在所有访谈中，专家们一致将业务和数据层描述为转化区，在这里AI将人类专业知识与机器智能联系起来。在我们的框架背景下，这些转化区代表了生态系统策略对齐以及数据主权和伦理治理接口。例如，一位受访者解释说：“AI帮助我们比任何框架都更快地将业务意图转化为可执行的工作流程”。另一位专家强调：“我们的架构每天都在演变——AI迫使我们即时重新思考设计”。这些反思解释了为什么业务层获得了最高的共识：普遍存在利用AI提高流程敏捷性的战略紧迫性。这些反思说明了人工智能（AI）如何作为企业各层次之间的动态协调机制运作，与社会技术视角相一致，这种视角认为创新是通过人类与技术的互动共同产生的。相反，技术层被赋予的相对较低的重要性和较高的分歧反映了行业特定的分歧：数字化原生专家将基础设施视为一种商品（导致评分较低），而制造行业的专家则认为它是高风险的瓶颈（导致评分较高和差异增大）。综合这两个数据集揭示了一种层次化的互补性，增强了解释的有效性。定量趋势确定了AI影响的集中点，而定性叙述解释了这些交汇点在实践中是如何实现的。这种整合暴露了生态系统架构（EA）的悖论——在保持结构一致性和适应灵活性之间的张力。正如专家们的陈述所反映的，图1中定义的12个治理接口作为边界对象，促进了功能、数据和技术领域之间的沟通和一致性。通过将EA视为一组适应性接口而非静态蓝图来运作，核心参与者可以成功地在内部结构核心与外部由AI支持的生态系统（SIEs）之间架起桥梁。

5. 讨论与局限性
本研究的结果提供了关于AI、EA和SIEs交集的见解。我们的结果突出了三个主要动态：1）在业务和数据层对AI的明显战略优先；2）依赖架构原则但未一致使用正式的EA框架；3）人力和组织障碍持续胜过技术挑战。这些实证模式验证了EA-IE治理矩阵的分析效用，特别是EA在提供管理生态系统出现所需的结构核心方面的作用。定性数据表明，孤立的试点项目往往失败，因为它们缺乏在自动化合规和共创接口方面的基础，导致AI能力与生态系统工作流程之间的脱节。此外，定量评估表明，数据共享协议和API联系是企业在其SIE内韧性的主要预测因素。这支持了复杂适应系统观点，即这些特定的治理接口（如绿色计算访问、身份管理和循环商业模式整合）对于代理适应至关重要，使企业能够在内部稳定性和AI驱动创新的混沌潜力之间取得平衡。

总的来说，这些发现揭示了EA作为动态的、由AI增强的学科的未来愿景与组织中当前碎片化实践之间的不匹配。这一差距与早期观察相呼应，即组织往往由于治理、技能和文化准备方面的惰性而难以完全捕捉AI的变革潜力（Goralski和Tan，2020；Leal Filho等人，2023；Murire，2024；Tuncer和Varoglu，2025）。特别是，对架构思维的依赖而没有正式框架，凸显了数字化转型中灵活性与标准化之间的持续紧张关系（Afriliana等人，2022；Kotusev和Kurnia，2021）。然而，必须在这种乐观情绪中认识到AI的外部性，揭示了我们所称的EA悖论。我们的分析揭示了一个关键的可持续性紧张：虽然AI通过可持续的资源调动策略优化了生态系统中的资源效率，但其自身的计算需求产生了显著的碳足迹，可能会抵消环境收益。此外，专家们强调了社会技术风险，特别是算法偏见和自动化决策的黑箱性质，这可能削弱生态系统参与者之间的信任和社会包容性。因此，治理由AI支持的SIEs需要双重关注——利用AI进行创新，同时积极监测并通过定义的矩阵接口减轻其环境和伦理责任。

我们的结果扩展了先前的研究，这些研究强调了AI采用的社会技术性质，其中组织文化、信任和治理往往比技术能力更为决定性（Denni-Fiberesima，2024；Secundo等人，2025；Zimmermann等人，2023）。通过强调以人为中心的障碍，我们的研究为技术优势只有在与管理勇气和适应能力结合时才能实现的观点增添了实证依据（Chatterjee等人，2020）。专家们对活生生的EA的愿景也反映了向数字架构发展的趋势，这些架构不是静态仓库，而是适应性强的系统（Boyer，2020；Jacobides等人，2018）。这种愿景与新兴的行业观点相呼应，即将由AI支持的EA视为企业转型的催化剂，作为一个不断适应的系统，通过实时数据增强敏捷性、韧性和可持续增长（Alghamdi，2024a；Chen和Zhao，2024；Zimmermann等人，2020）。

5.1. 理论与实际意义
从理论上讲，我们的发现有助于复杂系统视角。人类和组织因素是主要障碍的社会技术系统的实证证据强化了纯粹从技术角度看待AI整合是不够的。我们发现的EA整合悖论——即实践者应用架构原则而没有正式采用框架——支持了将EA视为管理复杂性的社会实践和认知工具的理论（Kotusev和Kurnia，2021）。在这种背景下，EA工件和原则作为边界对象，促进了不同利益相关者群体之间的沟通和共同理解（Kotusev等人，2023）。这种模式与数字化转型研究中发现的二元性相呼应，即组织必须在标准化以控制和创新以灵活性之间取得平衡（Tilson等人，2010；Volkoff和Strong，2013）。因此，实践者不是拒绝EA，而是将其重新解释为一种能够适应快速AI驱动变化的灵活治理语言。这种悖论可以通过组织敏捷性与结构惰性之间的视角来理论解释。虽然正式的EA框架提供了必要的稳定性，但它们往往引入了与AI创新的高速度要求相冲突的结构惰性。因此，组织采用基于原则的治理方法作为一种动态能力。这种机制使他们能够通过共享的认知启发式方法（我们称之为架构思维）保持架构一致性，同时绕过重型框架的官僚僵化。为了实现这一机制，直接从专家关于平衡AI速度与结构稳定性的定性描述中，我们提出了三个可测试的命题。

命题1：在高速度行业中，正式EA框架的采用与AI实施速度呈负相关，但架构原则（作为加权启发式）与系统的长期韧性呈正相关。这种转变主要发生在面临极端AI速度的高度敏捷组织中。然而，正如我们的实证数据所表明的，如果这些原则没有牢固建立，组织面临着“影子AI”的严重风险，即分散的单位采用未经批准的AI工具，绕过架构监督和数据主权。

命题2：反映来自主题2和主题3的专家见解，EA悖论在中小企业（SMEs）和天生敏捷的公司中最为普遍，其中资源限制和速度需求 necessitate 治理与正式结构的解耦。

命题3：随着AI成熟度从孤立试点发展到生态系统协调，对隐性架构思维的依赖仍然很高，但需要明确的数据层标准化以管理跨行为体的互操作性。这种转变有效地将治理与正式结构解耦，使得在不牺牲长期系统完整性的情况下进行快速的AI实验成为可能。这些命题为测试组织规模、行业成熟度和AI类型在EA-IE治理矩阵中的关系提供了路线图。

从理论上讲，我们的框架通过操作化了智能代理（人类和非人类）如何在架构边界内交互以产生新兴的、适应性强的组织行为，扩展了复杂适应系统视角。这增强了从核心参与者角度分析复杂适应系统的有效性，表明EA是在外部生态系统复杂性中生存和共同进化的重要内部治理机制。这一发现也从实证上验证了EA需要超越 rigid 结构，发展成更动态能力的必要性（Gampfer等人，2018），这对于治理IEs的新兴和不可预测的性质至关重要（Jacobides等人，2018；Boyer，2020）。此外，我们识别出的以人为中心的挑战与IT赋能的战略管理理论相呼应，这些理论认为技术的价值不是固有的，而是通过人类能动性、知识甚至勇气实现的（Chatterjee等人，2020）。最后，这些发现通过展示AI不仅可以用于运营效率，还可以用于战略循环性和绿色价值创造，为可持续性导向的创新研究做出了贡献（Nylund等人，2021；Huang等人，2025）。

在实践中，我们的结果提出了几个建议。首先，组织应将其AI整合努力集中在业务和数据层，因为在这些层感知到的战略价值最高（Adner，2006）。其次，管理者必须认识到AI采用的关键成功因素在于治理、文化和能力建设，这需要在变革管理、技能提升和数据治理方面进行重大投资（Jankovic和Curovic，2023；Murire，2024；Tuncer和Varoglu，2025）。第三，采用人类参与的方法提供了双重好处：在保障信任和韧性的同时，实现人类与AI的共创（Salminen等人，2024；Zimmermann等人，2023）。最后，发现架构原则可以在没有正式框架的情况下成功应用，表明组织可以从培养结构化、战略性思维的文化中受益，而无需冗重的官僚程序，这一点对于资源受限的中小企业和SIE参与者尤为重要。

5.2. 未来研究方向
直接基于我们的实证发现，特别是需要应对EA悖论（主题2）和克服社会技术劳动力障碍（主题3），以及Chen和Zhao（2024）和李等人（2024）的工作，我们提出了一个以开发SIEs的多代理模拟框架为中心的未来研究议程。因为我们的探索性实证研究（n = 10）显示，静态EA框架难以捕捉AI的快速、非线性演变，我们认识到动态建模是必要的下一个方法论步骤。因此，我们不是提出一个脱节的概念性练习，而是明确地将未来的研究议程围绕多代理系统来定位，作为对我们发现的直接回应。这些系统非常适合研究我们的专家所识别的复杂生态系统的新兴行为和适应能力（Paasi等人，2023），反映了AI的变革性角色（Secundo等人，2025）。为了从概念模型过渡到正式表示，我们将每个代理（Ai）定义为元组{Si, Ac, Ri}，其中Si代表代理的内部状态，Ac表示行动空间，Ri是奖励函数。该框架允许将SIE建模为一个复杂的适应系统，其中不同的代理在不断变化的环境条件和治理约束下进行交互。

为了推进这一建模工作，我们建议设计多样化的、基于利益相关者信息的代理档案，以捕捉生态系统中的技术和战略角色。例如：1）由市场远见和价值共创逻辑引导的商业策略代理，如Sun等人（2022）所强调的；2）根据Alka等人（2024）和Bakry等人（2024）的原则优化ESG和循环性权衡的可持续性官员代理；3）负责治理、安全和伦理监督的首席架构师代理，借鉴Bakar等人（2024）和Minkkinen等人（2023）的研究；4）代表人类劳动力的员工代理，其决策逻辑包括数字技能、变革抵抗力和内部动机，受到Chatterjee等人（2020）的启示。我们建议使用BDI架构进行代理设计（Georgeff等人，1999）。在这种逻辑中，每个代理优化一个不同的效用函数：商业策略家在市场波动性下最大化投资回报率（ROI），而可持续性官员在运营预算约束下最大化ESG得分。

关于AI驱动的智能代理的新兴文献为这一议程提供了坚实的基础。智能代理越来越多地用于模拟可持续性挑战，例如制造系统（Kim等人，2020），以及模拟复杂系统中的组织治理和决策（An等人，2023；Hughes等人，2025；Liang等人，2022）。结合这些见解可以使代理档案更加现实和适应性强，使它们能够与环境一起学习和进化，而不仅仅是执行固定规则。我们进一步建议调整Chen和Zhao（2024）开发的五个模拟场景，以反映SIEs的独特挑战和韧性需求。为了确保方法论的严谨性和可重复性，研究人员应使用ODD协议（Grimm等人，2020）来实现这些场景。这些包括：1) 可持续的业务模式转型，例如向循环或再生模式的转变；2) 绿色价值链重构，探索不同采购策略的环境和协调成本；3) 为ESG透明度和报告进行的数据链分析；4) 强调敏捷性和可扩展性的组合和模块化数字架构；5) 绿色基础设施升级，包括低碳IT、可再生能源集成和边缘计算解决方案，参见Vandevenne等人（2023年）的研究。通过在基于代理的环境中模拟这些场景，研究人员可以分析架构规则、决策逻辑和新兴互动如何影响系统韧性、创新扩散和可持续性表现等结果，特别是在外部不确定性条件下。这种模拟的一个特别有价值的应用在于测试替代的治理范式。互动规则应受到我们在实证研究中观察到的EA悖论原则的指导。具体来说，不应将治理建模为刚性约束（硬性规则），而应作为影响而非规定代理行为的加权惩罚函数（原则）。例如，模拟可以比较基于规则、基于原则和混合的治理原则，评估它们在促进创新、可持续性和适应性恢复方面的相对有效性（Bakhtiar等人，2026年）。基于代理的模型还提供了一个受控环境，用于引入外部冲击，如气候事件、监管变化或地缘政治中断，并观察不同的治理逻辑如何塑造恢复轨迹。通过这种方式，未来的研究不仅可以扩展EA和可持续性研究的方法论范围，还可以为决策者和组织提供实用的支持工具，以应对由AI推动的转型所带来的不确定性。我们在图4中提供了这一框架的概念性概述。基于我们对各种利益相关者紧张关系的实证识别（主题3），该模型将模拟这些具有独特目标和行为的异质参与者（如战略家、员工）之间的互动。这些代理将在受到外部冲击的模拟环境中运作。代理之间的互动将受一组治理规则和原则的约束。然后，研究人员可以测量新兴结果（如生态系统韧性、创新率、可持续性得分），以测试假设，例如：面对市场冲击时，基于原则的治理是否比基于规则的治理具有更高的韧性？这个多代理系统模型将提供一个虚拟实验室，使由AI支持的SIEs的复杂社会技术治理变得可操作和可测试。

下载：下载高分辨率图像（228KB）
下载：下载全尺寸图像
图4. 提出的多代理系统的概念架构。来源：自处理。
虽然图表展示了代理角色和高级互动，但正式的决策逻辑（基于BDI框架和效用优化）和治理协议在本节的附带文本中进行了详细描述。实现该模型需要采用离散事件模拟方法，其中代理互动在时间步长（T）中处理，代理的成功通过生态系统适应度来衡量——即可持续性得分和创新率的加权和。

实施该模型需要将AI准备度和成熟度模型的见解与支持模拟环境和真实环境之间数据交换的数字孪生架构结合起来。未来的研究可以采用混合方法——结合计算模拟和案例研究——来校准和验证代理行为。例如，通过使用真实企业数据，研究人员可以测试特定治理机制如何影响创新率、ESG表现和系统韧性。从理论上讲，该模型通过将微观层面的代理行为与宏观层面的生态系统适应联系起来，有助于理解社会技术治理。它实现了SIEs的复杂系统视图，并提供了一个工具来探索AI驱动架构内的涌现、反馈和自我组织。在实际应用中，它为决策者提供了一个低风险的实验空间，以在实施大规模数字化转型策略之前评估效率、合规性和可持续性之间的权衡。

5.3. 限制
本研究的结果应在考虑其限制性的前提下进行解读。主要的限制是样本量较小且具有目的性，只有十位专家参与。尽管这种定性方法产生了丰富且深入的数据，符合探索性研究的要求（Patton, 2015），但这些结果仅具有说明性，并不具备统计上的普遍性。特别是，报告的定量指标（均值和标准差）应严格理解为用于识别该专家群体内共识模式的描述性启发式方法，而不适用于更广泛的人群。使用6点李克特量表是为了迫使做出选择并揭示战略集中现象。然而，这些结果提供了适合优先排序和比较的序数数据，而不是用于关于绝对战略集中的高推断性主张。因此，这些见解代表的是分析上的概括——在专家背景下的理解深度——而不是对所有企业的统计概括（Yin, 2017）。未来的研究应通过大规模调查或针对特定AI生态系统的比较性深入案例研究（如Arenal等人（2020年）在中国或Sultana等人（2023年）在蒙特利尔的研究）来验证这些发现，以提供更深入的背景理解。此外，该研究仅捕捉了某个时间点的观点，而AI技术和治理框架都在快速演变。纵向研究将有助于捕捉随着AI和可持续性压力的加剧，组织策略如何适应。

其次，研究的背景限制性可能会影响结果的转移性。所有参与者都在具有强大监管和可持续性框架的欧洲创新生态系统中运作。鉴于欧洲先进的监管环境（例如CSRD和AI法案），这一地理焦点提供了可能在全球范围内出现的治理挑战的预览。然而，这也限制了结果的直接转移性。在其他背景下，特别是在新兴经济体或数字成熟度较低的组织中，EA和AI整合的作用可能会有所不同。因此，应将所提出的框架视为一个可适应不同环境的概念模板，这取决于当地的治理结构、数字成熟度和可持续性优先事项。我们承认这种特定的选择可能会引入对高成熟度可持续性观点的偏向，在解释EA-IE治理矩阵的范围时应予以考虑。

第三，参与者之间的知识和专长分布不均揭示了一个结构性挑战。尽管一些专家在IE、AI或可持续性方面拥有高级专长，但只有少数专家报告了对EA的基本或工作知识。这种不平衡强化了先前的观察，即EA经常在IT职能中孤立存在，并未充分融入组织各个领域（Lapalme, 2012; Niemi和Pekkola, 2017）。然而，必须区分这种问题所测量的正式框架的显性知识（例如TOGAF规范）与多年战略领导经验中衍生出的隐性架构知识。我们的定性分析证实，尽管专家可能在学术EA术语上不够流利，但他们展示了高水平的架构思维能力——即管理复杂社会技术系统的能力。因此，自我报告的熟悉度较低反映了词汇上的差距，而不是能力上的不足，这并不影响他们战略见解的有效性。同样，可持续性取向的差异（例如，企业ESG重点与产品创新重点）可能会影响价值的概念化方式。为了缓解这一问题，我们使用了定量和定性数据之间的三角验证来确保主题一致性和连贯性，但这些偏见仍然是固有的限制。

第四，响应强调了组织抵制和人为因素是主要障碍。多位专家提到了员工对失业的恐惧、技能差距以及对AI采用的抵触情绪。这与关于数字转型的广泛文献相呼应，这些文献指出劳动力焦虑和变革疲劳是关键的抑制因素（Raisch和Krakowski, 2021; Trenerry等人, 2021）。此外，专家们承认，即使AI带来了可测量的效率提升，维持采用仍需要持续沟通、培训和建立关于公平性和透明度的信任。如果没有这些措施，AI可能会加剧能够快速适应的员工与那些难以进行数字化提升的员工之间的不平等。

第五，一个反复出现的主题是数据治理和质量的脆弱性。专家们多次提到数据孤岛化、不一致或混乱的数据是一个瓶颈，这对AI洞察的可靠性有重大影响。这呼应了现有担忧，即糟糕的数据管理不仅降低了AI的价值创造潜力，还加剧了围绕偏见、隐私和责任的伦理和法律风险（Gebru等人, 2021; Stahl, 2022）。特别令人担忧的是，一些组织承认绕过了正式的EA框架，而是依赖轻量级或临时的原则。虽然这可能提高了灵活性，但也带来了治理碎片化和影子AI部署的风险，这可能危及长期韧性。这种缺乏正式化的情况表明，未来的研究应关注当敏捷AI倡议绕过企业的EA时所产生的治理真空。

第六，存在可持续性悖论。虽然一些组织报告称成功利用AI优化了能源效率和资源利用，但其他组织则对AI基础设施的碳足迹及其与气候目标的不匹配表示担忧。一位专家明确指出了协调AI日益增长的能源需求与组织可持续性目标之间的难度。这一矛盾反映了文献中的更广泛紧张关系，即AI同时被视为绿色创新的工具，又是数字环境负担的贡献者（Huang等人, 2025; Vandevenne等人, 2023; Vinuesa等人, 2020）。

第七，研究发现指出了治理和责任方面的差距。多位参与者强调了对于AI驱动错误的责任、遵守不断变化的法规以及自动化决策的伦理含义缺乏清晰度。这与呼吁在AI支持的企业中建立更健全的治理框架的呼声一致，特别是为了管理可解释性和责任（Floridi和Cowsls, 2022）。许多组织采用轻量级的TOGAF或Zachman版本而不是全面的治理模型，这表明在速度和责任之间可能存在一种务实但风险较高的权衡。

6. 结论
本研究通过EA的视角探索了将AI整合到企业中的挑战，以促进SIEs的发展，这对现代组织来说是一个日益紧迫的挑战。在三个RQ的指导下，本研究发展并基于实证提出了一个正式的、多维度的框架，将理论理解和实践理解向前推进，从描述性观察转向可测试的机制。

关于RQ1，我们的发现表明专家们普遍认为AI的战略价值主要体现在业务和数据层面，它直接塑造了参与者、流程和数据流。关键的是，我们的分析揭示了一个词汇差距：尽管专家可能对正式EA框架有一定的熟悉度（显性知识），但他们展示了高水平的隐性架构思维能力。这种区分验证了专家的评估，将管理复杂数字转型的程序能力置于术语流利性之上。这反映了人们对技术和基础设施虽然是重要推动因素，但AI的变革力在于其与业务策略和创新实践的结合。

针对RQ2，结果表明，组织正在追求强调架构原则的实用整合策略，如模块化、治理和与业务价值的对齐，同时经常绕过被认为过于严格的正式EA框架。我们将这种EA悖论理论化为一种通过动态能力视角的战略适应，组织从基于规则的治理转变为基于原则的治理，以克服结构惯性。同时，实践者面临着持续的社会技术障碍：人类抵制、文化惯性、技能差距和数据治理问题始终掩盖了纯粹的技术挑战。这强调了成功的整合既取决于组织的准备程度和以人为中心的治理，也取决于技术能力。

关于RQ3，定量和定性见解的综合通过三个可测试的命题（P1、P2、P3）形成了一个连贯的框架。这些命题通过考虑组织规模、行业速度和AI类型（探索性vs. 利用型）来定义EA悖论的边界条件。该框架突出了AI产生最大战略影响的领域，以及必须管理哪些社会技术因素以确保可持续创新。

总体而言，这项研究在两个方面做出了贡献。首先，它将SIEs的高级理论与企业层面的AI整合的细致现实联系起来，提供了复杂适应系统中治理的社会技术视角。与现有模型不同，我们的框架明确地将垂直的EA层与水平的SIE维度结合起来，将EA原则和工件视为协调不同利益相关者的边界对象。其次，它为未来的研究提供了基础，通过制定多代理模拟路线图。通过采用BDI逻辑和ODD协议，我们提供了一条数学上基于路径的方法，用于检查利益相关者角色、架构原则和涌现系统行为之间的动态互动。展望未来，这些见解表明组织必须为范式转变做好准备：AI有潜力将EA从一个静态学科转变为一个随实时数据不断发展的动态功能。这一转变将重新定义企业架构师的角色，使他们成为由人工智能驱动的洞察力的管理者以及以伦理和人为中心的创新的守护者。最终，构建智能服务生态系统不仅是为了获得竞争优势，更是为了为社会提供应对系统性、全球性挑战所需的适应力和创造力。

**关于生成式人工智能和人工智能辅助技术在写作过程中的应用声明：**
在准备这篇手稿的过程中，作者使用了ChatGPT-5o来帮助提高文本的可读性和语言表达的清晰度。使用该工具后，作者对文本进行了全面审核和编辑，以确保内容的准确性和完整性，并对最终手稿的内容负全责。

**作者贡献声明：**
Martin Lnenicka：概念化、数据整理、形式化分析、研究、方法论设计、监督、验证、可视化、初稿撰写及审稿与编辑。
Dominik Palla：概念化、数据整理、研究、可视化、初稿撰写及审稿与编辑。
Petra Poulova：概念化、研究、方法论设计、初稿撰写。