在數字化與綠色發展深度交織的時代，人工智能（AI）成為綠色創新的關鍵推動者（Lin等人，2024年）。三家具有代表性的中國企業——蔚來汽車（NIO）、小鵬汽車（XPeng）和吉利汽車（Li Auto）——都致力于利用AI來推動綠色創新（Vina，2024年；Zheng，2025年）。然而，盡管如此，這些企業在綠色創新方面表現出明顯不同的模式：一些企業保持了穩定的綠色創新軌跡，而另一些企業則經歷了顯著波動（如圖1所示）。這一現象凸顯了一個重要但尚未充分探討的概念：綠色創新波動性（GIV），即企業綠色創新軌跡隨時間的波動程度（Chollete等人，2024年）。鑒于AI涉及迭代學習，并且需要與現有技術深度整合，它可能是創新成果交替出現和停滯的顯著誘因，這促使我們更深入地研究在不同AI投入水平下的綠色創新軌跡的時間動態。

現有關于綠色創新和AI的文獻為探討上述問題提供了重要基礎。先前的研究提出了多種綠色創新的分類方式，例如產品創新與過程創新（Hussain和Kumar，2025年）、利用型創新與探索型創新（Wang等人，2020年）以及漸進式創新與顛覆性創新（Wu等人，2025年）。此外，還確定了許多組織和技術方面的前置因素，包括數字技術投資（Ye等人，2023年）和綠色智力資本（Chu等人，2025年）。然而，這些研究大多將綠色創新視為一個靜態或累積的結果，主要關注綠色創新是否發生以及發生的程度，而不是它如何隨時間演變。這種缺乏時間維度的考慮可能導致我們將短暫的綠色創新爆發誤解為持久的能力，或者低估了規模較小但持續進行的綠色創新活動所蘊含的戰略優勢。因此，我們的研究試圖從時間角度重新定義綠色創新，而GIV為理解這種時間動態提供了一個關鍵的切入點。

此外，盡管普遍認為AI是綠色創新的戰略推動者，但以往的研究大多以二元或線性的方式評估其效果（Fu等人，2024年）。這種方法忽略了不同水平的人工智能投資強度（AIII）——即企業分配給AI開發和部署的資源程度——如何產生不同的收益和弊端，從而影響綠色創新的時間動態。具體來說，適度的AIII可能促進資源的相對均衡分配，但也可能使企業陷入舒適區，導致綠色創新軌跡穩定（Wu等人，2024年）。相反，極端的AIII（非常高或非常低）可能會由于過度投入而引發創新成果的激增，或者由于資源不足而中斷創新，從而導致更波動的綠色創新軌跡（Hendriksen，2023年）。對這些復雜關系的忽視可能會使企業在制定AIII決策時無法主動管理其綠色創新軌跡，最終阻礙AI與綠色發展的長期整合。因此，我們的核心研究問題是：具有不同AIII水平的企業之間，GIV的差異是如何產生的？

組織慣性理論（OIT）被引入來解決這一研究問題。OIT認為慣性影響了企業在穩定與變革之間的權衡（Gilbert，2005年）。在我們的研究中，GIV反映了企業在綠色創新中如何在保持穩定與推動變革之間取得平衡，使OIT成為解釋企業間GIV差異的合適視角。OIT進一步強調，歷史投資和現有能力創造了路徑依賴性，這是影響企業變革傾向的具體表現（He等人，2024年）。鑒于AI依賴于緊密耦合的數據、算法和業務流程（Mithas等人，2022年），與AI相關的投資可能會引發技術路徑依賴性。因此，我們將AIII視為GIV的一個關鍵前置因素。最后，OIT還強調了外部環境對慣性的影響（Hannan和Freeman，1984年）。考慮到AI對資源的持續需求以及綠色創新的長期經濟回報周期，行業環境的盈利能力動態可能會重塑相關行為的慣性。因此，我們納入了行業風險（IR）和行業機會（IO），分別代表行業盈利能力的不確定性和增長潛力，以探索AIII–GIV關系的邊界條件。

我們構建了一個涵蓋2010年至2020年中國A股上市公司的面板數據集，包含5925個企業-年份觀測值，由1200家獨立企業生成，以驗證所提出的論點。我們的研究在三個方面為技術驅動的可持續運營管理研究做出了貢獻。首先，通過概念化GIV，我們的研究超越了將綠色創新視為靜態結果的普遍觀點，捕捉了其時間動態，從而區分了穩定和波動形式的綠色創新，并豐富了現有的分類。其次，基于OIT，我們發現了AIII–GIV的U形關系，表明AIII水平低或高的企業往往比AIII水平適中的企業表現出更高的GIV。這一發現挑戰了以往研究中強調的二元或線性效應，并擴展了當前對AIII結果的理解。第三，我們的研究確定了與行業環境相關的兩個邊界條件：IR會平緩U形AIII–GIV關系，而IO則會加劇這一關系。這些發現為理解不同AIII水平企業之間的GIV差異提供了情境敏感的理解，并為旨在促進持續綠色技術進步的政策制定者提供了有價值的啟示。