理论基础：AI平台经济学框架
操作化Brousseau & Penard框架用于AI平台和六维权衡空间
重新审视Brousseau和Penard (2007)：平台策略的永恒视角
框架基础： 本研究的理论基石是Brousseau和Penard (2007)开发的数字商业模式基础框架，其核心原则已成为理解现代AI平台经济学的重要基础。
虽然构想于Web 2.0时代，但Brousseau & Penard框架的核心原则不仅相关，而且已成为解构现代生成式AI平台复杂经济逻辑的重要基础。该框架认为，数字平台通过执行三个基本的、相互关联的经济功能来创造价值，每个功能都与不同的理论基础和战略权衡相关（Brousseau & Penard, 2007）。
三个核心平台功能
1. 匹配功能
经济基础： 交易成本经济学和网络外部性
此功能解决交易成本的降低和网络外部性的管理，将平台定位为促进供需之间交换的市场制造者。它借鉴了中介经济学和双边市场理论，突出了平台在解决搜索、协调和信任问题中的作用（Rochet & Tirole, 2003; Armstrong, 2006）。
关键权衡：
- 市场结构：垄断 vs. 竞争中介
- 服务捆绑：集成协调服务 vs. 分拆匹配
2. 组装功能
经济基础： 模块化经济学和范围经济
此功能涉及通过将模块化组件捆绑和集成为连贯且定制的用户包来创造价值。它植根于模块化、差异化和范围经济的经济学。平台充当组装者，承担确保技术互操作性和创造有价值用户体验的成本（Baldwin & Clark, 2000; Gawer & Cusumano, 2014）。
关键权衡：
- 包范围：狭窄/专业化 vs. 广泛/通用产品
- 货币化方法：基于费用的质量 vs. 免费广告支持模式
3. 知识管理功能
经济基础： 公共物品经济学和知识产权理论
此功能专注于组织平台生态系统内的信息和知识流动，特别是利用用户生成的信息来促进创新和质量改进。它借鉴了公共物品、创新和知识产权的经济学。平台成为集体智慧的协调者（von Hippel, 2005; Chesbrough, 2003）。
关键权衡：
- 知识分布：层级/控制 vs. 自发/去中心化创造
- 权利配置：封闭/专有 vs. 开放/科学知识制度
AI平台作为元平台
理论创新： 生成式AI系统可以被理解为以前所未有的力量和范围实例化三个Brousseau & Penard功能的**"元平台"**。
现代AI平台代表了传统数字平台的进化，在更高的抽象层次上运作：
AI平台将用户匹配到潜在信息和能力的广阔宇宙，充当人类需求和数字资源之间的复杂中介。与传统搜索引擎将查询匹配到文档不同，AI平台将意图匹配到生成的解决方案。
AI平台从不同的数据模态和知识领域组装新颖输出，通过以传统平台无法通过简单捆绑实现的方式组合文本、代码、分析和推理来创建连贯的响应。
AI平台通过持久记忆、人类反馈强化学习(RLHF)和持续模型更新等复杂机制管理知识，创建通过使用而进化的动态知识系统。
因此，Brousseau和Penard框架为解剖任何AI平台的战略架构提供了强大且理论基础的词汇，同时考虑了它们作为元平台的独特能力。
AI平台框架的操作化
研究创新： 本研究的核心贡献是在可测试的实验设计内直接和严格地操作化Brousseau和Penard (2007)框架。
原始Brousseau & Penard分析中确定的六个核心权衡被系统地映射到我们2^6析因实验的六个二元因子。这种映射形成了整个研究的概念蓝图，确保我们的实验操作不是任意的，而是对平台策略基本维度的直接测试。
AI平台策略映射
Prop
Type
| 核心功能 | 战略权衡 | 因子 | AI平台实现 | 水平1 (-) | 水平2 (+) |
|---|---|---|---|---|---|
| 匹配 | 中介市场结构 | A | 市场结构 | 竞争：聚合器平台 | 垄断：单一专有LLM |
| 匹配 | 协调服务捆绑 | B | 服务捆绑 | 非中介：仅文本 | 集成：与MCP工具捆绑 |
| 组装 | 包范围 | C | 包范围 | 狭窄：专业化任务模型 | 广泛：通用模型 |
| 组装 | 营销方法 | D | 货币化 | 免费且污染：有限访问 | 基于费用且质量：高级访问 |
| 知识管理 | 知识分布（权利） | E | 知识分布 | 开源模型 | 闭源模型 |
| 知识管理 | 信息提取和使用 | F | 知识提取和使用 | 显式且短暂：无用户数据记忆 | 隐式且持久：从用户数据学习 |
详细因子操作化
因子A：市场结构（匹配功能）
理论基础： 中介经济学和市场集中度
- A-（竞争/聚合器）： 平台聚合多个AI模型，允许用户在不同提供商之间选择（例如，Perplexity的多模型方法）
- A+（垄断/专有）： 平台仅提供对其专有模型的访问（例如，OpenAI的ChatGPT与GPT-4）
经济逻辑： 测试垄断控制是否能实现卓越的协调和质量，或竞争选择是否通过多样性和价格竞争创造更高的用户价值。
因子B：服务捆绑（匹配功能）
理论基础： 通过服务集成降低交易成本
- B-（仅文本/分拆）： 平台仅提供文本生成能力，要求用户在外部处理其他任务
- B+（工具集成/捆绑）： 平台在界面内集成代码执行、网络搜索、文档分析和其他工具
经济逻辑： 测试通过集成服务交付减少交易成本创造的价值与保持简单性和用户控制的对比。
因子C：包范围（组装功能）
理论基础： 范围经济 vs. 专业化优势
- C-（狭窄/专业化）： 针对特定任务领域优化的平台（例如，代码生成、创意写作、数据分析）
- C+（广泛/通用）： 设计用于处理广泛任务和领域范围的统一界面平台
经济逻辑： 测试AI平台设计中专业化收益和范围经济之间的基本权衡。
因子D：货币化（组装功能）
理论基础： 通过定价和广告效应进行质量信号传递
- D-（免费/广告支持）： 免费访问，但有广告、速率限制或可能降低用户体验的功能限制
- D+（高级/质量导向）： 基于订阅的访问，具有高级功能、无限使用和无广告体验
经济逻辑： 测试基于费用的模式是否通过质量信号传递和减少广告认知污染创造更高的感知价值。
因子E：知识分布（知识管理功能）
理论基础： 知识产权制度和开放创新
- E-（开源）： 模型权重、训练数据和系统架构公开可用（例如，Meta的Llama、Mistral模型）
- E+（闭源）： 模型架构、权重和训练过程是专有和受保护的（例如，GPT-4、Claude）
经济逻辑： 测试AI平台开发中开放创新收益和知识产权占有之间的权衡。
因子F：知识提取（知识管理功能）
理论基础： 从用户交互学习和数据网络效应
- F-（短暂/无记忆）： 平台不保留或从用户交互中学习；每个会话都是独立的
- F+（持久/学习）： 平台维护对话历史，学习用户偏好，并根据交互模式调整响应
经济逻辑： 测试持久学习是否创造锁定效应和网络外部性，随时间增加平台价值。
假设发展
基于理论框架及其操作化，我们制定了一套全面的先验假设，组织成主效应和交互效应，以测试核心理论预测。
主效应假设
这些假设涉及每个战略因子对我们结果变量的独立贡献：任务质量(Q)和支付意愿(WTP)。
H1（市场结构）： 垄断平台结构(A+)将由于模型一致性和优化而产生更高的Q，但聚合器结构(A-)可能由于重视选择和避免锁定的用户而引发更高的WTP。
H2（服务捆绑）： 与仅文本交互(B-)相比，集成工具使用(B+)将通过减少交易成本和实现更复杂的任务完成而显著增加Q和WTP。
H3（包范围）： 专业化的狭窄范围模型(C-)将通过专注优化在特定领域任务上产生更高的Q，而通用模型(C+)可能通过多功能性价值产生更高的WTP。
H4（货币化）： 与通过认知污染增加采用但降低感知价值的免费广告支持平台(D-)相比，基于费用的质量导向平台(D+)将产生更高的Q并引发更高的陈述WTP。
H5（知识分布）： 由于专有优势和更大的开发资源，闭源模型(E+)将产生更高的初始Q，而开源模型(E-)可能因透明性和缺乏供应商锁定而被重视。
H6（知识提取）： 具有持久隐式记忆的平台(F+)将通过个性化随时间产生更高的Q，并创造更强的用户依恋，与短暂平台(F-)相比增加WTP。
关键交互假设
这些假设测试关于战略选择如何交互的核心理论论点，测试互补性（选择相互加强）和替代性（选择冲突）。
H7（组装权衡：范围×货币化）： 包范围和货币化之间将存在显著的负交互(C × D)。对于通用平台(C+)，广告支持货币化(D-)对Q和WTP的负面影响将比专业化平台(C-)更严重，因为认知污染加剧了复杂性。
H8（知识管理权衡：分布×提取）： 知识分布和知识提取之间将存在显著的正交互(E × F)。与开源模型(E-)相比，闭源模型(E+)的持久记忆(F+)价值将显著更高，因为开源模型的学习收益可能泄露给竞争对手。
H9（匹配-组装互补性：结构×捆绑）： 市场结构和服务捆绑之间将存在显著的正交互(A × B)。与工具标准化可能较低的竞争聚合器环境(A-)相比，集成工具(B+)的价值在保证无缝集成的垄断环境(A+)中将更大。
H10（组装-知识互补性：范围×提取）： 包范围和知识提取之间将存在显著的正交互(C × F)。与学习机会较窄的专业化模型(C-)相比，持久记忆(F+)的性能收益对于能够跨不同任务领域利用用户历史的通用模型(C+)将更大。
动态网络效应假设
H11（数据网络效应）： 与无记忆平台(F-)相比，具有持久记忆的平台(F+)将表现出更强的数据网络效应，操作化为任务质量(Q)随模拟时间的更陡峭正斜率。
H12（锁定和路径依赖）： 持久记忆的存在(F+)将显著增加路径依赖，通过动态面板模型中滞后支付意愿(WTPt-1)上更大的自回归系数(ρ)来衡量，表明过去评估对未来评估的更强影响。
理论模型架构
我们的结构方程模型将通过三个潜在构念操作化Brousseau & Penard框架：
匹配效能(ηM)： 代表平台通过将用户与相关信息、工具和能力连接来有效降低用户搜索和交易成本的潜在能力的潜在变量。
指标： 市场结构(A)，服务捆绑(B)
组装一致性(ηA)： 代表平台集成、捆绑和定制模块化组件为满足用户需求的高质量、无缝且有价值包的能力的潜在变量。
指标： 包范围(C)，货币化(D)
知识动态性(ηK)： 代表平台组织和利用信息流以促进知识创造、积累和应用，推动创新和质量改进的能力的潜在变量。
指标： 知识分布(E)，知识提取(F)
这种理论架构使我们不仅能够测试战略选择的个别效应，还能测试Brousseau & Penard框架提出的高阶关系，从描述性类型学转向预测性因果模型。
参考文献
Armstrong, M. (2006). Competition in two-sided markets. RAND Journal of Economics, 37(3), 668-691.
Baldwin, C. Y., & Clark, K. B. (2000). Design rules: The power of modularity. MIT Press.
Brousseau, E., & Pénard, T. (2007). The economics of digital business models: A framework for analyzing the economics of platforms. Review of Network Economics, 6(2), 81-110.
Chesbrough, H. W. (2003). Open innovation: The new imperative for creating and profiting from technology. Harvard Business Press.
Gawer, A., & Cusumano, M. A. (2014). Industry platforms and ecosystem innovation. Journal of Product Innovation Management, 31(3), 417-433.
von Hippel, E. (2005). Democratizing innovation. MIT Press.
Rochet, J. C., & Tirole, J. (2003). Platform competition in two‐sided markets. Journal of the European Economic Association, 1(4), 990-1029.