AI 如何強化供應鏈在極端事件中的韌性

1. 基本資訊

這篇文章由 Omar Ibrahim Yousef Alyasein、Divesh Ojha、Uzay Damali、David Gligor 與 Ivan Russo 發表於 2026 年的 International Journal of Information Management，題目是〈Performative Artificial Intelligence and temporal resilience responses: The moderating role of extreme event contexts〉，DOI 為 10.1016/j.ijinfomgt.2026.103063。文章關心的核心問題不是 AI 能不能幫助供應鏈，而是 AI 若被視為一種會主動 enact 現象、邊界與控制的能力，它究竟如何改變組織面對 disruption 時的時間韌性。

2. 研究問題

本文聚焦兩個主問題。第一，Performative AI 是否會正向影響供應鏈的三種 temporal resilience response，也就是 adjusting、absorbing 與 adopting。第二，不同類型極端事件情境的強度，尤其是 emergency context 與 disruptive context，是否會改變這些影響的強弱。作者真正想補的缺口，是既有 resilience 文獻多半強調冗餘、彈性或協作等結構性資源，卻比較少處理「時間節奏如何被重新調整」這件事，也較少把 AI 視為會主動塑造組織反應方式的 performative force。

3. 理論基礎

理論上，本文把 sociomateriality 與 temporal resilience theory 接在一起。作者主張 AI 不只是反映現實的 decision-support tool，而是能透過 enacting phenomena、enacting boundaries 與 enacting control 三種方式，主動建構供應鏈中的可見性、互依關係與決策秩序。Temporal resilience 則被拆成三種回應。Adjusting 是短期的暫時修正，absorbing 是維持穩定與緩衝衝擊，adopting 是較長期的制度或流程轉型。這樣的理論設計，讓 AI 的價值不再只是效率提升，而是能否幫組織重新安排時間與行動。

4. 研究架構

整體架構很直線但不單薄。Performative AI 是前因變項，三種 temporal resilience responses 是結果變項，而 extreme event context 的兩種類型強度是調節變項。作者把 emergency context 定義為高時效、高壓但相對可辨識的危機情境，把 disruptive context 定義為更長期、結構性且較難預先歸類的衝擊。研究用這個架構去回答一個很實務的問題：AI 在不同危機型態下，到底比較適合幫助快速修補、維持穩定，還是推動深層重構。

5. 假設邏輯

假設邏輯相當清楚。作者先主張 Performative AI 能透過即時模擬、跨邊界協調與強化控制，提升供應鏈的 adjusting、absorbing 與 adopting 能力。接著再推論，當 extreme event context 強度升高時，這些效果理應更明顯，因為越高壓與越不確定的情境，越需要 AI 協助重整時間節奏與協作結構。不過作者也隱含一個值得注意的觀點：不同危機不一定強化理論上最直觀的回應路徑，因此研究不只是驗證 AI 有沒有用，而是驗證「在哪種 disruption 下，哪種 temporal response 最能被 AI 放大」。

6. 方法

研究採 mixed-methods design。量化部分來自 252 家美國 B2B 組織的調查資料，用來檢驗 Performative AI 對三種 temporal resilience responses 的主效應與調節效應。質性部分則來自 53 位受訪者的 structured interviews，用來補足 AI 如何在實務中 enact 現象、邊界與控制的細部機制。這樣的設計有兩個優點：一是能把新概念做成可檢驗量表，二是能避免只剩抽象論述而沒有具體運作脈絡。

7. 結果

結果大致支持作者主張。Performative AI 對 adjusting、absorbing、adopting 三種 temporal resilience responses 都有顯著正向影響，表示 AI 的 performative 能力確實能強化供應鏈面對 disruption 的時間調度與應對能力。但調節效果不是完全對稱。Emergency context 對 adjusting 的調節不顯著，而 disruptive context 也沒有顯著強化 adopting。這意味著「危機越大，AI 對某類回應就一定越有用」這種直覺並不成立。AI 對時間韌性的幫助，有明顯的情境邊界與路徑差異。

8. 理論貢獻

這篇最大的理論貢獻，是把 AI 從被動工具提升成 performative capability，並把 temporal resilience theory 從個體層次擴展到組織與供應鏈層次。第一，它提供一個比 adoption 或 efficiency 更成熟的 AI 理論位置，說明 AI 如何透過 shaping phenomena、boundaries 與 control 來建構行動現實。第二，它讓 resilience 不再只是 bounce back，而是同時包含短期修正、穩定吸收與長期採納三種時間邏輯。第三，它用實證方式指出 extreme events 不應被同質化處理，而要區分情境型態與強度。

9. 實務意涵

對管理者來說，這篇最直接的訊息是：AI 的價值不只在預測，而在於它能否幫組織重新安排時間與協作。若企業只把 AI 當 dashboard 或 forecasting tool，它能帶來的 resilience 會有限。真正重要的是，AI 是否幫助組織更快界定問題、看見跨部門依賴、同步決策並維持節奏。在緊急事件下，管理者可能更需要 AI 支持吸收與穩定，而在破壞性事件下，則要思考 AI 如何支持更深層的 reconfiguration，而不是只加速既有流程。

10. 研究限制

限制主要有幾點。第一，量化樣本集中在美國 B2B 組織，對其他國家或 B2C、公共部門的外推仍需保留。第二，雖然有 mixed methods，但核心量化資料仍偏問卷自陳，對真實行為與長期演化的掌握有限。第三，Performative AI 是一個新概念，雖然量表已被初步驗證，但後續仍需要更多研究釐清其與 automation、analytics capability 或 digital orchestration 等鄰近概念的邊界。第四，文章較少處理 human-AI power relation、trust 或責任歸屬等微觀協作機制。

11. 對我研究的啟發

這篇對我最有價值的地方，是它把 AI 的研究重心從 individual cognition 或單點 decision support 往 organizational temporal orchestration 推進。我可以把它和先前讀過的 human-GenAI collaboration、knowledge creation、AI trust、collective intelligence 文獻接起來，形成一條從 micro interaction 到 meso adaptation 的鏈條。尤其值得重用的是這個觀點：AI 的價值不是直接產生績效，而是先改變組織如何感知問題、界定邊界、安排時間與協調知識流。若我未來要做 AI 與 organizational resilience、innovation routines 或跨層次 knowledge orchestration 的整合，這篇會是很好的理論支點。

12. 整體評價

我會把這篇列為 backlog 中值得優先消化的 management / AI application 文章。它的強項是問題意識明確、概念新、mixed-method 設計完整，而且不是停留在「AI 有助韌性」這種太寬的結論，而是進一步區分三種 temporal responses 與兩種極端事件情境。對我來說，最有收穫的不是 supply chain 場景本身，而是它提供了一個把 AI 視為 performative and coordinating force 的分析框架。若要挑剔，文章距離 human-GenAI collaboration 的微觀互動仍有一步，且調節效果的不對稱雖有意思，但機制拆解還能更深。