人工智能技术运用何以提高员工任务绩效？

盛晓娟 郭 辉 何 勤

(1.北京联合大学 管理学院，北京 100101;2.首都经济贸易大学 劳动经济学院，北京 100070)

一、引言

人工智能被认为是第四次工业革命的核心驱动力量，机器人、自动化、语音识别、智能辅助等人工智能技术的应用正在驱动着新一轮的产业变革，将历次技术变革积累的能量进一步释放，重塑生产、消费、服务等各个环节，衍生大量新模式、新技术与新形态，推进人类生产生活的重大变革[1]。人工智能技术的采纳会重塑就业结构[2]，减少员工数量[3]，重塑技能需求与职业机会[4]。现有研究表明，人工智能技术的应用，一方面能够帮助企业进行有效的资源配置，提高工作效率；另一方面却可能会给员工带来消极情绪[5]。人工智能技术渗透到各行业改变原有的生产经营方式，也必将对员工的发展产生深刻的影响，而员工绩效是驱动企业取得长期竞争优势的核心要素[6]，重视人工智能技术的采纳对员工绩效的作用机制将有助于新技术的扩张与企业的长期健康发展。在当前弱人工智能阶段的背景下，主动关注人工智能对员工绩效的影响对企业人才战略管理、员工职业发展等具有重要意义。

随着人工智能技术的应用，传统的劳动力将会被规模性地取代[7]，造成大量的失业，形成极化现象，这将是严峻的社会问题。就业是员工实现自身价值的基本条件，作为衡量员工行为结果与组织目标接近程度、决定工作产出的绩效对员工发展至关重要，其丰富的内涵也将注定是人工智能时代下的社会现实问题[3]。梳理现有相关的文献发现，学者们多把研究视角聚焦在宏中观层面，包括宏观就业结构变化[8-9]，以及中观企业价值与管理[10]，还未涉及员工绩效这一微观维度。而技术变革对员工产生的影响必须得到关注与重视，因此本研究主要是探索AI技术运用对员工绩效的影响。

根据资源保存理论，当个体面临资源损失时，具备积极采取措施获取、保留与开发重要资源，阻止资源进一步流失的动力[11]。自我决定理论则认为，个体天生具有积极自我调节的倾向，在充分认识自己与外部环境的基础上，对自己的行为或者行动做出决策[12]。资源保存理论基于资源视角，解释行为的内在动机，同时为行为的发生提供资源性条件分析;而自我决定理论基于行为视角，将自我保留重要资源的内在动机结合外部环境，做出积极的行为应对。已有研究表明，个体技能水平的提高与知识的积累，可以激励其有效提高任务绩效[12]。在新技术渗透到各行各业的背景下，技术变革需要更高层次、更广泛的技能种类，以及高于平均水平的技能。基于资源保存理论与自我决定理论的双重视角，员工并不会因为人工智能技术使用程度的提高而主动放弃保留重要资源的需求，相反地，为应对新的知识技能要求，员工个体势必不断主动提升自身在工作方面的胜任力，加大工作投入，实现保存生活所需要的资源目标，呈现出提高知识技能的需求。因此，为研究AI技术运用对员工任务绩效的中间作用机制，本研究将知识技能要求纳入其中，探讨新技术的运用如何通过知识技能要求影响员工任务绩效；本研究还考察AI技术运用对员工任务绩效的直接影响作用；基于资源保存理论和自我决定理论的整合视角，构建“AI技术的运用-知识技能要求-员工任务绩效”的研究框架。

二、理论分析及研究假设

(一)AI技术运用的概念与内涵

人工智能被定义为系统正确解读外部数据、从这些数据中学习以及通过灵活使用这些学习来实现特定任务和目标的能力。有学者认为，人工智能主要是通过模仿、延续与扩张人类的智慧，来帮助人类完成工作[13]。概括来说，人工智能领域主要包括两个方面，一个是试图再现人类的能力，另一个是通过利用计算机的力量来扩展延伸人类做出更好决策的能力。

随着技术的渗透，人与机器的信息交换活动越来越频繁，即人机交互程度随之加大，许多机器人必须与那些不具备操作机器人的特殊技能或未受过培训的人进行互动[14]；人机交互领域面临着支持复杂任务、调解网络交互以及管理和利用日益增加的数字信息可用性的困难与研究设计的挑战[15]；人与机器协作克服困难，相互增强，共同进化，这就是人机协同。人机协同反映的是人对人工智能技术在工作任务上的依赖程度，同时，随着机器智能化水平的提高。数智化技术将逐渐融入组织内部的关系网络中，人们对机器的定位将发生改变，即从辅助工具到必须面对的合作伙伴[16]。信息系统领域的结构化理论认为，不管面对怎样的技术，人的主体性依然处于领导地位，所以，不仅要关注技术的结构属性，员工对技术的情感体验、认知与反抗行为也是不容忽视的[17]，人机关系就是人机依存关系，反映员工对机器运用的态度与情感体验。随着人工智能技术的运用，人与智能机器不断磨合，人与机器协作完成工作任务，进而催生出人机关系。因此，人机协同程度与人机关系能够反映人工智能技术运用的程度。

目前，学术界对AI技术运用的测量指标或者维度尚未统一，有学者采用R&D投入密度、专利申请数量、机器人的引进与价值等度量，但这些指标均未将人的因素纳入考虑范围，无法准确测量AI技术的应用水平。不同于以往的新技术，人工智能技术具有破坏力更大、影响力更强的特点，随着AI技术的运用，人机协同将成为智能进程下的常态化机制[18]，机器并非独立于人而存在，而是作为人的辅助者、延伸者，人机协同程度能够很好地测量AI技术运用中人机交互的强度；另外，根据行动者网络理论，技术和人是行动的联合体，该理论主张关注人与技术相互影响、彼此塑造的关系，以及人机组成的协作网络的动态发展过程[19]。人机协同的过程中，人的价值观主宰机器的价值判断，人机关系则反映人对机器的情感体验与态度，员工的态度正向影响技术的运用[20]。人机协同程度和人机关系分别从实际操作维度和主观态度来反映AI技术运用的程度，因此，本文将人机协同程度与人机关系作为衡量AI技术运用的两个维度。

(二)AI技术的运用与员工任务绩效

员工绩效是驱动企业取得长期竞争优势的核心要素，由此在学术界备受关注，基于绩效结果观，任务绩效是工作产出的主要表征形式[6]，其可以衡量员工完成个人任务的能力，也是个体可以利用外部机会作为追求与有效个人绩效相关回报的手段[21]。

就人工智能技术的应用对员工产生的影响来看，王才等人(2019年)[22]的研究表明，人工智能技术的运用使得组织外部环境发生变化，而对员工的生存发展产生显著影响，引发员工的工作不安全感，面对技术的复杂性，员工会表现出消极的情绪[5]，然而工作不安全感则会对工作绩效产生负向影响[23]。根据自我决定理论，人与生俱来就有积极自我调节的倾向，当从事某种活动能带来结果时就会产生行为动机[12]。于伟等人(2018年)[24]研究发现，个体的积极特征带给工作绩效的积极影响往往能够抵消工作不安全感或是消极情绪对工作绩效的负面影响。具体而言，人工智能技术的采纳，使得工作条件、工作内容等工作资源发生变化，员工将感知到技术运用对低技能岗位的替代效应与失业风险，从而面临资源损失的不确定性。根据资源保存理论，个体倾向于保留已有的重要资源，员工为掌控机器操作、提高自己的胜任能力，势必寻求可行的学习方式，更好地与机器互动，努力达成人机协同。朱晓妹等(2021年)[25]认为人工智能对程序化、事务化工作的快速处理，使得员工可以从烦琐重复性的工作中解脱出来，能够更加专注核心的工作任务，进而提高工作绩效。为适应人工智能技术，员工会结合新的环境做出行为选择，谢小云等人(2021年)[26]的研究表明，内在动机使得人机关系趋于和谐，和谐的人机关系将增强员工对资源的感知，为维护、保留、获取自己认为有价值的资源，他们会加大工作投入，主动承担任务，进而促进任务绩效的提高[18]。基于此，本文提出以下假设：

H1a：人机协同程度对员工的任务绩效具有显著的正向影响；

H1b：人机关系对员工的任务绩效具有显著的正向影响。

(三)AI技术的运用、知识技能要求与员工任务绩效

知识技能要求指的是胜任工作任务所需具备的专业知识和技术能力，包括技能水平、技能复杂程度等[27]。人工智能带来的技术变革将使劳动力的知识结构与技能要求发生颠覆性的转变[13]，因为其技术偏向性的特征会使得劳动力市场中对高学历和高技能员工的需求持续加大，同时低学历和低技能的岗位需求大幅减少，进而迫使劳动者技能结构重构，形成极化现象。

国外学者弗兰克(Frank)等人(2019年)[4]研究认为，人工智能时代下，新技术的采纳，会要求执行特定的工作任务，从而改变对特定工作场所技能的需求。从人机交互视角来看，国内学者郑勤华等人(2021年)[28]认为，人机协同要求员工在掌握原有硬知识的基础上，还要构建多维度智能素养。邱子童等人(2020年)[29]表明人机协同提高了岗位技能要求，使其呈现出跨学科技能多样化、技能水平高阶化、人机合作技能复杂化等特征。另外，新技术的引进，持续增大了对高技能人才的需求，其技术偏好性的特征提高了对知识技能水平的要求。从人机关系视角来看，张陶等人(2019年)[16]认为，在智能化进程中，人机关系将从人机分离到人机融合。为实现自身价值以及保证工作的延续性，人的态度将会从一开始的抵抗逐步转向适应[26]，从不信任到信任，而员工对技术的信任是影响其使用的关键因素，人机关系的改善需要员工具备更多的社交技能，因为这些技能难以通过自动化获取[4]，认知和社交技能表明需要更高技能和更具生产力的工作[26]。综上所述，本研究提出以下假设：

H2a：人机协同程度对知识技能要求产生显著的正向影响；

H2b：人机关系对知识技能要求产生显著的正向影响。

根据资源保存理论，个体倾向于获取、保留自身资源，会时刻关注周围环境的变化，接收、分析、评估变化所带来的信号进而采取相应的行动[11]。所以当技术变革导致工作环境和条件变化、提高对员工的工作技能要求时，会促使员工整合内外部资源，提高自身的技能水平，强化专业知识[30]。随着技能水平的提高与知识的积累，可以激励其有效提高个人的绩效[12]。人为因素是工业4.0未来所需技能的关键要素，不仅要确保员工能够有效和自信地使用新技术，而且要确保他们在快速变化的工作场所生存和繁荣[23]。工作技能决定着工作匹配的成败[4]，根据自我决定理论，员工为满足自身胜任力与自主能力的需要，会主动寻求学习机会，努力提高技能水平，满足知识技能要求从而促进绩效产出。基于此，本研究提出以下假设：

H3：员工的知识技能要求对员工任务绩效产生正向影响，即知识技能要求越高，越有助于提高员工的任务绩效。

随着AI技术的运用，原有的工作内容与工作要求等被重塑，大量低技能岗位将被淘汰，对劳动者的知识技能提出更高的要求。根据资源保存理论，个体倾向于保留、获取自己认为重要的资源，形成提升自我的内在动力，驱动着个体在已有资源的基础上实现资源增值螺旋[11]，呈现提高知识技能的需求，增加对组织奉献的感知，激励个体加强自身竞争力与开发新技能，从而增强绩效水平。随着人工智能技术的采纳，知识技能要求的提高会促使员工自主加大工作投入，逐渐增强职业适应能力，提高对动态环境的感知与控制，进一步提高绩效。基于资源保存理论以及自我决定理论的综合视角，员工将提高知识技能水平作为应对技术运用的有效方式，在权衡技能要求与所需技能后，对其有整体感知，这种感知进一步促使员工采取积极的措施来应对技术运用对自身任务绩效的影响，技能水平的提高有利于提高工作效率，从而促进任务绩效。因此，员工的知识技能要求在AI技术运用与员工任务绩效之间起到中介作用。基于此，本研究提出以下假设：

H4a：员工的知识技能要求在人机协同程度和员工任务绩效之间起到中介作用。

H4b：员工的知识技能要求在人机关系和员工任务绩效之间起到中介作用。

综上所述，本研究所构建的人工智能技术影响员工任务绩效的理论模型如下图1所示：

图1 本文理论模型

三、量表构建

由于目前人工智能的相关研究还处于初级探索阶段，对于人工智能技术运用的测量还缺乏成熟的工具，同时，学术界对于员工未来具体知识技能的要求尚未达成统一的共识, 所以本研究编制了量表。

(一)初始量表编制

参考Medcof(Medcof，2011年)[31]的计算机程序使用程度量表，同时结合人工智能企业访谈内容编码形成测量AI技术运用的题项，从人机协同程度与人机关系两个维度筛选形成的十个条目来测量AI技术运用。请企业员工测评十个条目的可读性，并进行语言修改，然后请人力资源方向的专家来评定条目的科学性，最终得到由八个条目组成的初始量表，两个维度分别由四个条目来测量。人机协同程度的测量题项包括：“X1我需要AI技术提供信息资源来完成工作的程度是”“X2我需要AI技术辅助我完成工作的程度是”“X3我需要与AI技术实时进行交互的程度是”“X4我监控AI设备独立完成工作的程度是”，人机关系的测量题项包括：“X5我将AI设备视为我的工作伙伴”“X6我在工作中与AI设备的协作是友好的”“X7 AI设备让我在工作中感到支持”“X8在工作中，我能够与AI设备进行类似人与人之间的交流”。量表采用Likert-5评分法。

另外，借鉴MJ Sousa(Sousa & Wilks，2018年)[32]预测未来所需技能的量表，设计如下题项：请根据您在工作中所需要的技能程度，选择最符合您实际状态的选项：A1人工智能专业或应用软件的能力，A2编程语言和技术，A3算法分析能力，A4数据分析和挖掘能力，A5智能化系统操作能力，A6智能化系统优化能力，A7智能系统解释能力，A8智能系统维修、维护能力，A9与机器的互动能力，A10与机器进行信息交换的能力,A11交互界面设计能力；B1学习能力，B2适应能力，B3应急处理能力，B4归纳推理能力，B5沟通协调能力，B6团队合作能力，B7创新能力。量表采用Likert-5评分法。

(二)初始量表测量

将初始所收集到的样本随机平均一分为二，用第一份样本做探索性因子分析，用第二份样本做验证性因子分析。两份数据样本在学历、月收入等方面无差异。首先，对设计的题项进行探索性因子分析，采用主成分分析方法提取因子，利用最大方差法进行旋转。结果显示，AI技术运用的题项的KMO值为0.922，通过KMO和Bartlett球形检验，适合做因子分析。提取的两个因子与设定的两个维度一致，其中，X1、X2、X3、X4为一个因子，X5、X6、X7、X8为一个因子，分别将其命名为“人机协同程度”与“人机关系”，累积总方差解释率为79.24%。测量知识技能要求条目的KMO值为0.974，也通过检验，适合做因子分析，提取出了两个因子，A1—A11为一个因子，B1—B7为一个因子，将其分别命名为：“技术能力要求”与“适应能力要求”，累积总方差解释为72.413%，克隆巴赫系数值也较为理想。

其次，利用Amos25.0进行验证性因子分析，经检验，各项指标都在标准范围之内，各题项的标准化因子载荷均在0.7以上，且在0.001水平下显著。根据标准化因子载荷计算组合信度(C.R)与平均方差抽取量(AVE)检验收敛效度，并检验区别效度，具体结果如下表1所示，结果显示，平均方差抽取量(AVE)均大于0.5，组合信度(C.R.)均大于0.7，量表具有较为理想的收敛效度和区别效度。

(三)最终量表的确定

本文用“人机协同程度”和“人机关系”两个维度测量AI技术的运用程度，每一个维度包括4个题项；知识技能要求用提取的两个因子进行测量，其中“技术能力要求”表示和人工智能技术相关的能力，具体包括11项能力；“适应能力要求”表示非程序性的非认知能力，具体包括7项能力。

四、研究设计

(一)样本收集

采用线上发放与线下实地调研的方式，对全国各地技术或研发岗、财务岗、人力或行政管理岗、销售岗、运营岗、客户服务岗、产品生产或服务提供岗的在职人员进行问卷调查与收集，剔除无效问卷后，最终收回1500份有效样本，其中，男性占比48%，女性占比52%；一半以上的被调查者年龄在26～35岁；学历方面，大专及以下占比34.27%，本科占比57.13%，硕士及以上占比8.6%。

表1 信效度检验

(二)变量测量

1.人工智能技术的运用

采用本文自编的人工智能技术运用的量表，量表的Cronbach’s α 系数为0.930。

2.知识技能要求

采用本文自编的知识技能要求的量表，量表的Cronbach’s α 系数为0.966。

3.员工任务绩效

采用许彦妮[33]编制的任务绩效量表，量表由四个条目组成，包括：“Y1工作量高于平均水平”“Y2工作质量高于平均水平”“Y3工作效率高于平均水平”“Y4工作质量高于其岗位规定的标准”，由领导评价下属相比其他下属的表现情况进而评价其绩效水平，量表采用Likert-5评分法，量表的Cronbach’s α 系数为0.782。

4.控制变量

根据独立样本T检验及单因素方差分析结果，本文控制变量包括学历(高中及以下 = 1，大专 = 2，本科 = 3，研究生及以上 = 4)、月收入(3000元以下=1，3001～5000元=2，5001～8000元=3，8001～12 000元=4，12 001元及以上 = 5)。

五、实证分析

(一)各变量的独立性检验

本文使用Amos23进行验证性因子分析，分别将人机协同程度、人机关系、技术能力、适应能力和员工任务绩效所构建的五因子模型、四因子模型、三因子模型、二因子模型和单因子模型进行比较。结果如下表2所示，由表2可以看出，五因子模型的拟合情况最理想，说明本文的五个构面具有较好的区分效度。

(二)共同方法偏差检验

为了避免可能存在的共同方法偏差，本研究采用Harman单因子方法来进行检验。该方法是将5个因子的测量题项进行因子分析，若是只析出唯一因子或者第一个因子能够解释大部分的变异，则表明存在严重的共同方法偏差[34]。结果显示，第一个因子解释的变异量为23.35%，远小于临界值40%，说明本研究不存在严重的同源偏差。

(三)描述性分析

采用Spss25.0对各变量进行描述性统计及相关性分析，表3给出了变量的均值和标准差及变量的相关系数。结果表明，人机协同程度、人机关系均和技术能力要求、适应能力要求及任务绩效显著正相关；技术能力要求和适应能力要求也和员工任务绩效显著正相关，初步验证了提出的假设。

(四)假设检验

1.直接效应检验

利用SPSS25.0进行多重线性回归以检验直接效应，结果如表4、5所示。结果表明，人机协同程度正向影响技术能力要求(β=0.71，p<0.001)，正向影响适应能力要求(β=0.55，p<0.001)，假设H2a得证；正向影响员工任务绩效(β=0.34,p<0.001)，假设H1a得证。

人机关系正向影响技术能力要求(β=0.685，p<0.001)，正向影响适应能力要求(β=0.57，p<0.001)，假设H2b得证；正向影响员工任务绩效(β=0.36，p<0.001)，假设H1b得证。技术能力要求正向影响员工任务绩效(β=0.38，p<0.001)，适应能力正向影响员工任务绩效(β=0.36，p<0.001)，假设H3得证。

当人机协同程度与人机关系同时作用于“技术能力要求”时，产生显著的正向影响，人机协同程度的标准化回归系数绝对值为0.45，大于人机关系的标准化回归系数绝对值0.39，说明人机协同程度对技术能力要求的影响相对较大；当人机协同程度与人机关系同时作用于“适应能力要求”时，产生显著的正向影响，人机协同程度的标准化回归系数绝对值为0.29，小于人机关系的标准化回归系数绝对值0.37，说明人机关系对适应能力要求的影响更大。不难解释，人机协同表示的是人对工作任务上的依赖程度，随着技术的推广运用，人机协同程度增大，需要员工提高相应的工作技能以应对工作任务的变化，进而提供技术能力要求;随着人机关系的提高，人对人工智能技术的情感依赖程度增强，提高员工的认知能力，相应的提高适应能力要求。当人机协同程度与人机关系同时作用于任务绩效时，人机关系的标准化回归系数更高，对任务绩效的影响更大，也就是说，从某种程度上看，和谐的人机关系更能从根本上提高员工的任务绩效。

表2 验证性因子分析结果

表3 描述性分析结果

表4 层级回归结果

表5 层级回归结果

2.中介效应检验

采用SPSS25.0的多重线性回归检验中介效应，研究结果如表5所示。结果表明，在纳入技术能力要求后，人机协同程度对员工任务绩效的正向影响降低(β= 0.13，p< 0.001)；人机关系对员工任务绩效的正向影响降低(β= 0.19，p< 0.001)。

在加入适应能力要求后，人机协同程度对员工任务绩效的正向影响降低(β= 0.20，p< 0.001)；人机关系对员工任务绩效的正向影响降低(β= 0.23，p< 0.001)。

利用SPSS25.0的Process程序进行Bootstrap检验，设置抽样次数5000次，设置95%的置信水平，进一步检验知识技能要求在AI技术运用与员工任务绩效之间所起的中介作用，研究结果如下表6所示。根据结果可知，人机协同程度通过技术能力要求影响员工任务绩效的间接效应值为0.08，非对称区间为(0.042，0.118)；通过适应能力要求影响员工任务绩效的间接效应值为0.057，非对称区间为(0.029，0.085) ，人机关系通过技术能力要求影响员工任务绩效的间接效应值为0.085，非对称区间为(0.042，0.129)；通过适应能力要求进而影响员工任务绩效的间接效应值为0.064，非对称区间为(0.028，0.099)。非对称区间均没有包含0，因此假设H4a，H4b得证。

六、结论与启示

(一)结论

本研究基于资源保存理论和自我决定理论的整合视角，从人机协同程度与人机关系两个维度探索了人工智能技术的运用对员工任务绩效的影响及作用机制，得出了以下结论：

表6 中介效应结果

人工智能技术的应用对员工的任务绩效存在显著的正向影响，说明AI技术运用的程度越高，对员工任务绩效的提升作用越明显。尽管已有研究发现，人工智能技术的采纳会引发员工的消极情绪，带来工作不安全感，但是人天生的积极特征会进行自我调节，进而促进工作绩效，抵消负面情绪对工作带来的消极影响。另外，本研究将人工智能技术的运用划分为人机协同程度与人机关系两个维度，证实了二者对员工绩效的正向影响作用，具有一定的创新探索意义，也意味着在关注技术发展的同时，我们需要关注员工对机器的态度，这样才能更好地实现人机融合。

知识技能要求在提升员工任务绩效的同时，还中介了人工智能技术运用与员工任务绩效之间的关系，说明AI技术的运用会提高员工知识技能的要求进而促进任务绩效，具备满足新技术要求的知识技能与适应环境变化能力的员工往往能获得更高的绩效水平。以往研究表明，人工智能技术的采纳会重塑技能结构，但并未具体到需要何种技能。本研究提出的两类技能要求值得关注，对员工的职业发展方向也具有一定的指导意义。

(二)启示

综合本研究来看，在外部技术变革与企业内部管理需求的驱动下，企业和AI技术的融合是一种必然趋势，尽管现在还处于弱人工智能时代，但是人工智能技术对企业与员工的影响并非短暂的、局部的，而是长远的、全面的渗透性影响。然而，组织和个体应该意识到这种动态的影响并非是一件坏事，反而可能“激活个体”，促进员工实现“自我升级”进而提高任务绩效。因此，处于数字化、智能化的时代背景下，无论是企业管理层还是员工个体层面，都应当以积极的态度灵活应对，提高适应性，在变革的环境中打造自身的核心竞争力。

对于企业而言，要为人工智能时代下组织的长期发展做好培养高端技能人才的工作。首先，企业应该合理设计工作内容，给予员工更多的自主权。技术的引进导致了持续的任务重组，这给员工造成了知识缺口，个人与环境之间的不匹配可能会导致紧张，带来压力，所以，组织应当引导员工客观分析环境变化的复杂性和预测发展方向，发现蕴藏的威胁与机会，充分发挥其主观能动性。根据社会交换理论，当员工拥有自主性、任务认同、任务反馈、技能多样性，并获得组织支持和发展机会时，他们将以更高的敬业度作为回报，积极地进行自我提升；其次，企业应当建立健全培训员工知识专业化、技能多样化的常态化机制，使得员工掌握最新的知识技能以适应使用新技术的需求，并且将员工的职业能力发展纳入组织发展的目标，帮助员工学习成长，实现二者的共同发展；再次，企业内部应当建立激励机制，激化员工自主提升的积极性，形成竞争合作的发展机制，使得员工正确看待新技术的引进。此外，企业在采纳和推广人工智能技术时不仅要考虑到人机协同程度，也要主动关注人机关系，及时捕捉员工对技术的情感体验、认知、适应与反抗行为，做好员工的心理疏导工作，力求达到技术、组织与员工的深度融合与协同发展。

对于员工而言,首先，应该认识到技术的进步是不可逆的，要以积极的态度应对技术的使用，已有研究表明技术压力源于员工无法以正确的方式应对技术的使用，实际上，压力是一种不安，压力源来源于个人与其环境之间的差距或不适应，技术压力可以影响员工的绩效、组织承诺和工作满意度，因此积极乐观的态度与正确的方式显得尤为重要。其次，员工要有自我提升的意识，培养终身学习的观念，优化自身知识结构，提高技能多样性，转换管理思维。不仅要提升自身技术方面的能力，注重专业知识的加速迭代，还要加强培养包括人际沟通、创新能力、适应能力等软能力技能，使得自身满足基于自主、胜任与关系的需求，形成自我决定感，主动提高个人与工作要求的匹配度，进而提高工作绩效。最后，员工要调动一切可以利用的资源，不断地训练自己去应对变化，在复杂的环境中寻求与变化相匹配的最佳模式，借助解决问题的能力，让危机转变成新的发展机遇。