增益还是损耗:人工智能技术应用对员工创新行为的“双刃剑”效应

张 恒,高中华 ,李慧玲

(1.首都经济贸易大学 工商管理学院,北京 100070;2.中国社会科学院 工业经济研究所,北京 100006)

0 引言

随着智能机器人、大数据等人工智能(AI)技术的蓬勃发展,大量AI技术出现在工作场所中,给传统人力资源管理带来诸多挑战[1-2]。为有效降低人力成本和劳动力投入,企业愈发希望通过引进AI技术取代人的脑力劳动,员工在享受AI技术带来便利性的同时,也面临被AI技术潜在替代的风险[3]。这不仅改变了员工的业务流程和工作内容,也要求人们拥有适应AI工作场景的特殊技能[4-5]。在这种AI工作要求下,员工将面临诸多不确定性问题和失业风险,如担心自身拥有的技能和知识不足以应对AI的挑战和变化,这种主观顾虑将增加时间压力和替代威胁,导致员工无法在创新活动中集中精力,成为影响员工创新的主要障碍[3]。因此,探讨AI技术如何在工作场所应用情境下激发员工创新行为,成为学术界和实践界普遍关注的现实问题。

伴随AI技术在工作场所的普及应用,一方面,员工体验到新技术带来的工作旺盛感等积极心理和行为。如朱晓妹等[5]认为AI引发的岗位技能要求变化通过增强员工胜任感从而增强工作旺盛感。另一方面,员工也感受到技术变革带来的不安全感、不文明行为等负面结果。如王才等[6]研究分析工业机器人规模运用对员工工作不安全感的影响;Yam等[7]研究发现,个体感知到机器人对工作的渗透会引发工作不安全感,进而导致职业倦怠和不文明行为。已有研究从不同视角分析了AI技术应用可能造成的积极或消极影响,但尚未从整合视角深入探讨AI技术应用对员工创新行为的“双刃剑”效应。从积极影响看,AI技术在工作场所的应用可以减少机械性、重复性工作,有助于节约员工解决更高层次问题所需的资源,使员工有更多时间和精力专注于创新性工作,提高取得创新性成果的可能性[8]。同时,AI技术的广泛应用对工作效率和工作量提出了更高要求,在增加个体时间压力的同时,导致AI替代恐惧,这会进一步降低员工的组织支持感,抑制其创新行为[9]。因此,AI技术在工作场所的应用对员工创新行为的影响既有正面的也有负面的,关键在于如何平衡利弊,发挥AI技术优势,同时保持员工的创新意识和能力。不可否认,AI技术是企业创新不容忽视的推动力,但员工才是企业创新的主要载体,将AI技术引入工作场所究竟会促进还是抑制个体创新行为值得深入研究。

工作要求—资源(Job Demands-Resources, JD-R)模型能够有效整合AI技术应用对员工创新行为的“双刃剑”效应。该模型将工作特征分为工作要求和工作资源,从而对个体产生损耗和增益两条不同路径[10]。工作要求是损耗个体精力、资源或时间的负向因素(如工作不安全感),即为损耗路径;工作资源是工作中有利于提升工作状态和效果的正向因素(如工作自主性感知),即为增益路径。AI技术在工作场所的应用意味着员工工作流程、工作方法和工作内容发生变化,属于典型的工作特征变化[4, 9]。从损耗路径看,AI技术应用会对个体专业知识/技能、身份和地位造成威胁,引发失业风险[9],从而通过增加工作不安全感抑制员工创新行为;从增益路径看,AI技术应用将给个体带来更多闲置资源[4, 8],员工能自主学习和应用新技能,从而通过增强工作自主性感知进而激发员工创新行为。此外,Karasek[11]特别指出,个体感知到的工作资源和工作要求会因个体对工作控制的程度而发生变化。学习目标导向反映出个体乐于接受挑战性任务,并通过持续学习提升自己,对工作具有较高的自主控制和技能运用水平[12]。学习目标导向强的个体更重视个人成长和发展,努力寻求获得新知识和技能的学习机会[13],力求与AI技术在工作场所应用带来的工作要求和挑战相匹配。由此,本研究聚焦学习目标导向,进一步探讨其对AI技术在工作场所应用发挥“双刃剑”效应的调节作用。

1 理论基础与研究假设

1.1 工作要求—资源模型

本研究的理论基础是工作要求—资源(JD-R)模型,其将工作特征分为工作要求和工作资源两个维度。工作要求是指需要在工作中消耗生理和心理成本的因素,如工作不安全感、时间压力等;工作资源是指在工作中降低心理、生理成本,促进成长和发展的外在或内在心理因素,如同事支持、工作自主性感知等[10]。JD-R模型还特别强调,工作对个体存在工作资源增益和工作要求损耗的双路径假设。增益路径是指工作资源通过增加工作投入给个体带来正面影响;损耗路径是指工作要求通过增加工作倦怠对个体造成负面影响[10]。

AI技术在工作场所的应用是指员工在追求工作目标的过程中使用AI技术(一种具有自主学习、推理、解决问题和决策能力的新兴技术,如语音识别、机器学习、智能机器人等)并耗费时间的程度[4]。本研究认为AI技术应用会引发工作特征变化[14]。从客观特征看,作为具有人类智慧的AI技术可以在一定程度上替代人完成某些工作任务,减少员工执行重复、规范、结构化工作任务的工作量[9]。从主观认识看,AI技术应用要求员工具备解决复杂、高层次问题的特殊能力,能够反映员工工作技能的多样性,改变员工对工作特征的认识[5]。鉴于此,本研究认为AI技术应用导致的工作特征变化会通过工作要求和工作资源两条路径对员工创新行为产生不同影响。从损耗路径看,以工作不安全感表征工作要求。AI技术将取代一些程序化工作,从而导致员工面临失业风险,这无疑会增加员工的工作不安全感,使个体认为消耗更多资源从事角色外行为(如具有一定风险的创新行为)是无用的[15],从而减少创新行为。从增益路径看,以工作自主性感知表征工作资源。AI技术能够通过模拟人类大脑思维过程,解决复杂问题、执行任务和达成目标,减轻员工工作负担,带来更多闲置资源[4],增强工作自主性感知,让员工有更多时间和精力参与创新活动,进而激发其创新行为。

个体对工作的控制程度会影响员工对工作要求和工作资源的认知[11]。学习目标导向是指个体倾向于学习新技能和新知识[12],可以凭借对工作较高的控制水平有效掌控 AI的使用过程和结果。本研究关注学习目标导向在AI技术应用对员工创新行为“双刃剑”效应中的边界条件,原因如下:首先,学习目标导向决定个体如何在具有挑战性的AI情境中处理和看待信息。学习目标导向强的个体对工作的掌控程度较高,认为AI技术应用赋予员工提升自我的挑战机会,当个体感知到外部动机与自我偏好一致并有助于目标实现时,会自发将外部动机转化为内部动机[13],从而将AI技术应用视作提升性的工作资源而不是阻碍性的工作要求。其次,在进行自我评估时,学习目标导向强的个体特别关注当前工作状态是否有明显成长和进步[16]。因此,在AI技术应用场景下,当学习目标导向强的员工发现自己拥有的技能与现实工作岗位存在差距时,会通过自主学习弥补欠缺的数字知识和技能,从而增加工作资源,降低工作要求。

1.2 AI技术应用与员工创新行为:经由工作不安全感的损耗路径

工作不安全感是指个体在工作受到威胁的环境中,对于工作能否持续而感知到的无助感[17]。依据JD-R模型,工作要求是影响工作状态、消耗身心资源的负向因素,工作不安全感则属于典型的工作要求。本研究认为AI技术应用会引发员工的工作不安全感。一方面,个体所处工作环境的剧烈变化和技术进步会显著影响个人生存发展状况,极易使员工产生工作不安全感[6,18]。AI技术能够实现独立思考并自主执行工作任务[4],可能通过超越某些任务或责任,对员工工作地位、技能和专业知识造成潜在威胁,增加工作不安全感[7,9]。另一方面,把AI技术引入工作场所后,将改变工作流程、工作方法和工作特征,重组原有工作岗位的任务内容,提高岗位技能要求,增加工作转换成本[14],使员工感知到由AI引发的岗位替代效应与失业风险,进而增加员工的工作不安全感。由此,本文提出如下假设:

H1: AI技术应用与工作不安全感正相关。

员工工作不安全感是工作场所中的重要压力源,会显著影响个体心理和行为表现[19]。遵循JD-R模型,工作要求会不断消耗个体精力或工作资源,引发一系列消极结果。创新行为本身具有一定风险和不确定性,需要企业给予员工更多安全感,以激励员工大胆创新[20-21]。当员工感知到自身工作安全感受到威胁但又无法有效应对时,会激发个体自我保护机制,不断规避工作威胁和风险,从而依赖原有惯性工作方案,减少创新行为[15,22]。已有研究表明,环境变化和技术进步引发的工作不安全感,会让员工担心其职业被新兴技术取代,从而无心参与具有挑战和高风险的创新行为,以避免犯错,进而抑制员工创新行为[18]。由此,本文提出如下假设:

H2: AI技术应用通过工作不安全感负向影响员工创新行为。

1.3 AI技术应用与员工创新行为:经由工作自主性感知的增益路径

工作自主性感知是指员工在相关资源获取、工作流程与工作时间安排等方面进行自由裁量的程度[23]。依据JD-R模型,工作资源是能够提升工作状态和效果的正向因素,工作自主性感知则属于典型的工作资源[10]。本研究认为,AI技术应用会激发员工的工作自主性感知。一方面,AI能够自主处理和承担重复性、复杂性且认知要求较高的工作任务[24],并为员工提供及时、有用的信息,从而减轻员工工作负担。这有助于员工获取闲置资源和提高工作灵活性,从而可以充分行使自由裁量权,自主安排工作流程,进而增强工作自主性感知[4,24]。另一方面,AI技术能够持续捕获、挖掘并理解大量数据,无须员工提供指导或帮助[25]。员工可以根据实际需要自由安排工作时间,从而自主学习和应用新技能[26],以优化工作程序,进而增强工作自主性感知。由此,本文提出如下假设:

H3: AI技术应用与工作自主性感知正相关。

依据JD-R模型,工作自主性感知作为一种工作资源,可以激发个体的积极工作状态[27]。一方面,工作自主性感知意味着员工能够自由安排工作时间并获取相关资源,从而能够自主学习和探索新知识、新技能[23],将注意力、资源投入到新点子的产生与落地中,从而激发员工创新行为。另一方面,富有创新精神的员工善于在工作中向同事、领导传播新想法并寻求资源使其新想法得以执行[21]。在AI应用场景下,员工需要承担创造性、社交性和人际性等相关工作[5]。此时,工作自主性感知较强的员工能够充分利用AI带来的闲置资源,积极主动与同事、领导沟通,运用新方法和新技术优化工作程序,从而激发创新行为。由此,本文提出如下假设:

H4: AI技术应用通过工作自主性感知正向影响员工创新行为。

1.4 学习目标导向的调节作用

个体感知到的工作资源和工作要求强弱因个体对工作控制程度的高低而有所不同[11]。学习目标导向是指个体学习新知识、掌握新技能从而提升自身能力的态度和倾向,能够在很大程度上控制自身工作和技能运用[13]。本研究认为学习目标导向会弱化AI技术应用对工作不安全感的损耗路径。首先,学习目标导向强的个体注重学习和进步,乐于接受挑战性任务,会努力学习AI场景下的技能和专业知识,从而获得工作胜任的愉快心理体验[5],进而降低工作不安全感。其次,当员工拥有较强的学习目标导向时,在与AI的“赛马”中形成更大优势,使员工能够解决工作领域问题,从而减轻其对被AI取代的担忧,降低工作不安全感。反之,学习目标导向弱的个体不注重学习和发展新知识、新技能,认为完成基本工作任务、规避差错和风险是最重要的,其需求与AI技术应用带来的学习和挑战不匹配,从而引发员工对AI取代其工作的恐惧,产生较强的工作不安全感。由此,本文提出如下假设:

H5: 学习目标导向负向调节AI技术应用与工作不安全感间的关系。

结合H1和H2,进一步提出有调节的中介作用假设:

H6: 学习目标导向在AI技术应用通过工作不安全感抑制员工创新行为的间接效应中起调节作用。

本研究认为学习目标导向能够强化AI技术应用对工作自主性感知的增益路径。学习目标导向强的个体具有较强的自主学习意愿,能够充分利用AI在承担重复性、合规性和系统处理等日常性工作时带来的闲置资源[13],并自主安排工作计划和工作时间,主动学习和应用新知识、新技术,从而认识到AI技术应用能给自己带来更大的自由裁量权,进而感知到更强的工作自主性。相反,学习目标导向弱的个体学习意愿较低,不注重自我能力提升和工作资源获取,从而消极看待AI技术应用这一工作中的挑战性事件,进而降低工作自主性感知。由此,本文提出如下假设:

H7:学习目标导向正向调节AI技术应用与工作自主性感知间的关系。

结合H3和H4,进一步提出有调节的中介作用假设:

H8:学习目标导向在AI技术应用通过工作自主性感知激发员工创新行为的间接效应中起调节作用。

综上,本文绘制如图1所示的理论模型。

图1 理论模型

2 研究1:全模型实验研究

2.1 研究方法

2.1.1 研究样本

研究1通过Credamo见数平台招募300名有全职工作的被试参与实验,剔除不合格样本后,得到有效样本278份,每位被试完成实验后可获得2元报酬作为奖励。有效样本中,男性占43.17%,年龄集中在30岁以下,占64.75%。

2.1.2 实验设计与流程

研究1采用(AI技术应用:高 vs. 低) ×(学习目标导向:高 vs. 低)的双因素组间设计。本研究采用情境模拟实验,将被试随机分配到4个实验情境中。实验开始后, 被试首先填写人口统计变量,为了让被试能够区分工作场所中的AI技术与传统技术(计算机、互联网使用、文字处理或电子表格软件等),遵循Tang等[4]的做法,向被试展示AI技术应用的定义;随后,要求被试尽可能代入材料中关于自身角色的设定(假设自己为张三),并阅读一段情景材料;最后,被试根据材料完成操纵检验、工作不安全感、工作自主性感知和创新行为的问卷。共有300名被试参与实验,剔除不合格样本后,获得有效问卷278份。

其中,AI技术应用操纵根据Tang等[4]对AI技术应用的定义和操纵材料改编而成(括号内为控制组):“你所在的ABC公司引入了大量(没有引入)AI技术和设备,工作中的各个方面,如推理、决策和解决问题等,主要由这些智能设备自主(主要由你)完成,你在具体实施一些工作任务时经常要使用(通常不使用)AI技术和设备,并花费(也不用花费)大量时间与AI技术一起完成工作”。 学习目标导向操纵根据Vandewalle &Cummings[12]开发的实验材料改编而成(括号内为控制组):“大学毕业后,你被ABC公司聘用。在最初的6个月,公司部门有多个项目同时进行,你主动选择了一个困难和挑战性较高(较低)的项目,每天坚持学习(不需要学习)新知识和掌握新技能以提高自身能力,并且你非常重视(你也不重视)尝试和探索,经常会(很少会)利用大部分个人时间学习和创造,渴望(不渴望)通过努力学习在任务中有所收获,提升专业技能”。

2.1.3 测量工具

本研究使用的测量工具均为西方成熟量表,具有较高的信效度。各变量均采用Likert-5点量表进行评分(1～5分别表示从“非常不同意”到“非常同意”)。其中,对工作不安全感的测量采用Yam等[7]的三题项量表,如“我对工作的未来发展感到不安”等,Cronbach's α=0.896。对工作自主性感知的测量采用Kirmeyer等[28]的六题项量表,如“在工作时间内,我能自由决定该做什么”等,Cronbach's α=0.838。对创新行为的测量借鉴Ng&Lucianetti[29]的八题项量表,如“我经常会从不同角度思考问题”等,Cronbach's α=0.940。对于操纵变量,AI技术应用采用Tang等[4]的三题项量表,如“我使用人工智能开展我的大部分工作”等,Cronbach's α=0.951;学习目标导向采用Vandewalle等[13]的四题项量表,如“如果我能从中学到很多东西,我愿意从事一些困难的工作任务”等,Cronbach's α=0.953。

2.2 研究结果

2.2.1 操纵检验

本研究通过独立样本t检验进行操纵检验,结果显示,AI技术应用实验组(n=139)得分(M=4.230, SD=0.426)显著高于控制组(n=139)得分(M=1.381, SD=0.462),两组样本具有显著差异,t(276)=53.430, p <0.001, Cohen's d=6.411;学习目标导向实验组(n=139)得分(M=4.275, SD=0.426)显著高于控制组(n=139)得分(M=1.563, SD=0.527),两组样本具有显著差异,t(276)=47.215, p <0.001, Cohen's d=5.659。因此,研究1对两个变量的操纵有效。

2.2.2 假设检验

以AI技术应用为自变量,以学习目标导向为调节变量,以性别、年龄等为协变量,分别以工作不安全感、工作自主性感知为因变量,进行方差分析。结果显示,AI技术应用对工作不安全感的主效应显著,F (1 270)=55.298, p <0.001, partial η2=0.169。这说明相对于低AI技术应用组,高AI技术应用组被试体验到的工作不安全感较强,H1成立。同时,AI技术应用对工作自主性感知的主效应显著, F (1 270)=102.614, p <0.001, partial η2=0.274。这说明相对于低AI技术应用组,高AI技术应用组被试体验到的工作自主性感知较强,H3成立。

方差分析结果表明,AI技术应用与学习目标导向对工作不安全感的交互作用显著, F (1 270)=50.378, p <0.001, partial η2=0.157。简单斜率分析发现,在高学习目标导向下,高AI技术应用组被试体验到的工作不安全感(M=2.181, SD=0.909)显著高于低AI技术应用组(M=1.865, SD=0.658), F (1 133)=5.458, p <0.05, partial η2=0.039。在低学习目标导向下,高AI技术应用组被试体验到的工作不安全感(M=4.188, SD=0.567)显著高于低AI技术应用组(M=2.433, SD=1.118), F (1 133)=136.453, p <0.001, partial η2=0.506。无论在高学习目标导向还是低学习目标导向下,高、低AI技术应用组被试的工作不安全感均存在显著差异,且在低水平学习目标导向下,两者间差异更为显著。如图2所示,在低学习目标导向下,AI技术应用越多,工作不安全感增加越多,且增幅(△工作不安全感= 1.755)超过高学习目标导向组(△工作不安全感= 0.316),H5成立。

图2 学习目标导向在AI技术应用与工作不安全感间的调节作用

AI技术应用与学习目标导向对工作自主性感知的交互作用显著, F (1 270)=10.684, p <0.01, partial η2=0.038。简单斜率分析发现,在高学习目标导向下,高AI技术应用组被试的工作自主性感知(M=3.583, SD=0.610)显著高于低AI技术应用组(M=2.565, SD=0.665), F (1 133)=82.279, p <0.001, partial η2=0.382。在低学习目标导向下, 高AI技术应用组被试的工作自主性感知(M=3.150, SD=0.441)显著高于低AI技术应用组(M=2.602, SD=0.696), F (1 133)=25.323, p <0.001, partial η2=0.160。无论在高学习目标导向还是低学习目标导向下,高、低AI技术应用组被试的工作自主性感知均存在显著差异,且在高学习目标导向下,两者间差异更为显著。如图3所示,在高学习目标导向下,AI技术应用越多,工作自主性感知增加越多,且增幅(△工作自主性感知= 1.018)明显超过低学习目标导向组(△工作自主性感知= 0.548),H7成立。

图3 学习目标导向在AI技术应用与工作自主性感知间的调节作用

采用 Mplus 8.2中的Bootstrap检验,考察工作不安全感和工作自主性感知在AI技术应用与员工创新行为间的并列中介作用,结果如表1所示。结果显示,AI技术应用通过工作不安全感(损耗路径)和工作自主性感知(增益路径)影响员工创新行为的间接效应分别为-0.241, 95% CI=[-0.363, -0.119]和0.222, 95% CI=[0.067, 0.383],H2、H4成立。

表1 中介效应Bootstrap检验结果

借鉴Edwards &Lambert[30]的做法,本文使用Mplus8.0中的Bootstrap检验(抽取2 000次)分析被调节的中介效应,结果如表2所示。结果显示,高学习目标导向下(M+1SD),AI技术应用→工作不安全感→创新行为的中介效应值为-0.074,95% CI [-0.155, -0.007],不包含0;低学习目标导向下(M-1SD),AI技术应用→工作不安全感→创新行为的中介效应值为-0.462,95% CI [-0.628, -0.313],不包含0。两者的中介效应差值为0.388, 95% CI [0.256, 0.556], 不包含0,H6成立。同理,在高、低学习目标导向下,AI技术应用→工作自主性感知→创新行为的中介效应差值为0.093, 95% CI [0.022, 0.202],不包含0,H8成立。

表2 被调节的中介效应检验结果

研究1的结果为AI技术应用对员工创新行为的“双刃剑”效应提供了初步证据,并检验了学习目标导向的关键调节机制。尽管情景实验法能够通过控制自变量观察因变量的变化,在证明因果关系方面更具说服力,但也存在弊端:一方面,情景实验法能有效反映因果关系,而且可以排除实验结果其它可能的解释,具有较高的内部效度,但研究样本不具有代表性,实验结果很难推广到其他被试或场合,即使采用随机化实验分派,也会导致外部效度降低。另一方面,实验研究法采用的是模拟实验情景,而模拟环境很难与外部复杂的条件相适应,即模拟情境与企业实际环境存在较大差异,很难贴合工作实际。此外,问卷调查法虽然具有较高的外部效度,但无法反映变量间的因果关系,导致内部效度较低。综上,情景实验和问卷调查各有利弊,为保证研究结果的内部效度,同时提高外部效度,本研究参考李锐等[31]的做法,在研究2中设计问卷调查,对整体模型进行再次检验,与情景实验相互补充,共同提高研究结果的可靠性。

3 研究2:全模型问卷调研

3.1 研究方法

3.1.1 研究样本与数据收集

研究2选择来自北京、深圳两地的4家应用AI的企业员工为调研对象并发放纸质问卷,涉及医疗、金融、智能制造、交通4个行业。首先通过一名在职博士研究生的人脉和资源,获得4家企业中高层管理者支持后进行访谈,访谈内容主要包括企业应用到哪些AI技术、AI技术引入后员工的心理感受或行为变化。访谈完成后,根据两阶段内容的不同印制纸质问卷,并强调问卷数据仅供学术研究使用。为了让被试清晰了解AI技术在工作场所的应用情景,遵循Tang等[4]的做法,在问卷指导语中展示了AI技术应用的定义。为方便后续进行两轮问卷的匹配工作,要求被试填写个人工号或手机号后4位,并提醒被试两轮填写要一致,否则视为无效。问卷填写完成后,每名被试将随机获得价值1～3元的小礼品,问卷由主要负责人统一邮寄给课题组。

第一轮调查主要填写AI技术应用、学习目标导向和人口统计变量,半个月后进行第二轮调查,同一批被试被邀请评估工作不安全感、工作自主性感知和创新行为。两轮问卷调查完成后,课题组通过工号或手机号后4位进行匹配,剔除不合格问卷后,得到有效问卷418份。有效样本中,男性占47.13%,年龄均值为30.69岁,本科学历占比53.59%,平均工作年限为4.58年,员工接触AI的平均时间为2.24年。职业等级方面,普通员工338人,占80.86%;基层管理者54人,占12.92%;中高层管理者26人,占6.22%。行业类型上,医疗行业占25.84%,金融行业占31.58%,智能制造业占19.62%,交通业占22.97%。

3.1.2 变量测量

研究2使用与研究1相同的量表,各变量均采用Likert-5点量表进行评分(1～5分别表示从“非常不同意”到“非常同意”)。其中,AI技术应用采用Tang等[4]的三题项量表,Cronbach's α=0.885;学习目标导向采用Vandewalle等[12]的四题项量表,Cronbach's α=0.892;工作不安全感采用Yam等[7]的三题项量表,Cronbach's α=0.859;工作自主性感知采用Kirmeyer等[28]的六题项量表,Cronbach's α=0.836;创新行为借鉴Ng&Lucianetti[29]的八题项量表,Cronbach's α=0.857。对于控制变量,参照以往研究[4,7],本研究控制员工性别、年龄、工作年限和学历。此外,由于员工接触AI的时间、职业等级和行业类型也会影响员工对AI技术的认知[4,32-33],因而将其作为控制变量。

3.2 研究结果

3.2.1 共同方法偏差检验

尽管本研究采用两阶段匹配的方式获取数据,但所有变量数据均通过员工自评的方式获取,可能存在共同方法偏差。本文采用Harman单因素检验方法对所有题项进行计算和检验,结果显示,旋转前得到的第一个主成分占因子总载荷的22.336%,未超过40%的临界值,说明不存在严重的共同方法偏差问题。

3.2.2 信效度检验

如表3所示,各题项的标准化因子载荷均在0.6以上,AI技术应用、工作不安全感、工作自主性感知和创新行为的组合信度(CR)均在0.7以上,各变量的内部一致性系数(Cronbach's α)均在0.7以上,各变量的平均方差提取量(AVE)均大于0.5,说明5个变量具有较高的信度和收敛效度。

表3 信效度分析结果

本研究使用Mplus 8.2进行验证性因子分析,结果如表4所示。结果显示,五因子模型的拟合效果较好(χ2/df =1.704, RMSEA=0.041, CFI=0.962, TLI=0.957, SRMR=0.037),且优于其它模型,表明变量具有较高的区分效度。

表4 验证性因子分析结果

3.2.3 描述性统计与相关性分析

表5为描述性统计与相关性分析结果,可以发现,AI技术应用与工作不安全感(r=0.486, p<0.001)、工作自主性感知(r=0.199, p<0.001)均正相关,工作不安全感与创新行为负相关(r=-0.329, p<0.001),工作自主性感知与创新行为正相关(r=0.191, p<0.001)。

表5 描述性统计与相关性分析结果

3.2.4 假设检验

本研究采用Mplus 8.2构建结构方程模型对假设进行检验,结果如图4所示。在纳入控制变量的基础上,AI技术应用对工作不安全感的路径系数显著为正(β=0.545, p<0.001),H1成立;AI技术应用对工作自主性感知的路径系数显著为正(β=0.159, p<0.001),H3成立。为进一步检验中介效应,利用Mplus 8.2中的Bootstrap对工作不安全感和工作自主性感知的并列中介效应进行路径分析,结果如表6所示。结果显示,AI技术应用通过工作不安全感和工作自主性感知影响员工创新行为的间接效应值分别为-0.133, 95% CI=[-0.198, -0.111]和0.101, 95% CI=[0.142, 0.091],H2、H4成立。

表6 中介效应Bootstrap分析结果(研究2)

图4 路径系数分析结果

AI技术应用与学习目标导向的交互项对工作不安全感具有显著负向影响(β=-0.144, p<0.01),H5成立;AI技术应用与学习目标导向的交互项对工作自主性感知具有显著正向影响(β=0.192, p<0.001),H7成立。为更直观地观察学习目标导向的调节作用,本研究绘制如图5、图6所示的调节效应图。图5显示,与低学习目标导向相比,高学习目标导向下AI技术应用对工作不安全感的正向作用更弱;图6显示,与低学习目标导向相比,高学习目标导向下AI技术应用对工作自主性感知的正向作用更强。由此,H5、H7得到进一步验证。

图5 学习目标导向在AI技术应用与工作不安全感间的调节作用(研究 2)

图6 学习目标导向在AI技术应用与工作自主性感知间的调节作用(研究 2)

采用Edwards&Lambert[30]提出的差异分析法检验被调节的中介效应,结果如表7所示。在创新行为的损耗路径中,当学习目标导向较强时(M+1SD),AI技术应用→工作不安全感→创新行为的中介效应值为-0.071,95% CI [-0.118, -0.037],不包含0;当学习目标导向较弱时(M-1SD),AI技术应用→工作不安全感→创新行为的中介效应值为-0.119,95% CI [-0.160, -0.081],不包含0。两者的中介效应差值为0.048,95% CI [0.011, 0.088],不包含0,H6成立。

表7 被调节的中介效应检验结果(研究2)

在创新行为的增益路径中,当学习目标导向较强时(M+1SD),AI技术应用→工作自主性感知→创新行为的中介效应值为0.061,95% CI [-0.027, -0.109],不包含0;当学习目标导向较弱时(M-1SD),AI技术应用→工作自主性感知→创新行为的中介效应值为0.006,95% CI [-0.011, 0.021],包含0。两者的中介效应差值为0.055, 95% CI [0.019, 0.110],不包含0,H8成立。

4 结论与讨论

4.1 研究结论

本文基于JD-R模型,深入探讨AI技术在工作场所应用对员工创新行为的“双刃剑”效应,包括工作不安全感引发的损耗路径和工作自主性感知形成的增益路径,以及影响两种效应的边界条件。通过情境实验和问卷调查两种研究设计得出一致结论:AI技术应用可以通过增加工作不安全感负向影响员工创新行为,也可以通过增强工作自主性感知正向影响员工创新行为。此外,学习目标导向的增强会弱化AI技术应用的损耗路径,强化AI技术应用的增益路径。本研究不仅拓宽了AI技术应用在组织行为学的研究范畴,还为组织促进AI场景下的员工创新行为提供了理论指导和实践启示。

4.2 理论贡献

(1)本研究考察了AI技术在工作场所的应用对员工创新行为的“双刃剑”效应,为AI技术应用的组织管理提供了全面、辩证的研究视角。以往研究要么聚焦AI引入工作场所引发的增益效应,如增强员工工作旺盛感[5]、提升人力资源管理效率[34]等;要么关注AI的替代和威胁效应,如增强离职倾向[35]、产生工作不安全感和工作场所不良行为[7]等。新近研究从匹配视角出发,考虑能否通过AI引入与员工尽责性之间的互补对工作绩效产生积极影响[4]。整体来看,AI对个体影响的研究尚处于起步阶段,且鲜有研究整合AI技术应用对个体创新行为的正、负面效应。本研究发现AI技术应用是一把“双刃剑”,回应了罗文豪等[36]建议从整合视角探讨AI不同效应的呼吁,对AI技术应用影响效应的研究作出了有益补充与拓展。

(2)本研究结合JD-R模型,从工作要求和工作资源双重视角探讨AI技术应用与员工创新行为之间的“黑箱”,拓展了AI技术应用的影响机制研究。以往研究主要基于自我决定理论、压力认知评价理论和资源保存理论等,从认知或情感的单一视角探讨AI引入的影响效应[4-5,7]。本研究从工作特征角度入手,认为AI技术引发的工作特征变化必然引起员工心理和行为的改变。AI技术应用既可以通过提高工作要求(工作不安全感)负向影响员工创新行为,也可以通过带来工作资源(工作自主性感知)正向影响员工创新行为。本文证实了AI技术应用通过JD-R模型的作用机制影响员工创新行为的理论逻辑,为AI技术应用的影响机制研究提供了一个新的理论视角。

(3)本研究引入学习目标导向这一关键调节变量,从个体对工作控制的角度探寻AI技术应用对创新行为“双刃剑”效应的边界机制。不同学习目标导向的个体对工作场所引入AI技术的接受和反应程度存在显著差异。本文研究表明,AI技术应用对近端结果变量(工作自主性感知和工作不安全感)的直接影响和远端结果变量(创新行为)的间接影响会因员工学习目标导向不同而发生变化,不仅拓展了AI技术应用发挥积极作用的边界条件,也回应了Tang等[4]从个体特质角度丰富AI技术应用影响效应的建议。纵观以往研究,不难发现,学术界主要从尽责性、人机共生关系、员工职业能力[4-6]等方面考察AI技术应用的边界条件,本研究强调AI场景下个体学习目标导向的重要性,对以往AI技术应用作用效果的调节机制研究形成了有益扩充。

4.3 管理启示

本研究探讨AI技术应用对员工创新行为的“双刃剑”效应及其边界条件,有助于管理者提前采取相应的干预措施,增强AI技术应用对员工心理和行为的积极作用。首先,管理者要对员工进行正确引导,鼓励员工理性看待AI技术,将其视为一种机遇而非潜在威胁,使员工意识到AI能够帮助其减轻工作负担,提高工作灵活性,激发工作自主性和创新行为。同时,给予员工足够的情感关怀和心理安全感,关注员工的心理波动和情绪感受,制定一系列员工帮助计划,降低AI应用对员工工作地位和心理安全的威胁。其次,管理者要重视对员工学习目标导向的培养。学习目标导向强的个体能够快速适应AI场景下的工作变化,通过提高自身学习能力应对AI技术在工作场所应用带来的机遇和挑战,从而激发工作热情和创新动力。因此,管理者应把学习目标导向作为招聘和选拔标准,通过个性特征测试识别学习目标导向强的员工。此外,组织管理者应定期对员工进行数字化培训,构建学习型组织,引导员工树立学习目标导向,不断提升自身专业知识水平和数字素养。

4.4 不足与展望

本研究存在一些不足之处。第一,研究2的问卷数据通过员工两阶段自我报告的方式获得,这可能导致存在反向因果关系。后续研究可以考虑采用多阶段、多来源的方式收集数据,以更好地推断因果关系。第二,本文基于JD-R模型探讨AI技术应用对员工创新行为的“双刃剑”效应,后续研究可结合压力认知评价理论,从认知评价和应对角度为分析AI技术应用的影响过程提供整合框架,从而深化和拓展AI技术应用领域相关理论。第三,由于不同类型的工作岗位、行业应用的AI技术不同,员工与AI技术的协同方式也不尽相同,未来可深入研究某一特定行业或AI技术对个体创新行为的影响效应。第四,AI技术应用对员工创新行为的影响可能存在其它边界条件,未来可考虑选择团队或组织层面的情境因素(如数字化领导力、组织关怀氛围等)探讨AI技术应用的边界作用。