增益還是損耗:人工智能技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應

張 恒,高中華 ,李慧玲

(1.首都經(jīng)濟貿(mào)易大學 工商管理學院,北京 100070;2.中國社會科學院 工業(yè)經(jīng)濟研究所,北京 100006)

0 引言

隨著智能機器人、大數(shù)據(jù)等人工智能(AI)技術(shù)的蓬勃發(fā)展,大量AI技術(shù)出現(xiàn)在工作場所中,給傳統(tǒng)人力資源管理帶來諸多挑戰(zhàn)[1-2]。為有效降低人力成本和勞動力投入,企業(yè)愈發(fā)希望通過引進AI技術(shù)取代人的腦力勞動,員工在享受AI技術(shù)帶來便利性的同時,也面臨被AI技術(shù)潛在替代的風險[3]。這不僅改變了員工的業(yè)務流程和工作內(nèi)容,也要求人們擁有適應AI工作場景的特殊技能[4-5]。在這種AI工作要求下,員工將面臨諸多不確定性問題和失業(yè)風險,如擔心自身擁有的技能和知識不足以應對AI的挑戰(zhàn)和變化,這種主觀顧慮將增加時間壓力和替代威脅,導致員工無法在創(chuàng)新活動中集中精力,成為影響員工創(chuàng)新的主要障礙[3]。因此,探討AI技術(shù)如何在工作場所應用情境下激發(fā)員工創(chuàng)新行為,成為學術(shù)界和實踐界普遍關注的現(xiàn)實問題。

伴隨AI技術(shù)在工作場所的普及應用,一方面,員工體驗到新技術(shù)帶來的工作旺盛感等積極心理和行為。如朱曉妹等[5]認為AI引發(fā)的崗位技能要求變化通過增強員工勝任感從而增強工作旺盛感。另一方面,員工也感受到技術(shù)變革帶來的不安全感、不文明行為等負面結(jié)果。如王才等[6]研究分析工業(yè)機器人規(guī)模運用對員工工作不安全感的影響;Yam等[7]研究發(fā)現(xiàn),個體感知到機器人對工作的滲透會引發(fā)工作不安全感,進而導致職業(yè)倦怠和不文明行為。已有研究從不同視角分析了AI技術(shù)應用可能造成的積極或消極影響,但尚未從整合視角深入探討AI技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應。從積極影響看,AI技術(shù)在工作場所的應用可以減少機械性、重復性工作,有助于節(jié)約員工解決更高層次問題所需的資源,使員工有更多時間和精力專注于創(chuàng)新性工作,提高取得創(chuàng)新性成果的可能性[8]。同時,AI技術(shù)的廣泛應用對工作效率和工作量提出了更高要求,在增加個體時間壓力的同時,導致AI替代恐懼,這會進一步降低員工的組織支持感,抑制其創(chuàng)新行為[9]。因此,AI技術(shù)在工作場所的應用對員工創(chuàng)新行為的影響既有正面的也有負面的,關鍵在于如何平衡利弊,發(fā)揮AI技術(shù)優(yōu)勢,同時保持員工的創(chuàng)新意識和能力。不可否認,AI技術(shù)是企業(yè)創(chuàng)新不容忽視的推動力,但員工才是企業(yè)創(chuàng)新的主要載體,將AI技術(shù)引入工作場所究竟會促進還是抑制個體創(chuàng)新行為值得深入研究。

工作要求—資源(Job Demands-Resources, JD-R)模型能夠有效整合AI技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應。該模型將工作特征分為工作要求和工作資源,從而對個體產(chǎn)生損耗和增益兩條不同路徑[10]。工作要求是損耗個體精力、資源或時間的負向因素(如工作不安全感),即為損耗路徑;工作資源是工作中有利于提升工作狀態(tài)和效果的正向因素(如工作自主性感知),即為增益路徑。AI技術(shù)在工作場所的應用意味著員工工作流程、工作方法和工作內(nèi)容發(fā)生變化,屬于典型的工作特征變化[4, 9]。從損耗路徑看,AI技術(shù)應用會對個體專業(yè)知識/技能、身份和地位造成威脅,引發(fā)失業(yè)風險[9],從而通過增加工作不安全感抑制員工創(chuàng)新行為;從增益路徑看,AI技術(shù)應用將給個體帶來更多閑置資源[4, 8],員工能自主學習和應用新技能,從而通過增強工作自主性感知進而激發(fā)員工創(chuàng)新行為。此外,Karasek[11]特別指出,個體感知到的工作資源和工作要求會因個體對工作控制的程度而發(fā)生變化。學習目標導向反映出個體樂于接受挑戰(zhàn)性任務,并通過持續(xù)學習提升自己,對工作具有較高的自主控制和技能運用水平[12]。學習目標導向強的個體更重視個人成長和發(fā)展,努力尋求獲得新知識和技能的學習機會[13],力求與AI技術(shù)在工作場所應用帶來的工作要求和挑戰(zhàn)相匹配。由此,本研究聚焦學習目標導向,進一步探討其對AI技術(shù)在工作場所應用發(fā)揮“雙刃劍”效應的調(diào)節(jié)作用。

1 理論基礎與研究假設

1.1 工作要求—資源模型

本研究的理論基礎是工作要求—資源(JD-R)模型,其將工作特征分為工作要求和工作資源兩個維度。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、時間壓力等;工作資源是指在工作中降低心理、生理成本,促進成長和發(fā)展的外在或內(nèi)在心理因素,如同事支持、工作自主性感知等[10]。JD-R模型還特別強調(diào),工作對個體存在工作資源增益和工作要求損耗的雙路徑假設。增益路徑是指工作資源通過增加工作投入給個體帶來正面影響;損耗路徑是指工作要求通過增加工作倦怠對個體造成負面影響[10]。

AI技術(shù)在工作場所的應用是指員工在追求工作目標的過程中使用AI技術(shù)(一種具有自主學習、推理、解決問題和決策能力的新興技術(shù),如語音識別、機器學習、智能機器人等)并耗費時間的程度[4]。本研究認為AI技術(shù)應用會引發(fā)工作特征變化[14]。從客觀特征看,作為具有人類智慧的AI技術(shù)可以在一定程度上替代人完成某些工作任務,減少員工執(zhí)行重復、規(guī)范、結(jié)構(gòu)化工作任務的工作量[9]。從主觀認識看,AI技術(shù)應用要求員工具備解決復雜、高層次問題的特殊能力,能夠反映員工工作技能的多樣性,改變員工對工作特征的認識[5]。鑒于此,本研究認為AI技術(shù)應用導致的工作特征變化會通過工作要求和工作資源兩條路徑對員工創(chuàng)新行為產(chǎn)生不同影響。從損耗路徑看,以工作不安全感表征工作要求。AI技術(shù)將取代一些程序化工作,從而導致員工面臨失業(yè)風險,這無疑會增加員工的工作不安全感,使個體認為消耗更多資源從事角色外行為(如具有一定風險的創(chuàng)新行為)是無用的[15],從而減少創(chuàng)新行為。從增益路徑看,以工作自主性感知表征工作資源。AI技術(shù)能夠通過模擬人類大腦思維過程,解決復雜問題、執(zhí)行任務和達成目標,減輕員工工作負擔,帶來更多閑置資源[4],增強工作自主性感知,讓員工有更多時間和精力參與創(chuàng)新活動,進而激發(fā)其創(chuàng)新行為。

個體對工作的控制程度會影響員工對工作要求和工作資源的認知[11]。學習目標導向是指個體傾向于學習新技能和新知識[12],可以憑借對工作較高的控制水平有效掌控 AI的使用過程和結(jié)果。本研究關注學習目標導向在AI技術(shù)應用對員工創(chuàng)新行為“雙刃劍”效應中的邊界條件,原因如下:首先,學習目標導向決定個體如何在具有挑戰(zhàn)性的AI情境中處理和看待信息。學習目標導向強的個體對工作的掌控程度較高,認為AI技術(shù)應用賦予員工提升自我的挑戰(zhàn)機會,當個體感知到外部動機與自我偏好一致并有助于目標實現(xiàn)時,會自發(fā)將外部動機轉(zhuǎn)化為內(nèi)部動機[13],從而將AI技術(shù)應用視作提升性的工作資源而不是阻礙性的工作要求。其次,在進行自我評估時,學習目標導向強的個體特別關注當前工作狀態(tài)是否有明顯成長和進步[16]。因此,在AI技術(shù)應用場景下,當學習目標導向強的員工發(fā)現(xiàn)自己擁有的技能與現(xiàn)實工作崗位存在差距時,會通過自主學習彌補欠缺的數(shù)字知識和技能,從而增加工作資源,降低工作要求。

1.2 AI技術(shù)應用與員工創(chuàng)新行為:經(jīng)由工作不安全感的損耗路徑

工作不安全感是指個體在工作受到威脅的環(huán)境中,對于工作能否持續(xù)而感知到的無助感[17]。依據(jù)JD-R模型,工作要求是影響工作狀態(tài)、消耗身心資源的負向因素,工作不安全感則屬于典型的工作要求。本研究認為AI技術(shù)應用會引發(fā)員工的工作不安全感。一方面,個體所處工作環(huán)境的劇烈變化和技術(shù)進步會顯著影響個人生存發(fā)展狀況,極易使員工產(chǎn)生工作不安全感[6,18]。AI技術(shù)能夠?qū)崿F(xiàn)獨立思考并自主執(zhí)行工作任務[4],可能通過超越某些任務或責任,對員工工作地位、技能和專業(yè)知識造成潛在威脅,增加工作不安全感[7,9]。另一方面,把AI技術(shù)引入工作場所后,將改變工作流程、工作方法和工作特征,重組原有工作崗位的任務內(nèi)容,提高崗位技能要求,增加工作轉(zhuǎn)換成本[14],使員工感知到由AI引發(fā)的崗位替代效應與失業(yè)風險,進而增加員工的工作不安全感。由此,本文提出如下假設:

H1: AI技術(shù)應用與工作不安全感正相關。

員工工作不安全感是工作場所中的重要壓力源,會顯著影響個體心理和行為表現(xiàn)[19]。遵循JD-R模型,工作要求會不斷消耗個體精力或工作資源,引發(fā)一系列消極結(jié)果。創(chuàng)新行為本身具有一定風險和不確定性,需要企業(yè)給予員工更多安全感,以激勵員工大膽創(chuàng)新[20-21]。當員工感知到自身工作安全感受到威脅但又無法有效應對時,會激發(fā)個體自我保護機制,不斷規(guī)避工作威脅和風險,從而依賴原有慣性工作方案,減少創(chuàng)新行為[15,22]。已有研究表明,環(huán)境變化和技術(shù)進步引發(fā)的工作不安全感,會讓員工擔心其職業(yè)被新興技術(shù)取代,從而無心參與具有挑戰(zhàn)和高風險的創(chuàng)新行為,以避免犯錯,進而抑制員工創(chuàng)新行為[18]。由此,本文提出如下假設:

H2: AI技術(shù)應用通過工作不安全感負向影響員工創(chuàng)新行為。

1.3 AI技術(shù)應用與員工創(chuàng)新行為:經(jīng)由工作自主性感知的增益路徑

工作自主性感知是指員工在相關資源獲取、工作流程與工作時間安排等方面進行自由裁量的程度[23]。依據(jù)JD-R模型,工作資源是能夠提升工作狀態(tài)和效果的正向因素,工作自主性感知則屬于典型的工作資源[10]。本研究認為,AI技術(shù)應用會激發(fā)員工的工作自主性感知。一方面,AI能夠自主處理和承擔重復性、復雜性且認知要求較高的工作任務[24],并為員工提供及時、有用的信息,從而減輕員工工作負擔。這有助于員工獲取閑置資源和提高工作靈活性,從而可以充分行使自由裁量權(quán),自主安排工作流程,進而增強工作自主性感知[4,24]。另一方面,AI技術(shù)能夠持續(xù)捕獲、挖掘并理解大量數(shù)據(jù),無須員工提供指導或幫助[25]。員工可以根據(jù)實際需要自由安排工作時間,從而自主學習和應用新技能[26],以優(yōu)化工作程序,進而增強工作自主性感知。由此,本文提出如下假設:

H3: AI技術(shù)應用與工作自主性感知正相關。

依據(jù)JD-R模型,工作自主性感知作為一種工作資源,可以激發(fā)個體的積極工作狀態(tài)[27]。一方面,工作自主性感知意味著員工能夠自由安排工作時間并獲取相關資源,從而能夠自主學習和探索新知識、新技能[23],將注意力、資源投入到新點子的產(chǎn)生與落地中,從而激發(fā)員工創(chuàng)新行為。另一方面,富有創(chuàng)新精神的員工善于在工作中向同事、領導傳播新想法并尋求資源使其新想法得以執(zhí)行[21]。在AI應用場景下,員工需要承擔創(chuàng)造性、社交性和人際性等相關工作[5]。此時,工作自主性感知較強的員工能夠充分利用AI帶來的閑置資源,積極主動與同事、領導溝通,運用新方法和新技術(shù)優(yōu)化工作程序,從而激發(fā)創(chuàng)新行為。由此,本文提出如下假設:

H4: AI技術(shù)應用通過工作自主性感知正向影響員工創(chuàng)新行為。

1.4 學習目標導向的調(diào)節(jié)作用

個體感知到的工作資源和工作要求強弱因個體對工作控制程度的高低而有所不同[11]。學習目標導向是指個體學習新知識、掌握新技能從而提升自身能力的態(tài)度和傾向,能夠在很大程度上控制自身工作和技能運用[13]。本研究認為學習目標導向會弱化AI技術(shù)應用對工作不安全感的損耗路徑。首先,學習目標導向強的個體注重學習和進步,樂于接受挑戰(zhàn)性任務,會努力學習AI場景下的技能和專業(yè)知識,從而獲得工作勝任的愉快心理體驗[5],進而降低工作不安全感。其次,當員工擁有較強的學習目標導向時,在與AI的“賽馬”中形成更大優(yōu)勢,使員工能夠解決工作領域問題,從而減輕其對被AI取代的擔憂,降低工作不安全感。反之,學習目標導向弱的個體不注重學習和發(fā)展新知識、新技能,認為完成基本工作任務、規(guī)避差錯和風險是最重要的,其需求與AI技術(shù)應用帶來的學習和挑戰(zhàn)不匹配,從而引發(fā)員工對AI取代其工作的恐懼,產(chǎn)生較強的工作不安全感。由此,本文提出如下假設:

H5: 學習目標導向負向調(diào)節(jié)AI技術(shù)應用與工作不安全感間的關系。

結(jié)合H1和H2,進一步提出有調(diào)節(jié)的中介作用假設:

H6: 學習目標導向在AI技術(shù)應用通過工作不安全感抑制員工創(chuàng)新行為的間接效應中起調(diào)節(jié)作用。

本研究認為學習目標導向能夠強化AI技術(shù)應用對工作自主性感知的增益路徑。學習目標導向強的個體具有較強的自主學習意愿,能夠充分利用AI在承擔重復性、合規(guī)性和系統(tǒng)處理等日常性工作時帶來的閑置資源[13],并自主安排工作計劃和工作時間,主動學習和應用新知識、新技術(shù),從而認識到AI技術(shù)應用能給自己帶來更大的自由裁量權(quán),進而感知到更強的工作自主性。相反,學習目標導向弱的個體學習意愿較低,不注重自我能力提升和工作資源獲取,從而消極看待AI技術(shù)應用這一工作中的挑戰(zhàn)性事件,進而降低工作自主性感知。由此,本文提出如下假設:

H7:學習目標導向正向調(diào)節(jié)AI技術(shù)應用與工作自主性感知間的關系。

結(jié)合H3和H4,進一步提出有調(diào)節(jié)的中介作用假設:

H8:學習目標導向在AI技術(shù)應用通過工作自主性感知激發(fā)員工創(chuàng)新行為的間接效應中起調(diào)節(jié)作用。

綜上,本文繪制如圖1所示的理論模型。

圖1 理論模型

2 研究1:全模型實驗研究

2.1 研究方法

2.1.1 研究樣本

研究1通過Credamo見數(shù)平臺招募300名有全職工作的被試參與實驗,剔除不合格樣本后,得到有效樣本278份,每位被試完成實驗后可獲得2元報酬作為獎勵。有效樣本中,男性占43.17%,年齡集中在30歲以下,占64.75%。

2.1.2 實驗設計與流程

研究1采用(AI技術(shù)應用:高 vs. 低) ×(學習目標導向:高 vs. 低)的雙因素組間設計。本研究采用情境模擬實驗,將被試隨機分配到4個實驗情境中。實驗開始后, 被試首先填寫人口統(tǒng)計變量,為了讓被試能夠區(qū)分工作場所中的AI技術(shù)與傳統(tǒng)技術(shù)(計算機、互聯(lián)網(wǎng)使用、文字處理或電子表格軟件等),遵循Tang等[4]的做法,向被試展示AI技術(shù)應用的定義;隨后,要求被試盡可能代入材料中關于自身角色的設定(假設自己為張三),并閱讀一段情景材料;最后,被試根據(jù)材料完成操縱檢驗、工作不安全感、工作自主性感知和創(chuàng)新行為的問卷。共有300名被試參與實驗,剔除不合格樣本后,獲得有效問卷278份。

其中,AI技術(shù)應用操縱根據(jù)Tang等[4]對AI技術(shù)應用的定義和操縱材料改編而成(括號內(nèi)為控制組):“你所在的ABC公司引入了大量(沒有引入)AI技術(shù)和設備,工作中的各個方面,如推理、決策和解決問題等,主要由這些智能設備自主(主要由你)完成,你在具體實施一些工作任務時經(jīng)常要使用(通常不使用)AI技術(shù)和設備,并花費(也不用花費)大量時間與AI技術(shù)一起完成工作”。 學習目標導向操縱根據(jù)Vandewalle &Cummings[12]開發(fā)的實驗材料改編而成(括號內(nèi)為控制組):“大學畢業(yè)后,你被ABC公司聘用。在最初的6個月,公司部門有多個項目同時進行,你主動選擇了一個困難和挑戰(zhàn)性較高(較低)的項目,每天堅持學習(不需要學習)新知識和掌握新技能以提高自身能力,并且你非常重視(你也不重視)嘗試和探索,經(jīng)常會(很少會)利用大部分個人時間學習和創(chuàng)造,渴望(不渴望)通過努力學習在任務中有所收獲,提升專業(yè)技能”。

2.1.3 測量工具

本研究使用的測量工具均為西方成熟量表,具有較高的信效度。各變量均采用Likert-5點量表進行評分(1～5分別表示從“非常不同意”到“非常同意”)。其中,對工作不安全感的測量采用Yam等[7]的三題項量表,如“我對工作的未來發(fā)展感到不安”等,Cronbach's α=0.896。對工作自主性感知的測量采用Kirmeyer等[28]的六題項量表,如“在工作時間內(nèi),我能自由決定該做什么”等,Cronbach's α=0.838。對創(chuàng)新行為的測量借鑒Ng&Lucianetti[29]的八題項量表,如“我經(jīng)常會從不同角度思考問題”等,Cronbach's α=0.940。對于操縱變量,AI技術(shù)應用采用Tang等[4]的三題項量表,如“我使用人工智能開展我的大部分工作”等,Cronbach's α=0.951;學習目標導向采用Vandewalle等[13]的四題項量表,如“如果我能從中學到很多東西,我愿意從事一些困難的工作任務”等,Cronbach's α=0.953。

2.2 研究結(jié)果

2.2.1 操縱檢驗

本研究通過獨立樣本t檢驗進行操縱檢驗,結(jié)果顯示,AI技術(shù)應用實驗組(n=139)得分(M=4.230, SD=0.426)顯著高于控制組(n=139)得分(M=1.381, SD=0.462),兩組樣本具有顯著差異,t(276)=53.430, p <0.001, Cohen's d=6.411;學習目標導向?qū)嶒灲M(n=139)得分(M=4.275, SD=0.426)顯著高于控制組(n=139)得分(M=1.563, SD=0.527),兩組樣本具有顯著差異,t(276)=47.215, p <0.001, Cohen's d=5.659。因此,研究1對兩個變量的操縱有效。

2.2.2 假設檢驗

以AI技術(shù)應用為自變量,以學習目標導向為調(diào)節(jié)變量,以性別、年齡等為協(xié)變量,分別以工作不安全感、工作自主性感知為因變量,進行方差分析。結(jié)果顯示,AI技術(shù)應用對工作不安全感的主效應顯著,F (1 270)=55.298, p <0.001, partial η2=0.169。這說明相對于低AI技術(shù)應用組,高AI技術(shù)應用組被試體驗到的工作不安全感較強,H1成立。同時,AI技術(shù)應用對工作自主性感知的主效應顯著, F (1 270)=102.614, p <0.001, partial η2=0.274。這說明相對于低AI技術(shù)應用組,高AI技術(shù)應用組被試體驗到的工作自主性感知較強,H3成立。

方差分析結(jié)果表明,AI技術(shù)應用與學習目標導向?qū)ぷ鞑话踩械慕换プ饔蔑@著, F (1 270)=50.378, p <0.001, partial η2=0.157。簡單斜率分析發(fā)現(xiàn),在高學習目標導向下,高AI技術(shù)應用組被試體驗到的工作不安全感(M=2.181, SD=0.909)顯著高于低AI技術(shù)應用組(M=1.865, SD=0.658), F (1 133)=5.458, p <0.05, partial η2=0.039。在低學習目標導向下,高AI技術(shù)應用組被試體驗到的工作不安全感(M=4.188, SD=0.567)顯著高于低AI技術(shù)應用組(M=2.433, SD=1.118), F (1 133)=136.453, p <0.001, partial η2=0.506。無論在高學習目標導向還是低學習目標導向下,高、低AI技術(shù)應用組被試的工作不安全感均存在顯著差異,且在低水平學習目標導向下,兩者間差異更為顯著。如圖2所示,在低學習目標導向下,AI技術(shù)應用越多,工作不安全感增加越多,且增幅(△工作不安全感= 1.755)超過高學習目標導向組(△工作不安全感= 0.316),H5成立。

圖2 學習目標導向在AI技術(shù)應用與工作不安全感間的調(diào)節(jié)作用

AI技術(shù)應用與學習目標導向?qū)ぷ髯灾餍愿兄慕换プ饔蔑@著, F (1 270)=10.684, p <0.01, partial η2=0.038。簡單斜率分析發(fā)現(xiàn),在高學習目標導向下,高AI技術(shù)應用組被試的工作自主性感知(M=3.583, SD=0.610)顯著高于低AI技術(shù)應用組(M=2.565, SD=0.665), F (1 133)=82.279, p <0.001, partial η2=0.382。在低學習目標導向下, 高AI技術(shù)應用組被試的工作自主性感知(M=3.150, SD=0.441)顯著高于低AI技術(shù)應用組(M=2.602, SD=0.696), F (1 133)=25.323, p <0.001, partial η2=0.160。無論在高學習目標導向還是低學習目標導向下,高、低AI技術(shù)應用組被試的工作自主性感知均存在顯著差異,且在高學習目標導向下,兩者間差異更為顯著。如圖3所示,在高學習目標導向下,AI技術(shù)應用越多,工作自主性感知增加越多,且增幅(△工作自主性感知= 1.018)明顯超過低學習目標導向組(△工作自主性感知= 0.548),H7成立。

圖3 學習目標導向在AI技術(shù)應用與工作自主性感知間的調(diào)節(jié)作用

采用 Mplus 8.2中的Bootstrap檢驗,考察工作不安全感和工作自主性感知在AI技術(shù)應用與員工創(chuàng)新行為間的并列中介作用,結(jié)果如表1所示。結(jié)果顯示,AI技術(shù)應用通過工作不安全感(損耗路徑)和工作自主性感知(增益路徑)影響員工創(chuàng)新行為的間接效應分別為-0.241, 95% CI=[-0.363, -0.119]和0.222, 95% CI=[0.067, 0.383],H2、H4成立。

表1 中介效應Bootstrap檢驗結(jié)果

借鑒Edwards &Lambert[30]的做法,本文使用Mplus8.0中的Bootstrap檢驗(抽取2 000次)分析被調(diào)節(jié)的中介效應,結(jié)果如表2所示。結(jié)果顯示,高學習目標導向下(M+1SD),AI技術(shù)應用→工作不安全感→創(chuàng)新行為的中介效應值為-0.074,95% CI [-0.155, -0.007],不包含0;低學習目標導向下(M-1SD),AI技術(shù)應用→工作不安全感→創(chuàng)新行為的中介效應值為-0.462,95% CI [-0.628, -0.313],不包含0。兩者的中介效應差值為0.388, 95% CI [0.256, 0.556], 不包含0,H6成立。同理,在高、低學習目標導向下,AI技術(shù)應用→工作自主性感知→創(chuàng)新行為的中介效應差值為0.093, 95% CI [0.022, 0.202],不包含0,H8成立。

表2 被調(diào)節(jié)的中介效應檢驗結(jié)果

研究1的結(jié)果為AI技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應提供了初步證據(jù),并檢驗了學習目標導向的關鍵調(diào)節(jié)機制。盡管情景實驗法能夠通過控制自變量觀察因變量的變化,在證明因果關系方面更具說服力,但也存在弊端:一方面,情景實驗法能有效反映因果關系,而且可以排除實驗結(jié)果其它可能的解釋,具有較高的內(nèi)部效度,但研究樣本不具有代表性,實驗結(jié)果很難推廣到其他被試或場合,即使采用隨機化實驗分派,也會導致外部效度降低。另一方面,實驗研究法采用的是模擬實驗情景,而模擬環(huán)境很難與外部復雜的條件相適應,即模擬情境與企業(yè)實際環(huán)境存在較大差異,很難貼合工作實際。此外,問卷調(diào)查法雖然具有較高的外部效度,但無法反映變量間的因果關系,導致內(nèi)部效度較低。綜上,情景實驗和問卷調(diào)查各有利弊,為保證研究結(jié)果的內(nèi)部效度,同時提高外部效度,本研究參考李銳等[31]的做法,在研究2中設計問卷調(diào)查,對整體模型進行再次檢驗,與情景實驗相互補充,共同提高研究結(jié)果的可靠性。

3 研究2:全模型問卷調(diào)研

3.1 研究方法

3.1.1 研究樣本與數(shù)據(jù)收集

研究2選擇來自北京、深圳兩地的4家應用AI的企業(yè)員工為調(diào)研對象并發(fā)放紙質(zhì)問卷,涉及醫(yī)療、金融、智能制造、交通4個行業(yè)。首先通過一名在職博士研究生的人脈和資源,獲得4家企業(yè)中高層管理者支持后進行訪談,訪談內(nèi)容主要包括企業(yè)應用到哪些AI技術(shù)、AI技術(shù)引入后員工的心理感受或行為變化。訪談完成后,根據(jù)兩階段內(nèi)容的不同印制紙質(zhì)問卷,并強調(diào)問卷數(shù)據(jù)僅供學術(shù)研究使用。為了讓被試清晰了解AI技術(shù)在工作場所的應用情景,遵循Tang等[4]的做法,在問卷指導語中展示了AI技術(shù)應用的定義。為方便后續(xù)進行兩輪問卷的匹配工作,要求被試填寫個人工號或手機號后4位,并提醒被試兩輪填寫要一致,否則視為無效。問卷填寫完成后,每名被試將隨機獲得價值1～3元的小禮品,問卷由主要負責人統(tǒng)一郵寄給課題組。

第一輪調(diào)查主要填寫AI技術(shù)應用、學習目標導向和人口統(tǒng)計變量,半個月后進行第二輪調(diào)查,同一批被試被邀請評估工作不安全感、工作自主性感知和創(chuàng)新行為。兩輪問卷調(diào)查完成后,課題組通過工號或手機號后4位進行匹配,剔除不合格問卷后,得到有效問卷418份。有效樣本中,男性占47.13%,年齡均值為30.69歲,本科學歷占比53.59%,平均工作年限為4.58年,員工接觸AI的平均時間為2.24年。職業(yè)等級方面,普通員工338人,占80.86%;基層管理者54人,占12.92%;中高層管理者26人,占6.22%。行業(yè)類型上,醫(yī)療行業(yè)占25.84%,金融行業(yè)占31.58%,智能制造業(yè)占19.62%,交通業(yè)占22.97%。

3.1.2 變量測量

研究2使用與研究1相同的量表,各變量均采用Likert-5點量表進行評分(1～5分別表示從“非常不同意”到“非常同意”)。其中,AI技術(shù)應用采用Tang等[4]的三題項量表,Cronbach's α=0.885;學習目標導向采用Vandewalle等[12]的四題項量表,Cronbach's α=0.892;工作不安全感采用Yam等[7]的三題項量表,Cronbach's α=0.859;工作自主性感知采用Kirmeyer等[28]的六題項量表,Cronbach's α=0.836;創(chuàng)新行為借鑒Ng&Lucianetti[29]的八題項量表,Cronbach's α=0.857。對于控制變量,參照以往研究[4,7],本研究控制員工性別、年齡、工作年限和學歷。此外,由于員工接觸AI的時間、職業(yè)等級和行業(yè)類型也會影響員工對AI技術(shù)的認知[4,32-33],因而將其作為控制變量。

3.2 研究結(jié)果

3.2.1 共同方法偏差檢驗

盡管本研究采用兩階段匹配的方式獲取數(shù)據(jù),但所有變量數(shù)據(jù)均通過員工自評的方式獲取,可能存在共同方法偏差。本文采用Harman單因素檢驗方法對所有題項進行計算和檢驗,結(jié)果顯示,旋轉(zhuǎn)前得到的第一個主成分占因子總載荷的22.336%,未超過40%的臨界值,說明不存在嚴重的共同方法偏差問題。

3.2.2 信效度檢驗

如表3所示,各題項的標準化因子載荷均在0.6以上,AI技術(shù)應用、工作不安全感、工作自主性感知和創(chuàng)新行為的組合信度(CR)均在0.7以上,各變量的內(nèi)部一致性系數(shù)(Cronbach's α)均在0.7以上,各變量的平均方差提取量(AVE)均大于0.5,說明5個變量具有較高的信度和收斂效度。

表3 信效度分析結(jié)果

本研究使用Mplus 8.2進行驗證性因子分析,結(jié)果如表4所示。結(jié)果顯示,五因子模型的擬合效果較好(χ2/df =1.704, RMSEA=0.041, CFI=0.962, TLI=0.957, SRMR=0.037),且優(yōu)于其它模型,表明變量具有較高的區(qū)分效度。

表4 驗證性因子分析結(jié)果

3.2.3 描述性統(tǒng)計與相關性分析

表5為描述性統(tǒng)計與相關性分析結(jié)果,可以發(fā)現(xiàn),AI技術(shù)應用與工作不安全感(r=0.486, p<0.001)、工作自主性感知(r=0.199, p<0.001)均正相關,工作不安全感與創(chuàng)新行為負相關(r=-0.329, p<0.001),工作自主性感知與創(chuàng)新行為正相關(r=0.191, p<0.001)。

表5 描述性統(tǒng)計與相關性分析結(jié)果

3.2.4 假設檢驗

本研究采用Mplus 8.2構(gòu)建結(jié)構(gòu)方程模型對假設進行檢驗,結(jié)果如圖4所示。在納入控制變量的基礎上,AI技術(shù)應用對工作不安全感的路徑系數(shù)顯著為正(β=0.545, p<0.001),H1成立;AI技術(shù)應用對工作自主性感知的路徑系數(shù)顯著為正(β=0.159, p<0.001),H3成立。為進一步檢驗中介效應,利用Mplus 8.2中的Bootstrap對工作不安全感和工作自主性感知的并列中介效應進行路徑分析,結(jié)果如表6所示。結(jié)果顯示,AI技術(shù)應用通過工作不安全感和工作自主性感知影響員工創(chuàng)新行為的間接效應值分別為-0.133, 95% CI=[-0.198, -0.111]和0.101, 95% CI=[0.142, 0.091],H2、H4成立。

表6 中介效應Bootstrap分析結(jié)果(研究2)

圖4 路徑系數(shù)分析結(jié)果

AI技術(shù)應用與學習目標導向的交互項對工作不安全感具有顯著負向影響(β=-0.144, p<0.01),H5成立;AI技術(shù)應用與學習目標導向的交互項對工作自主性感知具有顯著正向影響(β=0.192, p<0.001),H7成立。為更直觀地觀察學習目標導向的調(diào)節(jié)作用,本研究繪制如圖5、圖6所示的調(diào)節(jié)效應圖。圖5顯示,與低學習目標導向相比,高學習目標導向下AI技術(shù)應用對工作不安全感的正向作用更弱;圖6顯示,與低學習目標導向相比,高學習目標導向下AI技術(shù)應用對工作自主性感知的正向作用更強。由此,H5、H7得到進一步驗證。

圖5 學習目標導向在AI技術(shù)應用與工作不安全感間的調(diào)節(jié)作用(研究 2)

圖6 學習目標導向在AI技術(shù)應用與工作自主性感知間的調(diào)節(jié)作用(研究 2)

采用Edwards&Lambert[30]提出的差異分析法檢驗被調(diào)節(jié)的中介效應,結(jié)果如表7所示。在創(chuàng)新行為的損耗路徑中,當學習目標導向較強時(M+1SD),AI技術(shù)應用→工作不安全感→創(chuàng)新行為的中介效應值為-0.071,95% CI [-0.118, -0.037],不包含0;當學習目標導向較弱時(M-1SD),AI技術(shù)應用→工作不安全感→創(chuàng)新行為的中介效應值為-0.119,95% CI [-0.160, -0.081],不包含0。兩者的中介效應差值為0.048,95% CI [0.011, 0.088],不包含0,H6成立。

表7 被調(diào)節(jié)的中介效應檢驗結(jié)果(研究2)

在創(chuàng)新行為的增益路徑中,當學習目標導向較強時(M+1SD),AI技術(shù)應用→工作自主性感知→創(chuàng)新行為的中介效應值為0.061,95% CI [-0.027, -0.109],不包含0;當學習目標導向較弱時(M-1SD),AI技術(shù)應用→工作自主性感知→創(chuàng)新行為的中介效應值為0.006,95% CI [-0.011, 0.021],包含0。兩者的中介效應差值為0.055, 95% CI [0.019, 0.110],不包含0,H8成立。

4 結(jié)論與討論

4.1 研究結(jié)論

本文基于JD-R模型,深入探討AI技術(shù)在工作場所應用對員工創(chuàng)新行為的“雙刃劍”效應,包括工作不安全感引發(fā)的損耗路徑和工作自主性感知形成的增益路徑,以及影響兩種效應的邊界條件。通過情境實驗和問卷調(diào)查兩種研究設計得出一致結(jié)論:AI技術(shù)應用可以通過增加工作不安全感負向影響員工創(chuàng)新行為,也可以通過增強工作自主性感知正向影響員工創(chuàng)新行為。此外,學習目標導向的增強會弱化AI技術(shù)應用的損耗路徑,強化AI技術(shù)應用的增益路徑。本研究不僅拓寬了AI技術(shù)應用在組織行為學的研究范疇,還為組織促進AI場景下的員工創(chuàng)新行為提供了理論指導和實踐啟示。

4.2 理論貢獻

(1)本研究考察了AI技術(shù)在工作場所的應用對員工創(chuàng)新行為的“雙刃劍”效應,為AI技術(shù)應用的組織管理提供了全面、辯證的研究視角。以往研究要么聚焦AI引入工作場所引發(fā)的增益效應,如增強員工工作旺盛感[5]、提升人力資源管理效率[34]等;要么關注AI的替代和威脅效應,如增強離職傾向[35]、產(chǎn)生工作不安全感和工作場所不良行為[7]等。新近研究從匹配視角出發(fā),考慮能否通過AI引入與員工盡責性之間的互補對工作績效產(chǎn)生積極影響[4]。整體來看,AI對個體影響的研究尚處于起步階段,且鮮有研究整合AI技術(shù)應用對個體創(chuàng)新行為的正、負面效應。本研究發(fā)現(xiàn)AI技術(shù)應用是一把“雙刃劍”,回應了羅文豪等[36]建議從整合視角探討AI不同效應的呼吁,對AI技術(shù)應用影響效應的研究作出了有益補充與拓展。

(2)本研究結(jié)合JD-R模型,從工作要求和工作資源雙重視角探討AI技術(shù)應用與員工創(chuàng)新行為之間的“黑箱”,拓展了AI技術(shù)應用的影響機制研究。以往研究主要基于自我決定理論、壓力認知評價理論和資源保存理論等,從認知或情感的單一視角探討AI引入的影響效應[4-5,7]。本研究從工作特征角度入手,認為AI技術(shù)引發(fā)的工作特征變化必然引起員工心理和行為的改變。AI技術(shù)應用既可以通過提高工作要求(工作不安全感)負向影響員工創(chuàng)新行為,也可以通過帶來工作資源(工作自主性感知)正向影響員工創(chuàng)新行為。本文證實了AI技術(shù)應用通過JD-R模型的作用機制影響員工創(chuàng)新行為的理論邏輯,為AI技術(shù)應用的影響機制研究提供了一個新的理論視角。

(3)本研究引入學習目標導向這一關鍵調(diào)節(jié)變量,從個體對工作控制的角度探尋AI技術(shù)應用對創(chuàng)新行為“雙刃劍”效應的邊界機制。不同學習目標導向的個體對工作場所引入AI技術(shù)的接受和反應程度存在顯著差異。本文研究表明,AI技術(shù)應用對近端結(jié)果變量(工作自主性感知和工作不安全感)的直接影響和遠端結(jié)果變量(創(chuàng)新行為)的間接影響會因員工學習目標導向不同而發(fā)生變化,不僅拓展了AI技術(shù)應用發(fā)揮積極作用的邊界條件,也回應了Tang等[4]從個體特質(zhì)角度豐富AI技術(shù)應用影響效應的建議?？v觀以往研究,不難發(fā)現(xiàn),學術(shù)界主要從盡責性、人機共生關系、員工職業(yè)能力[4-6]等方面考察AI技術(shù)應用的邊界條件,本研究強調(diào)AI場景下個體學習目標導向的重要性,對以往AI技術(shù)應用作用效果的調(diào)節(jié)機制研究形成了有益擴充。

4.3 管理啟示

本研究探討AI技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應及其邊界條件,有助于管理者提前采取相應的干預措施,增強AI技術(shù)應用對員工心理和行為的積極作用。首先,管理者要對員工進行正確引導,鼓勵員工理性看待AI技術(shù),將其視為一種機遇而非潛在威脅,使員工意識到AI能夠幫助其減輕工作負擔,提高工作靈活性,激發(fā)工作自主性和創(chuàng)新行為。同時,給予員工足夠的情感關懷和心理安全感,關注員工的心理波動和情緒感受,制定一系列員工幫助計劃,降低AI應用對員工工作地位和心理安全的威脅。其次,管理者要重視對員工學習目標導向的培養(yǎng)。學習目標導向強的個體能夠快速適應AI場景下的工作變化,通過提高自身學習能力應對AI技術(shù)在工作場所應用帶來的機遇和挑戰(zhàn),從而激發(fā)工作熱情和創(chuàng)新動力。因此,管理者應把學習目標導向作為招聘和選拔標準,通過個性特征測試識別學習目標導向強的員工。此外,組織管理者應定期對員工進行數(shù)字化培訓,構(gòu)建學習型組織,引導員工樹立學習目標導向,不斷提升自身專業(yè)知識水平和數(shù)字素養(yǎng)。

4.4 不足與展望

本研究存在一些不足之處。第一,研究2的問卷數(shù)據(jù)通過員工兩階段自我報告的方式獲得,這可能導致存在反向因果關系。后續(xù)研究可以考慮采用多階段、多來源的方式收集數(shù)據(jù),以更好地推斷因果關系。第二,本文基于JD-R模型探討AI技術(shù)應用對員工創(chuàng)新行為的“雙刃劍”效應,后續(xù)研究可結(jié)合壓力認知評價理論,從認知評價和應對角度為分析AI技術(shù)應用的影響過程提供整合框架,從而深化和拓展AI技術(shù)應用領域相關理論。第三,由于不同類型的工作崗位、行業(yè)應用的AI技術(shù)不同,員工與AI技術(shù)的協(xié)同方式也不盡相同,未來可深入研究某一特定行業(yè)或AI技術(shù)對個體創(chuàng)新行為的影響效應。第四,AI技術(shù)應用對員工創(chuàng)新行為的影響可能存在其它邊界條件,未來可考慮選擇團隊或組織層面的情境因素(如數(shù)字化領導力、組織關懷氛圍等)探討AI技術(shù)應用的邊界作用。