張 恒,高中華 ,李慧玲

(1.首都經(jīng)濟(jì)貿(mào)易大學(xué) 工商管理學(xué)院,北京 100070;2.中國社會科學(xué)院 工業(yè)經(jīng)濟(jì)研究所,北京 100006)

0 引言

隨著智能機(jī)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(dòng)力投入,企業(yè)愈發(fā)希望通過引進(jìn)AI技術(shù)取代人的腦力勞動(dòng),員工在享受AI技術(shù)帶來便利性的同時(shí),也面臨被AI技術(shù)潛在替代的風(fēng)險(xiǎn)[3]。這不僅改變了員工的業(yè)務(wù)流程和工作內(nèi)容,也要求人們擁有適應(yīng)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(fēng)險(xiǎn),如擔(dān)心自身擁有的技能和知識不足以應(yīng)對AI的挑戰(zhàn)和變化,這種主觀顧慮將增加時(shí)間壓力和替代威脅,導(dǎo)致員工無法在創(chuàng)新活動(dòng)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(yīng)用情境下激發(fā)員工創(chuàng)新行為,成為學(xué)術(shù)界和實(shí)踐界普遍關(guān)注的現(xiàn)實(shí)問題。

伴隨AI技術(shù)在工作場所的普及應(yīng)用,一方面,員工體驗(yàn)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(rèn)為AI引發(fā)的崗位技能要求變化通過增強(qiáng)員工勝任感從而增強(qiáng)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(fù)面結(jié)果。如王才等[6]研究分析工業(yè)機(jī)器人規(guī)模運(yùn)用對員工工作不安全感的影響;Yam等[7]研究發(fā)現(xiàn),個(gè)體感知到機(jī)器人對工作的滲透會引發(fā)工作不安全感,進(jìn)而導(dǎo)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(yīng)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(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng)。從積極影響看,AI技術(shù)在工作場所的應(yīng)用可以減少機(jī)械性、重復(fù)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(shí)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(shí),AI技術(shù)的廣泛應(yīng)用對工作效率和工作量提出了更高要求,在增加個(gè)體時(shí)間壓力的同時(shí),導(dǎo)致AI替代恐懼,這會進(jìn)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(yīng)用對員工創(chuàng)新行為的影響既有正面的也有負(fù)面的,關(guān)鍵在于如何平衡利弊,發(fā)揮AI技術(shù)優(yōu)勢,同時(shí)保持員工的創(chuàng)新意識和能力。不可否認(rèn),AI技術(shù)是企業(yè)創(chuàng)新不容忽視的推動(dòng)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(jìn)還是抑制個(gè)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(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng)。該模型將工作特征分為工作要求和工作資源,從而對個(gè)體產(chǎn)生損耗和增益兩條不同路徑[10]。工作要求是損耗個(gè)體精力、資源或時(shí)間的負(fù)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(yīng)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(yīng)用會對個(gè)體專業(yè)知識/技能、身份和地位造成威脅,引發(fā)失業(yè)風(fēng)險(xiǎn)[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(yīng)用將給個(gè)體帶來更多閑置資源[4, 8],員工能自主學(xué)習(xí)和應(yīng)用新技能,從而通過增強(qiáng)工作自主性感知進(jìn)而激發(fā)員工創(chuàng)新行為。此外,Karasek[11]特別指出,個(gè)體感知到的工作資源和工作要求會因個(gè)體對工作控制的程度而發(fā)生變化。學(xué)習(xí)目標(biāo)導(dǎo)向反映出個(gè)體樂于接受挑戰(zhàn)性任務(wù),并通過持續(xù)學(xué)習(xí)提升自己,對工作具有較高的自主控制和技能運(yùn)用水平[12]。學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體更重視個(gè)人成長和發(fā)展,努力尋求獲得新知識和技能的學(xué)習(xí)機(jī)會[13],力求與AI技術(shù)在工作場所應(yīng)用帶來的工作要求和挑戰(zhàn)相匹配。由此,本研究聚焦學(xué)習(xí)目標(biāo)導(dǎo)向,進(jìn)一步探討其對AI技術(shù)在工作場所應(yīng)用發(fā)揮“雙刃劍”效應(yīng)的調(diào)節(jié)作用。

1 理論基礎(chǔ)與研究假設(shè)

1.1 工作要求—資源模型

本研究的理論基礎(chǔ)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(gè)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(shí)間壓力等;工作資源是指在工作中降低心理、生理成本,促進(jìn)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(qiáng)調(diào),工作對個(gè)體存在工作資源增益和工作要求損耗的雙路徑假設(shè)。增益路徑是指工作資源通過增加工作投入給個(gè)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(gè)體造成負(fù)面影響[10]。

AI技術(shù)在工作場所的應(yīng)用是指員工在追求工作目標(biāo)的過程中使用AI技術(shù)(一種具有自主學(xué)習(xí)、推理、解決問題和決策能力的新興技術(shù),如語音識別、機(jī)器學(xué)習(xí)、智能機(jī)器人等)并耗費(fèi)時(shí)間的程度[4]。本研究認(rèn)為AI技術(shù)應(yīng)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(wù),減少員工執(zhí)行重復(fù)、規(guī)范、結(jié)構(gòu)化工作任務(wù)的工作量[9]。從主觀認(rèn)識看,AI技術(shù)應(yīng)用要求員工具備解決復(fù)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(rèn)識[5]。鑒于此,本研究認(rèn)為AI技術(shù)應(yīng)用導(dǎo)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(dǎo)致員工面臨失業(yè)風(fēng)險(xiǎn),這無疑會增加員工的工作不安全感,使個(gè)體認(rèn)為消耗更多資源從事角色外行為(如具有一定風(fēng)險(xiǎn)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(fù)雜問題、執(zhí)行任務(wù)和達(dá)成目標(biāo),減輕員工工作負(fù)擔(dān),帶來更多閑置資源[4],增強(qiáng)工作自主性感知,讓員工有更多時(shí)間和精力參與創(chuàng)新活動(dòng),進(jìn)而激發(fā)其創(chuàng)新行為。

個(gè)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(rèn)知[11]。學(xué)習(xí)目標(biāo)導(dǎo)向是指個(gè)體傾向于學(xué)習(xí)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(guān)注學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)用對員工創(chuàng)新行為“雙刃劍”效應(yīng)中的邊界條件,原因如下:首先,學(xué)習(xí)目標(biāo)導(dǎo)向決定個(gè)體如何在具有挑戰(zhàn)性的AI情境中處理和看待信息。學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體對工作的掌控程度較高,認(rèn)為AI技術(shù)應(yīng)用賦予員工提升自我的挑戰(zhàn)機(jī)會,當(dāng)個(gè)體感知到外部動(dòng)機(jī)與自我偏好一致并有助于目標(biāo)實(shí)現(xiàn)時(shí),會自發(fā)將外部動(dòng)機(jī)轉(zhuǎn)化為內(nèi)部動(dòng)機(jī)[13],從而將AI技術(shù)應(yīng)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(jìn)行自我評估時(shí),學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體特別關(guān)注當(dāng)前工作狀態(tài)是否有明顯成長和進(jìn)步[16]。因此,在AI技術(shù)應(yīng)用場景下,當(dāng)學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的員工發(fā)現(xiàn)自己擁有的技能與現(xiàn)實(shí)工作崗位存在差距時(shí),會通過自主學(xué)習(xí)彌補(bǔ)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(yīng)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(gè)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(fù)向因素,工作不安全感則屬于典型的工作要求。本研究認(rèn)為AI技術(shù)應(yīng)用會引發(fā)員工的工作不安全感。一方面,個(gè)體所處工作環(huán)境的劇烈變化和技術(shù)進(jìn)步會顯著影響個(gè)人生存發(fā)展?fàn)顩r,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(dú)立思考并自主執(zhí)行工作任務(wù)[4],可能通過超越某些任務(wù)或責(zé)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(wù)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(yīng)與失業(yè)風(fēng)險(xiǎn),進(jìn)而增加員工的工作不安全感。由此,本文提出如下假設(shè):

H1: AI技術(shù)應(yīng)用與工作不安全感正相關(guān)。

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(gè)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(gè)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(fēng)險(xiǎn)和不確定性,需要企業(yè)給予員工更多安全感,以激勵(lì)員工大膽創(chuàng)新[20-21]。當(dāng)員工感知到自身工作安全感受到威脅但又無法有效應(yīng)對時(shí),會激發(fā)個(gè)體自我保護(hù)機(jī)制,不斷規(guī)避工作威脅和風(fēng)險(xiǎn),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(jìn)步引發(fā)的工作不安全感,會讓員工擔(dān)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(fēng)險(xiǎn)的創(chuàng)新行為,以避免犯錯(cuò),進(jìn)而抑制員工創(chuàng)新行為[18]。由此,本文提出如下假設(shè):

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

1.3 AI技術(shù)應(yīng)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(guān)資源獲取、工作流程與工作時(shí)間安排等方面進(jìn)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?jiǎng)t屬于典型的工作資源[10]。本研究認(rèn)為,AI技術(shù)應(yīng)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(dān)重復(fù)性、復(fù)雜性且認(rèn)知要求較高的工作任務(wù)[24],并為員工提供及時(shí)、有用的信息,從而減輕員工工作負(fù)擔(dān)。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(jìn)而增強(qiáng)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(dǎo)或幫助[25]。員工可以根據(jù)實(shí)際需要自由安排工作時(shí)間,從而自主學(xué)習(xí)和應(yīng)用新技能[26],以優(yōu)化工作程序,進(jìn)而增強(qiáng)工作自主性感知。由此,本文提出如下假設(shè):

H3: AI技術(shù)應(yīng)用與工作自主性感知正相關(guān)。

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(gè)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(shí)間并獲取相關(guān)資源,從而能夠自主學(xué)習(xí)和探索新知識、新技能[23],將注意力、資源投入到新點(diǎn)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(lǐng)導(dǎo)傳播新想法并尋求資源使其新想法得以執(zhí)行[21]。在AI應(yīng)用場景下,員工需要承擔(dān)創(chuàng)造性、社交性和人際性等相關(guān)工作[5]。此時(shí),工作自主性感知較強(qiáng)的員工能夠充分利用AI帶來的閑置資源,積極主動(dòng)與同事、領(lǐng)導(dǎo)溝通,運(yùn)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(shè):

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

1.4 學(xué)習(xí)目標(biāo)導(dǎo)向的調(diào)節(jié)作用

個(gè)體感知到的工作資源和工作要求強(qiáng)弱因個(gè)體對工作控制程度的高低而有所不同[11]。學(xué)習(xí)目標(biāo)導(dǎo)向是指個(gè)體學(xué)習(xí)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(yùn)用[13]。本研究認(rèn)為學(xué)習(xí)目標(biāo)導(dǎo)向會弱化AI技術(shù)應(yīng)用對工作不安全感的損耗路徑。首先,學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體注重學(xué)習(xí)和進(jìn)步,樂于接受挑戰(zhàn)性任務(wù),會努力學(xué)習(xí)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(yàn)[5],進(jìn)而降低工作不安全感。其次,當(dāng)員工擁有較強(qiáng)的學(xué)習(xí)目標(biāo)導(dǎo)向時(shí),在與AI的“賽馬”中形成更大優(yōu)勢,使員工能夠解決工作領(lǐng)域問題,從而減輕其對被AI取代的擔(dān)憂,降低工作不安全感。反之,學(xué)習(xí)目標(biāo)導(dǎo)向弱的個(gè)體不注重學(xué)習(xí)和發(fā)展新知識、新技能,認(rèn)為完成基本工作任務(wù)、規(guī)避差錯(cuò)和風(fēng)險(xiǎn)是最重要的,其需求與AI技術(shù)應(yīng)用帶來的學(xué)習(xí)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(qiáng)的工作不安全感。由此,本文提出如下假設(shè):

H5: 學(xué)習(xí)目標(biāo)導(dǎo)向負(fù)向調(diào)節(jié)AI技術(shù)應(yīng)用與工作不安全感間的關(guān)系。

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

H6: 學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)用通過工作不安全感抑制員工創(chuàng)新行為的間接效應(yīng)中起調(diào)節(jié)作用。

本研究認(rèn)為學(xué)習(xí)目標(biāo)導(dǎo)向能夠強(qiáng)化AI技術(shù)應(yīng)用對工作自主性感知的增益路徑。學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體具有較強(qiáng)的自主學(xué)習(xí)意愿,能夠充分利用AI在承擔(dān)重復(fù)性、合規(guī)性和系統(tǒng)處理等日常性工作時(shí)帶來的閑置資源[13],并自主安排工作計(jì)劃和工作時(shí)間,主動(dòng)學(xué)習(xí)和應(yīng)用新知識、新技術(shù),從而認(rèn)識到AI技術(shù)應(yīng)用能給自己帶來更大的自由裁量權(quán),進(jìn)而感知到更強(qiáng)的工作自主性。相反,學(xué)習(xí)目標(biāo)導(dǎo)向弱的個(gè)體學(xué)習(xí)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(yīng)用這一工作中的挑戰(zhàn)性事件,進(jìn)而降低工作自主性感知。由此,本文提出如下假設(shè):

H7:學(xué)習(xí)目標(biāo)導(dǎo)向正向調(diào)節(jié)AI技術(shù)應(yīng)用與工作自主性感知間的關(guān)系。

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

H8:學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)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(yīng)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(shí)驗(yàn)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(shí)驗(yàn),剔除不合格樣本后,得到有效樣本278份,每位被試完成實(shí)驗(yàn)后可獲得2元報(bào)酬作為獎(jiǎng)勵(lì)。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(shí)驗(yàn)設(shè)計(jì)與流程

研究1采用(AI技術(shù)應(yīng)用:高 vs. 低) ×(學(xué)習(xí)目標(biāo)導(dǎo)向:高 vs. 低)的雙因素組間設(shè)計(jì)。本研究采用情境模擬實(shí)驗(yàn),將被試隨機(jī)分配到4個(gè)實(shí)驗(yàn)情境中。實(shí)驗(yàn)開始后, 被試首先填寫人口統(tǒng)計(jì)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(jì)算機(jī)、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(yīng)用的定義;隨后,要求被試盡可能代入材料中關(guān)于自身角色的設(shè)定(假設(shè)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(yàn)、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(shí)驗(yàn),剔除不合格樣本后,獲得有效問卷278份。

其中,AI技術(shù)應(yīng)用操縱根據(jù)Tang等[4]對AI技術(shù)應(yīng)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(shè)備,工作中的各個(gè)方面,如推理、決策和解決問題等,主要由這些智能設(shè)備自主(主要由你)完成,你在具體實(shí)施一些工作任務(wù)時(shí)經(jīng)常要使用(通常不使用)AI技術(shù)和設(shè)備,并花費(fèi)(也不用花費(fèi))大量時(shí)間與AI技術(shù)一起完成工作”。 學(xué)習(xí)目標(biāo)導(dǎo)向操縱根據(jù)Vandewalle &Cummings[12]開發(fā)的實(shí)驗(yàn)材料改編而成(括號內(nèi)為控制組):“大學(xué)畢業(yè)后,你被ABC公司聘用。在最初的6個(gè)月,公司部門有多個(gè)項(xiàng)目同時(shí)進(jìn)行,你主動(dòng)選擇了一個(gè)困難和挑戰(zhàn)性較高(較低)的項(xiàng)目,每天堅(jiān)持學(xué)習(xí)(不需要學(xué)習(xí))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(gè)人時(shí)間學(xué)習(xí)和創(chuàng)造,渴望(不渴望)通過努力學(xué)習(xí)在任務(wù)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(diǎn)量表進(jìn)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(xiàng)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(xiàng)量表,如“在工作時(shí)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(xiàng)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(yīng)用采用Tang等[4]的三題項(xiàng)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(xué)習(xí)目標(biāo)導(dǎo)向采用Vandewalle等[13]的四題項(xiàng)量表,如“如果我能從中學(xué)到很多東西,我愿意從事一些困難的工作任務(wù)”等,Cronbach's α=0.953。

2.2 研究結(jié)果

2.2.1 操縱檢驗(yàn)

本研究通過獨(dú)立樣本t檢驗(yàn)進(jìn)行操縱檢驗(yàn),結(jié)果顯示,AI技術(shù)應(yīng)用實(shí)驗(yàn)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(xué)習(xí)目標(biāo)導(dǎo)向?qū)嶒?yàn)組(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(gè)變量的操縱有效。

2.2.2 假設(shè)檢驗(yàn)

以AI技術(shù)應(yīng)用為自變量,以學(xué)習(xí)目標(biāo)導(dǎo)向?yàn)檎{(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(jìn)行方差分析。結(jié)果顯示,AI技術(shù)應(yīng)用對工作不安全感的主效應(yīng)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(yīng)用組,高AI技術(shù)應(yīng)用組被試體驗(yàn)到的工作不安全感較強(qiáng),H1成立。同時(shí),AI技術(shù)應(yīng)用對工作自主性感知的主效應(yīng)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(yīng)用組,高AI技術(shù)應(yīng)用組被試體驗(yàn)到的工作自主性感知較強(qiáng),H3成立。

方差分析結(jié)果表明,AI技術(shù)應(yīng)用與學(xué)習(xí)目標(biāo)導(dǎo)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(xué)習(xí)目標(biāo)導(dǎo)向下,高AI技術(shù)應(yīng)用組被試體驗(yàn)到的工作不安全感(M=2.181, SD=0.909)顯著高于低AI技術(shù)應(yīng)用組(M=1.865, SD=0.658), F (1 133)=5.458, p <0.05, partial η2=0.039。在低學(xué)習(xí)目標(biāo)導(dǎo)向下,高AI技術(shù)應(yīng)用組被試體驗(yàn)到的工作不安全感(M=4.188, SD=0.567)顯著高于低AI技術(shù)應(yīng)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(xué)習(xí)目標(biāo)導(dǎo)向還是低學(xué)習(xí)目標(biāo)導(dǎo)向下,高、低AI技術(shù)應(yīng)用組被試的工作不安全感均存在顯著差異,且在低水平學(xué)習(xí)目標(biāo)導(dǎo)向下,兩者間差異更為顯著。如圖2所示,在低學(xué)習(xí)目標(biāo)導(dǎo)向下,AI技術(shù)應(yīng)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(xué)習(xí)目標(biāo)導(dǎo)向組(△工作不安全感= 0.316),H5成立。

圖2 學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)用與工作不安全感間的調(diào)節(jié)作用

AI技術(shù)應(yīng)用與學(xué)習(xí)目標(biāo)導(dǎo)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(xué)習(xí)目標(biāo)導(dǎo)向下,高AI技術(shù)應(yīng)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(yīng)用組(M=2.565, SD=0.665), F (1 133)=82.279, p <0.001, partial η2=0.382。在低學(xué)習(xí)目標(biāo)導(dǎo)向下, 高AI技術(shù)應(yīng)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(yīng)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(xué)習(xí)目標(biāo)導(dǎo)向還是低學(xué)習(xí)目標(biāo)導(dǎo)向下,高、低AI技術(shù)應(yīng)用組被試的工作自主性感知均存在顯著差異,且在高學(xué)習(xí)目標(biāo)導(dǎo)向下,兩者間差異更為顯著。如圖3所示,在高學(xué)習(xí)目標(biāo)導(dǎo)向下,AI技術(shù)應(yīng)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(xué)習(xí)目標(biāo)導(dǎo)向組(△工作自主性感知= 0.548),H7成立。

圖3 學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)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(yàn),考察工作不安全感和工作自主性感知在AI技術(shù)應(yīng)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(yīng)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(yīng)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(yīng)Bootstrap檢驗(yàn)結(jié)果

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

研究1的結(jié)果為AI技術(shù)應(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng)提供了初步證據(jù),并檢驗(yàn)了學(xué)習(xí)目標(biāo)導(dǎo)向的關(guān)鍵調(diào)節(jié)機(jī)制。盡管情景實(shí)驗(yàn)法能夠通過控制自變量觀察因變量的變化,在證明因果關(guān)系方面更具說服力,但也存在弊端:一方面,情景實(shí)驗(yàn)法能有效反映因果關(guān)系,而且可以排除實(shí)驗(yàn)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(shí)驗(yàn)結(jié)果很難推廣到其他被試或場合,即使采用隨機(jī)化實(shí)驗(yàn)分派,也會導(dǎo)致外部效度降低。另一方面,實(shí)驗(yàn)研究法采用的是模擬實(shí)驗(yàn)情景,而模擬環(huán)境很難與外部復(fù)雜的條件相適應(yīng),即模擬情境與企業(yè)實(shí)際環(huán)境存在較大差異,很難貼合工作實(shí)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(guān)系,導(dǎo)致內(nèi)部效度較低。綜上,情景實(shí)驗(yàn)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(shí)提高外部效度,本研究參考李銳等[31]的做法,在研究2中設(shè)計(jì)問卷調(diào)查,對整體模型進(jìn)行再次檢驗(yàn),與情景實(shí)驗(yàn)相互補(bǔ)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(yīng)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(gè)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(jìn)行訪談,訪談內(nèi)容主要包括企業(yè)應(yīng)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(qiáng)調(diào)問卷數(shù)據(jù)僅供學(xué)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(yīng)用情景,遵循Tang等[4]的做法,在問卷指導(dǎo)語中展示了AI技術(shù)應(yīng)用的定義。為方便后續(xù)進(jìn)行兩輪問卷的匹配工作,要求被試填寫個(gè)人工號或手機(jī)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(jī)獲得價(jià)值1～3元的小禮品,問卷由主要負(fù)責(zé)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(yīng)用、學(xué)習(xí)目標(biāo)導(dǎo)向和人口統(tǒng)計(jì)變量,半個(gè)月后進(jìn)行第二輪調(diào)查,同一批被試被邀請?jiān)u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(jī)號后4位進(jìn)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(xué)歷占比53.59%,平均工作年限為4.58年,員工接觸AI的平均時(shí)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(diǎn)量表進(jìn)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(yīng)用采用Tang等[4]的三題項(xiàng)量表,Cronbach's α=0.885;學(xué)習(xí)目標(biāo)導(dǎo)向采用Vandewalle等[12]的四題項(xiàng)量表,Cronbach's α=0.892;工作不安全感采用Yam等[7]的三題項(xiàng)量表,Cronbach's α=0.859;工作自主性感知采用Kirmeyer等[28]的六題項(xiàng)量表,Cronbach's α=0.836;創(chuàng)新行為借鑒Ng&Lucianetti[29]的八題項(xiàng)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(xué)歷。此外,由于員工接觸AI的時(shí)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(rèn)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(yàn)

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(yàn)方法對所有題項(xiàng)進(jìn)行計(jì)算和檢驗(yàn),結(jié)果顯示,旋轉(zhuǎn)前得到的第一個(gè)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(yán)重的共同方法偏差問題。

3.2.2 信效度檢驗(yàn)

如表3所示,各題項(xiàng)的標(biāo)準(zhǔn)化因子載荷均在0.6以上,AI技術(shù)應(yīng)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(gè)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(jìn)行驗(yàn)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(yàn)證性因子分析結(jié)果

3.2.3 描述性統(tǒng)計(jì)與相關(guān)性分析

表5為描述性統(tǒng)計(jì)與相關(guān)性分析結(jié)果,可以發(fā)現(xiàn),AI技術(shù)應(yīng)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(guān),工作不安全感與創(chuàng)新行為負(fù)相關(guān)(r=-0.329, p<0.001),工作自主性感知與創(chuàng)新行為正相關(guān)(r=0.191, p<0.001)。

表5 描述性統(tǒng)計(jì)與相關(guān)性分析結(jié)果

3.2.4 假設(shè)檢驗(yàn)

本研究采用Mplus 8.2構(gòu)建結(jié)構(gòu)方程模型對假設(shè)進(jìn)行檢驗(yàn),結(jié)果如圖4所示。在納入控制變量的基礎(chǔ)上,AI技術(shù)應(yīng)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(yīng)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(jìn)一步檢驗(yàn)中介效應(yīng),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(yīng)進(jìn)行路徑分析,結(jié)果如表6所示。結(jié)果顯示,AI技術(shù)應(yīng)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(yīng)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(yīng)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(yīng)用與學(xué)習(xí)目標(biāo)導(dǎo)向的交互項(xiàng)對工作不安全感具有顯著負(fù)向影響(β=-0.144, p<0.01),H5成立;AI技術(shù)應(yīng)用與學(xué)習(xí)目標(biāo)導(dǎo)向的交互項(xiàng)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(xué)習(xí)目標(biāo)導(dǎo)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(yīng)圖。圖5顯示,與低學(xué)習(xí)目標(biāo)導(dǎo)向相比,高學(xué)習(xí)目標(biāo)導(dǎo)向下AI技術(shù)應(yīng)用對工作不安全感的正向作用更弱;圖6顯示,與低學(xué)習(xí)目標(biāo)導(dǎo)向相比,高學(xué)習(xí)目標(biāo)導(dǎo)向下AI技術(shù)應(yīng)用對工作自主性感知的正向作用更強(qiáng)。由此,H5、H7得到進(jìn)一步驗(yàn)證。

圖5 學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)用與工作不安全感間的調(diào)節(jié)作用(研究 2)

圖6 學(xué)習(xí)目標(biāo)導(dǎo)向在AI技術(shù)應(yīng)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(yàn)被調(diào)節(jié)的中介效應(yīng),結(jié)果如表7所示。在創(chuàng)新行為的損耗路徑中,當(dāng)學(xué)習(xí)目標(biāo)導(dǎo)向較強(qiáng)時(shí)(M+1SD),AI技術(shù)應(yīng)用→工作不安全感→創(chuàng)新行為的中介效應(yīng)值為-0.071,95% CI [-0.118, -0.037],不包含0;當(dāng)學(xué)習(xí)目標(biāo)導(dǎo)向較弱時(shí)(M-1SD),AI技術(shù)應(yīng)用→工作不安全感→創(chuàng)新行為的中介效應(yīng)值為-0.119,95% CI [-0.160, -0.081],不包含0。兩者的中介效應(yīng)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(yīng)檢驗(yàn)結(jié)果(研究2)

在創(chuàng)新行為的增益路徑中,當(dāng)學(xué)習(xí)目標(biāo)導(dǎo)向較強(qiáng)時(shí)(M+1SD),AI技術(shù)應(yīng)用→工作自主性感知→創(chuàng)新行為的中介效應(yīng)值為0.061,95% CI [-0.027, -0.109],不包含0;當(dāng)學(xué)習(xí)目標(biāo)導(dǎo)向較弱時(shí)(M-1SD),AI技術(shù)應(yīng)用→工作自主性感知→創(chuàng)新行為的中介效應(yīng)值為0.006,95% CI [-0.011, 0.021],包含0。兩者的中介效應(yīng)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(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng),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(yīng)的邊界條件。通過情境實(shí)驗(yàn)和問卷調(diào)查兩種研究設(shè)計(jì)得出一致結(jié)論:AI技術(shù)應(yīng)用可以通過增加工作不安全感負(fù)向影響員工創(chuàng)新行為,也可以通過增強(qiáng)工作自主性感知正向影響員工創(chuàng)新行為。此外,學(xué)習(xí)目標(biāo)導(dǎo)向的增強(qiáng)會弱化AI技術(shù)應(yīng)用的損耗路徑,強(qiáng)化AI技術(shù)應(yīng)用的增益路徑。本研究不僅拓寬了AI技術(shù)應(yīng)用在組織行為學(xué)的研究范疇,還為組織促進(jìn)AI場景下的員工創(chuàng)新行為提供了理論指導(dǎo)和實(shí)踐啟示。

4.2 理論貢獻(xiàn)

(1)本研究考察了AI技術(shù)在工作場所的應(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng),為AI技術(shù)應(yīng)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(yīng),如增強(qiáng)員工工作旺盛感[5]、提升人力資源管理效率[34]等;要么關(guān)注AI的替代和威脅效應(yīng),如增強(qiáng)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(zé)性之間的互補(bǔ)對工作績效產(chǎn)生積極影響[4]。整體來看,AI對個(gè)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(yīng)用對個(gè)體創(chuàng)新行為的正、負(fù)面效應(yīng)。本研究發(fā)現(xiàn)AI技術(shù)應(yīng)用是一把“雙刃劍”,回應(yīng)了羅文豪等[36]建議從整合視角探討AI不同效應(yīng)的呼吁,對AI技術(shù)應(yīng)用影響效應(yīng)的研究作出了有益補(bǔ)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(yīng)用與員工創(chuàng)新行為之間的“黑箱”,拓展了AI技術(shù)應(yīng)用的影響機(jī)制研究。以往研究主要基于自我決定理論、壓力認(rèn)知評價(jià)理論和資源保存理論等,從認(rèn)知或情感的單一視角探討AI引入的影響效應(yīng)[4-5,7]。本研究從工作特征角度入手,認(rèn)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(yīng)用既可以通過提高工作要求(工作不安全感)負(fù)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(shí)了AI技術(shù)應(yīng)用通過JD-R模型的作用機(jī)制影響員工創(chuàng)新行為的理論邏輯,為AI技術(shù)應(yīng)用的影響機(jī)制研究提供了一個(gè)新的理論視角。

(3)本研究引入學(xué)習(xí)目標(biāo)導(dǎo)向這一關(guān)鍵調(diào)節(jié)變量,從個(gè)體對工作控制的角度探尋AI技術(shù)應(yīng)用對創(chuàng)新行為“雙刃劍”效應(yīng)的邊界機(jī)制。不同學(xué)習(xí)目標(biāo)導(dǎo)向的個(gè)體對工作場所引入AI技術(shù)的接受和反應(yīng)程度存在顯著差異。本文研究表明,AI技術(shù)應(yīng)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(yuǎn)端結(jié)果變量(創(chuàng)新行為)的間接影響會因員工學(xué)習(xí)目標(biāo)導(dǎo)向不同而發(fā)生變化,不僅拓展了AI技術(shù)應(yīng)用發(fā)揮積極作用的邊界條件,也回應(yīng)了Tang等[4]從個(gè)體特質(zhì)角度豐富AI技術(shù)應(yīng)用影響效應(yīng)的建議?？v觀以往研究,不難發(fā)現(xiàn),學(xué)術(shù)界主要從盡責(zé)性、人機(jī)共生關(guān)系、員工職業(yè)能力[4-6]等方面考察AI技術(shù)應(yīng)用的邊界條件,本研究強(qiáng)調(diào)AI場景下個(gè)體學(xué)習(xí)目標(biāo)導(dǎo)向的重要性,對以往AI技術(shù)應(yīng)用作用效果的調(diào)節(jié)機(jī)制研究形成了有益擴(kuò)充。

4.3 管理啟示

本研究探討AI技術(shù)應(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng)及其邊界條件,有助于管理者提前采取相應(yīng)的干預(yù)措施,增強(qiáng)AI技術(shù)應(yīng)用對員工心理和行為的積極作用。首先,管理者要對員工進(jìn)行正確引導(dǎo),鼓勵(lì)員工理性看待AI技術(shù),將其視為一種機(jī)遇而非潛在威脅,使員工意識到AI能夠幫助其減輕工作負(fù)擔(dān),提高工作靈活性,激發(fā)工作自主性和創(chuàng)新行為。同時(shí),給予員工足夠的情感關(guān)懷和心理安全感,關(guān)注員工的心理波動(dòng)和情緒感受,制定一系列員工幫助計(jì)劃,降低AI應(yīng)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(xué)習(xí)目標(biāo)導(dǎo)向的培養(yǎng)。學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的個(gè)體能夠快速適應(yīng)AI場景下的工作變化,通過提高自身學(xué)習(xí)能力應(yīng)對AI技術(shù)在工作場所應(yīng)用帶來的機(jī)遇和挑戰(zhàn),從而激發(fā)工作熱情和創(chuàng)新動(dòng)力。因此,管理者應(yīng)把學(xué)習(xí)目標(biāo)導(dǎo)向作為招聘和選拔標(biāo)準(zhǔn),通過個(gè)性特征測試識別學(xué)習(xí)目標(biāo)導(dǎo)向強(qiáng)的員工。此外,組織管理者應(yīng)定期對員工進(jìn)行數(shù)字化培訓(xùn),構(gòu)建學(xué)習(xí)型組織,引導(dǎo)員工樹立學(xué)習(xí)目標(biāo)導(dǎo)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(bào)告的方式獲得,這可能導(dǎo)致存在反向因果關(guān)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(guān)系。第二,本文基于JD-R模型探討AI技術(shù)應(yīng)用對員工創(chuàng)新行為的“雙刃劍”效應(yīng),后續(xù)研究可結(jié)合壓力認(rèn)知評價(jià)理論,從認(rèn)知評價(jià)和應(yīng)對角度為分析AI技術(shù)應(yīng)用的影響過程提供整合框架,從而深化和拓展AI技術(shù)應(yīng)用領(lǐng)域相關(guān)理論。第三,由于不同類型的工作崗位、行業(yè)應(yīng)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(gè)體創(chuàng)新行為的影響效應(yīng)。第四,AI技術(shù)應(yīng)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(tuán)隊(duì)或組織層面的情境因素(如數(shù)字化領(lǐng)導(dǎo)力、組織關(guān)懷氛圍等)探討AI技術(shù)應(yīng)用的邊界作用。