Drawing on social cognitive theory, this study reveals the mediating mechanisms of leaders' AI symbolization on AI-driven employee innovation behavior through two aspects: technical cognitive trust (AI trust) and self-cognitive efficacy (AI innovation self-efficacy). Leaders' AI symbolization reflects their recognition, support, and trust in AI. This influences employees to trust AI more, increasing their willingness to accept AI and boosting AI-driven innovation. Additionally, employees' experience with leaders' AI symbolization helps them recognize their own innovative abilities. They gain confidence in solving complex problems and completing tasks innovatively with AI assistance. This enhances their AI innovation self-efficacy and provides psychological support for AI-driven innovation. Furthermore, individuals' cognitive processes towards leadership behavior are not only influenced by leaders' traits and behaviors themselves but also depend on how individuals understand and interpret these traits and behaviors. The inherent complexity of AI has left many leaders with insufficient expertise to fully grasp its implications, often resulting in a tendency to offer only surface-level support without the critical resources, training programs, or strategic direction needed to effectively implement AI solutions and address genuine organizational requirements. This can easily trigger employees' attribution analysis of leaders' AI symbolization motives. Therefore, this study explores the boundary conditions of leaders' AI symbolization influencing AI-driven employee innovation behavior through the dual-mediating cognitive mechanism from the perspective of employees' attribution of leaders' AI symbolization motives.
The analysis of matched data from 488 employees in two stages indicates that leaders' AI symbolization positively affects AI-driven employee innovation behavior through AI trust and AI innovation self-efficacy. Moreover, when employees attribute leaders' AI symbolization motives to performance improvement, the positive impact of leaders' AI symbolization on employees' AI trust is enhanced, thereby boosting AI-driven employee innovation behavior. Conversely, if attributed to impression management, the positive effects of leaders' AI symbolization on employees' AI trust and AI innovation self-efficacy are weakened, thereby reducing AI-driven employee innovation behavior. However, when employees attribute leaders' AI symbolization motives to performance improvement, the moderating effect of leaders' AI symbolization on AI innovation self-efficacy is not significant, and the moderated mediation hypothesis is also not significant.
The theoretical contributions of this study are as follows: First, it enriches the research on leadership factors in the antecedent mechanism of AI-driven employee innovation behavior and expands the influence of leaders' AI symbolization, providing a new perspective for understanding how leaders can effectively stimulate employees' innovative potential through AI symbolization. Second, this study innovatively analyzes how leaders' AI symbolization influences AI-driven employee innovation behavior and its effects through the dual-mediating paths of technical cognitive trust (i.e., AI trust) and self-cognitive efficacy (i.e., AI innovation self-efficacy), offering insights from a social cognitive perspective. Third, drawing on attribution theory, this study explores the boundary conditions of leaders' AI symbolization influencing AI-driven employee innovation behavior from the perspective of employees' attribution of leaders' motives, making an important supplement to the research on leaders' AI symbolization.
开放科学(资源服务)标识码(OSID)：
在全球数字化浪潮席卷下,人工智能(Artificial Intelligence, 简称AI)技术凭借其卓越的数据处理与智能决策能力,正加速重构产业格局并成为组织创新转型的核心引擎。然而,引入AI并非简单的工具替换,而是深度解构传统工作范式,一系列全新的管理挑战也随之出现,特别是如何运用AI高效赋能员工,以激发其创新潜能与创新行为[1-3]。越来越多的领导者开始在工作实践中展现出对AI价值的深刻认知与高度重视,与团队成员探讨AI的前沿议题,分享与AI相关的书籍、新闻资讯等[4],以促进团队成员理解、接纳和应用AI,鼓励探索AI应用边界,共同推动组织创新。在此背景下,作为AI工作场景中涌现的新型领导范式——领导AI符号化(leaders′ AI symbolization),指领导者通过采取与AI紧密相关的行动或展示体现其对AI偏好的物品,明确传达对AI的支持、接纳与推广态度[4-5],正成为组织行为和人力资源管理领域的重要研究议题。
回顾现有文献,学者对如何激发AI驱动员工创新行为的研究主要聚焦两个视角:一是基于压力认知评估、工作要求—资源模型等理论框架,从个体对AI感知角度,如AI焦虑[6]、AI意识[7-8]或AI使用[1,9-11],探讨AI驱动员工创新行为的影响效应。二是从AI与员工的协作机制出发,关注AI如何与员工协同工作以驱动个体创新行为。Jia等[1]研究发现通过合理的任务分配和协作机制,AI可以协助员工处理重复性、结构化任务,使员工有更多的时间和精力专注于创造性工作。韩明燕等[12]指出员工—AI合作能增加个体的信息搜寻和创意探索支持,进而激励个体创新产出。尽管现有研究为理解AI驱动员工创新行为提供了理论基础,但忽视了领导者角色在其中发挥的作用。在AI工作情境中,领导者不仅要履行传统的战略决策与运营管理职责,还应主动担当AI技术应用的引领者与践行者,通过符号化表达(如研读AI专业文献、展示AI相关物品等象征性行为)或实质性参与(如主导AI项目讨论、示范应用AI产品等具体实践),展现其对AI的支持态度与价值信念[5]。虽然目前未有研究直接探讨领导AI符号化与AI驱动员工创新行为之间的内在联系,但已有若干理论洞见与实践迹象暗示了两者间潜在的影响关系。根据现有文献,领导AI符号化可通过展示对AI的积极态度、提供更多的工作资源支持,引导员工关注AI的建设性作用[5,11],进而促进个体创新产出。由于缺乏系统研究与实证支撑,当前学术界对二者之间的关系认识尚显模糊,难以为企业有效发挥领导效能激发AI驱动员工创新行为提供理论依据和实践指导。鉴于此,本文将系统考察领导AI符号化对AI驱动员工创新行为的作用机制及其适用边界,以期为相关领域的研究和实践提供有益参考。
基于社会认知理论,可从技术认知(AI信任)和自我认知(AI创新自我效能感)两方面揭示领导AI符号化对AI驱动员工创新行为的中介机制。社会认知理论强调,外部环境、认知因素与个体行为之间存在动态交互作用,即个体通过捕捉并解读外部信息调适其内在心理认知,并据此采取相应的行为反应[13]。在组织背景下,领导者的行为模式成为员工理解外部环境的重要信息源,个体通过观察领导者的行为举止,实现经验的学习与积累[14]。一方面,领导AI符号化能够传递领导者对AI的认可、支持和信任,潜移默化增强员工对AI的信任感[15],促使个体更愿意尝试和接纳AI,从而增强AI驱动员工创新行为;另一方面,通过领导AI符号化获得的经验积累,员工逐渐形成了对自身创新能力的清晰认知,相信自己能在AI辅助下创新完成任务[15],从而提升AI创新自我效能感,为AI驱动员工创新提供心理支撑。
值得注意的是,个体对领导者行为的认知过程不仅受领导者特质与行为本身的影响[16],还依赖于个体如何解读这些特质与行为[17-19]。归因理论认为,个体会积极探求并解读他人行为背后的原因及动机,进而塑造其后续的认知与行为反应[20-21]。在工作环境中,领导与员工间互动频繁,员工常主动为领导行为寻找因果解释,进而影响其态度与行为[22]。鉴于AI的复杂性,不少领导者对其认知有限[23],虽表面上支持并接纳AI,却未能提供必要的资源、培训或指导以满足实际需求,容易引发员工对领导AI符号化动机的归因分析。然而,过往研究多聚焦领导者中心视角(leader-centric),视员工为领导者影响力的被动接受者,较少关注个体如何解读领导者行为。本文参考毛江华等[18]的研究,依据领导者对员工行为动机的归因分类[24],把员工归因的领导AI符号化动机(inferred motives for leaders′ AI symbolization)划分为“印象管理动机”和“绩效改进动机”。当员工从不同动机归因领导AI符号化时,会对个体认知产生不同影响[24-25]。从印象管理动机归因看,员工若认为领导支持AI仅为跟风树形象,可能会降低AI信任和AI创新自我效能感,进而减少AI驱动创新行为;从绩效改进动机归因看,员工认为领导支持AI旨在提高绩效,则会增加AI信任和AI创新自我效能感,进而促进AI驱动创新行为。
综上,本文以社会认知理论和归因理论为基础,构建以AI信任和AI创新自我效能感为中介变量、员工归因的领导AI符号化动机为调节变量的研究模型,深入探索领导AI符号化对AI驱动员工创新行为的内在机制及其边界条件,对于发挥AI情境下的领导效能以及激发AI驱动员工创新行为具有重要的理论与实践意义。
AI信任(AI Trust)是一种技术认知资源,指员工对AI在组织运作中所表现出的技术可靠性、功能持续性和任务效能性的信任程度[26-27]。社会认知理论认为,个体构建认知不仅依赖直接经验,还通过观察他人的行为、态度及其结果以调整自己的认知与行为[13-14]。领导AI符号化通过行动和言语展现对AI的喜爱和支持,这为员工解读领导者和工作情境提供了价值信息,深刻影响员工对AI的认知[5]。一方面,领导者通过AI符号化展现对AI的支持,传达对AI的重视与信任,这种倾向源自对AI潜在价值的思考,相信AI能够促成积极影响与变革[26]。领导者对AI的支持态度为员工提供了正面认知线索,员工以此作为认知参照点,更加相信AI的可靠性和有效性[15]。另一方面,从社会认知理论的观察学习视角看,领导AI符号化通过频繁讨论和展示AI新闻及书籍,为员工提供了丰富的观察学习环境。员工在观察中不仅学习AI新知识,还感受到了领导者对AI的重视与信任[28],进而深化认知并模仿领导者行为,增强AI信任感。
AI信任会显著促进AI驱动员工创新行为。一方面,AI信任是个体对AI可靠性、安全性和有效性的正面认知,员工会将其视为可靠合作伙伴和创新助力器,而非潜在的工作威胁,从而更愿意接受和使用AI开展工作[15],使其能够专注于创新活动本身,包含市场信息收集、创造性问题解决和产品创新设计等,进而增强AI驱动员工创新行为。另一方面,AI信任是基于个体对AI潜力和价值的认同,驱使员工主动投入更多时间和精力学习提升AI相关技能[26]。因此,员工会基于对AI技术的信任与认可,主动构建AI相关知识体系与技能储备,通过系统性参与AI培训项目、深度介入技术研讨会等组织学习机制,持续提升其AI技术素养与应用能力。随着AI胜任力的逐步增强,员工在创新实践中能够更加灵活地运用AI工具解决复杂问题,并创造性探索AI技术在新场景中的潜在价值,促进AI驱动员工创新行为。由此,本文提出假设:
H1:AI信任在领导AI符号化与AI驱动员工创新行为之间起中介作用。
AI创新自我效能感(creative self-efficacy with AI)是一种自我认知资源,指个体与AI协同工作时,对自身运用AI工具生成创新性解决方案的能力信念与信心水平[9]。依据社会认知理论,个体可通过加工外部信息构建自我认知,进而影响后续的行为表现[13]。领导AI符号化构成重要的外部环境因素,积极塑造员工运用AI进行创新的自我认知,提升AI创新自我效能感,激发更多AI驱动创新行为。一方面,领导者通过展现对AI的接受和支持,如探讨AI话题、展示AI物品等,向员工传递积极的技术导向信号。当员工接收信号时,会通过认知加工机制将外部信息转化为内在信念,逐步形成对AI的正面态度和认知框架,提升个体对AI的熟悉度和掌控感[15],增强员工对自身创新能力的正向评估。另一方面,领导AI符号化不仅表征领导者对AI技术发展前景的乐观预期,也隐含着其对员工技术适应能力的信任与支持[5],一定程度上降低了员工对技术变革的风险感知,使员工以更加积极的态度投入AI的学习与应用[9],进而提升AI创新自我效能感。
AI创新自我效能感会显著增强AI驱动员工创新行为。一方面,具备高水平AI创新自我效能感的员工能够展现出更强的技术适应能力和信念,确信自己能有效应对AI应用过程中出现的各类技术挑战,进而提升员工探索AI创新应用的动机水平。在此心理机制作用下,员工倾向于将AI视作解决问题的工具而非障碍,主动寻求AI赋能的创新机会[3],促进AI驱动员工创新行为涌现。另一方面,面对AI不确定性及创新活动中可能遭遇的潜在失败风险,高AI创新自我效能感的员工能够展现出更加开放、积极的态度,勇于尝试新的AI应用场景和方法[29],持续迭代和优化创新方案。相关研究指出,创新自我效能感是连接外界环境刺激与个体创新行为的重要认知机制[29]。由此,本文提出假设:
H2:AI创新自我效能感在领导AI符号化与AI驱动员工创新行为之间起中介作用。
在以往研究中,领导者对员工行为动机归因的类型被分为“利他动机”(如绩效改进动机,旨在满足和提升组织绩效)、“利己动机”(如印象管理动机,旨在提升或保护个人形象)两种[22,24,30]。本文认为,员工归因的领导AI符号化动机同样可分为绩效改进动机、印象管理动机,较好地呼应符号化(symbolization)概念的复杂性——既包含行为符号化(如采纳和推广AI或参与AI论坛),也涵盖语言符号化(如口头传达或展示象征性物品)[31]。尤其是在东方文化背景中,领导者的行为示范往往比语言表达更具影响力,这是因为相较于语言表述,领导者通过具体行动所传达的信息更加直接、真实且有效[4]。因此,员工会对领导AI符号化产生多元且相互矛盾的理解,这种多元解读促使员工对领导AI符号化动机进行深度归因,进而影响个体不同的认知构建与行为反应。
当员工将领导AI符号化归因于绩效改进动机时,即是领导者基于组织绩效提升的实质性考量,而非技术跟风或形象塑造,这种积极归因会强化领导AI符号化对员工AI信任的正向影响。具体而言:一方面,当员工认为领导AI符号化源自对效率提升与问题解决的真实追求时,则更可能将领导者视为前瞻创新的引领者,相信其决策是基于组织未来发展的考虑,而非盲目跟风,从而激发员工对AI潜力的积极预期[26],增加AI信任。另一方面,当员工认为领导AI符号化旨在绩效改进时,则更加相信领导者已对AI实际效益进行了审慎评估,能够有效缓解对AI应用不确定性和潜在风险的担忧[32],提升个体对AI的信任程度。进一步地,AI信任的提升不仅能够降低个体对AI技术采纳的心理障碍,强化对其工具价值的认可,而且更加倾向于探索AI在任务解决中的新颖应用,强化AI驱动员工创新行为。由此,本文提出假设:
H3:员工归因的领导AI符号化动机(绩效改进)正向调节领导AI符号化与AI信任之间的关系,进而调节AI信任在领导AI符号化与AI驱动员工创新行为之间的中介作用。
当员工将领导AI符号化归因于印象管理动机时,认为领导者是为了塑造形象、提升声誉或迎合某种社会期望而展示对AI的支持,并非基于真诚信念或技术价值认可,这种消极归因则会削弱领导AI符号化对员工AI信任的正向影响。具体而言:一方面,若员工将领导AI符号化视为策略性的自我呈现时,则无法有效传递组织对AI的真实重视程度,认为领导者并非真正信奉AI价值,从而引发对领导者AI倡议的信任危机[5]。该信任缺失使得员工自身也对AI技术趋于谨慎和保守态度,进一步削弱个体对AI技术的接受意愿与信任水平[28]。另一方面,将领导AI符号化归因为印象管理动机的员工,往往对领导者的未来行为产生不确定性,如是否会继续支持和倡导AI[32]。在此情境下,员工会担忧领导者随时调整技术战略,从而提高对AI投资风险的感知,降低AI信任。进一步地,员工对AI技术可靠性和实用性的怀疑使其难以形成稳定的技术采纳意愿,从而引发心理不安全感,既缺乏尝试AI创新的内在动力,又担心创新失败可能带来的职业风险,进而削弱AI驱动员工创新行为。由此,本文提出假设:
H4:员工归因的领导AI符号化动机(印象管理)负向调节领导AI符号化与AI信任之间的关系,进而调节AI信任在领导AI符号化与AI驱动员工创新行为之间的中介作用。
当员工将领导AI符号化动机归因于绩效改进时,一方面,领导者展示AI支持行为(如分享AI新闻资讯)被员工解读为对其创新能力的认可与期望[33],这种组织信任赋予员工的创新责任感知与发展机遇,能够显著增强个体创新的内在动机与自我效能信念,进而提升AI创新自我效能感。另一方面,员工通过观察学习将领导AI符号化视为创新行为示范,经由社会认知的模仿机制内化为组织对AI创新的期望,这种角色认同过程强化了员工作为技术创新主体的自我概念,进而提升其AI创新自我效能感。进一步地,提升的AI创新自我效能感促使员工更加主动地识别和把握AI技术创新机会,在问题解决进程中主动寻求AI赋能的创新方案,进而加强AI驱动员工创新行为。由此,本文提出假设:
H5:员工归因的领导AI符号化动机(绩效改进)正向调节领导AI符号化与AI创新自我效能感之间的关系,进而调节AI创新自我效能感在领导AI符号化与AI驱动员工创新行为之间的中介作用。
当员工将领导AI符号化动机归因于印象管理时,一方面,员工会感知该行为缺乏实质性的价值内涵和组织承诺,与自己的职业发展利益关联度较低[5],易引发其对组织AI战略的心理疏离,削弱其创新认同和组织归属感,进而抑制员工AI创新自我效能感。另一方面,当领导AI符号化被视为技术跟风而非真诚支持时,员工会质疑组织对创新成果的重视程度,这种认知偏差将通过破坏心理契约抑制创新的内在动机[9],员工AI创新自我效能感也随之降低。进一步地,受损的自我效能信念会引发创新规避倾向,表现为在技术应用场景中更多选择风险厌恶型的常规方案而非探索性的AI解决方案,进而降低AI驱动员工创新行为。由此,本文提出假设:
H6:员工归因的领导AI符号化动机(印象管理)负向调节领导AI符号化与AI创新自我效能感之间的关系,进而调节AI创新自我效能感在领导AI符号化与AI驱动员工创新行为之间的中介作用。
本文构建研究模型,如图1所示。
图1 理论模型
Fig.1 Theoretical model
依托课题组社会关系网络,从山东、陕西、江苏、北京4地选取6家运用AI的企业作为研究对象,这些企业分布于电子信息业、智能制造业、生物医药业、金融服务业、零售业5个行业。课题组与各企业人力资源管理人员进行深入沟通,明确阐述调研的学术目的与数据保密原则,确保每位参与者的个人信息得到严格保护。随后,通过企业负责人的协助,将电子问卷链接转发给在日常工作中应用AI的员工。为确保被试者在工作中了解并使用AI,在问卷开头先设置单选题:您是否熟悉并在工作中运用AI?选“是”则继续至填空题:请举例您在工作中使用到哪些AI设备或技术(必填);选“否”则问卷结束。为有效避免共同方法偏差的影响,问卷分两个阶段发放,所有问卷数据均以员工自评方式获取。具体地,第一阶段主要收集领导AI符号化、员工归因的领导AI符号化动机和控制变量信息,共发放问卷564份,回收问卷531份;第二阶段即第一阶段调研一个月后,邀请参加第一阶段调研的员工填写问卷,主要收集员工AI信任、AI创新自我效能感以及AI驱动员工创新行为的变量信息,回收问卷512份。为确保数据准确性,对两阶段问卷进行了严格筛选和清洗工作,剔除不符合样本要求的问卷,包括填空题中回答为“无、不清楚、不知道”,或所列举的技术明显不属于AI范畴(如互联网、基本统计分析软件等),以及乱填、错填、两阶段问卷无法有效匹配的问卷,最终获得有效问卷488份。
分析问卷可知,员工在工作中接触和使用的AI技术或设备呈多样化特征,包括但不限于大语言模型、智能机器人、计算机视觉等。在有效样本中,男性249人(占51.02%),女性239人(占48.98%);员工平均年龄32.64岁;平均工作年限5.24年;大专及以下学历占13.32%,本科学历占72.13%,硕士及以上学历占14.55%;电子信息业占25.61%,智能制造业占21.31%,生物医药业占19.26%,金融服务业占18.65%,零售业占15.17%。
本研究采用的量表均借鉴国内外已验证的量表,并运用李克特五级评分法,其中1表示“完全不同意”,5表示“完全同意”。
(1)领导AI符号化(LAIS)。采用He等[5]改编的6题项量表,如“我的领导向我表达了他/她对AI的兴趣”。本研究中,该量表的Cronbach′s α系数为0.916。
(2)AI信任(AIT)。采用Chowdhury等[26]的11题项量表,如“我相信AI能通过自动化处理日常琐碎任务”。本研究中,该量表的Cronbach′s α系数为0.946。
(3)AI创新自我效能感(AICSE)。采用Yin等[9]改编的3题项量表,如“我有信心在使用AI时,能创造性解决问题”。本研究中,该量表的Cronbach′s α系数为0.860。
(4)员工归因的领导AI符号化动机。本研究借鉴毛江华等[18]的方法,对Lam等[24]提出的领导对员工行为动机归因量表进行了适当改编,用以测量员工对领导AI符号化动机的归因类型,主要聚焦绩效改进与印象管理两大动机。具体而言,归因的绩效改进动机(PIM)包括“旨在更好地履行岗位责任”等3个题项;归因的印象管理动机(IMM)包括“期望塑造积极个人形象”等5个题项。本研究中,绩效改进动机归因的Cronbach′s α系数为0.846,印象管理动机归因的Cronbach′s α系数为0.918。
(5)AI驱动员工创新行为(AIIB)。采用在Yin等[9]、Yam等[34]研究基础上改编的3题项量表,如“我能使用 AI技术重新设计项目流程,而不是简单应用旧的解决方案”。本研究中,该量表的Cronbach′s α系数为0.912。
(6)控制变量:员工的性别、年龄、工作年限和学历等人口统计学特征,会影响个体对AI的认知及行为反应[4-5],故本研究将其作为控制变量。考虑到不同行业对AI的应用程度存在差异[3],行业类型也被纳入控制变量范畴。此外,AI态度(AII)是指个体接触或使用AI时的整体情感与认知体验[35],不仅影响其对领导者行为的看法,还会改变个体对AI及自身能力的认知评价[33]。因此,将其作为控制变量,并借鉴Xia等[35]改编的4题项量表,如“我期望在日常中使用AI”等,本研究中,该量表的Cronbach′s α系数为0.835。
验证性因子分析表明,相对于其他备选模型,七因子模型拟合最佳(χ2/df=2.303, RMSEA=0.052, CFI=0.940, TLI=0.934, SRMR=0.034),表明变量区分效度良好(见表1)。
表1 验证性因子分析结果
Table 1 Confirmatory factor analysis
模型χ2dfχ2/dfRMSEACFITLISRMR七因子:LAIS,AIT,AII,AICSE,AIIB,PIM,IMM1 241.4395392.3030.0520.9400.9340.034六因子:LAIS,AIT+AII,AICSE,AIIB,PIM,IMM1 965.0225453.6060.0730.8790.8680.063六因子:LAIS,AIT,AII+AICSE,AIIB,PIM,IMM2 057.4945453.7750.0750.8710.8590.102六因子:LAIS,AIT,AICSE,AII,AIIB,PIM+IMM1 779.7115453.2660.0680.8950.8850.059五因子:LAIS,AIT+AII,AICSE,AIIB,PIM+IMM2 503.2645504.5510.0850.8340.8200.079五因子:LAIS,AIT,AII+AICSE,AIIB,PIM+IMM2 592.4875504.7140.0870.8260.8120.113四因子:LAIS,AIT+AII+AICSE,AIIB,PIM+IMM3 002.4985545.4200.0950.7920.7760.086三因子:LAIS,AIT+AII+AICSE+AIIB,PIM+IMM3 866.4865576.9420.1100.7180.6990.095二因子:LAIS+AIT+AII+AICSE+AIIB,PIM+IMM5 592.29255910.0040.1360.5710.5440.135单因子:LAIS+AIT+AII+AICSE+AIIB+PIM+IMM7 717.03056013.7800.1620.3910.3530.168
采用Harman单因素检验,未旋转时首个主成分解释方差26.494%,低于40%阈值,表明共同方法偏差处于可接受水平。另外,在引入允许所有题项载荷的共同因子后,新模型与原模型的拟合指标变化微小(ΔRMSEA=0.001, ΔCFI=0.003, ΔTLI=0.004, ΔSRMR=0.008),表明加入共同方法因子未显著影响模型拟合度。
描述性统计和相关性分析结果如表2所示。领导AI符号化与AI信任(r=0.270, p<0.001)、AI创新自我效能感(r=0.212, p<0.001)、AI驱动员工创新行为(r=0.150, p<0.01)显著正相关,AI信任与AI驱动员工创新行为(r=0.408, p<0.001)显著正相关,AI创新自我效能感与AI驱动员工创新行为(r=0.320, p<0.001)显著正相关。
表2 描述性统计与相关性分析结果
Table 2 Results of descriptive statistics and correlations analysis
变量1234567891011121.性别- 2.年龄0.022 -3.工作年限0.0020.812***-4.学历0.0160.156**0.054-5.行业类型0.007-0.060-0.058-0.065 -6.员工AI态度-0.062-0.055-0.0500.0040.029(0.835)7.领导AI符号化-0.036-0.027-0.0080.0360.034*0.026(0.916) 8.AI信任-0.059-0.108*-0.0820.035*0.053*0.069*0.270***(0.946)9.AI创新自我效能感0.036-0.0150.0190.0040.0200.067*0.212***0.487***(0.860)10.AI驱动员工创新行为-0.053-0.096*-0.0360.074*0.035*0.032*0.150**0.408***0.320***(0.912)11.绩效改进动机归因-0.060-0.064-0.059-0.104*0.0400.0170.287***0.141**0.0390.148**(0.846)12.印象管理动机归因0.001-0.0060.016-0.115*-0.036-0.0150.198***-0.080-0.0030.0590.463***(0.918)均值1.49032.6455.2402.0122.7643.1033.3773.3423.3182.9712.9413.087标准差0.5006.0253.6580.5281.4070.5490.7550.8110.7911.0051.0420.942
注： N=488, *表示p<0.05, **表示p<0.01, ***表示p<0.001,下同;括号中的数据为该量表Cronbach′s α系数
路径分析能深入剖析多变量间的复杂关系,尤其涉及多中介和调节效应。故本研究采用软件Mplus 8.0构建结构方程模型进行路径分析,分析结果根据并列中介模型和第一阶段调节效应检验测算,如图2所示。
图2 路径系数分析结果
Fig.2 Results of path coefficient analysis
(1)中介效应检验。在控制变量基础上,领导AI符号化对AI信任(β=0.282, p<0.001)及AI创新自我效能感(β=0.221, p<0.001)均有显著正向影响;同时,AI信任(β=0.388, p<0.001)与AI创新自我效能感(β=0.203, p<0.01)显著正向预测AI驱动员工创新行为。为验证中介效应,利用软件Mplus 8.0的Bootstrap方法对双中介模型进行路径分析,检验结果均基于同一并列中介模型计算得出,所报告为非标准化系数,具体如表3所示。领导AI符号化通过AI信任对AI驱动员工创新行为的间接效应值为0.110,95%置信区间为[0.062, 0.168],不包含0,假设H1成立;同时,通过AI创新自我效能感产生的间接效应值为0.045,95%置信区间为[0.015, 0.086],不包含0,假设H2成立。
表3 Bootstrap中介效应检验结果
Table 3 Bootstrap test results of the mediation effect
变量效应值Bootstrap=5 000的95%置信区间上限下限总效应 0.1890.0730.304总间接效应 0.1550.1000.223具体间接效应分解LAIS→AIT→AIIB 0.1100.0620.168LAIS→AICSE→AIIB 0.0450.0150.086
(2)调节效应和有调节的中介效应检验。图2显示,在控制变量基础上,领导AI符号化与员工绩效改进动机归因的交互项显著正向影响AI信任(β=0.164, p<0.001),而对AI创新自我效能感的影响为正却不显著(β=0.011, p>0.05)。为直观展示绩效改进动机归因的调节作用,绘制了调节效应图(见图3)。当员工绩效改进动机归因较高时,领导AI符号化对AI信任的正向作用更强。为进一步验证假设H3和H5,本研究采用Edwards &Lambert[36]提出的差异分析法进行有调节的中介效应检验,结果如表4所示。领导AI符号化通过AI信任对AI驱动员工创新行为的间接作用在领导AI符号化绩效改进动机归因高时显著、低时不显著,且两组间差异显著,效应值为0.169,95%置信区间为[0.088, 0.257],不包含0,假设H3成立。领导AI符号化通过AI创新自我效能感对AI驱动员工创新行为的间接作用在领导AI符号化绩效改进动机归因高和低时均显著,但两组间差异却不显著,效应值为0.009,95%置信区间为[-0.063, 0.074],包含0,假设H5不成立。
表4 有调节的中介效应分析结果
Table 4 Results of the test for the moderated mediation effect
调节变量 领导AI符号化→AI信任→AI驱动员工创新行为间接效应Bootstrap=5 000的95%置信区间领导AI符号化→AI创新自我效能感→AI驱动员工创新行为间接效应Bootstrap=5 000的95%置信区间领导AI符号化绩效改进动机归因高水平(M + 1SD)0.216[0.137, 0.298]0.096[0.038, 0.167]低水平(M - 1SD)0.047[-0.010, 0.119]0.087[0.037, 0.150]高低组间接效应差值(Δ)0.169[0.088, 0.257]0.009[-0.063, 0.074]领导AI符号化印象管理动机归因高水平(M + 1SD)0.092[0.012, 0.164]0.036[-0.026, 0.102]低水平(M - 1SD)0.214[0.142, 0.299]0.148[0.090, 0.227]高低组间接效应差值(Δ)-0.121[-0.235, -0.032]-0.111[-0.213, -0.042]
图3 绩效改进动机归因在领导AI符号化与AI信任之间的调节作用
Fig.3 Moderating effect of performance improvement motivation attribution on the relationship between leaders′ AI symbolization and AI trust
图2显示,在控制变量基础上,领导AI符号化与员工印象管理动机归因的交互项显著负向影响AI信任(β=-0.131, p<0.01),且对AI创新自我效能感也有显著负向影响(β=-0.147, p<0.01)。为直观展示印象管理动机归因的调节作用,分别绘制了调节效应图(见图4、图5)。在员工印象管理动机归因较高时,领导AI符号化对AI信任和AI创新自我效能感的正向作用均变弱。为进一步验证假设H4和H6,同样进行差异路径分析,结果如表4所示。领导AI符号化通过AI信任对AI驱动员工创新行为的间接作用在领导AI符号化印象管理动机归因高和低时均显著,且两组间差异显著,效应值为-0.121,95%置信区间为[-0.235, -0.032],不包含0,假设H4成立。领导AI符号化通过AI创新自我效能感对AI驱动员工创新行为的间接作用在领导AI符号化印象管理动机归因高时不显著、低时显著,且两组间差异显著,效应值为-0.111,95%置信区间为[-0.213, -0.042],不包含0,假设H6成立。
图4 印象管理动机归因在领导AI符号化与AI信任之间的调节作用
Fig.4 Moderating effect of impression management motivation attribution on the relationship between leaders′ AI symbolization and AI trust
图5 印象管理动机归因在领导AI符号化与AI创新自我效能感之间的调节作用
Fig.5 Moderating effect of impression management motivation attribution on the relationship between leaders′ AI symbolization and AI innovation self-efficacy
本文基于社会认知理论和归因理论,探究领导AI符号化对AI驱动员工创新行为的影响,从技术认知和自我认知两方面分别检验了AI信任和AI创新自我效能感的中介作用,以及员工归因的领导AI符号化动机的调节作用。结果表明,领导AI符号化分别通过AI信任和AI创新自我效能感正向影响AI驱动员工创新行为,说明领导AI符号化具有技术认知和自我认知两种赋能功效。此外,当员工归因的领导AI符号化动机为绩效改进时,领导AI符号化对员工AI信任的正向影响变强,进而促进AI驱动员工创新行为;反之,若归因于印象管理时,领导AI符号化对员工AI信任以及AI创新自我效能感的正向影响变弱,进而降低AI驱动员工创新行为。
然而,在归因的领导AI符号化绩效改进动机对领导AI符号化与AI创新自我效能感的调节作用方面,检验结果并不显著,有调节的中介假设也不显著,即假设H5不成立。原因可能如下:首先,领导AI符号化对员工AI创新自我效能感的积极影响是因为员工接收到了领导对AI的积极信号,因而形成了个体在AI赋能情况下对自我创新能力的积极评价。若员工将领导AI符号化归因为印象管理动机,个体则认为领导AI符号化是虚假的、并不真诚,从而减少创新动机。但是,当员工将其归因为绩效改进动机时,则不会改变个体对领导AI符号化的原有认知,员工认为领导AI符号化本就应该出于提升组织绩效而考虑。因此,绩效改进动机归因不会明显改变领导AI符号化对AI创新自我效能感的影响,从而也不会改变对AI驱动员工创新行为的间接影响。其次,负面偏好效应理论强调,个体往往更倾向关注负面信息与事件,而将正面事件视为理所当然[18]。因此,与员工归因的领导AI符号化绩效改进动机相比,印象管理动机归因作为一种对领导的负面评价,会降低个体的认同感与归属感,从而影响个体AI创新自我效能感以及AI驱动员工创新行为。
(1)丰富了AI驱动员工创新行为的前因变量研究,同时拓展了领导AI符号化的结果变量,为理解领导如何通过AI符号化激发员工创新潜能提供了新视角。作为员工行为的重要引导者,领导者在新技术接纳与推广中展现出的态度倾向和行为表现,对员工形成积极认知和激发创新潜能具有重要影响。本文从领导者角色视角,选取领导AI符号化作为前因变量,丰富了AI驱动员工创新行为影响因素的研究。此外,本文还拓展了领导AI符号化的作用效果。当前,关于领导AI符号化作用机制的实证研究尚处于初步且分散阶段,主要集中于员工工作重塑[5]和员工对领导效能评价[4]。然而,在AI工作情境下,领导AI符号化如何促进AI驱动员工创新行为的研究还尚显不足。虽有研究提及两者之间可能存在的关联[11],但缺乏深入探讨与实证检验,未能充分揭示其内在机制。本研究不仅为领导AI符号化的结果变量研究提供有益探索,还响应张志鑫等[37]的研究建议,从人机交互视角的领导力出发,深入挖掘其对员工认知和行为的影响。
(2)基于社会认知理论,创新性地通过技术认知(即AI信任)与自我认知(即AI创新自我效能感)的双中介路径,深入剖析领导AI符号化对AI驱动员工创新行为的影响机制,为理解领导AI符号化的有效性拓展了新视域。社会认知理论强调外部环境、个体认知与行为之间的相互作用,领导AI符号化作为一种外部环境信号,能够塑造员工的技术认知和自我认知以及随后的行为反应[5, 13]。具体而言,当领导者展现出对AI的积极态度(如主动使用AI、积极参与AI相关讨论等),这种示范效应会显著增强员工对AI的信任,促使个体在面对创新任务时更愿意接受和应用AI技术。同时,领导AI符号化还极大提升了员工的AI创新自我效能感,使员工坚信自己能熟练运用AI解决工作难题,从而促进AI驱动员工创新行为。本研究深化了社会认知理论在AI赋能员工创新中的应用,延展了领导AI符号化对员工创新行为的认知机制,并揭示AI工作情境下领导力对员工认知和创新能力的重要作用,为企业推动AI创新应用提供了理论支持。
(3)基于归因理论,从员工对领导动机归因的视角探究领导AI符号化影响AI驱动员工创新行为的边界条件,进一步丰富了领导AI符号化的研究成果。本研究以员工个体为中心,从员工归因的领导行为动机视角探究领导AI符号化对AI驱动员工创新行为的不同影响,即领导AI符号化并非在所有情境下都能激发积极的技术认知和自我认知以及后续的创新行为,其效果在很大程度上依赖于员工对领导动机的解读和归因。若员工将领导AI符号化归因于印象管理动机,个体会对AI应用产生怀疑,进而抑制AI信任以及AI 创新自我效能感,降低AI驱动员工创新行为;相反,若归因于绩效改进动机,员工则会增强AI信任和AI创新自我效能感,从而促进AI驱动员工创新行为。本研究不仅回应了洪贝尔等[4]的建议,从员工归因视角解释领导AI符号化的差异化影响,还拓展其实证研究,为挖掘AI情境下的领导效能提供了思路。
(1)在AI浪潮中,领导者需与时俱进,不仅在战略上布局AI,更需以实际行动展现对AI的兴趣和支持。领导者应积极参与AI研讨会、工作坊及高端会议,把握行业动态,与精英交流,汲取智慧。同时,领导者应成为AI知识的传播者,定期与员工分享见解、心得及最新应用案例,搭建人机互动的桥梁。更重要的是,领导者需身体力行,亲自投身AI项目的规划与执行,以实际行动彰显对AI的信赖与重视。这种示范不仅能提升领导者的AI素养与实战力,更能在组织内部树立AI文化的标杆,增强员工技术信任与创新自信水平,为组织有效应用AI奠定坚实基础。
(2)领导者在展现AI热情时,需审慎而智慧,避免盲目跟风,充分考虑组织情境并深刻认识员工的心理动态与归因倾向。尤需警惕的是避免那些可能让员工将领导AI符号化归因于印象管理动机的言行。一旦这种动机被员工过度感知,将会削弱个体对AI和自身能力的积极认知,甚至产生抵触情绪,从而阻碍AI驱动员工创新行为。为此,领导者应构建开放沟通机制,真诚阐述AI推广初衷,强调团队绩效提升与工作流程优化。同时,领导者应以持续学习、积极探索的态度,与员工共克时艰,激发个体对AI的信任与热情。此外,领导者须言行一致,唯有源自内心的真实兴趣,方能引导员工对领导行为积极归因,推动组织积极拥抱AI,深化创新应用。
(3)组织管理者需多措并举,强化员工AI信任与AI创新自我效能感的提升。首要任务是提升AI透明度,通过公开AI决策逻辑、运作原理及数据安全性,消除员工对AI的未知恐惧。同时,积极传播AI成功应用案例,直观展示AI对工作的正面影响,逐步加深个体对AI的信任程度。进一步地,可构建全方位培训体系,不仅普及AI基础知识,更侧重培养与AI协同的高级技能,有效提升员工利用AI创新实践能力。此外,组织可创设AI创新工作坊、挑战赛等平台,促使员工在实践中增强创新自我效能感。
首先,本研究采用员工自评方式收集变量数据,并通过两阶段问卷设计有效控制了共同方法偏差的潜在影响,未来研究仍可进一步通过多时段追踪、多来源数据收集(如上级评价、同事反馈等)或情景实验等方法,更加全面验证研究结果的稳健性。其次,本研究在探讨员工对领导AI符号化动机归因的类型时,从绩效改进和印象管理动机两个维度进行归因,未来研究可进一步探索其他潜在的归因类型,并考察不同归因类型如何差异化地影响员工对领导AI符号化的态度。最后,本研究从社会认知角度探讨领导AI符号化对员工认知和行为的影响机制,未来还可以从自我决定理论、情绪认知评价理论等不同视角,进一步深入剖析领导AI符号化对员工的复杂影响。
[1] JIA N, LUO X M, FANG Z, et al. When and how artificial intelligence augments employee creativity[J]. Academy of Management Journal, 2024, 67(1): 5-32.
[2] KONG H Y, YIN Z H, CHON K, et al. How does artificial intelligence (AI) enhance hospitality employee innovation? the roles of exploration, AI trust, and proactive personality[J]. Journal of Hospitality Marketing &Management, 2024, 33(3): 261-287.
[3] 蒋建武, 龙晗寰, 胡洁宇. 工作场所人工智能应用对员工影响的元分析[J]. 心理科学进展, 2024, 32(10): 1621-1639.
[4] 洪贝尔, 毛江华, 郭紫俊, 等. 领导的AI时尚: AI符号化与领导效能[J]. 外国经济与管理, 2024, 46(10): 121-134.
[5] HE G H, LIU P, ZHENG X N, et al. Being proactive in the age of AI: exploring the effectiveness of leaders' AI symbolization in stimulating employee job crafting[J]. Management Decision, 2023, 61(10): 2896-2919.
[6] 马璐, 李思柔. 人工智能焦虑与新生代员工创新行为: 组织依恋及工作重塑的作用[J]. 科技进步与对策, 2025, 42(1): 132-140.
[7] LIANG X D, GUO G X, SHU L L, et al. Investigating the double-edged sword effect of AI awareness on employee′s service innovative behavior[J]. Tourism Management, 2022, 92: 104564.
[8] 桂橙林, 赵旭宏, 张鹏程, 等. 数智化背景下员工AI意识对其创新绩效的影响机制[J]. 中国人力资源开发, 2024,34(8): 6-22.
[9] YIN M, JIANG S Y, NIU X Y. Can AI really help? the double-edged sword effect of AI assistant on employees′ innovation behavior[J]. Computers in Human Behavior, 2024, 150: 107987.
[10] 张恒, 高中华, 李慧玲. 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[J]. 科技进步与对策, 2023, 40(18): 1-11.
[11] 刘云硕, 刘园园, 张帆, 等. 威胁还是挑战: 人工智能使用对员工创新绩效的双刃剑效应[J]. 财经论丛, 2024,40 (9): 91-102.
[12] 韩明燕, 赵静幽, 李志. 员工—AI合作与越轨创新: 一个被调节的双路径模型[J]. 外国经济与管理, 2024, 46(10): 89-104.
[13] BANDURA A. Social foundations of thought and action: a social cognitive theory [M]. Englewood Cliffs: Prentice- Hall, 1986.
[14] LYTHREATIS S, MOSTAFA A M S, WANG X J. Participative leadership and organizational identification in SMEs in the MENA region: testing the roles of CSR perceptions and pride in membership [J]. Journal of Business Ethics, 2019, 156(3): 635-650.
[15] 尹萌, 牛雄鹰. 与AI“共舞”: 系统化视角下的AI—员工协作[J]. 心理科学进展, 2024, 32(1): 162-176.
[16] BARRICK M R,MOUNT M K,LI N.The theory of purposeful work behavior: the role of personality, higher-order goals, and job characteristics[J]. Academy of Management Review, 2013, 38(1): 132-153.
[17] HUSTON T L. Foundations of interpersonal attraction [M]. New York: Elsevier, 2013.
[18] 毛江华, 廖建桥, 韩翼, 等. 谦逊领导的影响机制和效应: 一个人际关系视角[J]. 心理学报, 2017, 49(9): 1219-1233.
[19] 刘美玉, 王季. 谦逊领导如何影响员工创造力——员工归因和心理安全的双重视角[J]. 经济管理, 2020, 42(3): 102-116.
[20] HEIDER F. The psychology of interpersonal relations [M]. New York: John Wiley and Sons, 1958.
[21] MARTINKO M J, HARVEY P, DASBOROUGH M T. Attribution theory in the organizational sciences: a case of unrealized potential[J]. Journal of Organizational Behavior, 2011, 32(1): 144-149.
[22] 宋瑶, 王震. 领导过程中的下属归因: 一个整合性理解框架[J]. 外国经济与管理, 2023, 45(6): 84-100.
[23] MURRAY A,RHYMER J,SIRMON D G.Humans and technology:forms of conjoined agency in organizations [J]. Academy of Management Review, 2021, 46(3): 552-571.
[24] LAM W, HUANG X, SNAPE E. Feedback-seeking behavior and leader-member exchange: do supervisor-attributed motives matter[J]. Academy of Management Journal, 2007, 50(2): 348-363.
[25] OWENS B P, HEKMAN D R. How does leader humility influence team performance? exploring the mechanisms of contagion and collective promotion focus[J]. Academy of Management Journal, 2016, 59(3): 1088-1111.
[26] CHOWDHURY S, BUDHWAR P, DEY P K, et al. AI-employee collaboration and business performance: integrating knowledge-based view, socio-technical systems and organisational socialisation framework[J]. Journal of Business Research, 2022, 144: 31-49.
[27] 齐玥, 陈俊廷, 秦邵天, 等. 通用人工智能时代的人与AI信任[J]. 心理科学进展, 2024, 32(12): 2124-2136.
[28] GLIKSON E, WOOLLEY A W. Human trust in artificial intelligence: review of empirical research[J]. Academy of Management Annals, 2020, 14(2): 627-660.
[29] BANG H, REIO T G. Personal accomplishment, mentoring, and creative self-efficacy as predictors of creative work involvement: the moderating role of positive and negative affect[J]. The Journal of Psychology, 2017, 151(2): 148-170.
[30] 陈启山, 温忠麟. 印象整饰的测量及其在人力资源管理中的应用[J]. 心理科学, 2005, 28(1): 178-179.
[31] DESAI S D, KOUCHAKI M. Moral symbols: a necklace of garlic against unethical requests[J]. Academy of Management Journal, 2017, 60(1): 7-28.
[32] BHARANITHARAN D K,LOWE K B,BAHMANNIA S,et al. Seeing is not believing: leader humility, hypocrisy, and their impact on followers' behaviors[J]. The Leadership Quarterly, 2021, 32(2): 101440.
[33] PARK J, WOO S E, KIM J. Attitudes towards artificial intelligence at work: scale development and validation[J]. Journal of Occupational and Organizational Psychology, 2024, 97(3): 920-951.
[34] YAM K C, GOH E Y, FEHR R, et al. When your boss is a robot: workers are more spiteful to robot supervisors that seem more human[J]. Journal of Experimental Social Psychology, 2022, 102: 104360.
[35] XIA Q, CHIU T K F, LEE M, et al. A self-determination theory (SDT) design approach for inclusive and diverse artificial intelligence (AI) education[J]. Computers &Education, 2022, 189: 104582.
[36] EDWARDS J R, LAMBERT L S. Methods for integrating moderation and mediation: a general analytical framework using moderated path analysis [J]. Psychological Methods, 2007, 12(1): 1-22.
[37] 张志鑫,郑晓明,钟杰.基于人机交互视角的领导力研究[J].科技进步与对策,2025,42(10): 116-126.