How AI Capabilities Influence Human-Machine Tacit Knowledge Transfer: A Perspective of AI Socialization

Hu Baoliang,Fu Mengyi,Yan Shuai

(School of Management,Hangzhou Dianzi University,Hangzhou 310018,China)

Abstract：Facilitating the transfer of tacit knowledge from users to artificial intelligence (AI) (referred to as "human-machine tacit knowledge transfer") is crucial for enterprises to address persistent challenges in AI implementation,including data scarcity,algorithmic constraints,and limited computational resources.This process is thus essential for unlocking the strategic value of AI and gaining a competitive edge.Consequently,how to promote human-machine tacit knowledge transfer has become an important issue that enterprises urgently need to address.

Although research on human-machine tacit knowledge transfer has been increasing,it is still scattered and lacks an effective framework.In addition,existing research emphasizes technological rationality,focusing on the technical implementation of human-machine tacit knowledge transfer from the perspective of AI as the knowledge transfer object,while largely overlooking the role of users as active knowledge contributors.This not only leads to an imbalance in research perspectives,but also results in a dual rupture of human-machine tacit knowledge transfer in terms of subject (users) and object (AI),as well as between behavior and technology,thereby hindering practical guidance for organizations seeking to facilitate effective knowledge transfer.

Therefore,this study investigates how human-machine tacit knowledge transfer unfolds from the user's perspective.Drawing on the theory of AI socialization,the study specifically examines how AI capabilities influence human-machine tacit knowledge transfer.It develops a research model in which AI capability serves as the independent variable,human-machine tacit knowledge transfer as the dependent variable,new professional role identity as a mediator,and perceived value and perceived threat as moderators.On this basis,this study collected data from 321 enterprises through a questionnaire-based survey and conducted empirical analysis and testing of research hypotheses using methods such as structural equation modeling and hierarchical regression analysis.

The results show that AI capabilities positively affect human-machine tacit knowledge transfer; furthermore,AI capabilities positively influence users' new professional role identity,through which AI capabilities positively influence human-machine tacit knowledge transfer.This also indicates that AI capabilities can not only directly affect human-machine tacit knowledge transfer,but also indirectly affect it through the mediating role of users' new professional role identity.The results also show that perceived value positively moderates the influence of AI capabilities on users' new professional role identity; whereas perceived threats do not hinder the influence of AI capabilities on users' new professional role identity.This also indicates that perceived value can indirectly enhance the impact of AI capabilities on human-machine tacit knowledge transfer.

This study contributes to the theory of human-machine tacit knowledge transfer:first,it promotes the diversification of research perspectives on human-machine tacit knowledge transfer by introducing a user behavior perspective; second,it provides a behavioral mechanism for the theory of human-machine tacit knowledge transfer,promoting the connectivity of research content in this field; third,it constructs an analytical framework of "capabilities (AI capabilities) - cognition (users' new professional role identity)-behavior (human-machine tacit knowledge transfer)" to study the behavioral mechanism of human-machine tacit knowledge transfer,providing effective theoretical support and a logical framework for subsequent research.

The findings offer actionable insights for organizations deploying AI on how to obtain the expected value of AI.Specifically, companies should prioritize building users' AI capabilities to facilitate tacit knowledge transfer between humans and machines. Additionally, aligning users' AI competencies with their evolving professional identities can further enhance this knowledge exchange. Organizations should also actively communicate the value of AI to encourage users to fully leverage these capabilities.The results also suggest that enterprises should not be fixated on whether to eliminate users' perceived threat of AI.Instead,they can guide users to turn perceived threats into motivation,thereby encouraging them to use their AI capabilities to carry out new work and transfer tacit knowledge to AI.

Key Words：Knowledge Transfer; Human-Machine Tacit Knowledge; AI Capability; AI Socialization

DOI：10.6049/kjjbydc.D102025070225

开放科学(资源服务)标识码(OSID)：

中图分类号：G20;G302

文献标识码：A

文章编号：1001-7348(2026)11-0024-11

收稿日期：2025-07-11

修回日期：2025-11-28

基金项目：国家社会科学基金重点项目(23AGL009)

作者简介：胡保亮(1980-),男,河南淮滨人,博士,杭州电子科技大学管理学院教授,研究方向为人工智能与创新;付梦怡(1996-),女,河南驻马店人,杭州电子科技大学管理学院硕士研究生,研究方向为人工智能与创新;闫帅(1983-),女,山东淄博人,博士,杭州电子科技大学管理学院讲师,研究方向为创新管理。

0 引言

人工智能(Artificial Intelligence,AI)是引领新一轮科技革命和产业变革的战略性技术,是企业发展新质生产力的重要引擎。《中共中央关于制定国民经济和社会发展第十五个五年规划纲要》强调,全面实施“人工智能+”行动。企业在AI应用中面临数据不足、算法局限与算力不强等瓶颈,要突破这些瓶颈并使AI实现高阶智能,企业需要不断推动用户人员向AI进行隐性知识转移(以下简称“人机隐性知识转移”)。通过人机隐性知识转移,企业可以提升数据资源质量、减少AI对数据规模的依赖、弥补基于结构化规则形成的算法设计局限,促进算法与数据协同,进而减少无效计算与释放算力潜能[1-2]。进一步地,人机隐性知识转移也是企业构建人机协同关系与实现人机共生进化的战略行动[3]。因此,有效促进人机隐性知识转移成为企业获取AI价值并占据竞争制高点的关键举措。如何促进人机隐性知识转移成为企业当前亟需解决的重要问题。

近年来,关于人机隐性知识转移研究成果不断丰富。学者们主要探讨了人机隐性知识转移的一些技术方法,例如可解释AI、知情AI、人在环路学习、多模态智能交互等[2,4]。同时,探讨了一些操作方式,例如识别问题、定义规则、筛选训练集、标记数据与改进算法等[2,5]。总体来看,研究尚缺乏有效的研究框架。此外,现有研究重视技术理性,主要从AI这一知识转移客体角度探讨人机隐性知识转移的技术实现,鲜有从用户人员这一知识转移主体角度探讨人机隐性知识转移的发生行为,不仅存在研究视角的失衡,而且易导致隐性知识转移在主体(用户人员)与客体(AI)、行为与技术方面的双重断裂,难以指导隐性知识在用户人员与AI间的高效转移。

本文从用户人员角度探讨人机隐性知识转移的发生机制。知识管理研究指出,转出方能力不仅影响隐性知识积累、存储与显性化,而且决定隐性知识转移效果,是一个关键影响因素[6]。在AI研究领域,学者们主张用户人员培育采纳、利用与维护AI的相关技能,即AI能力,以应对人机隐性知识转移等人机交互挑战[7-8]。人机隐性知识转移高度依赖人与AI的交互,而AI社会化(AI Socialization)理论是关于人与AI交互的理论,它解析了如何从用户人员的AI能力出发将AI引入组织并塑造用户人员认知,通过整合人与AI进而获取AI价值的问题[7,9]。相应地,本文基于AI社会化理论探讨用户人员AI能力对人机隐性知识转移的影响机制,进而揭示人机隐性知识转移的发生行为并为之提供研究框架。

1 AI社会化理论

AI社会化理论建构在社会技术系统理论基础上,用于解释与指导如何实现人机融合进而形成社会技术资本[9]。AI的类人特性,例如理解、行动和学习特性,使得将其引入并整合到企业中不仅需要结合技术条件,而且需要考虑用户人员的角色认知、与AI关系等社会因素[9]。例如,引入AI后,用户人员的角色会发生变化,相应地,他们形成的新角色期望与认同对于AI应用成功至关重要[10]。因此,AI社会化应运而生,其是指通过建立工作角色并形成与这些角色相关的AI知识、技能和期望,促使用户人员拥抱AI进而推动AI成功进入组织的过程[9]。

AI社会化始于用户人员的能力准备[9]。用户人员的AI应用能力是AI成功进入组织的前提,这使得用户人员能够明晰AI工作原理、适用场景并挖掘AI价值[11]。当用户人员具备AI应用能力后,AI社会化进入角色认知阶段[9]。在这一阶段,用户人员需要借助AI能力来理解AI应用目的与带来的变化,特别是AI在工作中的角色以及AI如何改变人的角色[7, 12]。用户人员一旦建立AI应用的职业角色理解与认同后,AI社会化便进入用户人员积极行动的阶段[9]。用户人员会形成对AI的信任并转换角色,进行面向人机协作的工作设计,进一步地,会进行诸如寻找难以获取的信息、解释机器输出和决策、处理偏离规范的“例外”等隐性知识转移行为[9,13]。经历了以上阶段,AI顺利地转变为组织内部成员,组织也通过整合个体与AI优势,获得难以模仿的竞争优势[9]。

总体来看,AI社会化遵循“能力—认知—行为”的逻辑框架。其中,能力是基础,它主要是指用户人员的AI能力;认知是中介,它主要是指用户人员应用AI后形成的职业角色认同(以下简称“新职业角色认同”);行为是结果,它包括人机隐性知识转移。因而,依据这一逻辑框架,可以建立AI能力通过影响新职业角色认同进而影响人机隐性知识转移的路径研究模型。

然而,AI社会化理论忽略了AI能力影响新职业角色认同的边界条件,这一局限阻碍了对AI能力发挥效用的理解。事实上,现有研究已经指出AI能力并不总是发挥积极作用并强调考察用户人员的AI接受态度对AI能力的调节效用[8]。例如,Strich等[12]发现,用户人员在厌恶AI的情况下会故意暴露AI缺陷并借此维持自己的地位。AI接受相关研究指出,价值感知与威胁感知是影响用户人员接受AI的主要因素,其中,前者正向影响用户接受态度,而后者则相反[14-15]。例如,Ahn&Chen[15]发现,人们对AI的接受受到他们AI价值感知(如对AI提升工作效率与工作效能的感知)的正向影响和AI威胁感知(如对AI成为人类竞争者甚至伤害者的感知)的负向影响。因此,本文将用户人员的AI价值感知与威胁感知作为影响AI社会化进程的关键边界条件引入路径研究中。

2 理论分析与研究假设

2.1 人机隐性知识转移

知识转移是指知识从拥有者流向接收者的过程,是一种具有一定目的性与计划性的知识共享行为[16]。它是知识管理领域的重要活动,也是影响企业成功的关键因素。知识可以划分为隐性知识与显性知识[17]。相比显性知识,隐性知识建立在个体特有经验与学习基础上,能够提供更深层次和更有价值的认知,不仅具有难以模仿性,而且能助力企业构建持续竞争优势[17]。相应地,隐性知识转移成为知识转移的重要类型。以往,学者们主要关注人际隐性知识转移,并从知识特性、知识转出方、知识转入方、环境特征等方面识别影响因素[18]。

近年来人机隐性知识转移成为新的隐性知识转移类型。不同于人机显性知识转移是将计算机科学、统计学、神经科学等领域能用正式语言表达的知识,借助公式、逻辑与规则等形式转移到AI中[1],人机隐性知识转移是指将人的技能和经验等隐性知识融入AI系统中,用于优化AI并使AI更智能化[2]。它是AI应用的必经之路——借助人类隐性知识解决AI复杂的结构问题(例如不可靠、不可信、不透明、不易解释)、实现以往无法实现的性能与智能,同时,有利于人类更好地理解AI,从而促进人机协同。例如Deng等[1]指出,人机隐性知识转移可以显著降低机器学习的数据需求,在提高智能机器可靠性与鲁棒性的同时提高可解释性。又如Harfouche等[19]指出,基于知识进行推理是AI的核心,这意味着人类知识特别是隐性知识对于实现AI算法非常重要。因此,为促进AI学习人类经验知识与特定领域知识,需要推动人机隐性知识转移。

人机隐性知识转移也是能实现的,经验映射便是路径之一[19]。首先,在AI的数据输入阶段,用户人员可以通过数据选择与数据标注等方式将隐性知识映射到AI中。当前,AI完成任务所需的近80%数据是非结构化的[20]。为了利于AI分析和处理数据,用户人员需要结合以往积累的任务完成经验与知识对数据进行标记和注释[2]。其次,在AI的任务处理阶段,用户人员可以通过制定任务、识别特征、建立模型等方式将隐性知识映射到AI中。问题定义、逻辑推理和机器学习是AI实现数据价值转化与任务完成的3个关键环节,而它们都高度依赖用户人员的专业知识[20]。为了推进它们,用户人员需要充分发挥领域专长,针对不同关键环节设计任务目标、构建特征体系与开发适配的模型算法[2]。最后,在AI的结果输出阶段,用户人员根据AI输出结果达到预期目标的程度,进行性能反馈与参数调整等将隐性知识映射到AI中,从而使AI再次经历以上过程并得到持续优化[2]。

2.2 AI能力

AI具有许多潜在价值,例如降低成本、促进创新、智能决策[21]。然而,企业获取这些价值并不容易。因为AI应用面临许多挑战,例如难以将AI融入业务流程、AI应用易被对手模仿等,使得企业难以从AI应用中获益[21-22]。为此,学者们指出企业仅投资AI是不够的,还要推动用户人员形成AI能力。

AI能力是指与AI相关的采纳、利用与维护能力。其中,采纳能力是指用户人员理解为什么以及如何引入AI的能力;利用能力是指用户人员使用AI的能力;维护能力是指用户人员评估AI消极与积极后果并应对这些后果的能力[7]。AI能力也被概念化为与AI 互补的能力[23],其本质是用户人员使用AI应具备的知识和技能,体现了用户人员素养以及应用AI完成给定任务并获取预期结果的潜力,事关AI技术选择、采纳应用与收益获取[8]。

实践证明,AI能力能够促进人机隐性知识转移。例如,人力资源管理利用员工的AI采纳能力(如业务场景需求与AI系统开发认知及知识)与技术团队合作开发离职预警模型,从而将离职预测经验(比如解析加班程度与离职概率关系的经验)转移给AI进而提升AI离职预测性能;研发人员利用他们的AI利用能力(如领域知识适配能力、人机协作能力)进行案例标注,从而将他们的研发经验(比如技术难点识别、解决方案制定等方面的经验)转移给AI进而提升AI的研发辅助性能;生产人员利用他们的AI维护能力(如监控、反馈与优化等能力)将设备发出的异常声音(蕴含设备故障判断的隐性信号)反馈给AI并修正它。

从理论角度,学者们已开始探讨AI能力对人机隐性知识转移的影响。例如,Vincent[3]的研究表明,将人类经验融入AI决策依赖人们所拥有的AI知识,而新手很难进行此项工作,这是因为他们缺乏AI能力的积淀;Gomez等[24]指出,员工应具备AI能力,因为这种能力能够促进员工在交互式机器学习过程中对模型结果进行优化。然而,这方面的研究仍是碎片化的,不仅没有深入解析AI能力与人机隐性知识转移关系,而且未能揭示AI能力影响人机隐性知识转移的路径机制与边界条件。

2.3 AI能力对人机隐性知识转移的影响

首先,AI能力有助于用户人员进行情境理解。“干中学”是隐性知识积累的重要方式之一,这也决定了隐性知识具有情境依赖性[18]。一方面,AI能力有助于用户人员理解AI运作过程与情境[7]。这些理解有助于用户人员顺利开启与AI的协同工作并在“干”中针对性积累AI所需隐性知识[7],这是人机隐性知识转移的前提。另一方面,这些理解是用户人员与AI交互的开始[9],有助于他们明晰人机隐性知识转移需求、进度、任务与困难,从而开启人机隐性知识转移进程。

其次,AI能力有助于用户人员进行经验映射。AI能力使得用户人员能够清晰认知如何有效利用AI,这有助于用户人员通过问题定义、模型建立、特征创建、数据选择、数据标注与参数调整等方式将经验知识映射到AI中,以保证有效利用AI[2, 20]。此外,AI能力能够为用户人员带来预期收益和良好体验,助力他们建立积极的AI感知,从而强化人机交互[9],进而促进用户人员将经验知识映射到AI中。

最后,AI能力有助于用户人员进行反馈增强。人类个体的隐性知识属于默会知识[2],因而需要借助反馈机制来帮助AI正确接收与理解这些模糊知识。AI能力有助于用户人员评估AI输出结果、发现有待改进的地方,进而建立并通过反馈机制确保AI正确接收与理解他们转移的隐性知识[7]。从长期看,AI能力有助于用户人员升级人机协同工作方案,推动他们通过自我反思和与团队交互获取新隐性知识并转移给AI。根据以上分析,本文提出研究假设:

H1:AI能力对人机隐性知识转移具有显著正向影响。

2.4 新职业角色认同的中介作用

职业角色是指人们在工作中扮演的角色,它依附于工作场景并要承担相应工作[25]。职业角色认同是指个体对工作中所扮演角色的定义与期望[25-26]。AI应用可能改变原本由用户人员承担的工作目标、内容与关系,从而使用户人员不得不面对新职业角色[9]。例如,在应用AI后,HR员工可能变成文化创新者、人机协同者等,研发人员可能变成产品架构设计者、新兴场景开拓者等,生产人员可能会变成AI训练师、数据分析师、生产设备维护者、生产流程设计者等。这使得用户人员不仅要调整用来构建自己身份且与工作相关的目标、价值观、规范和互动模式,而且要随之改变工作行为[12]。换而言之,应用AI后用户人员必须不断调整自身行为以缩小新角色认知与新角色感知之间的差距,即建立新职业角色认同,这不仅关系到人机协同关系建立,而且关系到用户人员的自我适应[12-13]。

2.4.1 AI能力对新职业角色认同的影响

首先,AI能力有助于用户人员提升自我效能。拥有AI能力的用户人员更易增强与AI高效协同并完成新工作的信心,进而形成新职业角色期待并愿意为之设计新工作目标与内容,这些是他们建立新职业角色认同的基础与关键[12]。其次,AI能力有助于用户人员进行能力重构。拥有AI能力的用户人员不仅易于理解如何进行人机协同进而有效整合工作资源,而且知道如何持续调整AI应用后行为[7],这些使得用户人员能够进行技能扩展与创新能力重构,从而建立新职业角色认同。最后,AI能力有助于用户人员赢得社会支持。在引入AI后,用户人员可能由工作主导者变为AI合作者甚至辅助者,从而形成心理落差甚至丧失自我认同[10]。AI能力可以促进用户人员在与AI协同工作中由被动变主动、由消极变积极,进而赢得上级、同事等的支持与帮助,最终形成对新职业角色的认同[12]。根据以上分析,本文提出研究假设:

H2:AI能力对新职业角色认同具有显著正向影响。

2.4.2 新职业角色认同对人机隐性知识转移的影响

首先,由于建立新职业角色认同的用户人员已经明晰与AI的关系,不再担心AI对自身发展的威胁,因此会积极拥抱AI、努力构建人机协同关系,打破人机隐性知识转移梗阻,将自身隐性知识资源优势转化为人机协同工作优势[9]。其次,建立新职业角色认同的用户人员能更清晰地认知人机协同工作内容、要求,这有助于他们克服恐惧、不满、困惑等阻碍隐性知识转移的负面情绪,以适合方式实现人机隐性知识转移[27]。最后,隐性知识转移具有复杂且费力的特征[18],新职业角色认同有助于促进用户人员建立努力与AI协同工作的责任感[28],助力用户人员持久地进行人机隐性知识转移。根据以上分析,本文提出研究假设:

H3:新职业角色认同对人机隐性知识转移具有显著正向影响。

2.4.3 新职业角色认同对AI能力与人机隐性知识转移关系的中介作用

AI能力能够帮助用户人员更好地应用AI并获取AI价值[7],这有助于用户人员增进新职业角色认知并调整工作内容、方式以及认同新工作[13]。同时,助力用户人员深刻认同与AI协同的意义与目的[21],促使他们进一步采取积极行动,例如将隐性知识转移给AI,以满足与AI协同工作要求并获取AI价值[9]。根据以上分析,本文提出研究假设:

H4:AI能力能够通过新职业角色认同正向影响人机隐性知识转移。

2.5 价值感知与威胁感知的调节作用

价值感知是指个体对可获得净利益的感知[29]。本文中的价值感知是用户人员在权衡AI应用中投入的金钱、精力、时间等成本后对AI效用的积极评价。人机交互与人机协同是建立在用户人员对AI价值感知的基础上,当用户人员感知到来自AI的更多价值时,他们更可能接受AI并与其互动及协同[9]。

威胁感知源于群体的边界性,被定义为群体成员对外来者可能伤害他们的感知[30]。换而言之,其是外部主体进入群体时内部成员感受到的威胁,这种威胁是引起对抗的主要因素[30-31]。由于AI能够学习人类智能以及显著改变工作方式,当它进入组织时,用户人员会感受到来自它的威胁,例如工作稳定性、安全性,以及物资保障[32]、工作身份、角色与价值观受到威胁[9]。

由前文分析可知,AI能力通过提升自我效能、进行能力重构与获取社会支持3个方面促进新职业角色认同,而价值感知与威胁感知则分别正向、负向调节上述3个方面在AI能力促进新职业角色认同中的作用。首先,价值感知能够增强拥有AI能力的用户人员与AI协同工作的兴趣以及实现工作目标的信心[12],进而强化自我效能的提升作用;威胁感知促使用户人员产生恐惧情绪甚至借助AI能力进行人机对抗[27],进而弱化自我效能的影响。其次,价值感知会促使拥有AI能力的用户人员在与AI协同中专注于高价值工作[13],助力用户人员明确技能扩展与创新方向、重点及方案,进而强化AI能力对能力重构的影响;而威胁感知则会削弱用户人员对工作的控制感[7],引致他们不愿意进行工作能力重构,弱化能力重构的影响。最后,价值感知能够增强拥有AI能力的用户人员争取社会支持(例如将AI价值转化为自己的工作展示)[12],从而强化社会支持的影响;而威胁感知会削弱用户人员的工作责任心[27,33],导致他们不愿意争取工作所需的社会支持,弱化AI能力对社会支持的影响。根据以上分析,本文提出研究假设:

H5:价值感知正向调节AI能力对新职业角色认同的影响。

H6:威胁感知负向调节AI能力对新职业角色认同的影响。

构建如图1所示的研究模型。

3 研究方法

3.1 数据收集

考虑到AI能力、新职业角色认同、人机隐性知识转移、价值感知、威胁感知较难直接表征,加之问卷调查法是AI研究领域经常采用的数据收集方法[34],故本文采用其进行数据收集。为了深入接触到AI应用的被调查对象,参照以往研究[34],使用滚雪球法构造样本集合,即通过社会关系选择有较高AI应用水平的企业以及由这些企业推荐的其他企业构造样本集合。在此基础上,为了提升研究结论概化性,本文对样本集合中的企业进行随机抽样,并采取以下措施以保证数据质量:限定一家企业只填写一份问卷;通过设置筛选题项确保被调查者在工作中确实应用了AI系统并对AI系统有较深了解;主要通过电子邮件、微信等渠道发放问卷,与此同时,提供研究者联系方式以便于被调查者正确理解题项与及时消除疑问;告知被调查者问卷仅用于学术研究并采用匿名填写方式,消除其顾虑。共计发放问卷465份,剔除无效问卷,得到有效问卷321份,有效回收率为69%,符合基本要求。样本特征如表1所示。

3.2 变量测量

针对AI能力,本文借鉴Chowdhury等[7]的研究,即从AI采纳能力、利用能力与维护能力3个方面,共7个题项测度AI能力。

针对工作角色认同,Saleh&Hosek[35]在构建测度量表时考虑了新工作因素对个体角色认同的影响。本文中的新职业角色认同与AI这种新工作因素紧密相关。本文参考Saleh&Hosek的研究量表并进行了AI应用情景下的适度改编以用于测量新职业角色认同,共包括4个题项。

针对隐性知识转移,先前研究主要从知识类型角度测量隐性知识转移。如Dhanaraj等[17]从营销诀窍、管理技术与国外文化三种类型测度国外母公司向合资企业的隐性知识转移;邓春平和毛基业[36]从品质意识、服务意识与工作态度三种类型测量海外客户向国内供应商的隐性知识转移。遵循上述思路,并借鉴Johnson等[2]的研究成果,即用户人员直接或间接向AI转移的隐性知识主要包括已完成项目的经验与教训、难以表达的专业技巧或技术诀窍、工作中的部分敏锐性或直觉,本文重点从上述三方面测量人机隐性知识转移。

针对价值感知与威胁感知,本文参考Kim等[37]的研究并进行了AI应用情景下测量量表的适度改编,使用4个题项测量价值感知,同时,参考Sikolia[38]、Liang&Xue[39]的研究并进行AI应用情景下测量量表的适度改编,使用3个题项测量威胁感知。

本文使用Likert七级打分法,其中,1表示“完全不同意”,7表示“完全同意”,测量题项如表2所示。

考虑到作为知识转出方的个体或组织特征是影响隐性知识转移的重要因素[18],以及用户人员的个体或组织特征是影响他们接受与应用AI的重要因素[7],故将被调查者的性别、学历、年龄、职位以及企业规模、行业类型设为控制变量。其中,采用0-1变量法测量性别,即男性为0、女性为1;将学历划分为专科及以下、本科、硕士及以上三种类型,分别赋值为1、2、3;将年龄划分为25岁及以下、26～30岁、31～35岁、36～40岁、41～45岁、46～50岁、51岁及以上7个区间,依次赋值为1～7;采用0-1变量法测量职位,即员工为0、管理人员为1;使用销售收入与员工总数测量企业规模;采用0-1变量法测量行业类型,即制造业为0、非制造业为1。

3.3 共同方法偏差分析

首先,使用Harman单因子法检测共同方法偏差,即将所有题项进行探索性因子分析。结果显示,提取出5个因子,解释了72.658%的总方差。其中,第一个因子解释了21.523%的总方差,低于50%。其次,使用控制变量法检测共同方法偏差,分别构造单因子模型、5因子模型、6因子模型进行验证性因子分析。结果发现,5因子模型拟合结果显著优于单因子模型,与此同时,6因子模型拟合结果并未显著优于5因子模型。综上,共同方法偏差并不显著。

3.4 信度与效度分析

本文测量题项是基于成熟量表并结合研究情境改编形成的。为保障测量合理性与有效性,采用以下流程:首先,确立表述明确、语法清晰、契合情景等原则,进行量表的初始改编;其次,征求AI与创新管理研究领域的3位高校教授与两位企业专家意见,对题项内容与表述进行评估及修订;最后,通过对40位使用了AI系统的企业人员开展小规模预测试,进行题项分析与进一步修正,形成正式问卷。

如表2所示,各变量的Cronbach's α值与CR值都大于0.7,表明测量量表具有较高信度。使用验证性因子分析法检验效度,结果显示,5因子模型拟合结果良好,即χ2/df=1.428<3、CFI=0.981>0.9、NFI=0.938>0.9、TLI=0.977>0.9、IFI=0.981>0.9、GFI=0.932>0.9、RMSEA=0.037<0.08;所有题项负载均大于0.5,各变量AVE均超过0.5,表明测量量表具有较好的收敛效度。此外,如表3所示,各变量AVE的平方根均大于变量间相关系数,表明它们具有较高的区分效度。

4 实证分析

4.1 直接效应检验

以AI能力为前因变量、新职业角色认同为中介变量、人机隐性知识转移为结果变量,构造结构方程模型,检验假设H1～H3的成立情况。模型拟合结果良好,即χ2/df=1.641<3、CFI=0.982>0.9、NFI=0.955>0.9、TLI=0.978>0.9、IFI=0.982>0.9、GFI=0.949>0.9、RMSEA=0.045<0.08。模型中的路径系数如表4所示,可以看出:AI能力对人机隐性知识转移具有显著正向影响(β=0.394,P<0.001),AI能力对新职业角色认同具有显著正向影响(β=0.546,P<0.001),新职业角色认同对人机隐性知识转移具有显著正向影响(β=0.280,P<0.001),分别验证假设H1～H3成立。

4.2 间接效应检验

使用Bootstrap法(抽样5 000次,置信区间为95%)对新职业角色认同的中介效应(即假设H4)进行检验。如表5所示,对于“AI能力→新职业角色认同→人机隐性知识转移”路径而言,95%置信区间(Lower=0.083,Upper=0.263)不包含0,中介效应值为0.153且显著(p<0.001),表明新职业角色认同中介AI能力对人机隐性知识转移的影响,因而假设H4成立。

4.3 调节效应检验

采用SPSS PROCESS宏程序进行调节效应分析,即检验假设H5、H6的成立情况。在中心化处理AI能力与价值感知的基础上,构造调节项“AI能力×价值感知”。由表6可知,该调节项的95%置信区间(LLCI =0.005,ULCI =0.338)不含0,且p=0.044<0.05,说明价值感知正向调节AI能力对新职业角色认同的影响。调节效应值为0.172,调节结果如图2所示。因此,假设H5成立。

在中心化处理AI能力与威胁感知的基础上,构造调节项“AI能力×威胁感知”。由表7可知,该调节项的95%置信区间(LLCI=-0.126,ULCI=0.225)包含0,且p=0.580>0.1,表明威胁感知未调节AI能力对新职业角色认同的影响。因此,假设H6不成立。

4.4 稳健性检验

本文使用层次回归分析法进行稳健性检验。如表8所示,模型1与5是基础模型,用于检验控制变量的作用效应。模型2显示,AI能力对人机隐性知识转移的总效应显著(β=0.460,P<0.001);模型6显示,AI能力对新职业角色认同具有显著正向影响(β=0.502,P<0.001),再次验证H2;模型3显示,新职业角色认同对人机隐性知识转移具有显著正向影响(β=0.436,P<0.001),再次验证H3;对比模型2与模型4发现,当加入新职业角色认同后,AI能力对人机隐性知识转移的影响由0.460(P<0.001)下降为0.324(P<0.001),表明新职业角色认同部分中介AI能力对人机隐性知识转移的影响,即AI能力不仅直接对人机隐性知识转移产生作用,而且间接影响人机隐性知识转移,再次支持假设H1与H4。

在模型6的基础上对变量进行中心化处理并构造模型7、模型8,检验价值感知的调节效应,如表9所示。模型8显示,调节项“AI能力×价值感知”的调节效应为0.092且显著(P<0.05),说明价值感知起正向调节作用,再次验证假设H5。在模型6的基础上对变量进行中心化处理并构造模型9与模型10,检验威胁感知的调节效应。模型10显示,调节项“AI能力×威胁感知”的调节效应为0.026但不显著(P>0.1),说明威胁感知未起到调节作用,再次验证假设H6不成立。

5 结论与启示

5.1 研究结论

基于AI社会化理论,本文探讨了AI能力影响人机隐性知识转移的机制,主要获得以下结论:

(1)AI能力正向影响人机隐性知识转移。这一结论呼应并强化了Makarius等[9]、Zheng等[11]提出的“用户人员的AI能力是将AI融入组织的前提”的观点。相较于他们的研究结果,本研究更具体地显示了用户人员的AI采纳、利用与维护能力是推进AI融入组织的重要能力。进一步地,本文研究表明在将AI融入企业时需要重视AI能力与人机隐性知识转移间关系,发挥AI能力对人机隐性知识转移的重要作用。

(2)AI能力正向影响新职业角色认同,并通过它正向影响人机隐性知识转移。这一结论与先前研究提出的“在将AI融入组织的过程中,用户人员要调整他们的工作、团队等流程与状态,从而更好地适应和发挥AI价值”的观点一致[7,13]。本文揭示了AI能力作用于人机隐性知识转移的具体路径,即AI能力不仅能够直接影响人机隐性知识转移,而且能够通过新职业角色认同间接作用于人机隐性知识转移。

(3)价值感知能够正向调节AI能力对新职业角色认同的影响,进而间接强化AI能力对人机隐性知识转移的影响。这一发现揭示了AI能力通过新职业角色认同影响人机隐性知识转移过程中的强化因素。它表明,用户人员感知的AI价值越大,AI能力对新职业角色认同的影响越大,进而对人机隐性知识转移的影响也越大。

本文未证实威胁感知的负向调节作用,但是发现威胁感知具有正向调节AI能力与新职业角色认同关系的趋势(β>0)。一个可能的原因是,威胁感知会强化用户人员的动力,即他们面对AI带来的威胁时产生危机意识,愿意进行能力重构与寻求社会支持,从而在人机协同框架下借助AI能力塑造新工作、新角色,进而建立新职业角色认同。

5.2 理论贡献

首先,通过引入用户行为视角促进人机隐性知识转移研究视角的多元化。现有研究多采用技术决定视角,例如聚焦人机隐性知识转移的技术方法[2,4]。本文系统探讨了用户作为人机隐性知识转移主体的行为决策逻辑,有效弥补了现有研究视角单一化的不足,助力人机隐性知识转移理论拓展和解释力提升。

其次,揭示了人机隐性知识转移中的行为发生机制,丰富了该领域研究。现有研究尽管提出了人机隐性知识转移的具体方式[2,5],然而缺乏探讨人机隐性知识转移是如何发生的。此外,学者们在探讨人机隐性知识转移时也存在主体与客体、技术与行为的脱节。本文以AI社会化理论为基础,以价值感知、威胁感知、新职业角色认同为媒介,充分考虑AI能力对用户人机隐性知识转移行为的反向塑造作用,解析了人机隐性知识转移行为发生机制,进而在发生行为与发生方式、主体与客体、技术与行为互动等不同维度上增进了对人机隐性知识转移的整合性理解。

最后,为人机隐性知识转移研究提供了理论基础与框架。现有研究缺乏理论基础与系统框架解释人机隐性知识转移。本文基于人机交互这一隐性知识转移典型特征,引入AI社会化理论作为理论基础,进一步为研究人机隐性知识转移的发生机制构建了“能力(AI能力)—认知(新职业角色认同)—行为(人机隐性知识转移)”分析框架,为后续研究提供了有效的理论支点和逻辑依据。

5.3 管理启示

(1)企业应重视通过构建与培育用户人员的AI能力来促进人机隐性知识转移。企业可以通过培训、研讨、观摩、示范等举措强化用户人员的AI能力,促使用户人员具备采纳、利用和维护AI的认知、知识与技能。在此基础上,企业应引导和鼓励用户人员积极应用AI能力去定义AI应用目标与任务、建立与训练AI模型、标记与注解模型输入数据、反馈与调整模型参数,从而将他们的隐性知识转移给AI,进而不断提升其性能与获取预期绩效。

(2)企业应重视用户人员的AI能力与新职业角色认同关系,进而促进人机隐性知识转移。企业应帮助用户人员利用AI能力来分析需承担的工作角色以及工作角色可能出现的变化,进一步地,利用AI能力重新设计工作目标、内容与流程等,助力用户人员与AI形成既有分工又有协作的工作关系,在此基础上促进用户人员与AI交互,推进人机隐性知识转移。

(3)企业应引导和鼓励用户人员全面认知AI价值,促进人机隐性知识转移。企业可通过宣传、培训、学习等方式促使用户人员深刻认识到AI对个人、企业的重要价值,增强他们克服困难、积极应用AI并与AI协同工作的意愿和动力。同时,不断提升用户人员的AI能力并引导、鼓励他们通过AI能力来变革工作内容与认同新工作,从而促进用户人员进行人机隐性知识转移。

(4)企业不应纠结是否消除用户人员对AI的威胁感知。企业往往认为威胁感知会阻止用户人员应用AI。本文发现威胁感知并未发挥消极影响。企业可以引导用户人员将威胁感知转化为动力,促使用户人员利用他们的AI能力开展新工作并将隐性知识转移给AI。

6 不足与展望

本文尚有待完善之处。首先,仅考虑了用户人员的调节因素,未来可以尝试将更多调节因素,例如将任务特征引入研究模型。其次,未揭示人机隐性知识转移绩效,未来研究可以在本文提出的“AI能力—新职业角色认同—人机隐性知识转移”模型基础上引入绩效结果。最后,未区分服务业企业与制造业企业之间的差异,未来可以进一步考虑两类企业用户人员的AI能力,以及职业角色转换动力、路径依赖与成本以及人机隐性知识转移重点内容,探讨两类企业用户人员通过AI能力进行人机隐性知识转移的特征及差异。

参考文献：

[1] DENG C,JI X,RAINEY C,et al.Integrating machine learning with human knowledge[J].Iscience,2020,23:101656.

[2] JOHNSON M,ALBIZRI A,HARFOUCHE A,et al.Integrating human knowledge into artificial intelligence for complex and ill-structured problems:informed artificial intelligence[J].International Journal of Information Management,2022,64:102479.

[3] VINCENT V U.Integrating intuition and artificial intelligence in organizational decision-making[J].Business Horizons,2021,64(4):425-438.

[4] HAQUE A B,ISLAM A K M N,MIKALEF P.Explainable artificial intelligence (XAI) from a user perspective:a synthesis of prior literature and problematizing avenues for future research[J].Technological Forecasting and Social Change,2023,186:122120.

[5] DIKMEN M,BURNS C.The effects of domain knowledge on trust in explainable AI and task performance:a case of peer-to-peer lending[J].International Journal of Human-Computer Studies,2022,162:102792.

[6] 苏屹,刘桐赫,张傲然.基于蔡氏混沌的隐性知识转移仿真研究[J].科技进步与对策,2024,41(2):119-129.

[7] 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.

[8] MARKAUSKAITE L,MARRONE R,POQUET O,et al.Rethinking the entwinement between artificial intelligence and human learning:what capabilities do learners need for a world with AI[J].Computers and Education:Artificial Intelligence,2022,3:100056.

[9] MAKARIUS E E,MUKHERJEE D,FOX J D,et al.Rising with the machines:a sociotechnical framework for bringing artificial intelligence into the organization[J].Journal of Business Research,2020,120:262-273.

[10] WILSON H J,DAUGHERTY P,BIANZINO N.The jobs that artificial intelligence will create[J].MIT Sloan Management Review,2017,58(4):14-16.

[11] ZHENG Q,GOU J,CAMARINHA-MATOS L M,et al.Digital capability requirements and improvement strategies:organizational socialization of AI teammates[J].Information Processing&Management,2023,60(6):103504.

[12] STRICH F,MAYER A S,FIEDLER M.What do I do in a world of artificial intelligence investigating the impact of substitutive decision-making AI systems on employees' professional role identity[J].Journal of the Association for Information Systems,2021,22(2):304-324.

[13] HARRIS-WATSON A M,LARSON L E,LAUHARATANAHIRUN N,et al.Social perception in human-AI teams:warmth and competence predict receptivity to AI teammates[J].Computers in Human Behavior,2023,145:107765.

[14] DAVIS F D.Perceived usefulness,perceived ease of use,and user acceptance of information technology[J].MIS Quarterly,1989,13(3):319-340.

[15] AHN M J,CHEN Y C.Digital transformation toward AI-augmented public administration:the perception of government employees and the willingness to use AI in government[J].Government Information Quarterly,2022,39(2):101664.

[16] DECKER B,LANDAETA R E,KOTNOUR T G.Exploring the relationships between emotional intelligence and the use of knowledge transfer methods in the project environment[J].Knowledge Management Research &Practice,2009,7(1):15-36.

[17] DHANARAJ C,LYLES M A,STEENSMA H K,et al.Managing tacit and explicit knowledge transfer in IJVs:the role of relational embeddedness and the impact on performance[J].Journal of International Business Studies,2004,35:428-442.

[18] PARK C,GHAURI P N,LEE J Y,et al.Unveiling the black box of IJV innovativeness:the role of explicit and tacit knowledge transfer[J].Journal of International Management,2022,28(4):100956.

[19] HARFOUCHE A,QUINIO B,SABA M,et al.The recursive theory of knowledge augmentation:integrating human intuition and knowledge in artificial intelligence to augment organizational knowledge[J].Information Systems Frontiers,2023,25(1):55-70.

[20] PASCHEN J,WILSON M,FERREIRA J J.Collaborative intelligence:how human and artificial intelligence create value along the B2B sales funnel[J].Business Horizons,2020,63(3):403-414.

[21] CHOWDHURY S,DEY P,JOEL-EDGAR S,et al.Unlocking the value of artificial intelligence in human resource management through AI capability framework[J].Human Resource Management Review,2023,33(1):100899.

[22] MIKALEF P,GUPTA M.Artificial intelligence capability:conceptualization,measurement calibration,and empirical study on its impact on organizational creativity and firm performance[J].Information &Management,2021,58(3):103434.

[23] 李树文,罗瑾琏,张志菲.AI能力如何助推企业实现价值共创——基于企业与客户间互动的探索性案例研究[J].中国工业经济,2023,40(5):174-192.

[24] GOMEZ C,UNBERATH M,HUANG C.Mitigating knowledge imbalance in AI-advised decision-making through collaborative user involvement[J].International Journal of Human-Computer Studies,2023,172:102977.

[25] CHREIM S,WILLIAMS B E,HININGS C R.Interlevel influences on the reconstruction of professional role identity[J].Academy of Management Journal,2007,50(6):1515-1539.

[26] 陈艾华,陈婵.基于角色认同的学术创业协同创新机理——来自高校跨学科创业团队的实证研究[J].科学学研究,2023,41(3):491-499,555.

[27] CRAIG K,THATCHER J B,GROVER V.The IT identity threat:a conceptual definition and operational measure[J].Journal of Management Information Systems,2019,36(1):259-288.

[28] KOU X,KURDI-NAKRA H,PAK J.The framework of first-line manager's HR role identity:a multi-actor HR involvement perspective[J].Human Resource Management Review,2022,32(4):100898.

[29] CHEN Z,DUBINSKY A J.A conceptual model of perceived customer value in e-commerce:a preliminary investigation[J].Psychology and Marketing,2003,20(4):323-347.

[30] STEPHAN W,MEALY M.Intergroup threat theory[M].Oxford:Blackwell Publishing Ltd,2011.

[31] 龙静,汪丽.并购后威胁感知与心理安全对员工创新的影响——基于高科技企业的实证研究[J].科学学研究,2011,29(9):1382-1388.

[32] 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.

[33] 赵琛徽,汤昊.人工智能技术应用对员工建言和沉默的影响:工作反刍和工作自主性的作用[J].科技进步与对策,2025,42(14):21-33.

[34] ULLAH R,ISMAIL H B,KHAN M T I,et al.Nexus between ChatGPT usage dimensions and investment decisions making in Pakistan:moderating role of financial literacy[J].Technology in Society,2024,76:102454.

[35] SALEH S D, HOSEK J. Job involvement:concepts and measurements[J].Academy of Management Journal,1976,19(2):213-224.

[36] 邓春平,毛基业.控制,吸收能力与知识转移——基于离岸IT服务外包业的实证研究[J].管理评论,2012,24(2):131-139.

[37] KIM H W,CHAN H C,GUPTA S.Value-based adoption of mobile internet:an empirical investigation[J].Decision Support Systems,2007,43(1):111-126.

[38] SIKOLIA D,TWITCHELL D,SAGERS G.Protection motivation and deterrence:evidence from a Fortune 100 Company[J].AIS Transactions on Replication Research,2018,4:1-14.

[39] LIANG H,XUE Y.Avoidance of information technology threats:a theoretical perspective[J].MIS Quarterly,2009,33(1):71-90.

(责任编辑：胡俊健)