Pathways and Boundary Conditions through Which AI Adoption Sparks Improvisation of Innovative Employees

Xiong Li ,Fang Jiaxing

(School of Business Administration,Jiangxi University of Finance and Economics,Nanchang 330032,China)

Abstract：In the era of the digital economy,innovation has become a core driver for enterprises to cultivate competitive advantages,yet the increasing complexity and dynamics of the business environment pose significant challenges to innovators. Under such conditions,improvisation is defined as the spontaneous and creative integration of available resources through the convergence of planning and execution and it has emerged as a critical capability for innovative employees. Although prior studies have demonstrated the importance of improvisation for creativity and adaptive performance,the role of artificial intelligence (AI) in enabling improvisation remains insufficiently explored.

Existing research on AI adoption in organizations is largely divided between substitution and augmentation perspectives. The substitution view highlights potential negative consequences of AI,such as job insecurity and skill obsolescence,whereas the augmentation view emphasizes AI's capacity to enhance employee performance by extending cognitive resources and supporting complex problem solving. While both perspectives offer valuable insights,they provide limited explanations of how AI functions as an actionable resource that supports employees' improvisation in dynamic and unstructured work situations. Moreover,prior studies have tended to focus on relatively static outcomes (e.g.,job satisfaction or creativity),paying less attention to the behavioral mechanisms through which AI adoption translates into real-time adaptive action.

Drawing on conservation of resources (COR) theory and signaling theory,this study addresses these gaps by examining how and under what conditions AI adoption stimulates improvisation among innovative employees. From a COR perspective,AI is conceptualized as a novel and high-quality resource that can initiate a resource gain spiral by enhancing employees' perceived career growth opportunities and motivating proactive resource acquisition. Specifically,this study proposes that AI adoption increases employees' perceived career growth opportunities,which in turn encourage engagement in AI-assisted bricolage,an approach involving the creative recombination and utilization of available resources with the support of AI technologies. Through this process,employees become better equipped to engage in improvisation when facing emergent challenges. Furthermore,following the signaling theory,this study introduces leaders' AI symbolization as a key boundary condition,arguing that leaders' symbolic behaviors regarding AI convey salient signals that shape employees' interpretations of AI as either a developmental opportunity or a potential threat.

To test the proposed moderated serial mediation model,data were collected using a three-wave,time-lagged survey design from 306 matched pairs of innovative employees and their immediate supervisors across innovation-intensive industries,including software development,marine engineering,pharmaceutical R&D,electronic engineering,and materials science. At Time 1,supervisors assessed AI adoption within the team and their own AI symbolization behaviors. At Time 2,employees reported perceived career growth opportunities and trust in AI (as a control variable). At Time 3,employees evaluated AI-assisted bricolage and improvisation. Demographic variables such as gender,age,education,and organizational tenure were controlled. Structural equation modeling (SEM) with Mplus 8.3 and bootstrap procedures were used to test the hypotheses.

The results provide strong support for the proposed model. AI adoption positively influenced employees' perceived career growth opportunities,indicating that AI is not merely viewed as a productivity tool but also as a developmental resource. Perceived career growth opportunities,in turn,significantly promoted AI-assisted bricolage,which further enhanced improvisation,confirming the serial mediating mechanism. In addition,leaders' AI symbolization positively moderated the relationship between AI adoption and perceived career growth opportunities,such that this relationship was stronger when leaders exhibited higher levels of AI symbolization. Moreover,the indirect effect of AI adoption on improvisation through perceived career growth opportunities and AI-assisted bricolage was significant only under conditions of high leader AI symbolization,highlighting its critical boundary role.

This study makes several important contributions. Theoretically,it extends COR theory to human-AI interaction contexts by elucidating how AI can trigger a resource gain spiral that culminates in improvisation. It also advances improvisation research by shifting the focus from pressure-driven reactions under resource scarcity to opportunity-driven proactive action enabled by AI. In addition,by highlighting leaders' AI symbolization as a contextual signal,this study enriches the leadership and signaling literature in the AI era.The findings suggest that organizations should not only invest in AI technologies but also foster leadership behaviors that symbolically endorse AI use and help employees perceive AI as a source of career growth. Such efforts can facilitate effective human-AI collaboration and unlock the improvisation potential of innovative employees.

Key Words：AI Adoption; Perceived Career Growth Opportunities; AI-assisted Bricolage; Improvisation

收稿日期：2025-08-07

修回日期：2026-03-08

基金项目：国家自然科学基金项目(72172054)

作者简介：熊立(1983—),男,江西南昌人,博士,江西财经大学工商管理学院教授,研究方向为即兴行为、创新变革;方佳星(2001—),女,江西宜春人,江西财经大学工商管理学院博士研究生,研究方向为即兴行为、创新变革。

DOI：10.6049/kjjbydc.D1RJ202508006

开放科学(资源服务)标识码(OSID)：

中图分类号：C936

文献标识码：A

文章编号：1001-7348(2026)12-0116-10

0 引言

数字经济时代,创新已成为培育企业竞争优势、推动经济增长的核心驱动力[1]。然而,创新活动正处于复杂多变的环境中,如技术快速迭代、市场需求不断变化以及激烈的全球竞争[1]。预先制定的周密计划往往难以覆盖执行过程中的突发技术障碍与隐性资源约束。因此,鼓励创新人员(如从事技术、产品、流程或管理创新活动的研发人员、工程师和科学家等)提升即兴能力尤为重要[2]。即兴是指个体自发地、创造性地将计划与执行融为一体,并利用当下可用资源的行为模式[3]。研究表明,即兴是促进创造力、发掘潜力以及应对环境变化的有效工具[3-4]。作为计划外的挑战性行为,即兴要求创新人员能够调用现有可用资源进行现场拼凑。在处理突发情况时,员工常面临有限理性和资源约束,有效开展即兴行为绝非易事。人工智能(如生成式AI和算法)的兴起,为解决这一问题提供了变革性机遇。相较于传统工具,人工智能通过持续学习与智能生成,拓展了个体可调用的资源库,相当于外接了一个拥有丰富资源的大脑[5]。围绕人工智能应用的组织后果,现有研究主要形成了“替代”与“增强”两种视角[6-7]。前者认为AI将导致情感耗竭与工作退缩[8],后者强调AI有利于提升员工绩效[9]。尽管基于替代视角的相关研究揭示了技术变革可能带来的组织挑战,但从组织发展与员工成长的长期视角看,AI作为正向资源输入,如何促进员工在高不确定情境下的主动行为,仍有待深入探讨。

现有研究主要关注AI应用对员工知识隐藏、偏差行为、工作满意度和人机信任等结果的影响[10-11],兼顾积极与消极双重视角[9,12]。随着AI在职场中迅速渗透,探索其应用对员工的积极影响具有重要意义。围绕这一议题,AI对员工创造力提升的路径机制受到国内外学者广泛关注,并积累了丰富的研究成果[13]。创造力是认知能力,主要关注通过计划、迭代与资源整合产生新颖且有价值的成果,其产出具有一定的时间弹性[13]。当前,创新活动面临时间压力与资源约束,需要创新人员采取即兴行为应对,因而对资源获取速度与整合方式提出了更高要求。随着AI技术发展,个体资源结构及其获取逻辑正发生变化,但这一变化如何影响高度依赖资源拼凑的即兴行为过程,仍有待深入探讨。现有研究多从单一技术视角或心理视角切入,缺乏对“技术—认知—行为”链式反应机制的系统整合,难以充分解释AI如何从客观工具转化为员工的主观行动资源。领导者作为技术变革的推动者,其对AI的态度如何塑造员工技术认知框架与使用逻辑,也是具有实践价值的重要议题[14]。

本文基于AI增强视角,结合资源保存理论探究AI应用如何丰富创新人员的现有资源并激发其即兴行为[6,15]。资源保存理论认为,个体行为围绕资源获取、保存与维持展开,包含增益螺旋与损耗螺旋两条路径[15]。客观事物能否被视为有价值的资源,取决于个体主观感知与评价[16]。资源通过利用现有资源得到积累,初始资源获取将引发资源增益螺旋[15]。损耗螺旋则表现为资源损失威胁触发焦虑、退缩等防御性反应,最终导致资源损耗与行为下滑的负向循环[15]。两种路径在组织情境中普遍存在,本文主要基于AI增强视角,遵循资源增益逻辑,探讨AI作为优质资源如何通过引发个体积极感知和主动资源获取行为,进而促进即兴行为发生。具体而言,本文认为,AI应用作为初始技术资源,能够增强创新人员对职业成长机会的感知,使其愿意在不确定情境下,投入时间与认知资源开展AI辅助资源拼凑行为,即借助AI的算法推荐与跨领域资源检索等功能,对自身知识经验与外部数字资源进行动态整合及创造性重构,实现资源高效再利用与重组的过程[17]。在此基础上,通过智能技术赋能,创新人员能够在复杂情境中快速重构问题并生成解决方案,从而提升其即兴表现[4]。基于信号理论[18],本文引入团队领导的AI符号化作为调节变量。领导者通过一系列与AI相关的象征性行为,传递其对AI应用的态度与支持程度,向员工释放组织鼓励AI应用的积极信号[19]。此情境下,创新人员更易将AI视为强大外脑,进而利用AI潜力促进个人职业成长。

本文基于资源保存理论与信号理论,构建AI应用影响创新人员即兴行为的理论模型,揭示感知职业成长机会与AI辅助资源拼凑的链式中介效应,并考察领导AI符号化的调节作用,有助于启示企业从AI应用的多环节入手,从领导、组织与员工等层面激发创新人员在组织应用AI的情景下展现出更多即兴行为,进而丰富人机协同下的创新成果。

1 理论分析与研究假设

1.1 AI应用对员工行为的影响

既有研究主要从“替代”与“增强”两种视角,探讨AI应用的组织后果。基于替代视角的相关研究关注AI自动化可能引发的职业不安全感与技能焦虑[8];基于增强视角的相关研究强调AI可作为认知延伸与资源补充,通过分担程式化任务释放员工潜能[9]。近年来,越来越多的研究开始探究双刃剑效应,认为AI应用可能同时带来赋能与挑战,其最终影响取决于技术特性、组织情境与个体因素的共同作用[20]。现有研究多关注AI对员工常规绩效、创造力、技术信任或一般心理状态的静态、单向影响[10-11,13],对于动态、高压、非结构化任务情境下,AI作为即时可调用的“外脑资源库”如何以及何时能支持员工适应性行为、即兴行为,仍缺乏深入探讨。

1.2 AI时代的即兴行为研究

即兴行为研究,源于组织应对不确定性的现实需求[3]。VUCA环境下,这种“边做边想”的能力已成为影响企业生存的关键能力,但已有研究多将其视为应急手段,而非核心能力[4]。关于即兴行为的前因,资源拼凑理论认为,个体对资源的即时获取与整合能力是即兴行为发生的物质基础[21]。然而,既有文献中的资源主要局限于社会网络或过往经验等传统资源。随着AI兴起,资源结构与获取机制发生深刻变革。作为新型数字资源,AI不仅拓展了资源形态与边界,更借助实时检索、智能匹配与生成能力,提升了资源获取速度与效率[5]。这一技术演进过程可能重构员工拼凑资源的内在逻辑与行为模式,而现有相关研究尚未揭示这一数字技术情境下即兴行为的新特征。

综上所述,AI技术进步推动了AI在组织中的应用与即兴行为两大研究领域发展,但二者的交叉融合仍存在探索空间。现有研究尚未充分揭示AI作为新兴数字资源,如何通过重塑员工认知状态与资源获取逻辑(如拼凑行为)促发即兴行为的微观过程机制,对领导风格等组织情境边界的考察也较为匮乏。

1.3 AI应用对感知职业成长机会与AI辅助资源拼凑的影响

AI应用是指组织将AI系统整合至运营工作流程中,借助算法与机器学习协助重塑传统任务的过程[20]。AI应用客观上为个体提供了促进其职业发展的新型资源库[6]。与互联网不同,AI具有创新拼凑、重组和整合数据的能力,且能够持续迭代,实现更高层次的元认知升级。资源保存理论指出,个体会根据其目标评估资源的价值与重要性产生不同的感知及动机,并进一步影响其资源保存或获取行为[15]。面对AI应用这一机遇与威胁并存的场景,职场个体反应呈现较大差异[22]。例如,个体可能因AI在促进工作目标进展方面的独特优势而感到愉悦和幸福,也可能因AI快速发展带来的潜在风险而产生焦虑[23]。这些感知本质上源于AI对个体职业前景的影响,即职业成长与职业替代的双重可能。据此,本文将创新人员的感知职业成长机会定义为“对获得更广泛或更精进技能、承担更大责任、获得更高声望与收入可能性的感知”[24],并将其视为AI应用的近端结果。

基于资源保存理论中“有价值资源能增强个体目标实现能力”的核心命题[15],本文认为,AI应用对创新人员的感知职业成长机会具有积极影响。首先,历次技术革命重塑了工作内容与组织边界,创造了大量晋升与学习机会,而率先把握机遇的个体能够获得较多“红利”[23]。AI作为变革性技术进步,更可能被员工感知为拓展职业能力边界、激活资源增益循环的关键赋能资源。其次,通过与AI协作,员工可尝试攻克以往难以解决的问题[20]。既有研究表明,AI应用有助于个体在操作活动中学习,如通过与协作机器人和智能算法互动提升学习能力[5]。这意味着创新人员能够超越现有技能、知识和能力,增加其感知到的职业成长机会[9,24]。据此,本文提出以下假设:

H1:AI应用正向影响创新人员的感知职业成长机会。

资源拼凑是指个体在资源约束情境下,创造性地整合包括闲置、零散资源在内的既有可用资源,以应对新问题、把握新机遇的行为[17]。传统资源拼凑通常受限于个体有限的认知边界与资源存量,即依赖自身记忆、过往经验及社交网络进行资源搜寻,并在资源价值识别、组合方式调整等环节投入大量时间与精力[21]。在AI辅助下,创新人员可借助信息检索与数据处理能力,快速获取海量高质量数据资源,突破个体认知与信息壁垒,动态整合分散的内外部资源要素,从而激发更具创造性的问题解决思路,最终实现高效资源重新组合与再利用[13]。正如Schumpeter[25]所言,创新源于对现有资源的新组合,AI辅助资源拼凑往往能够达成意想不到的卓越成果。

作为对职业发展积极预期的指标,感知职业成长机会是驱动个体主动且创造性参与资源获取行为的内在动机[15,26]。资源保存理论认为,感知职业成长机会是重要心理资源,代表个体对未来资源增益可能性的积极评估,将促进创新人员启动资源获取过程[15]。具体而言,当创新人员感知到职业成长的可能性时,处于资源盈余的感知状态,更倾向于将现有资源投向可能带来新资源的行为中[9],因而更频繁地开展AI辅助资源拼凑活动,如经常向AI寻求建议、从AI提供的多样化资源中汲取灵感,以及对可用资源进行创造性重组等[5]。此外,对职业成长机会的感知通常伴随着积极的情绪状态,有助于个体主动参与具有挑战性的行为[27]。资源拼凑依赖拼凑者的投入与持续努力[21],积极情绪能够增强行为动机,从而推动个体利用AI进行资源拼凑。感知职业成长机会反映个体在工作中寻求进步的意愿,而拼凑正是利用可用资源主动、动态追求进步的行动[21],由此形成从意愿向行动转化的过程。据此,本文提出以下假设:

H2:AI应用通过感知职业成长机会正向影响创新人员的AI辅助资源拼凑。

1.4 AI辅助资源拼凑与即兴行为

即兴概念起源于艺术领域的即兴表演(如戏剧、音乐表演),是指演员面对临时表演要求或舞台事件时,即时、自发地解决问题[4]。近年来,即兴行为在组织管理领域广受关注,被界定为个体即时、自发且创造性地利用现有资源,实现计划与执行融合的过程[4]。随着技术和市场环境日益复杂多变,通过采取即兴行为,创新人员可有效应对突发技术障碍并推动科研项目进程[28]。因此,即兴已成为创新人员的关键工作能力。

现有文献指出,即兴行为本质上是资源拼凑的产物[4,21]。究其原因,即兴场景往往具有计划与执行高度融合的特征,且在资源分配上难以达到理想状态,因而资源拼凑成为实现即兴行为的关键手段[21]。换言之,尽管并非所有资源拼凑都是即兴行为,但即兴行为的产生需要以资源拼凑为基础。在AI辅助下,个体可用于拼凑的认知资源边界得以拓展,不仅有助于构建更丰富的初始资源库,还通过资源整合过程增强个体自我效能感与控制感,使创新人员有能力应对不确定性,敢于开展即兴行为[15]。也就是说,AI辅助资源拼凑过程允许个体以更灵活的方式探索新型资源组合的可能性[17]。在此期间,人机交互可能催生更多创新灵感,进而触发高水平即兴行为[28]。据此,本文提出以下假设:

H3:AI辅助资源拼凑正向影响即兴行为。

1.5 领导AI符号化的调节作用

尽管AI在提升生产力方面优势显著[9],但关于AI技术应用对个体工作体验具有积极影响还是消极影响,现有研究尚未达成共识[20]。此背景下,新兴情境化AI框架强调了将AI应用与实际操作环境相匹配的必要性[29]。资源保存理论指出,环境条件可作为资源车队和通道,决定个体是将AI视为促进资源增益的助手,还是导致资源损耗的威胁[15]。信号理论也持有相同的核心观点,并为理解领导行为如何作为可信社会线索影响员工在工作场所的感知与反应,提供了更细致的解释[18-19]。该理论指出,个体行为可作为传递意图与偏好的信号,通过社会学习和意义建构过程影响他人感知[30-31]。

鉴于下属在理解组织目标与发展方向时,往往将对其职业发展起决定作用的领导者视为高度可信的信息源,因此本文推断,领导AI符号化会强化AI应用对下属感知职业成长机会的积极效应[14]。领导AI符号化是指领导者通过言行或象征物传递其对AI的支持态度(如参与AI项目、配置AI设备等)[19]。以往研究表明,能够有效展现AI能力的领导者,更易激发员工在人机协作中的主观能动性(洪贝尔等,2024)。

创新团队中,具有较高AI符号化水平的领导者会更频繁地发起AI相关活动(如分享AI相关知识、开展培训项目),从而增强创新人员使用AI的自我效能感[19]。此情景下,员工倾向于相信领导者愿意为其提供充足的资源和支持,进而放大AI应用对感知职业成长机会的积极影响[19]。根据信号理论,领导者通过社会学习过程传递信号,进而影响创新人员对环境的感知[18,30]。创新人员倾向于校准来自领导者的信号,当其感知到领导支持AI技术时,更易形成与领导者相同的态度与行为[14],进而将AI视为促进职业成长的助手。相反,低水平的AI符号化难以传递鼓励使用AI的明确信号[19],导致员工可能对AI产生消极认知,并对AI能否促进其未来职业成长持怀疑态度[20]。此外,当组织内部缺乏AI支持信号时,创新人员更易受外部信息源的干扰。这些外部信息往往过度夸大AI能力,同时渲染技术替代风险[9],导致员工对职业成长机会的感知显著降低。据此,本文提出以下假设:

H4:领导AI符号化正向调节AI应用与感知职业成长机会的关系;领导AI符号化水平越高,AI应用对感知职业成长机会的正向影响越强,反之越弱。

1.6 有调节的链式中介模型

基于资源保存理论,AI作为全新的外接大脑和资源库[5],将通过“感知职业成长机会→AI辅助资源拼凑→即兴行为”这一路径实现资源增益螺旋[15]。信号理论与资源保存理论指出,团队领导的AI符号化作为关键环境信号[19],影响创新人员对AI价值的初始认知评价(感知职业成长机会),且这种感知差异将传导至后续行为环节。具体而言,领导者对AI的积极态度与行为通过社会学习和意义建构机制重塑员工认知图式[19],使其将AI技术解读为赋能职业成长的外脑资源库,进而更积极地开展AI辅助资源拼凑,促进即兴行为。低水平AI符号化情境下,员工易陷入被AI替代的焦虑情绪中,进一步抑制其利用AI辅助自身资源拼凑过程的主动性,最终削弱即兴行为表现。因此,领导AI符号化水平越高,AI应用通过感知职业成长机会与AI辅助资源拼凑影响即兴行为的链式中介效应越强。据此,本文提出以下假设:

H5:领导AI符号化调节AI应用通过感知职业成长机会和AI辅助资源拼凑影响即兴行为的链式中介效应。领导AI符号化水平越高,该链式中介效应越强,反之越弱。

本文概念模型如图1所示。

2 研究设计

2.1 样本来源

本研究通过见数平台招募软件开发、海洋工程、制药研发、电子研发、材料科学等创新密集型领域的创新型员工参与问卷调查,调查对象均为组织内研发、设计、技术开发部门的软件工程师、算法研究员、产品设计师等。为了降低共同方法偏差[32],采用3个时段创新人员—领导配对作答方法,各时间点间隔3周。为确保数据可靠性,在调查开始前,向参与者明确告知隐私保护及数据仅用于学术研究,最终获得450份“员工—领导”有效配对样本。分三阶段进行数据收集:时间点1(T1),由创新人员的上级(团队领导)评估AI应用水平与领导AI符号化水平,共发放450份问卷,回收有效问卷382份(回收率84.89%)。时间点2(T2),向T1中382位上级对应的下属发放问卷,收集职业成长机会感知与AI信任(控制变量)的相关信息,回收有效问卷351份。间隔3周后,对参与T2调查的员工发放在线问卷,306位员工完成作答(有效回收率为87.18%),评估AI辅助资源拼凑与即兴行为。

通过编码将多阶段数据匹配,最终获得306份员工—领导匹配样本,样本特征分布情况如表1所示。独立样本t检验结果显示,响应组与非响应组的人口学特征无显著差异(所有t值均未达显著性水平)。

2.2 测量工具

本研究采用的量表均为国内外权威期刊的成熟量表,英文量表经过翻译—回译程序,保证内容效度。除人口统计学信息外,所有变量均采用5点李克特量表测量(1为“完全不同意”,5为“完全同意”),如表2所示。借鉴Yam等[33]的研究,采用4题项量表测量AI应用,由团队领导报告;借鉴Desai等[34]的研究,采用6题项量表测量领导AI符号化,由团队领导报告;借鉴Nouri等[24]的研究,采用5题项量表测量感知职业成长机会;借鉴Senyard等[35]的研究,采用8题项量表测量AI辅助资源拼凑。对修订量表进行探索性因子分析(EFA),采用主成分分析法提取因子,并运用最大方差法进行旋转。分析结果显示,该量表呈现清晰的单维结构,KMO检验值为0.921,巴特利特球形检验显著(p<0.001),所有题项均保留,且因子载荷介于0.668～0.796之间。基于因子载荷进一步计算,该量表组合信度为0.906,平均方差抽取量为0.532,均优于其标准值(0.7与0.5),表明该修订量表具有较高的信效度。借鉴Vera等[36]的研究,采用7题项量表测量即兴行为。基于相关文献,本文将理论上与AI应用及创新人员行为相关的变量作为控制变量,这些变量可能为本模型所预设的关系提供替代性解释。控制参与者的性别、年龄、教育程度与任职年限。已有研究表明,上述因素会影响个体对AI技术的态度以及即兴行为意愿[6,20,37]。此外,本研究还控制了AI信任[4,12],以排除观察结果可能归因于AI信任,而非个体在感知职业成长后参与AI辅助资源拼凑行为的可能性。本研究中,该量表的Cronbach's α系数为0.779。

3 实证结果与分析

3.1 验证性因子分析与共同方法偏差检验

本研究采用Mplus8.3对AI应用、领导AI符号化、感知职业成长机会、AI辅助资源拼凑以及即兴行为5个变量进行验证性因子分析,结果如表3所示。相较于其他替代模型,五因子模型具有更优的拟合度,且满足理想拟合标准(χ2=705.025,df=395,RMSEA=0.046,CFI=0.935,TLI=0.928,SRMR=0.051)。加入共同方法偏差因子后,基于单一方法构建的潜在因子模型中(χ2=634.602,df=366,TLI=0.933,CFI=0.943,RMSEA=0.049,SRMR=0.041),TLI和CFI的增量小于0.1,且与五因子模型相比,RMSEA和SRMR的降幅未超过0.05,因而共同方法偏差不严重。

3.2 描述性统计与相关性分析

表4报告了所有变量描述性统计结果。研究发现,AI应用与创新员工的感知职业成长机会(γ=0.214,p<0.01)、AI辅助资源拼凑(γ=0.271,p<0.01)和即兴行为(γ=0.226,p<0.01)均呈显著正相关。此外,感知职业成长机会与AI辅助的资源拼凑存在显著正相关关系(γ=0.640,p<0.01),AI辅助资源拼凑与即兴行为也呈正相关(γ=0.776,p<0.01)。

3.3 假设检验

本研究采用Mplus 8.3进行结构方程模型(SEM)分析,路径分析结果如图2所示。首先,主效应和中介效应检验结果显示,AI应用对创新人员的职业成长机会感知具有显著正向影响(β=0.096,SE=0.045),假设H1得到验证。这表明AI不仅是提效工具,更是被员工视为拓展技能边界、获取职业发展的重要契机。在此基础上,职业成长机会感知进一步驱动AI辅助资源拼凑(β=0.539,p<0.01),进而显著增强即兴行为(β=0.623,SE=0.053),假设H2与H3均获支持。这一链式中介路径揭示了“技术赋能—认知升级—行为转化”的内在机理,即当员工将AI识别为成长资源时,更倾向于采取资源获取策略,主动利用AI重组已有资源,进而以敏捷的即兴行为应对挑战。其次,在调节效应方面,AI应用与领导AI符号化的交互项对感知职业成长机会发挥显著正向预测作用(β=0.104,SE=0.047)。简单斜率分析(见图3)进一步揭示了其边界机制:当领导AI符号化水平较高(+1SD)时,AI应用对职业成长感知的正向驱动作用显著增强(β=0.291,SE=0.100),反之则不显著。同时,两组斜率差异显著(β=0.389,SE=0.174,95%置信区间[0.049,0.729]),假设H4得到支持。这一结果凸显了领导意义赋予的重要性,只有领导赋予AI积极的战略意义,员工才会将AI应用解读为职业晋升机会。最后,被调节的链式中介检验结果显示(见表5),仅当领导AI符号化水平较高时,AI应用经由链式中介影响即兴行为的间接效应显著(β=0.098,SE=0.039,95%置信区间[0.031,0.188]),假设H5得到支持。这再次印证了领导AI符号化是决定技术红利能否转化为员工即兴行为绩效的关键边界。

3.4 结果讨论

实证结果表明,本文提出有调节的链式中介模型得到检验。具体而言,领导者AI符号化水平较高情境下,员工更可能将AI应用感知为促进自身职业发展的“外脑资源库”,进而开展AI辅助下的资源整合与创造性重组,最终促进即兴行为产生。有调节的链式中介效应检验结果显示,领导者AI符号化在AI应用通过感知职业成长机会与AI辅助资源拼凑影响即兴行为的过程中发挥重要边界作用。简单斜率分析结果表明,当领导者AI符号化水平较低时,AI应用与员工感知职业成长机会的关系呈现负向且不显著。这印证了将AI引入工作场所后,创新人员不一定会接受其增益效应,尤其在缺乏领导者的支持与引导时,创新人员可能因方向模糊与信心不足而产生惰性,这种惰性促使其倾向于采取防御性态度,难以将AI技术视为促进自身职业成长的工具,甚至可能将其视为职业威胁。这一结果从实证层面揭示了AI增益观与AI替代观产生分歧的部分原因。

4 结语

4.1 研究结论

基于资源保存理论与信号理论,本文构建并验证了创新实践中AI应用通过感知职业成长机会与AI辅助资源拼凑影响创新人员即兴行为的有调节链式中介模型,通过对306份三阶段匹配的数据分析发现,AI应用并非自动促进创新人员的即兴行为,其作用效果取决于员工如何理解AI在自身职业发展中的意义,以及领导者能否通过符号化行为向员工传递积极信号。与传统即兴研究聚焦于时间压力与资源约束下的被动响应不同,本文发现,在领导者的积极引导下,即兴行为源于个体对发展机遇的主动把握,呈现出“机会驱动”的行为逻辑。该发现契合Baker等[4]提出的策略性即兴,也与王琳等[38]关于数字技术赋能企业即兴能力的研究相呼应,并从微观层面进一步揭示了员工以积极认知为核心的内在驱动机制。此外,本研究通过对AI辅助资源拼凑的实证观察与检验,不仅印证了资源拼凑作为即兴行为基石的经典论断在AI时代依然成立[21],更支持了Kang等[39]的观点:资源拼凑已从依赖个人有限智慧的“约束性整合”,升级为人机协同的“资源无限重组与创造”。简言之,本文揭示了AI时代下,创新人员通过积极利用AI实现“资源增益螺旋”的作用路径。

4.2 理论贡献

(1)本研究基于资源保存理论分析AI时代的“资源增益螺旋”效应,从积极认知视角拓展了即兴行为的前因研究,揭示了即兴行为触发路径的重要转变,即从传统时间压力、资源稀缺情境下的压力驱动模式,向基于感知职业成长机会的机会驱动模式演进。一方面,通过引入“感知职业成长机会”这一变量,本文揭示了技术赋能如何经由个体对未来职业发展的积极认知,转化为主动即兴的内在心理机制。相较于既有AI应用研究主要关注工作绩效或一般工作态度(如满意度、敬业度和信任)[12,14, 40],本文将分析重心前移至职业层面的机会感知,弥补了相关研究忽视感知职业成长机会在触发积极情绪过程中所起作用的不足。另一方面,已有研究多将即兴视为个体在紧急情境下的被动适应性反应[36],尽管战略性即兴概念逐渐受到关注,但相关探讨仍集中于企业战略层面[4],即便研究拓展至员工个体层面的主动即兴,也未涉及技术赋能场景下个体通过把握成长机会触发即兴行为的具体路径。本文以AI应用为具体情境,证实员工能够感知职业成长机会,并以此为动力,主动借助AI开展资源整合与即兴行为,完善了AI时代即兴行为的“机会驱动”范式。

(2)通过整合组织管理领域中符号化与AI的相关文献,本文关注实践中普遍存在但未被充分重视的领导行为——领导AI符号化。已有研究表明,领导AI符号化与员工职业成果相关,但鲜有探讨其作为边界条件的作用[19]。本文结合信号理论与资源保存理论,证实只有当领导者展现出较高的AI符号化水平时,员工才更可能将AI应用感知为职业成长机会,从而释放AI赋能即兴行为的潜在价值。这一发现不仅拓展了领导AI符号化研究的应用范围,也拓展了信号理论与资源保存理论的应用范围。

(3)本文提出AI辅助资源拼凑这一概念,拓展了人机协同情景下的资源拼凑理论。Baker等[4]指出,资源拼凑主要依赖个体拥有或可通过社会网络获取的资源。已有研究虽暗示AI辅助资源拼凑在实践中较为普遍,但缺乏实证探索[5]。鉴于AI可作为个体易于获取的外部资源库,本文认为,有必要优化AI时代下新的资源拼凑测量方式[5]。考虑到AI带来的变化,本文对原始资源拼凑量表进行了修改[35],更契合AI相关研究情境。此外,关于AI 辅助资源拼凑的概念化与胜任力量表开发,或将成为创新研究方向。

4.3 管理启示

(1)组织可提供更多AI应用场景,为员工利用AI开展即兴行为提供良好的环境。一方面,组织可逐步整合生成式AI、算法和机器学习等技术,丰富员工应对非预期任务时可调用的资源;另一方面,引入AI后,可通过将AI嵌入方案构思、问题诊断等关键工作环节,引导员工在实际工作中与AI协同完成任务,并营造鼓励员工应用AI的组织氛围等。

(2)本文发现,当领导AI符号化水平较低时,AI应用对感知职业成长机会的影响不显著。因此,领导者需要确保员工感知到较高水平的领导AI符号化。例如,团队领导者表达对AI的接受和支持、与下属展开相关讨论、组织专项培训,并在日常会议与任务反馈中主动关注与评价员工的AI使用情况,均能激励员工积极参与AI协作[19]。从组织层面看,在招聘和选拔团队领导者时需注重考察其AI符号化意愿,并在日常管理中通过培训提升各级管理者传递积极AI信号的能力。

(3)在推动创新人员开展AI辅助资源拼凑与即兴行为方面,感知职业成长机会发挥关键作用。因此,组织需制定相关策略激发创新人员对成长机会的感知,帮助其理解AI在职业发展中的重要性。可为员工制定AI赋能的新型职业生涯管理策略,帮助其明确新的职业发展方向。具体而言,在绩效反馈与职业发展沟通中,明确指出AI能力在完成创新任务中的作用,并引导员工将AI使用经验视为能力积累的重要组成部分。领导者可协助员工学习如何进行AI辅助资源拼凑,以实现职业目标。

4.4 不足与展望

本文存在以下不足:首先,尽管采用了三阶段时间滞后研究设计,但即兴行为的发生往往具有瞬时性与情境依赖性,固定时点的问卷测量可能难以完整捕捉AI应用对即兴行为的动态触发过程。未来可采用情景实验设计,探究AI应用、领导AI符号化与下属即兴行为间是否存在因果关系。此外,还可通过纳入客观测量指标(如采用组织工作流程中AI自动化阶段占比衡量AI应用程度),提升数据评估方法的多样性。其次,研究结论的情景适用性有待进一步探究。一方面,本研究关注创新人员这一特定群体,结论在行政、运营等高度程序化且对风险较为敏感的岗位中的推广性可能受限,因为这类岗位的即兴行为可能带来不可控风险。另一方面,本研究聚焦于员工主动应用AI的情境,未探讨当组织强制使用AI时,是否存在某种潜在心理机制引发员工无意识的即兴行为,而此类即兴行为并非总能带来积极结果[41]。未来可更深入地探讨 AI与即兴行为的关系,有助于更全面地理解这一新兴领域。最后,本研究将领导AI符号化作为边界条件,而AI应用与感知职业成长机会的关系可能受其他个体和组织因素的影响,如员工对技术进步的开放程度,以及组织AI准备度与支持度等环境因素[22,42]。

参考文献：

[1] 苏涛永,郭鑫,郁雨竹,等.数字化转型能促进企业合作创新“增量提质”吗?——组织惯性与吸收能力的调节作用[J/OL].系统管理学报,1-18[2025-02-21].https://link.cnki.net/urlid/31.1977.N.20250220.1801.008.

[2] 傅金娣, 孙元,胡峰. 企业数字化社交技术使用如何赋能员工即兴能力?——基于交互记忆的视角[J]. 管理世界,2025,41(1): 168-186.

[3] MAGNI M,PROSERPIO L,HOEGL M,et al. The role of team behavioral integration and cohesion in shaping individual improvisation[J]. Research Policy,2009,38(6): 1044-1053.

[4] BAKER T,MINER A S,EESLEY D T. Improvising firms: bricolage,account giving and improvisational competencies in the founding process[J]. Research Policy,2003,32(2): 255-276.

[5] 汪凡淙,汤筱玙,余胜泉. 基于生成式人工智能的认知外包: 交互行为模式与认知结构特征分析[J]. 心理学报,2025,57(6): 967-986.

[6] KHOA D T,GIP H Q,GUCHAIT P,et al. Competition or collaboration for human-robot relationship: a critical reflection on future cobotics in hospitality[J]. International Journal of Contemporary Hospitality Management,2023,35(6): 2202-2215.

[7] 谭春平,王鑫. 人工智能焦虑对员工双元服务创新影响机理研究[J]. 科技进步与对策,2025,42(13): 25-35.

[8] 牛莉霞,张国建,赵蕊,等.人工智能嵌入视域下员工威胁感知对工作繁荣的双重影响机制研究[J].科技进步与对策,2026,43(4):107-117.

[9] ZIRAR A,ALI S I,ISLAM N. Worker and workplace Artificial Intelligence (AI) coexistence: emerging themes and research agenda[J]. Technovation,2023,124: 102747.

[10] 何勤,刘明泽,李鑫悦.人工智能会引发员工的知识隐藏行为吗?——基于相对剥夺感的理论视角[J]. 外国经济与管理,2024,46(10): 55-70.

[11] 徐广路. 人工智能焦虑对员工偏差行为的影响——一个有调节的中介模型[J]. 华东经济管理,2023,37(11): 120-128.

[12] KONG H Y,YIN Z H,BARUCH Y,et al. The impact of trust in AI on career sustainability: the role of employee-AI collaboration and protean career orientation[J]. Journal of Vocational Behavior,2023,146: 103928.

[13] 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.

[14] 高中华,张恒. 领导AI符号化与AI驱动员工创新行为: 一个有调节的双中介模型[J]. 科技进步与对策,2025,42(21): 151-160.

[15] HOBFOLL S E,HALBESLEBEN J,NEVEU J P,et al. Conservation of resources in the organizational context: the reality of resources and their consequences[J]. Annual Review of Organizational Psychology and Organizational Behavior,2018,5: 103-128.

[16] HALBESLEBEN J R B,NEVEU J P,PAUSTIAN-UNDERDAHL S C,et al. Getting to the "COR": understanding the role of resources in conservation of resources theory[J]. Journal of Management,2014,40(5): 1334-1364.

[17] STEFFENS P R,BAKER T,DAVIDSSON P,et al. When is less more? boundary conditions of effective entrepreneurial bricolage[J]. Journal of Management,2023,49(4): 1277-1311.

[18] SPENCE M. Job market signaling[J]. The Quarterly Journal of Economics,1973,87(3): 355-374.

[19] 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.

[20] LIN H X,TIAN J,CHENG B. Facilitation or hindrance: the contingent effect of organizational artificial intelligence adoption on proactive career behavior[J]. Computers in Human Behavior,2024,152: 108092.

[21] BAKER T,NELSON R E. Creating something from nothing: resource construction through entrepreneurial bricolage[J]. Administrative Science Quarterly,2005,50(3): 329-366.

[22] CHENG B,LIN H X,KONG Y R. Challenge or hindrance? how and when organizational artificial intelligence adoption influences employee job crafting[J]. Journal of Business Research,2023,164: 113987.

[23] 韩颖,许薛璐. 人工智能技术与人力资本结构升级: 内在机理与经验检验[J]. 江西财经大学学报,2024,26(2): 13-26.

[24] NOURI H,PARKER R J. Career growth opportunities and employee turnover intentions in public accounting firms[J]. The British Accounting Review,2013,45(2): 138-148.

[25] SCHUMPETER J A. Business cycles: a theoretical,historical and statistical analysis of the capitalist process[J]. The Review of Economics and Statistics,1941,23(4): 190-193.

[26] 宣燚斐,谢宝国,马娜娜. 职业成长机会对员工工作投入的影响: 基于自我决定理论的视角[J]. 中国人力资源开发,2018,35(2): 141-152.

[27] 朱平利,刘娇阳. 员工工作获得感: 结构、测量、前因与后果[J]. 中国人力资源开发,2020,37(7): 65-83.

[28] 熊立,年鹏翔,余薇,等. 从创新人员即兴倾向到团队创新变革的路径机制与边界条件[J]. 科研管理,2025,46(2): 149-157.

[29] PEI J L,WANG H L,PENG Q P,et al. Saving face: leveraging artificial intelligence-based negative feedback to enhance employee job performance[J]. Human Resource Management,2024,63(5): 775-790.

[30] BANDURA A. Social foundations of thought and action[M]. Englewood Cliffs: Prentice-Hall,1986.

[31] FOLDY E G,GOLDMAN L,OSPINA S. Sensegiving and the role of cognitive shifts in the work of leadership[J]. The Leadership Quarterly,2008,19(5): 514-529.

[32] PODSAKOFF P M,MACKENZIE S B,PODSAKOFF N P.Sources of method bias in social science research and recommendations on how to control it[J]. Annual Review of Psychology,2012,63: 539-569.

[33] YAM K C,TANG P M,JACKSON J C,et al. The rise of robots increases job insecurity and maladaptive workplace behaviors: multi-method evidence[J]. The Journal of Applied Psychology,2023,108(5): 850-870.

[34] DESAI S D,KOUCHAKI M. Moral symbols: a necklace of garlic against unethical requests[J]. The Academy of Management Journal,2017,60(1): 7-28.

[35] SENYARD J M,BAKER T,DAVIDSSON P. Bricolage as a path to innovation for resource constrained new firms[C].Academy of Management Proceedings.Briarcliff Manor,NY:Academy of Management,2011.

[36] VERA D,CROSSAN M. Improvisation and innovative performance in teams[J].Organization Science,2005,16(3):203-224.

[37] 熊立,柳波,年鹏翔. 领导促进聚焦行为能诱发下属即兴创新吗?——考虑替代因素干预的视角[J]. 管理评论,2023,35(12): 203-216.

[38] 王琳,周昕怡,刘锡禄,等.非计划决策:基于数字技术赋能的企业即兴能力构建[J/OL].南开管理评论,1-16[2025-03-20].https://link.cnki.net/urlid/12.1288.F.20250320.1047.002.

[39] KANG X,LI S Y,CHAIVIRUTNUKUL K. A study on the impact of entrepreneurial bricolage on enterprise performance management using the BPNN-DEMATEL method and social network analysis[J]. Technology in Society,2025,82: 102883.

[40] 吴湘繁,冯太平,李潇潇. 人工智能技术在组织管理中的应用——近20年国内外文献计量分析[J]. 统计与管理,2024,39(10): 51-60.

[41] LEE Y J,LEE J H,HAM K S. Balancing efficiency and flexibility in software project: the role of team collective improvisation,behavioral integration,and member diversity[J]. Journal of Contemporary Eastern Asia,2017,16(1): 22-45.

[42] HE G,ZHENG X,LI W,et al. The mixed blessing of leaders' artificial intelligence (AI)-oriented change behavior: implications for employee job performance and unethical behavior[J]. Applied Research in Quality of Life,2024,19(2): 469-497.

(责任编辑：张 悦)