“Double-Edged Sword” Effect of AI Technology Application on Employees' Knowledge Hiding Behavior

Lu Fang, Tan Liwen, Xia Qing

(Business School, Xiangtan University, Xiangtan 411105, China)

Abstract：In the era of accelerating digital economy development, efficient knowledge flow within organizations has become the cornerstone for enterprises to maintain core competitiveness and innovation vitality.However, with the widespread application of AI technology in workplaces, employees 'work scenarios, career expectations, and psychological contracts have undergone profound transformations.Confronted with this powerful technological impact, employees exhibit significant complexity in their knowledge management behaviors.Existing academic research on AI's influence on employees 'knowledge hiding behavior presents two diametrically opposed theoretical perspectives: "survival threats from automation substitution" and "development opportunities from human-machine collaboration". Most existing studies adopt single-perspective approaches, lacking systematic integration of these dual effects and insufficient exploration of the deep psychological cognitive mechanisms driving employees' differentiated responses, as well as organizational contextual boundary conditions.Therefore, investigating how AI technology application affects employees' knowledge hiding behavior has become a critical research challenge in organizational behavior and human resource management fields.

Building upon cognitive appraisal theory of stress, this study constructs an integrated moderated dual-mediation theoretical model to systematically elucidate the internal mechanisms and boundary conditions through which AI technology application is taken as an external environmental stressor and exerts influence on employees' knowledge hiding behavior.In terms of methodology and data collection, the research targeted employees from enterprises in manufacturing, finance, and service sectors that have extensively adopted AI technologies.A two-stage time-lag questionnaire survey was employed to ensure robustness against common method bias.After rigorous data screening and matching, 379 valid samples were obtained.Subsequently, the SmartPLS software was utilized to conduct reliability and validity testing, path analysis, and hypothesis testing using a partial least squares structural equation model.

The research findings reveal the "double-edged sword" effect of AI technology application on employees 'knowledge hiding behavior.First, there exists a significant "threat effect" pathway.The introduction of AI technology triggers employees' obstructive cognitive evaluation, significantly intensifying their job insecurity and compelling them to perceive their knowledge as a scarce resource for job security, thereby adopting knowledge hiding as a defensive self-protection strategy.Second, there is a significant "opportunity effect" pathway.AI technology can also stimulate employees' challenge cognitive appraisal, prompting them to perceive new skill learning and career growth opportunities.To better adapt to technological changes and establish interpersonal collaboration networks, employees significantly reduce knowledge hiding behavior.Third, team motivational atmosphere plays a key moderating role.High team performance motivational atmosphere (emphasizing internal competition and social comparison) exerts a "catalytic threat" effect, significantly amplifying the indirect effect of AI positively intensifying knowledge hiding behavior through job insecurity.Conversely, high team mastery motivational atmosphere (focusing on learning growth and mutual trust cooperation) has an "empowering opportunity" effect, significantly strengthening the indirect effect of AI negatively in inhibiting knowledge hiding behavior through perceived career growth opportunities.

This study establishes a unified theoretical framework that demonstrates the dual mechanisms of AI technology in addressing knowledge silos.It resolves the academic debate over whether AI serves as a "knowledge barrier" or a "knowledge-sharing catalyst", while expanding the application scope of cognitive appraisal theory of stress in emerging technological contexts.The findings provide actionable insights for enterprises to optimize human resource management amid the AI revolution.The research cautions that while implementing AI strategies, organizations should not focus solely on technological adoption but also adopt tailored psychological interventions for employees.By fostering a learning-oriented and collaborative team culture that emphasizes expertise,enterprises can mitigate internal competition and AI-related risks, unlock organizational empowerment opportunities, and ultimately dismantle knowledge silos within organizations.

Key Words：AI Technology Application; Knowledge Hiding; Perception of Career Growth Opportunities; Job Insecurity; Team Motivational Climate

收稿日期：2025-08-01

修回日期：2025-12-07

基金项目：国家自然科学基金项目(72402199);湖南省社会科学基金重点项目(24ZDB009)

作者简介：鲁芳(1979-),女,湖南浏阳人,博士,湘潭大学商学院教授,研究方向为数字化转型;谭丽文(2000-),女,湖南湘潭人,湘潭大学商学院硕士研究生,研究方向为知识共享;夏青(1990-),女,江西崇仁人,博士,湘潭大学商学院副教授,研究方向为组织行为与人力资源管理。

通讯作者：夏青。

DOI：10.6049/kjjbydc.D1N202508002

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.92

文献标识码：A

文章编号：1001-7348(2026)12-0126-11

0 引言

知识经济时代,组织内部的知识流动是其提升创新能力与持续竞争优势的重要因素[1]。学界与实践界一直致力于探索如何有效促进员工间的知识共享,同时克服因个体动机、人际不信任或组织文化等障碍导致的知识隐藏行为[2]。AI技术的引入,作为外部技术冲击,改变了员工的工作场景、职业预期和心理契约,使得传统的知识隐藏动因及其作用机制可能发生深刻变化。AI技术应用加速知识流动与共享的同时,也可能影响员工作为知识主体的职业安全感。例如,微软新入职的市场分析师可以通过名为Viva的AI驱动平台访问所有相关的市场报告和关键决策,从而实现AI赋能的知识共享;一家知名汽车设计公司,设计系统嵌入生成式AI后,首席设计师认为他向AI解释设计逻辑时,感觉是在训练自己的替代者。

现有关于AI技术应用对员工知识隐藏行为影响的研究结果呈现出矛盾的双向效应。一方面,研究者关注到AI的威胁效应,即AI的自动化和替代功能会引发员工的知识隐藏行为[2]。这种观点认为,AI带来的职业威胁感知会增加员工的工作不安全感,激发他们的自我保护动机,将个人知识和技能视为保持竞争优势的关键资源,进而导致更多的知识隐藏行为。例如在人机协作环境中,被人工智能替代的恐惧感可能导致员工减少与同事的知识交流[3]。这种对AI的负面认知会加剧他们的知识隐藏倾向[4]。另一方面,也有研究强调AI的机遇效应,认为AI技术应用能够促进知识共享。这种观点的核心逻辑在于,AI技术应用不仅能够替代完成重复性任务,而且会创造新的、更具挑战性工作[5]。为了适应这一变革,员工有更强动机去学习新知识和新技能,而知识共享不失为一条有效策略,不仅有助于获取新知识,而且通过建立合作网络,提升个人在组织中的独特价值。

综上所述,现有文献虽然从不同角度探讨了AI技术应用与知识行为关系,但存在以下不足:首先,研究多聚焦单一视角,即AI技术应用带来的威胁或机遇,而忽略了两种效应可能同时存在并相互作用的复杂性。这导致对AI技术应用如何同时激发知识共享与隐藏行为的解释缺乏全面性。其次,现有研究主要集中在AI技术应用与知识隐藏行为之间的直接关系或简单的中介效应分析上,而对员工认知评估过程等深层心理机制以及组织环境等边界条件如何影响AI技术应用效果的探讨不足。管理者在面对AI技术时,如何平衡安抚员工以减少威胁感知与利用技术压力促进学习动力尚缺乏明确的理论指导。

此外,本研究认为AI技术应用对员工知识隐藏行为的作用会受到工作情境的影响。已有研究表明,工作场所的团队动机氛围(团队绩效动机氛围、团队精熟动机氛围)对员工的知识隐藏或共享决策具有重要作用[6]。不同的团队动机氛围下,员工对AI技术应用的认知及其后续行为会不同。基于此,本研究拟构建一个整合性理论模型,通过剖析AI技术应用对员工知识隐藏行为的作用机制及边界条件,揭示AI发挥双刃剑效应的作用机理,为AI时代的企业管理者进行知识管理和人力资源管理提供策略性指导。

1 理论基础与研究假设

1.1 AI技术应用与员工知识隐藏行为

AI技术应用是指员工在达成工作目标进程中运用AI技术并投入一定时间[7]。这里的AI技术是指学习、响应和执行一系列类似任务的智能机器或计算机系统,而这些任务以往是由人类完成的[8]。知识隐藏行为是指个体在面临他人知识寻求时做出的故意隐瞒或仅透露部分有价值信息的一种回避或自我保护行为[1]。从形成机制看,随着AI技术快速发展,学者们开始关注AI技术对员工知识隐藏行为的影响,且研究结果大多认为由AI技术引起的技术动荡和被剥夺感是数字时代员工采取知识隐藏行为的两大诱因[9]。根据压力认知评价理论,面对工作压力源,个体会启动认知评价,进而影响其后续行为[10]。具体地,首先,个体会初步判断压力源是积极、消极或是与自己的福祉有关;其次,个体会评估自身是否有足够资源和能力来应对这些压力源,并基于这种评估选择合适的应对方法。AI技术应用作为工作场所的新冲击事件,会被员工视为一种压力源,而知识行为(知识隐藏、知识共享)作为一种自由量裁行为,易被员工作为一种行为策略来应对工作场所中的AI技术压力源。

本研究基于压力认知评价理论,认为当员工将AI技术应用评价为阻碍性压力时,会将其视为一种“威胁”,产生工作不安全感,进而采取知识隐藏行为这一防御性策略以避免失去“议价能力”;当员工将AI技术应用评价为挑战性压力时,会将AI技术应用视为职业发展机会,进而主动共享知识以获取发展资源。

1.2 阻碍性评价:工作不安全感的中介作用

工作不安全感是指个体对当前职位缺乏连续性和稳定性的风险感知[11]。根据认知评价理论,若个体认为工作场所中的压力源会减少自身福祉,并认为自身没有足够资源或能力应对时,其会将该压力源视为一种威胁,进而更加关注该压力源带来的损失和危害[5],引发工作不安全感。由于AI技术应用可能从根本上改变员工工作流程、方式方法、任务内容等工作特征[12],导致员工未来工作状态、职业生存与发展等存在诸多不确定性(如晋升与加薪无望、被迫换岗、工作时间减少或停职等[13]),进而增加其工作不安全感。

已有研究证实,工作不安全感会对员工工作态度、工作动机和工作行为等产生负面影响[14]。根据压力认知评价理论,员工工作不安全感提升会引发其消极评价,并为避免自身资源的进一步损失,更易采取防御性策略。员工所拥有的知识、技能和经验等这类隐性知识,是他们投入大量时间和精力获得的[15]。因此,当员工认为AI技术应用对其工作或职业发展构成威胁、感受到明显的工作不安全时,他们会倾向于保护自己已有的知识资源以维持对组织的“议价能力”[15]。即在感受到外部阻碍性压力或威胁时,为避免资源进一步流失,他们会通过知识隐藏这一防御性策略来降低压力和不安感,保持相较于其他同事的竞争力和议价能力,以缓解自身的工作不安感[16]。

基于上述分析,AI技术应用这一外部技术冲击可能引发员工的消极评价,增加对未来不确定性的担忧,加重工作不安全感知,进而倾向作出知识隐藏这一防御性行为回应。由此,本研究提出以下研究假设:

H1:AI技术应用通过工作不安全感正向影响员工知识隐藏行为。

1.3 挑战性评价:职业成长机会感知的中介作用

职业成长机会感知是指员工在工作期间对组织所提供的学习、发展以及晋升机会的切实感受。这些机会体现为执行更具挑战性的工作任务、承担更多工作职责以及获得更丰富的工作经验等[17]。根据认知评价理论,当个体将工作场所中的压力源认知为挑战性压力时,其会关注问题本身,进而依靠自身转变来积极应对压力事件[10]。AI技术应用可能催生新的商业模式、创造新的市场需求和就业岗位,如AI技术应用可能引发高技能、高知识水平的人才需求[18]。为应对工作场所中更高的工作要求,个体会努力适应组织变化并利用AI技术为自身赋能,进而更可能感知到AI技术应用为其职业发展提供的新机遇[19],即提升其未来职业成长机会的感知水平。

职业成长机会感知反映了员工对所在组织关心和支持的知晓程度。对员工而言,职业成长机会感知是强大的激励因素之一。根据压力认知评价理论,面对工作场压力,当个体仅集中关注于问题本身时,其更易采取积极应对策略以降低压力源带来的负面影响[10]。职业成长机会感知不仅满足员工对未来职业发展的内在期望,而且能够增强他们对组织的情感承诺和回报意愿[20]。一方面,为抓住这些成长机会,员工会不断学习新知识和新技能,激发与他人合作动机,进而在面临他人的知识寻求时减少或避免知识隐藏行为。另一方面,为更好地与他人合作并提升知识存储和技能,拥有较高职业成长机会感知水平的员工更易通过减少知识隐藏,以已有知识换取新资源。

基于上述分析可知,AI技术应用这一外部技术冲击可能带来积极的员工评价,并将AI技术应用视为其职业未来成长机会,进而通过减少知识隐藏行为来促进合作、换取其它资源。由此,本研究提出以下研究假设:

H2:AI技术应用通过职业成长机会感知负向影响员工知识隐藏行为。

1.4 团队动机氛围的调节作用

团队动机氛围是团队成员基于组织政策、关键事件、工作流程及互动行为,形成的对工作环境中成功与失败标准的共识性认知[21],其有助于团队成员理解哪些行为是被期望和奖励的。团队动机氛围包括团队绩效动机氛围和团队精熟动机氛围。其中,团队绩效动机氛围着重明确成功的规范标准,激励成员通过相互比较和竞争达成目标[21]。在高绩效动机氛围团队中,只有表现突出者才能获得认可,导致员工将团队成员视为竞争对手,追求个体表现而非团队协作,进而更倾向于通过知识隐藏策略谋取竞争优势[6]。团队精熟氛围则注重团队成员的学习成长、技能掌握和能力发展[21]。高精熟动机氛围能够激发团队成员努力与合作,为促进团队中的知识流动和交互培育了良好的“土壤”。其成员追求自我提升和超越自我,进而倾向于通过知识共享来提升自我能力[6]。根据压力认知评价理论,组织情境因素会影响个体对工作压力的认知和应对方式[10],团队动机氛围(绩效动机氛围和精熟动机氛围)是影响员工评价和应对工作场所中AI技术应用的关键因素。基于此,本研究引入团队动机氛围这一情境因素作为调节变量,探讨其在AI技术应用与工作不安全感、职业成长机会感知以及知识隐藏行为中的边界效应。

1.4.1 团队绩效动机氛围的调节作用

在高绩效动机氛围中,成功往往需要成员将超越同事作为核心目标,且这种行为被视为理所当然、值得奖励并获得公开认可[6,21]。AI技术应用可能导致工作内容改变、职位替代或工作方式的重大转变,从而引发员工对职业前景不确定性的担忧,增加工作不安全感[7]。在高绩效动机氛围下,成功主要通过团队成员间的社会比较来界定,导致上述不安全感被进一步放大。这是因为员工会感受到更大的压力去保持自己的竞争优势以获取有限的晋升机会和发展资源[22]。相反,在低绩效动机氛围中,团队成员较少通过社会比较和成员间竞争来衡量成功,且无需追求个体表现。在这种情况下,团队成员在评价和应对工作场所中的AI技术时更可能将其视为一种技术革新,而非威胁自身工作安全的压力源,即减弱AI技术应用对工作不安全感的正向影响。由此,本研究提出以下研究假设:

H3a:团队绩效动机氛围在AI技术应用与工作不安全感关系间具有调节作用,即在较强的团队绩效动机氛围影响下AI技术应用与工作不安全感之间的正相关关系越显著,反之则越弱。

在假设H1和H3a基础上,本研究进一步推测团队绩效动机氛围不仅调节AI技术应用与工作不安全感关系,而且调节AI技术应用通过工作不安全感影响员工知识隐藏行为的中介作用。具体而言,AI技术应用对员工知识隐藏行为的间接影响是通过工作不安全感这个中介机制实现的,而员工工作不安全感取决于团队绩效动机氛围。相较于低绩效动机氛围,高绩效动机氛围会进一步加剧员工由于AI技术应用引发的工作不安全感。而知识隐藏行为能够通过阻碍同事发展来提升自我议价能力[15],进而为员工创造竞争优势。因此在高绩效动机氛围下,团队成员更可能采取知识隐藏这一防御性策略来降低AI技术应用带来的工作不安全感。据此,本研究提出以下研究假设:

H3b:团队绩效动机氛围调节工作不安全感在AI技术应用与知识隐藏行为之间的中介作用,即在较强的团队绩效动机氛围下工作不安全感在AI技术应用与知识隐藏行为之间的中介效应越显著,反之越弱。

1.4.2 团队精熟动机氛围的调节作用

在高精熟动机氛围中,团队成员普遍认为持续超越自我、不断学习、提升技能和贡献知识是工作常态[6,21],这有助于推动团队成员间积极合作,鼓励成员相互信任和彼此支持。在该氛围中,员工更倾向于采取适应性行为[21]。在评价和应对工作场所中AI技术应用时,高精熟动机氛围下的成员更可能聚焦问题本身,努力适应和利用AI技术来实现持续学习、技能提升和自我超越,进而将AI技术应用视为职业发展新机遇,即提升职业成长机会感知水平。相反,在低精熟动机氛围中,团队成员较少相互合作和彼此信任,缺乏持续学习、提升技能和主动分享工作知识的内在动力。在这种情况下,团队成员在评价和应对工作场所中AI技术时更可能忽略问题本身,更多地关注该压力事件带来的损失和危害,即削弱AI技术应用对职业成长机会感知的积极影响。由此,本研究提出以下研究假设:

H4a:团队精熟动机氛围在AI技术应用与职业成长机会感知间具有调节作用,即团队精熟动机氛围越强,AI技术应用与职业成长机会感知之间的正相关关系越显著,反之越弱。

在假设H2和H4a基础上,本研究进一步推测,团队精熟动机氛围不仅调节AI技术应用与职业成长机会感知关系,而且调节AI技术应用通过职业成长机会感知影响员工知识隐藏行为的中介作用。具体而言,AI技术应用对员工知识隐藏行为的间接影响是通过职业成长机会感知这一中介机制实现的,而员工的职业成长机会感知又会受到团队精熟动机氛围的影响。相较于低精熟动机氛围,高精熟动机氛围会进一步强化员工由于AI技术应用感知到的职业成长机会。由于知识隐藏行为会阻碍团队内部的知识交换[23],无助于团队成员实现高精熟动机氛围下的持续学习和能力提升等,也无益于其把握AI技术应用可能带来的职业成长机会。因此,在高精熟动机氛围下团队成员更可能将AI技术应用视为职业成长机会,并通过减少或避免知识隐藏来促进合作和实现职业成长。据此,本研究提出以下研究假设:

H4b:团队精熟动机氛围调节职业成长机会感知在AI技术应用与知识隐藏行为之间的中介作用,即团队精熟动机氛围水平越高,职业成长机会感知在AI技术应用与知识隐藏行为之间的中介效应越显著,反之越弱。

综上所述,本研究构建理论模型如图1所示。

2 研究方法

2.1 研究样本与数据收集

本研究借助见数平台发放问卷收集数据。调查对象涵盖引入人工智能设备或技术企业的各类员工,包括技术岗、综合管理岗等,涉及制造业、金融业及服务业等行业。所有问卷填写均以匿名方式进行,并采取两阶段发放问卷方法以降低同源偏差对研究结果的影响。第一阶段测量的是AI技术应用、工作不安全感、职业成长机会感知和人口统计变量,第二阶段测量的是团队动机氛围和知识隐藏行为,且第二阶段仅向第一阶段问卷填答有效的被调查者发放问卷,两个阶段相隔时间为半个月。本研究在发放问卷过程中通过电话号码后四位作为两阶段匹配依据。此外,为了确保问卷填写质量,问卷内设置了筛选题目,以筛选未认真作答样本。首轮共发放问卷590份,剔除无效问卷后,最终获得465份有效问卷,有效回收率为78.81%。第二轮问卷针对首轮中提交有效问卷的465名参与者再次发放,共收回379份有效问卷,有效回收率为81.51%。最终有效样本中:女性占55.1%、男性占44.9%;年龄21～30岁、31～40岁分别占67.5%、23.0%;学历大专及以下、本科、硕士及以上,分别占12.9%、62.8%和24.3%;工作年限1年以下占38.5%,1～3年占44.9%、4～10年占12.1%、10年以上占4.5%;所在行业方面,制造业占52.0%。

2.2 变量测度

本研究的所有量表均来自国内外广泛认可的高水平期刊文献,并遵从严格的“翻译—回译”标准程序以避免潜在的语言问题。除人口统计相关变量外,本研究关注的所有变量均采用李克特7点量表赋值,其中,1=完全不同意,7=完全同意。

(1)AI技术应用。参考Tang等[7]使用的量表,包含3个题项,如“我使用人工智能来完成我的大部分工作”等。本研究中,该量表的Cronbach's α 值为0.883。

(2)工作不安全感。参考Yam等[2]使用的量表,包含3个题项,如“我担心自己将来会被解雇”等。本研究中,该量表的Cronbach's α 值为0.881。

(3)职业成长机会感知。参考Van Veldhoven等[24]开发的量表,包含4个题项,如“我在目前的工作中可以学到新的东西”等。本研究中,该量表的Cronbach's α 值为0.872。

(4)知识隐藏。参考Serenko等[25]开发的量表,包含3个题项,如“当同事有事向我咨询问题时,我通常不会完全透露所有细节”等。本研究中,该量表的Cronbach's α 值为0.866。

(5)团队动机氛围。参考Nerstad等[21]开发的团队动机氛围问卷,包含团队绩效动机氛围和团队精熟动机氛围两个维度,共14个题项。其中,团队绩效动机氛围有8个题项,如“在我们团队中,比别人做得更好很重要”等,本研究中该量表的Cronbach's α 值为0.954。团队精熟动机氛围有6个题项,如“我们团队鼓励成员间相互合作、交流想法和观点”等,本研究中该量表的Cronbach's α 值为0.888。

(6)控制变量。参照以往研究,将员工所在行业、性别、年龄、教育背景以及工作年限作为控制变量。

2.3 数据分析方法

使用偏最小二乘结构方程模型(简称PLS-SEM)检验研究假设。PLS-SEM类似于使用多元回归分析,其目的是依赖结构模型最大限度地解释因变量方差,同时,基于测量模型特征评估数据质量[26]。鉴于PLS-SEM能够在更大范围样本量和更复杂模型下高效工作,对数据的限制最小,因此可以解决相比基于协方差分析的结构方程模型更广泛的问题[27]。本研究借助SmartPLS 4.1软件构建PLS-SEM模型,通过测量模型来进行信效度检验,然后通过结构模型对研究假设进行检验。

3 数据分析与结果

3.1 共同方法偏差

鉴于本研究样本数据通过收集问卷获得,在发放问卷过程中,无法完全避免共同方法带来的数据偏差。所以,在发放问卷过程中通过以下方法尽可能地降低偏差并进行检测。一方面,在翻译问卷题项时尽可能让语句通顺、便于理解,并采用分阶段问卷发放策略,通过时间间隔与内容拆分降低被调查者对研究意图的推测风险。另一方面,采用Harman单因子检验法,对解释性因子分析的未旋转因子解进行共同方法偏差诊断,量化数据偏差程度。结果共识别出6个特征值大于1的因子,其中,未经旋转时最大因子解释的变异量为31.206%,低于40%的标准阈值,表明共同方法偏差问题不严重,可以进行后续的数据分析。

3.2 信效度检验

进行假设检验前,首先,借助SmartPLS 4.1软件构建PLS-SEM模型,并通过该模型进行信效度检验,结果如表1所示。由表1可知,各变量的因子载荷均在0.77以上,内部一致性系数(Cronbach's α)均在0.86以上,组成信度(CR)均在0.91以上,表明本研究中各变量测量具有良好的信度;平均萃取方差(AVE)都在0.64以上,表明各变量测量具有良好的收敛效度。其次,利用Fornell-Larcker效度指标评估模型,AVE的平方根大于其他构念的相关性系数,如表2所示,表明区别效度存在。此外,Heterotrait-Monotrait(HTMT)比率值处于0.067～0.692之间,均低于0.85,进一步表明各变量有很好的区分效度。方差膨胀系数(VIF)处于1.852～4.184之间,均小于10,表明本研究变量之间不存在严重的多重共线性问题。

3.3 假设检验

根据PLS-SEM全模型分析结果 (Bootstrapping, N=5 000),对研究假设进行检验。采用Henseler等[28]的方法,使用标准化均方根残差(SRMR)作为模型拟合度验证指标,一般认为SRMR小于0.08则判定模型拟合度是合适的。如表3所示,本研究中的PLS-SEM全模型估计的SRMR值为0.042,小于0.08,表明本研究中PLS-SEM全模型拟合度良好。同时,得出的3个结果变量R2分别是均大于0.19,表明模型具备良好的解释效能。

3.3.1 中介效应检验

由表3可知,AI技术使用与工作不安全感(效应值=0.187,SE=0.064,p<0.01,95%置信区间是[0.061, 0.311])、职业成长机会感知(效应值=0.185,SE=0.049,p<0.01,95%置信区间是[0.092, 0.284])和知识隐藏(效应值=0.138,SE=0.049,p<0.01,95%置信区间是[0.043, 0.231])均显著正相关。工作不安全感与知识隐藏显著正相关(效应值=0.250,SE=0.047,p<0.01,95%置信区间是[0.159, 0.343]);职业成长机会感知与知识隐藏行为显著负相关(效应值=-0.313,SE=0.052,p<0.01,95%置信区间是[-0.415, -0.210])。

由表4可知,工作不安全感在AI技术使用与知识隐藏行为之间的中介效应显著(效应值=0.047,SE=0.016,95%置信区间是[0.016, 0.080]),表明AI技术应用能够通过工作不安全感对员工的知识隐藏行为产生正向影响,即假设H1成立。职业成长机会感知在AI技术使用与知识隐藏行为之间的中介效应显著(效应值=-0.058,SE=0.018,95%置信区间是[-0.097, -0.026]),表明AI技术应用能够通过职业成长机会感知负向影响员工知识隐藏行为,假设H2成立。

3.3.2 调节效应检验

由表3可知,团队绩效动机氛围与AI技术使用的交互项与工作不安全感显著正相关(效应值=0.226,SE=0.054,p<0.01,95%置信区间是[0.118, 0.328],未包含0)。团队绩效动机氛围的调节效应如图 2所示。可以发现,当团队绩效氛围水平较高时,AI技术应用与工作不安全感之间的正向关系显著(效应值=0.413,SE=0.093,p<0.01, 95%置信区间为[0.225, 0.589],不包含0);而当团队绩效氛围水平较低时,AI技术应用与工作不安全感的关系不显著(效应值=-0.038,SE=0.072,p >0.05, 95%置信区间为[-0.178, 0.105],包含0),进一步表明团队绩效动机氛围显著强化AI技术使用与工作不安全感之间的正相关关系,假设H3a得到支持。

由表3可知,团队精熟动机氛围与AI技术使用的交互项与职业成长机会感知显著正相关(效应值=0.125,SE=0.056,p<0.05,95%置信区间是[0.024, 0.245],未包含0)。绘制团队精熟氛围的调节效应如图3所示,可以发现,当团队精熟动机氛围水平较高时,AI技术应用与职业成长机会感知间的正向关系显著(效应值=0.310,SE=0.074,p<0.01, 95%置信区间为[0.169, 0.459],不包含0);而当团队精熟氛围水平较低时,AI技术应用与职业成长机会感知间的关系不显著(效应值=0.060,SE=0.074,p >0.05, 95%置信区间为[-0.091, 0.201],包含0),进一步表明团队精熟动机氛围显著强化AI技术使用与职业成长机会感知之间的正相关关系,假设H3b成立。

3.3.3 被调节的中介效应检验

被调节的中介效应检验结果如表4所示,团队绩效动机氛围显著调节AI技术使用通过工作不安全感对知识隐藏行为的影响(间接效应值=0.056,SE=0.017, 95%置信区间为 [0.026,0.094],不包含0)。在高团队绩效动机氛围下,路径“AI技术应用→工作不安全感→知识隐藏行为”的效应值为0.103,SE为0.027,95%置信区间是[0.053, 0.160],未包含0;而在低团队绩效动机氛围下,该路径的效应值为-0.010,SE为0.019,95%置信区间是[-0.051, 0.024],包含0。因此,假设H3b成立。同时,团队精熟动机氛围显著调节AI技术使用通过职业成长机会感知对知识隐藏行为的影响(间接效应值=-0.039,SE=0.020, 95%置信区间为[-0.086, -0.006],不包含0)。在高团队精熟动机氛围下,路径“AI技术应用→职业成长机会感知→知识隐藏行为”的效应值为-0.097,SE为0.031,95%置信区间是[-0.166, -0.044],未包含0;而在低团队精熟动机氛围下,效应值为-0.019,SE为0.023,95%置信区间是[-0.061,0.031],包含0。因此,假设H4b成立。

3.4 进一步分析

为保证结论的合理性,进一步检验团队精熟动机氛围是否调节“AI技术应用→工作不安全感→知识隐藏行为”这一作用路径,以及团队绩效动机氛围是否调节“AI技术应用→职业成长机会感知→知识隐藏行为”这一路径,结果如表5所示。

一方面,团队精熟动机氛围依然显著调节AI技术应用与职业成长机会感知关系以及AI技术应用通过职业成长机会感知对知识隐藏行为的负向影响。团队精熟动机氛围与AI技术应用的交互项与工作不安全感(效应值=-0.044,SE=0.055,p>0.05,95%置信区间[-0.154,0.061])及AI技术应用通过工作不安全感对知识隐藏行为的负向影响(间接效应值=-0.011,SE=0.015, 95%置信区间为[-0.044,0.014])均不显著,表明团队精熟动机氛围仅显著调节AI技术应用对职业成长机会感知的直接效应以及AI技术应用通过职业成长机会感知对知识隐藏行为的负向效应,而在AI技术应用与工作不安全感关系间以及AI技术应用通过工作不安全感影响员工知识隐藏行为过程中的调节效应均未得到支持。

另一方面,团队绩效动机氛围依然显著调节AI技术应用与工作不安全感关系以及AI技术应用通过工作不安全感正向影响知识隐藏行为。同时,团队绩效动机氛围与AI技术应用的交互项与职业成长机会感知显著正相关(效应值=0.156,SE=0.061,p<0.05,95%置信区间[0.035, 0.275]),且团队绩效氛围显著调节AI技术应用通过职业成长机会感知对知识隐藏行为的影响(间接效应值=-0.049,SE=0.023, 95%置信区间[-0.102, -0.009])。这表明团队绩效动机氛围不仅能够强化AI技术应用与工作不安全感关系以及AI技术应用通过工作不安全感对知识隐藏行为的正向影响,而且能够强化AI技术应用与未来职业成长机会感知关系以及AI技术应用通过未来职业成长机会感知对知识隐藏行为的负向影响。

此外,为了提高研究结论的可靠性,本研究还进行了稳健性检验。首先,排除所有控制变量,在不含控制变量的情况下,其显著性水平、系数正负性与原分析结果一致,表明研究结论稳健。其次,分别将工作不安全感和职业成长机会感知作为链式中介变量,构建两个链式中介模型。为确定最优模型,对两个链式中介模型和“双刃剑”中介模型的赤池信息准则(AIC)与贝叶斯信息准则(BIC)进行比较。从表 6 可知,两个链式中介模型的AIC和BIC指标数值均大于“双刃剑”中介模型,意味着“双刃剑”中介模型是最优选择[29]。

4 研究结论与讨论

4.1 研究结论

本研究基于压力认知评价理论,构建了一个有调节的双重中介模型,探讨AI技术应用对员工知识隐藏行为的作用机制与边界条件。研究结果表明:

(1)AI技术应用对员工知识隐藏行为存在“双刃剑”效应。研究证实AI技术应用通过两条独立心理路径影响知识隐藏:一方面通过引致工作不安全感加剧知识隐藏(威胁路径),另一方面通过提升职业成长机会感知抑制知识隐藏(机遇路径)。该结论从一定程度上补充了何勤等[3]的研究结论,验证了AI技术应用并非总是导致员工的负面情绪,诱发员工知识隐藏行为。同时,该结论一定程度上与张恒等[9]的研究结论相吻合,再次验证AI技术应用同时具有资源损耗(阻碍性压力)与资源增益(挑战性压力)的双重属性,为理解员工针对技术变革的差异化反应提供了理论解释。

(2)团队动机氛围在上述“双刃剑”效应中具有调节作用。在团队精熟动机氛围下,员工对AI技术应用更易形成挑战性评估,将AI技术应用视为职业发展契机,进而减少知识隐藏行为。在团队绩效动机氛围下,员工对AI技术应用的评价具有双重性:一方面员工可能将AI技术应用视为工作威胁,进而采取知识隐藏行为以尽可能保全已有资源;另一方面,员工也可能将AI技术应用视为职业发展挑战,进而通过减少知识隐藏行为来换取资源。在团队精熟动机氛围下员工更可能减少知识隐藏,在团队绩效动机氛围下员工更倾向于进行知识隐藏,上述结论与Cerne等[6]、李浩等[19]得出的研究结果相吻合,再次验证团队动机氛围在引导员工行为中发挥关键的边界作用。

4.2 理论意义

(1)构建了一个整合威胁效应与机遇效应的理论框架。现有研究多从单一视角出发,强调AI对知识隐藏的威胁[3],或强调其促进知识共享的潜能[30],缺乏对二者关系的系统性整合。本文基于压力认知评价理论,提出并检验AI技术使用对知识隐藏的双刃剑效应模型,说明在不同心理认知和环境因素作用下AI既可能激发员工的防御性行为,也可能激发其学习与合作动机,从而展现出动态的双刃剑效应。研究丰富了认知评价理论[5]在新兴技术背景下的应用,为理解员工复杂心理反应提供了理论支持。

(2)揭示影响AI技术双刃剑效应的深层心理机制,尤其是认知评估的作用。以往研究多关注外部技术特性与行为结果之间的直接关系[6],而忽视员工对AI的威胁或机遇认知评估,进而影响其行为倾向。本文借鉴认知评价理论,指出员工的认知评估(威胁或机遇感知)是决定其知识隐藏或共享行为的关键中介变量。这有助于深化对“认知—行为”路径的理解,为未来从心理层面对员工行为进行干预提供理论支持。

(3)揭示影响双刃剑效应的边界条件,丰富情境因素在技术—行为关系中的理论体系。现有研究中关于组织文化、领导风格、技术成熟度等因素对员工反应的影响,尚未形成系统性结论[1]。本研究发现,团队动机氛围(绩效动机氛围和精熟动机氛围)是调节AI技术应用对知识隐藏行为的重要边界条件,完善了环境—认知—行为模型,也为管理实践提供了理论参考。

综上所述,本研究在理论层面系统阐释了AI作为外部技术冲击,如何在不同心理与环境背景下促发知识隐藏与知识共享的双刃剑效应,丰富了技术影响员工行为的认知评价理论体系,为企业管理中应对AI带来的复杂人力资源挑战提供了理论支持,有助于推动知识管理、组织行为与技术采纳的交叉研究,为实现AI引领的可持续组织发展提供了理论基础。

4.3 实践启示

(1)进行差异化的压力管理,引导积极认知。AI技术应用既可能通过增加工作不安全感加剧知识隐藏(阻碍性压力),也可能通过职业成长机会感知抑制知识隐藏行为(挑战性压力),因此管理者需识别员工对AI技术应用的差异化认知评价和应对倾向,提供个性化的心理支持与职业指导。例如通过定期心理评估和一对一辅导,帮助员工将AI技术应用视为职业发展机遇。同时,设计融合技能提升与创新思维的培训项目,提升员工适应能力,缓解技术变革压力,促进知识共享与创新。

(2)营造合作型组织文化,强化成长认知。团队动机氛围能够显著影响员工的压力认知评价,其中,精熟动机氛围这一协作型文化能增强职业成长机会感知,减少员工知识隐藏行为。因此,管理者可构建透明、互助的组织文化。例如通过设立跨部门协作项目、开放知识共享平台,让员工清晰地看到技能提升路径。这种文化不仅能够提升问题解决效率,而且能促进员工互信,使知识交流成为工作常态。

(3)平衡竞争与合作,优化激励机制。过度的绩效导向会加剧内部竞争,导致资源内耗与知识隐藏,而精熟动机氛围(强调持续学习与技能提升)能增强职业成长认知。管理者需建立科学评价与多元激励机制,例如结合个人绩效与团队贡献的考核体系,设置“创新协作奖”等非竞争性奖励。通过平衡竞争与合作,既激发个人潜能,又促进团队协同,最终实现组织效能与员工发展的双赢。

4.4 研究不足与未来展望

(1)本研究的调查数据全部来源于员工自评,这种方法可能会引入共同方法偏差,从而对研究结果的准确性和可靠性造成一定影响。未来研究可以考虑采用多源配对数据进行跨层分析,通过收集领导和员工双方的评价数据,对比和验证员工自我报告的信息,从而提供更加全面、客观的数据支持。这种方法不仅可以提高研究结果的外部效度,而且能为理论模型构建提供更多维度的支持。

(2)样本行业分布偏重知识密集型员工。从调研数据来看,379份有效问卷中,受教育程度主要在本科及以上学历,其中,本科、硕士及以上所占比例分别为62.80%和24.3%,说明本研究的有效样本绝大部分为具有高学历的被调查者。未来可扩大样本范围,提高研究结果的普适性。

参考文献：

[1] CONNELLY C E, ZWEIG D, WEBSTER J, et al.Knowledge hiding in organizations[J].Journal of Organizational Behavior, 2012, 33(1): 64-88.

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

[3] 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,2024,10(46):55-70.

[4] TAHIRA I,HAIDER A M,SADIA B,et al.Machines think,but do we embracing AI in flat organizations:challenges of technological change in women-owned manufacturing firms [J].Information Development,2025,41(3):968-983.

[5] 王弘钰,寇先柳,赵迪,等.AI冲击意识对AI使用行为的双刃剑效应研究[J].科技进步与对策,2025,42(23):1-11.

[6] CERNE M, NERSTAD C G L, DYSVIK A, et al.What goes around comes around: knowledge hiding, perceived motivational climate, and creativity[J].Academy of Management Journal, 2014, 57(1): 172-192.

[7] TANG P M, KOOPMAN J, MCCLEAN S T, et al.When conscientious employees meet intelligent machines: an integrative approach inspired by complementarity theory and role theory[J].Academy of Management Journal, 2022, 65(3): 1019-1054.

[8] MALIK A, BUDHWAR P, PATEL C, et al.May the bots be with you! delivering HR cost-effectiveness and individualised employee experiences in an MNE[J].The International Journal of Human Resource Management, 2022, 33(6): 1148-1178.

[9] 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.

[10] ARIAS P J, VELEZ J J.Understanding knowledge hiding under technological turbulence caused by artificial intelligence and robotics[J].Journal of Knowledge Management, 2022, 26(6): 1476-1491.

[11] LAZARUS R S, FOLKMAN S.Stress, appraisal, and coping[M].New York: Springer, 1984.

[12] SHOSS M K.Job insecurity:an integrative review and agenda for future research[J].Journal of Management, 2017, 43(6): 1911-1939.

[13] 吴欢伟,潘紫晨,雷宣.员工危机经历对适应性绩效的影响:工作不安全感和防御性悲观的作用[J].中国人力资源开发,2024,41(2):61-75.

[14] 涂艳, 蒿坡, 龙立荣.工作替代还是工作转型?技术型工作不安全感的内涵、影响后果及来源 [J].心理科学进展, 2023, 31(8): 1359-1373.

[15] EVANS J M, HENDRON M G, OLDROYD J B.Withholding the ace: the individual- and unit-level performance effects of self-reported and perceived knowledge hoarding [J].Organization Science, 2015, 26(2): 494-510.

[16] XU G,XUE M.Unemployment risk perception and knowledge hiding under the disruption of artificial intelligence transformation[J].Social Behavior and Personality:An International Journal,2023,51(2):1-12.

[17] 李新娥,喻子君,夏静,等.人工智能技术应用下制造业企业就业效应研究——基于101家上市公司的实证检验[J].中国软科学,2021,42(S1):277-286.

[18] 谢萌萌,夏炎,潘教峰,等.人工智能、技术进步与低技能就业——基于中国制造业企业的实证研究[J].中国管理科学,2020,28(12):54-66.

[19] 李浩,吕鸾鸾.防御定向、动机氛围对企业中知识隐藏的影响[J].科研管理, 2019,40(4):245-255.

[20] 张建宇,齐硕,杨旭,等.异质化知识隐藏对个人及团队绩效的影响[J].科技进步与对策,2025,42(23):139-149.

[21] NERSTAD C G L, ROBERTS G C, RICHARDSEN A M.Achieving success at work: development and validation of the motivational climate at work questionnaire (MCWQ)[J].Journal of Applied Social Psychology, 2013, 43(11): 2231-2250.

[22] 关涛,宋佳怡,陈莹.“越考核,越贪婪” ——绩效考核与工作不安全感的双重效应研究[J].商业经济与管理,2024,34(6):36-53.

[23] CONNELLY C E, ZWEIG D.How perpetrators and targets construe knowledge hiding in organizations[J].European Journal of Work and Organizational Psychology, 2015, 24(3): 479-489.

[24] VAN VELDHOVEN M,MEIJMAN T F.The measurement of psychosocial strain at work:the questionnaire experience and evaluation of work[M].Amsterdam:NIA,1994.

[25] SERENKO A, BONTIS N.Negotiate, reciprocate, or cooperate?the impact of exchange modes on inter-employee knowledge sharing[J].Journal of Knowledge Management, 2016, 20(4): 687-712.

[26] HAIR J F, RINGLE C M, SARSTEDT M.PLS-SEM: indeed a silver bullet[J].Journal of Marketing Theory and Practice,2011, 19(2): 139-152.

[27] ASTRACHAN C B, PATEL V K, WANZENRIED G.A comparative study of CB-SEM and PLS-SEM for theory development in family firm research[J].Journal of Family Business Strategy, 2014,5(1):116-128.

[28] HENSELER J,RINGLE C M,SARSTEDT M.A new criterion for assessing discriminant validity in variance-based structural equation modeling[J].Journal of the Academy of Marketing Science,2015,43(1): 115-135.

[29] 李浩,郭春红.“开卷有益”还是“闭卷藏珍”?算法不透明性对员工创造力的双刃剑效应[J].南开管理评论,2026,29(1):160-171.

[30] GRANT R M.Prospering in dynamically-competitive environments: organizational capability as knowledge integration[J].Organization Science,1996,7(4):375-388.

(责任编辑：胡俊健)