开放科学(资源服务)标识码(OSID)：
Accordingly, this study adopts a dual theoretical framework, integrating the Job Demands-Resources (JD-R) Theory and Self-Determination Theory (SDT), to explore the dual impact of AI awareness on employees' digital creativity. Specifically, a moderated mediation model is constructed to examine the mediating role of autonomy motivation and the moderating effect of moral dilemmas in shaping these relationships. This study employs a multi-wave survey methodology, drawing upon 257 valid responses from employees in technology-driven enterprises across various regions in China, to investigate the influence mechanism of AI awareness on digital creativity. The sampling strategy balances regional diversity with technological advancement, encompassing representative cities across different geographical areas and economic development tiers, including Beijing, Shanghai, Chengdu, and Chongqing. Data collection was conducted in two stages: At Time 1 (December 2024 to January 2025), the study measured AI awareness, autonomy motivation, and moral dilemmas; At Time 2 (March to April 2025), the study assessed digital creativity, thereby effectively mitigating common method bias and ensuring rigorous causal inference.
The findings reveal the following key results: (1) AI challenge appraisal significantly and positively influences autonomy motivation, which subsequently enhances digital creativity. Conversely, AI hindrance appraisal exerts a significant negative influence on autonomy motivation, suppressing digital creativity. (2) Moral dilemmas negatively moderate the relationship between AI challenge appraisal and autonomy motivation, reducing the positive effect of AI challenge appraisal on digital creativity through autonomy motivation. However, moral dilemmas do not significantly moderate the relationship between AI hindrance appraisal and autonomy motivation. (3) The moderating effect of moral dilemmas underscores the ethical complexities employees face when interacting with AI, as such dilemmas introduce additional cognitive and emotional barriers to leveraging the technology.
The findings offer actionable insights for organizations striving to optimize their use of AI. To harness the potential of AI as a driver of innovation, organizations must focus on fostering positive perceptions of AI among employees. This includes highlighting the ability of AI to improve efficiency and innovation while addressing employees' ethical concerns and apprehensions. Managers can mitigate the negative effects of AI hindrance appraisals by implementing regular training programs, workshops, and case-sharing sessions that emphasize the benefits of AI and provide hands-on experiences to reduce fear and anxiety. Simultaneously, organizations should establish ethical guidelines and provide psychological support to employees facing moral dilemmas related to AI applications, such as concerns over data privacy or algorithmic fairness. Moreover, creating a supportive work environment that emphasizes autonomy is essential for sustaining innovation.
In conclusion, this study sheds light on the dualistic impact of AI awareness on employees′ digital creativity, emphasizing the importance of balancing the enabling and constraining effects of AI in the workplace. By fostering autonomy, reducing hindrance perceptions, and addressing ethical concerns, organizations can unlock the full potential of their workforce in achieving digital innovation. Future research should extend this work by examining these dynamics across different cultural contexts and over longer time horizons to gain deeper insights into the evolving relationship between AI and workplace creativity.
开放科学(资源服务)标识码(OSID)：
随着全球数字化进程的不断加速,数字化转型已成为企业适应时代变革、提升竞争力的关键途径。根据国际数据公司(IDC)公开信息,全球数字化转型投资规模在 2023 年已超过 2.1 万亿美元,预计到 2028 年将接近 4 万亿美元。近年来,企业持续加大数字化转型投入,但部分企业在数字工具深度应用、数据驱动决策以及流程优化转化等方面尚未充分释放技术价值[1]。在人工智能嵌入业务流程情境下,员工对智能系统的信任、接纳及使用方式是影响技术价值释放和创新产出的重要因素[2]。因此,揭示人工智能情境下员工创新产出影响机制,不仅具有重要理论价值,还能为企业破解数字僵局提供抓手。
员工数字化创造力是破解数字僵局的关键。数字化创造力是指员工在应用数字工具和技术过程中所表现出的创新能力[3],其不仅是筑牢组织技术核心能力的重要基石,也在很大程度上决定数字化创新成果的质量。已有研究从个人、团队和组织多个层面探讨了技术对创造力的促进作用[4],但对于员工数字化创造力的研究较少。随着人工智能技术的广泛应用,员工对其潜在影响的感知存在显著差异,进而影响员工创新表现。已有研究表明,人工智能可提升员工创新潜能[5],但多聚焦技术本身的工具性或资源性作用,忽视了员工在人工智能情境下的主观感知,即人工智能意识,其是指员工对人工智能可能影响自身职业发展的主观感知与认知判断[6]。当前研究多关注人工智能可能引发的负面情绪[7-8]。已有学者将员工人工智能意识划分为挑战性与障碍性两个维度[6,9],但对两者如何影响员工数字化创造力的研究缺乏深入探讨。
人工智能在人力资源、数据分析等场景中的应用正深刻改变着员工的工作任务、能力结构与职业路径[10]。技术嵌入推动流程优化与智能化决策,也带来岗位被替代、技能贬值等焦虑[11]。人工智能意识不仅关乎公众对技术的接受程度,也可能会引发认知负荷与动机变化[9],体现出工作需求特征,可用工作需求—资源理论加以分析[6,9]。在此过程中,自主性动机能够连接员工的人工智能意识与创造力行为[12]。已有研究虽探讨了人工智能与员工创造力行为之间的关系,但对动机层面中介作用机制的探讨较少。此外,人工智能应用中的伦理问题(如隐私泄露、算法偏见)已成为员工不可忽视的工作情境因素,容易引发其心理冲突与道德困境[13],进而干扰个体动机生成,阻碍其创新行为。但道德困境能否调节人工智能意识对员工数字化创造力的影响,目前仍缺乏深入研究。
本文基于工作需求—资源理论与自我决定理论,构建“意识—动机—行为”理论模型,并引入道德困境作为情境调节因素。通过理论建构与实证分析,本文旨在回答以下问题:①员工的人工智能意识如何影响其数字化创造力?②自主性动机在其中发挥何种中介作用?③道德困境如何调节上述关系链条?本文不仅有助于丰富人工智能背景下员工创新行为机制理论研究,还能为企业技术转型升级的管理实践提供参考。
数字化转型的持续推进促使组织创新模式与员工工作方式发生深刻变革。在这一背景下,仅依靠传统意义上的创造力难以支撑企业在技术驱动环境下实现持续创新。数字化创造力主要体现为员工基于对数字工具的理解和掌握,在组织提供的数字资源支持下,创造性地解决问题、优化流程或提出具有增值潜力的新想法[3]。现有研究主要从个体特质、组织环境与技术因素等角度探讨其前因变量。例如,已有研究发现积极领导可直接促进员工数字化创造力提升[14];数字技能与学习动机是数字创造力的基础;数字工作环境、领导风格也能显著提升员工数字化创造力[15]。此外,数字技术培训也会影响员工数字化创造力[16]。员工数字化创造力提升不仅有助于其在数字化环境下实现职业成长,还能增强企业整体创新效能,助力企业构建长期竞争优势。近年来,随着人工智能逐步嵌入到人力资源管理、市场分析等多个关键领域,员工对人机协同的认知接纳与风险警惕情绪日益复杂化。人工智能不再仅仅是工具,而成为塑造员工心理体验与工作行为的关键情境变量。
随着组织在数字化转型过程中面临越来越复杂的技术情境,数字化创造力作为一种适应数字环境、整合技术资源以生成创新成果的关键能力,逐渐从传统创造力中分化出来,体现出独特的范式特征。首先,从认知基础看,传统创造力侧重于发散性思维与内在动机的驱动,其创新行为多源于个体心理层面的灵感激发与直觉判断;而数字化创造力则是在信息系统高度嵌入背景下,员工借助数字平台与技术工具开展问题解决方案重构的过程,体现出人与技术交互的特征[3]。其次,从能力结构看,传统创造力主要强调个体想象力与原始构思能力,而数字化创造力则建立在技术熟练性与多源数据整合能力的基础上,更强调技术素养与系统能力的复合协同[1]。最后,从情境嵌入性看,传统创造力在去情境化的空泛语境中发挥作用,而数字化创造力则必须依赖组织所构建的数字基础设施、知识协同网络与技术支持系统,其受信息系统适配性与员工数字技能的双重约束[4]。因此,数字化创造力不仅是传统创造力在技术语境下的延伸,更是员工所需具备的新型创造力形态[1,17]。
人工智能作为当前极具变革性的通用核心技术,正在深刻重塑着员工的工作方式与组织的管理逻辑。员工在日常工作中已越来越多地与人工智能系统交互,其持续塑造着员工的主观认知与心理反应[6]。人工智能意识与技术接受度既相关又有所不同。一方面,两者均属于个体对技术认知的评价,均会影响个体后续行为反应;另一方面,技术接受度主要针对某一具体数字系统的实际使用决策,强调个体当前或近期“用不用、愿不愿意用”的主观态度。而人工智能意识则以更宽泛的人工智能技术及其应用情境为载体,强调人工智能嵌入对员工工作性质、能力结构及职业安全感的综合影响,更具有未来导向与职业情境嵌入特征,并不直接等同于对单一系统的采纳意愿。
根据现有研究,本文将人工智能意识划分为挑战评估与障碍评估两个维度[6]。前者是指员工将人工智能的引入视为提高工作效率和适应技术驱动型工作环境的机会,有助于激发员工积极的行为反应,如技术采纳、流程优化与创造性建构等;后者是指员工感受到工作不确定性所带来的压力,会担心人工智能取代自身岗位,从而引发防御性行为与心理耗竭。已有研究表明,员工在面对人工智能时,往往会激发其期待与焦虑、控制感与威胁感等复杂的心理体验,进而影响其在数字情境下的创新行为[9]。由于人工智能技术仍处于初步发展阶段,员工如何评估其对自身职业发展的潜在影响需引起更多关注[18],其对员工数字化创造力的作用路径有待进一步探讨。
自主性动机作为自我决定理论的核心构念,强调个体在内在兴趣或价值认同的驱动下自发从事某项活动的心理状态[19]。自我决定理论认为,个体在满足自主性、胜任感与归属感3种基本心理需求后,更有可能产生持续且高质量的动机[20]。组织管理研究认为,自主性动机可显著促进员工学习行为、主动性任务塑造及创新产出。近年来,有学者开始关注自主性动机在技术应用与数字转型中的作用。当面临人工智能等高复杂度技术时,内在动机成为员工克服技术焦虑、主动探索与整合技术资源的关键心理机制[15]。在人工智能情境下,自主性动机是员工将技术挑战转化为学习动力与创造力输出的“桥梁”。然而,现有研究较少探讨自主性动机在技术认知影响员工数字化行为过程中的作用机制。
道德困境是指员工在面对人工智能技术带来的伦理冲突时,无法在多种价值或道德准则之间作出权衡的心理状态[2]。在人工智能与数据驱动决策日益普及的背景下,员工所面临的数据隐私、算法歧视、责任归属等问题逐渐成为工作日常的一部分,因而道德伦理成为不可忽视的因素。已有研究表明,道德困境既有可能激发员工的道义责任感与伦理反思,也有可能因持续性的心理冲突诱发其认知失调、动机抑制与行为退缩[21]。在组织治理层面,若缺乏明确的伦理规范与心理支持机制,员工面对人工智能伦理风险时往往会选择回避式应对,进而抑制其创造性行为。因此,道德困境可能是人工智能技术与员工数字化创造力关系的调节变量,其影响效应值得进一步探讨。
工作需求—资源理论强调个体在面对不同类型工作需求时,其所感知到的资源会影响工作投入与创造力水平[22]。人工智能挑战评估是员工将人工智能技术视为提升效率与学习新事物的机会[23],能够促使员工积极应对技术变化、主动使用智能工具并优化自身工作方式,从而促进其在数字情境下的创造性输出。相较于传统创造力,数字化创造力要求员工在数据处理、系统操作、人机交互等维度具备高度整合与再构能力,因此对技术理解与技术适应性提出更高要求。员工若对人工智能技术持挑战性看法,其可能会主动开展自动化流程设计、数字平台创新应用等行为,表现出面向技术的探索式创新[24],从而激活其创造力潜能。相反,人工智能障碍评估则体现了员工对人工智能技术产生负面影响的担忧,如能力限制、角色控制感下降等,在面对数字技术时表现出较高的防御性与自我保护倾向[9],从而降低其参与技术优化与应用创新的意愿。员工避免使用智能工具、对数据系统改革持观望态度,会限制其在数字环境下生成创新性解决方案的能力。此外,人工智能障碍评估会削弱员工的技术学习动机与探索欲望[25],抑制其将新技术转化为创造力的能力。据此,本文提出以下假设:
H1a:人工智能挑战评估正向影响员工数字化创造力;
H1b:人工智能障碍评估负向影响员工数字化创造力。
当员工将人工智能应用视为挑战时,更有可能将其看作是一种成长机会。首先,面对人工智能技术带来的新需求,员工往往会产生强烈的学习动机,通过探索和学习新知识来提升自身创新能力。其次,当员工将人工智能视为挑战时,他们在解决问题过程中会体验到成就感[22],促使其更加主动地开展创新性工作。最后,人工智能促使员工专注于做好本职工作,会增强其工作投入和责任感,进而提升员工自主性动机[26]。
然而,人工智能障碍评估可能会抑制员工工作投入,进而降低其自主性动机。首先,当员工将人工智能视为一种潜在工作障碍时,容易产生消极情绪,削弱其内在动机,使其在面对创新任务时表现出低迷和退缩行为[6]。其次,人工智能障碍评估属于一种阻碍性压力源,可能会引发员工紧张情绪,导致资源枯竭,从而降低其自主性动机。最后,人工智能障碍评估可能会导致员工难以掌握工作中面临的难题[27],使员工在工作中缺乏自信,从而降低其自主性动机。据此,本文提出以下假设:
H2a:人工智能挑战评估正向影响员工自主性动机;
H2b:人工智能障碍评估负向影响员工自主性动机。
当员工具有工作自主性动机时,其会积极寻找解决问题的方法,而不是满足于完成既定任务,会更愿意利用数字技术改善工作效果、提高工作效率,进而提升数字化创造力。自主性动机促使员工热爱自身工作并积极解决问题,从而增强其创新表现[28]。自我决定理论认为,在自主性工作环境下,个体更有可能表现出积极行为,并通过满足内在需求实现自我激励,驱动其主动提升自身技能和知识[29]。据此,本文提出以下假设:
H3:自主性动机正向影响员工数字化创造力。
自我决定理论认为,当个体的自主性、胜任感和关联感等基本心理需求得到满足时,会产生更高水平的内在动机[20]。一方面,员工认为人工智能应用能够提升工作效率、增强职业技能,这种积极评估会增强其对技术适应的控制感与自信心。另一方面,人工智能挑战评估促使员工将挑战视为学习和成长的机会[9],这会激发其自主性动机。在此基础上,员工更倾向于主动探索人工智能技术使用方式,积极尝试使用数字工具以提出创造性解决方案。与之相反,当个体自主性与胜任感等基本心理需求面临阻碍时,其内在动机将被削弱[20]。人工智能障碍评估常伴随着认知不确定性、技术焦虑或失控感,使得员工难以感知自身对新技术的掌控力,从而产生回避行为,导致自我效能感下降[30]。当员工自主性动机受挫时,其更倾向于执行常规任务、减少技术探索与创新尝试,最终削弱创造性表现。据此,本文提出以下假设:
H4a:自主性动机在人工智能挑战评估与员工数字化创造力之间起中介作用;
H4b:自主性动机在人工智能障碍评估与员工数字化创造力之间起中介作用。
当员工将人工智能任务视为一种成长机会与能力挑战时,道德困境的介入可能会使这种挑战性评估更加复杂化。根据自我决定理论,自主性动机来源于个体对行为目标的价值认同与意义建构[20]。若人工智能技术应用会引发员工对个体隐私、责任、算法偏见等伦理问题的深层担忧,则积极评价可能会被道德风险所覆盖,从而降低挑战性任务对自主性动机的激发效能[20,31]。同时,伦理困境往往会引发决策焦虑与责任回避[31],使员工依赖外部规范而非自我判断采取行动,从而降低个体行为自主性。以规避风险为导向的应对机制会削弱员工面对技术挑战的掌控感、效能感与成长感,抑制其自主性动机,最终削弱人工智能挑战评估对自主性动机的正向影响。相反,当员工将人工智能任务视为一种威胁或障碍时,道德困境可能会转化为激发动机再构与认知评估的关键情境变量。一方面,从职业伦理视角看,当员工意识到人工智能决策行为可能带来不利结果时,其行为动机可能会转向伦理使命感[32],将障碍性任务视为履行职业伦理的一部分,增强其目标内在性与行为意愿[1]。另一方面,从认知调节视角看,道德困境能够引导员工反思人工智能系统的社会意义、技术发展的公共责任等宏观层面问题,将原本带有消极情绪的障碍性认知重新意义化为一种自我引导过程,通过再评价机制缓解技术威胁感,恢复其对工作的掌控感,从而缓解人工智能障碍评估对自主性动机的负向影响。据此,本文提出以下假设:
H5a:道德困境负向调节人工智能挑战评估与员工自主性动机之间的正向关系;
H5b:道德困境正向调节人工智能障碍评估与员工自主性动机之间的负向关系。
根据以上分析,当员工感知到技术挑战可能带来的伦理后果时,其内心冲突和矛盾感加剧,使得其对人工智能挑战的评估趋于消极。高水平道德困境使员工更加关注潜在伦理问题,而非创新本身,这种关注点转移会抑制自主性动机的提升。自主性动机对于员工创新活动和主动行为十分重要,员工在面对挑战时表现出较少的创造力和主动性会削弱其数字化创造力。因此,在高道德困境下,人工智能挑战评估借助自主性动机对员工数字化创造力的正向促进作用可能会被削弱。另外,当员工感知到道德困境时,其更关注人工智能对社会和他人的潜在负面影响,这种意识会增强员工道德责任感,激励员工以更积极的态度应对技术障碍,并遵循伦理原则。员工通过积极创新和解决问题,来维护道德标准和社会责任,从而增强自主性动机。因此,在高道德困境下,人工智能障碍评估借助自主性动机对员工数字化创造力的负向影响会被增强。据此,本文提出以下假设:
H6a:道德困境负向调节人工智能挑战评估通过自主性动机影响数字化创造力的间接效应;
H6b:道德困境正向调节人工智能障碍评估通过自主性动机影响数字化创造力的间接效应。
综上,本文构建人工智能意识影响员工数字化创造力的理论模型,如图1所示。
图1 理论模型
Fig.1 Theoretical model
本文采用问卷调研法,调研对象为中国部分地区科技企业在职员工,旨在探究员工的人工智能意识如何影响其数字化创造力水平。为增强样本的多样性与代表性,本文选取北京、上海、成都和重庆等具有区域代表性的城市作为调研对象。这些城市在数字化基础设施建设与人工智能技术应用方面处于国内领先地位,且覆盖中国不同地理区域与经济发展梯度。本文采用多时点调研方式收集数据,第一阶段为2024年12月—2025年1月,向受访者发放包括人工智能意识、自主性动机与道德困境的测量问卷;第二阶段为2025年3—4月,向受访者发放包括数字化创造力的测量问卷。在每轮数据收集过程中,首先,为确保受访者具备足够的人工智能及数字化工作背景,对研究团队所在高校的MBA课程班进行目的性抽样,向当前或曾经在数字化转型企业中工作并具有一定管理经验的学员发放问卷。其次,由该高校MBA学员及校友所在企业推荐,采用滚雪球方式进一步扩展样本范围。最后,为增强样本来源的多样性,通过研究团队社交平台与行业联系人对数字化企业员工进行便利抽样。本研究共发放问卷472份,回收问卷319份。剔除缺失项、反应偏差与逻辑一致性等无效问卷,最终获得有效问卷257份,有效问卷回收率为54.45%。样本特征如下:①性别方面,男性占52.92%,女性占47.08%;②受教育程度方面,本科最多,占37.74%;③在职年限方面,1～3年最多,占21.79%;④年龄方面,21～25岁最多,占21.79%;⑤企业规模方面,1 000人及以上最多,占26.85%;⑥人工智能使用年限方面,0.5～1年最多,占28.02%。为确保研究结果的广泛适用性,本文样本覆盖信息技术、电子通信设备、机械制造、金融服务等多个行业,岗位类型包括技术研发、数据分析、产品运营等,具备较强的岗位结构异质性与行业代表性。
为确保数据有效,本文在已有成熟量表的基础上确定初步研究量表。通过预调研,对量表进行修正,采用李克特7点量表进行测量,1表示“完全不符合”,7表示“完全符合”。
(1)解释变量:人工智能意识。参考He等[6]的研究,本文共设置7个题项测量人工智能意识。其中,设置4个题项测量人工智能挑战评估,代表性题项如“人工智能带来的工作不确定性会帮助我学到很多东西”,设置3个题项测量人工智能障碍评估,代表性题项如“人工智能带来的工作不确定性有可能会阻碍我取得成就”。
(2)中介变量:自主性动机。参考Reinholt等[33]的研究,共设置8个测量题项,代表性题项如“因为我觉得这对我个人而言很重要”。
(3)被解释变量:数字化创造力。参考Shao等[1]的研究,共设置3个测量题项,代表性题项如“我建议通过使用人工智能来提高业务绩效或产品服务质量”。
(4)调节变量:道德困境。参考Singh等[2]的研究,共设置4个题项,代表性题项如“倾向于支持未经授权的软件或技术版本”。
(5)控制变量。根据以往研究,本文设置如下控制变量:性别、年龄、受教育程度、在职年限、人工智能使用年限。
本研究运用SPSS 24.0进行信效度检验,并使用AMOS 26.0进行验证性因子分析(CFA)。结果显示,所有变量的Cronbach′s α系数、CR值均大于0.7,说明样本具有较高的内部一致性和建构信度。各题项因子载荷均大于0.7、AVE值均大于0.5,说明量表具有较高的聚合效度。CFA结果显示,模型整体测度指标χ2/df=1.356,CFI=0.982,GFI=0.916,IFI=0.982,RMSEA=0.037。因此,问卷设计与模型建构能够满足研究要求。综上,信效度检验结果见表1。
表1 测量题项信效度检验结果(N=257)
Table 1 Reliability and validity test results of the measurement items(N=257)
变量题项因子载荷人工智能挑战评估(α=0.904;CR=0.905;AVE=0.705)人工智能带来的工作不确定性帮助我学到很多东西0.837 人工智能带来的工作不确定性使体验具有教育意义0.807 人工智能带来的工作不确定性使我能做些新的事情0.809 人工智能带来的工作不确定性让我专注于把工作做好0.902 人工智能障碍评估(α=0.88;CR=0.881;AVE=0.712)人工智能带来的工作不确定性有可能会阻碍我取得成就0.881 人工智能带来的工作不确定性有可能会限制我的能力提升0.805 人工智能带来的工作不确定性有可能会妨碍我掌握工作中的难点0.844 自主性动机(α=0.945;CR=0.947;AVE=0.689)因为我想了解这个主题0.856 因为我想学习新东西0.829 看看我是对还是错0.761 因为我觉得这对我个人而言很重要0.787 因为我并不倾向于那样做0.834 因为我喜欢做我的工作0.829 因为我的工作令人兴奋0.860 因为我做的工作很有趣0.879 道德困境(α=0.897;CR=0.9;AVE=0.695)倾向于支持未经授权的软件或技术版本0.898 利用组织硬件和软件资源谋取私利的倾向性0.752与外部实体共享组织资源的可能性0.777使用组织提供的未加密VPN(虚拟专用网)服务的倾向性0.896数字化创造力(α=0.886;CR=0.888;AVE=0.726)我建议通过使用人工智能来提高业务绩效或产品服务质量0.859通过使用人工智能技术,我提出创造性解决方案0.782在使用人工智能时,我经常在工作中有新的创新性想法 0.910
为检验共同方法偏差问题,本文采用3种方法对变量进行检验。首先,使用Harman单因素法检验共同方法偏差问题,提取出5个特征根大于1的因子,首因子解释了33.68%的方差(小于40%),表明共同方法偏差的影响在可接受范围内。其次,通过验证性因子分析法(CFA)发现,单因子模型适配度较弱(χ2/df=10.989,CFI=0.477,IFI=0.480,TLI=0.422,RMSEA=0.198)。最后,使用控制未测量的潜在方法因子法(ULMC),优化共同方法因子的模型拟合度为:χ2/df=1.218,CFI=0.99,GFI=0.932,IFI=0.99,RMSEA=0.029。通过对比增加共同方法因子前后的模型拟合度发现,两个模型关键拟合指标无明显差异。综上,本文认为共同方法偏差问题不严重。此外,对样本进行共线性检验发现,变量VIF最大值为1.228,小于3,说明样本不存在严重的多重共线性问题。
各变量均值、标准差与相关系数见表2。结果显示,各变量之间的相关系数绝对值整体较低。此外,人工智能挑战评估与员工数字化创造力为正相关关系(r=0.398,p<0.01),人工智能障碍评估与员工数字化创造力为负相关关系(r=-0.306,p<0.01),均符合理论预期,为回归研究提供了初步支撑。
表2 描述性统计与相关性分析结果
Table 2 Descriptive statistics and correlation analysis results
变量平均值标准差123456789101.性别0.470 0.500 12.年龄2.340 1.822 0.06713.受教育程度0.920 0.787 -0.075-0.03014.在职年限1.930 1.399 0.1200.083-0.07615.人工智能使用年限1.420 1.087 -0.046-0.019-0.0210.00116.人工智能挑战评估4.062 1.305 0.0570.0410.0020.0090.02617.人工智能障碍评估3.991 1.400 -0.063-0.0170.034-0.0370.014-0.268∗∗18.自主性动机4.058 1.240 0.039-0.067-0.0200.1010.0350.326∗∗-0.241∗∗19.道德困境4.011 1.468 -0.0570.0690.0280.0430.105-0.020-0.0150.055110.数字化创造力4.036 1.290 0.232∗∗0.0640.0020.042-0.0020.398∗∗-0.306∗∗0.360∗∗0.0211
注：***、**、*分别表示p<0.001、p<0.01、p<0.05,下同
本文采用层级回归分析法检验主效应、中介效应与调节效应,结果见表3。在假设检验前对涉及交互的变量进行中心化处理,并构建交互项1(人工智能挑战评估×道德困境)与交互项2(人工智能障碍评估×道德困境)。
表3 主效应、中介效应与调节效应检验结果
Table 3 Test results of main effect, mediation effect, and moderation effect
变量数字化创造力模型(1)模型(2)模型(3)自主性动机模型(4)模型(5)模型(6)模型(7)性别0.229∗∗∗0.199∗∗∗0.197∗∗∗0.0320.0070.0110.009(3.693)(3.558)(3.633)(0.508)(0.119)(0.179)(0.155)年龄0.0480.0340.055-0.078-0.090-0.094-0.095(0.787)(0.611)(1.011)(-1.233)(-1.529)(-1.598)(-1.626)受教育程度0.0210.0240.027-0.012-0.010-0.012-0.010(0.346)(0.439)(0.493)(-0.188)(-0.164)(-0.196)(-0.175)在职年限0.0120.007-0.0160.1020.0980.0950.072(0.192)(0.117)(-0.296)(1.615)(1.655)(1.608)(1.218)人工智能使用年限0.0090.002-0.0050.0350.0280.0220.017(0.153)(0.034)(-0.086)(0.552)(0.477)(0.369)(0.288)人工智能挑战评估0.331∗∗∗0.265∗∗∗0.284∗∗∗0.286∗∗∗0.278∗∗∗(5.764)(4.556)(4.677)(4.703)(4.515)人工智能障碍评估-0.205∗∗∗-0.167∗∗-0.163∗∗-0.161∗∗∗-0.134∗(-3.569)(-2.956)(-2.675)(-2.648)(-2.122)自主性动机0.232∗∗∗(3.987)道德困境0.0590.040(0.995)(0.680)交互项1-0.175∗∗(-2.821)交互项2-0.025(-0.387)F-value3.018∗11.410∗∗∗12.568∗∗∗0.9306.245∗∗∗5.588∗∗∗5.392∗∗R20.0570.2430.2880.0180.1490.1530.18Adj-R20.0380.2220.2660.0000.1250.1250.146
注：括号内数值为稳健标准误
(1)为检验主效应,构建回归模型(1)(2),发现人工智能挑战评估对员工数字化创造力具有显著正向影响(β=0.331, p<0.001)。人工智能障碍评估对员工数字化创造力具有显著负向影响(β=-0.205, p<0.001),假设H1a、H1b成立。
(2)构建模型(3)～(5)检验中介效应。模型(5)结果显示,人工智能挑战评估对自主性动机具有显著正向影响(β=0.284, p<0.001),人工智能障碍评估对自主性动机具有显著负向影响(β=-0.163, p<0.01),假设H2a、H2b成立。模型(3)结果显示,自主性动机对员工数字化创造力具有显著正向影响(β=0.232, p<0.001),假设H3得到验证。比较模型(2)与模型(3)可知,模型(3)加入自主性动机后,人工智能挑战评估对员工数字化创造力的回归系数相比模型(2)有所下降但仍显著(β值由0.331降至0.265),因此自主性动机在人工智能挑战评估与员工数字化创造力关系中起部分中介作用;同理,人工智能障碍评估对数字化创造力的回归系数相比模型2有所上升但仍显著(β值由-0.205升至-0.167)。因此,自主性动机在人工智能障碍评估与数字化创造力关系中起部分中介作用,假设H4a、H4b得到验证。
(3)构建模型(6)(7)检验调节效应。由模型(7)结果可知,交互项1对自主性动机的影响效应显著为负(β=-0.175, p<0.01);而交互项2对自主性动机的影响效应为负但不显著(β=-0.025, p>0.05),假设H5a得到验证,假设H5b、H6b未得到验证。
为直观展示调节效应,本文绘制图2。由图2可知,在低水平道德困境下,人工智能挑战评估对自主性动机具有较强的正向影响;而随着道德困境水平提升,该正向关系的斜率明显趋于平缓。因此,道德困境在人工智能挑战评估与自主性动机之间起负向调节作用,假设H5a得到进一步验证。
图2 道德困境的调节效应
Fig.2 Mderation effect of moral dilemma
为进一步检验人工智能挑战评估通过自主性动机对员工数字化创造力的正向效应是否会被道德困境调节,采用SPSS 24.0中的Process插件检验被调节的中介效应。本文选择模型(7),以置信区间为95%、样本量为5 000进行检验(见表4)。当道德困境由低变高时,人工智能挑战评估通过自主性动机影响员工数字化创造力的间接效应由显著变为不显著(95%置信区间由[0.067, 0.206]变为[-0.011, 0.076]),表明自主性动机在人工智能挑战评估与员工数字化创造力之间的中介作用受道德困境的负向调节,假设H6a得到验证。
表4 有调节的中介效应检验结果
Table 4 Results of moderated mediation effect test
调节变量分组效应值β标准误95%置信区间道德困境低0.1300.036[0.067, 0.206]道德困境中0.1790.023[0.130, 0.383]道德困境高0.0280.022[-0.011, 0.076]
本文结合工作需求—资源理论和自我决定理论,基于257份问卷样本数据,探讨人工智能意识、道德困境、自主性动机与员工数字化创造力之间的关系,得出以下研究结论:
(1)人工智能挑战评估与人工智能障碍评估对员工数字化创造力呈现非对称的双路径效应。其中,人工智能挑战评估显著正向影响员工数字化创造力,说明当员工将人工智能视为能力提升与流程优化的机会时,更容易在工作中主动尝试新工具、新方法,在技术使用过程中不断生成改进与创新方案;而人工智能障碍评估则会削弱这一作用,使员工因担忧岗位被替代、技能贬值、不确定性上升而产生防御性反应,从而减少在数字化任务中的投入。
(2)自主性动机在上述双路径中发挥关键中介作用。其中,人工智能挑战评估通过增强员工控制感、胜任感与价值认同,提高其自主性动机,使员工更愿意主动学习和使用人工智能技术,从而提升数字化创造力;相反,人工智能障碍评估则会挤压员工心理资源,削弱其工作意义感和掌控感,抑制其自主性动机,进而降低其在数字情境中的创造性投入。
(3)道德困境在人工智能挑战评估路径中发挥显著负向调节作用。即便员工将人工智能视为发展机会,但若其感受到存在隐私风险等伦理问题时,其内在动机和创新投入会下降,导致人工智能挑战评估对员工数字化创造力的正向影响被削弱。然而,道德困境在人工智能障碍评估路径中作用不显著。一方面,根据资源保存理论,员工面对高强度障碍性感知时,往往伴随着显著的心理资源耗竭[30],此时自主性动机处于抑制或耗散阶段,即便伦理因素介入也难以重新激活个体内在动机。另一方面,从伦理认知分离视角看,道德困境通常聚焦于人工智能使用过程中的社会责任或规范合法性[34],而员工在人工智能障碍评估中更多关注的是自身职业发展受限与技能被替代等现实问题,导致道德困境难以显著介入或调节人工智能障碍评估对自主性动机的影响。此外,人工智能障碍性评估本身即构成一种高约束、低控制的强情境[6],在此情境中个体行为表达受外部规则与情绪驱动的主导,道德困境的边际效应受到挤压,将会进一步削弱其调节作用。
(1)拓展了人工智能意识影响员工数字化创造力的理论框架。现有研究多关注人工智能对员工行为的单向影响,如技术焦虑、职业威胁感等负面因素如何抑制员工创新表现[1,14],或正向感知如何增强其技术采纳意愿与任务绩效[25]。本文进一步聚焦员工在人工智能情境中所形成的心理意识结构,从挑战性评估与障碍性评估两个维度刻画人工智能意识的双重性,构建从认知评估→动机生成→创造性行为的内生机制路径,回应了Liang等(2022)提出的“人工智能双刃剑效应”命题,发现二者对员工数字化创造力存在非对称作用路径,丰富了人工智能技术影响员工行为的理论维度,也对工作需求—资源理论在新型智能技术情境下的结构扩展提供了路径参考。
(2)深化了自我决定理论在数字化转型背景下的机制适用性。尽管自我决定理论被广泛应用于解释员工创新行为,但现有研究主要聚焦于一般性组织情境,如领导风格、工作设计或文化氛围对自主性动机的影响[9,25],而在以人工智能为代表的技术赋能场域中,关于自主性动机如何建构与介入员工创造力的研究较少。本文将人工智能意识作为前因认知变量,将自主性动机作为关键心理路径变量,将数字化创造力作为行为输出变量,识别出员工面临技术挑战与障碍认知的差异化动机影响路径,进一步揭示员工如何通过内在动机将技术认知转化为创造力产出,拓展了自我决定理论在“技术认知—动机反应—创造行为”路径中的适用边界。
(3)弥补了人工智能伦理研究关于“个体伦理感知—行为反应”机制研究的不足。已有研究虽关注到人工智能情境中的伦理风险[2,25],但主要聚焦组织伦理治理或消费者隐私保护,缺乏从个体心理层面揭示伦理冲突如何影响员工行为动机的作用机制。本文引入道德困境作为调节变量,揭示其在挑战与障碍评估路径中呈现出情境差异化的调节效应。在人工智能挑战路径中,道德困境通过激发员工认知失调与价值冲突,削弱其自主性动机的形成;而在人工智能障碍路径中,由于资源耗竭、认知封闭与伦理关注点偏离,道德困境对人工智能障碍评估与自主性动机关系的调节作用不显著。这一发现不仅补充了人工智能伦理研究对员工主观体验的关注维度,也回应了近年来伦理—技术交互研究中强调个体行为的研究主张[34],为人工智能伦理治理在个体层面的干预策略提供了理论支撑。
根据上述研究结论,本文提出如下启示:
(1)企业需通过意义建构与能力赋能强化员工人工智能挑战评估,从源头上激活员工创造性反应。研究发现,当员工将人工智能理解为能力扩展、任务优化与绩效提升的机遇时,更有可能形成高水平自主性动机并转化为数字化创造力。因此,管理者可引入人工智能导入,使其与岗位价值、业务目标及员工成长路径匹配,通过清晰的愿景沟通与任务层面的价值阐释,引导员工将人工智能定位为“增强型资源”而非“替代性威胁”。
(2)企业应将人工智能障碍评估视为数字化转型的关键阻滞因素,通过岗位再设计与技能再培训降低员工失控感,摒弃防御性应对,充分释放组织活力。本文发现,人工智能障碍评估会显著抑制自主性动机并降低数字化创造力。因此,企业一方面需要明确人机协作边界,通过任务分解与流程再设计界定人工智能与员工各自承担的责任;另一方面,需建立员工技能更新与职业发展支持机制,为员工长远发展提供保障。
(3)企业需要以自主化支持性管理作为连接“技术变革”与“创新产出”的抓手,促进员工自主性动机向数字化创造力转化。本文揭示自主性动机在人工智能意识与数字化创造力之间发挥中介作用,意味着即便员工形成较高的人工智能挑战评估,如果组织仍采取强控制、低授权的管理方式,也可能使员工自主性动机难以沉淀为持续创新行为。因此,企业可在目标明确的前提下给予员工一定的任务自主权与工具选择权,增强其控制感与自我认同感。
(4)企业应通过伦理与合规治理降低道德困境强度,防止其抑制人工智能挑战评估路径的积极效应。研究发现,道德困境会削弱人工智能挑战评估通过自主性动机对数字化创造力的促进作用。这表明,当隐私保护、责任归属与合规边界不清晰时,即便员工将人工智能视为一种机会,也可能会降低对人工智能应用的主动投入,从而使积极动机难以维持。为此,企业应建立可执行的人工智能伦理与合规边界,明确数据使用、模型调用、内容生成与对外披露规则,并形成可追溯的审计与留痕机制;同时,完善责任链条与风险兜底机制,降低员工使用人工智能作出决策的不确定性。
本文存在如下不足:首先,研究样本主要来自数字化发展水平较高地区的科技型企业,员工在数字素养、教育水平和技术敏感性方面整体偏高,有可能会影响研究结论的外部适用性。未来可进一步扩大样本来源,纳入更多地区、行业、企业类型与岗位层级,以提升研究结论的普适性。其次,随着人工智能的不断发展,未来应开发更多具有人工智能应用背景的情境化量表。最后,未充分探讨道德困境的复杂性以及外部因素(如组织文化、领导支持)的影响,未来应进一步细化,考察多元动机机制在技术变革层面的作用,以提供更加全面的管理建议。
[1] SHAO Z, LI X, WANG Q. From ambidextrous learning to digital creativity: an integrative theoretical framework[J]. Information Systems Journal,2022,32(3):544-572.
[2] SINGH K, CHATTERJEE S, MARIANI M. Applications of generative AI and future organizational performance: the mediating role of explorative and exploitative innovation and the moderating role of ethical dilemmas and environmental dynamism[J]. Technovation,2024,133:103021.
[3] NAMBISAN S, LYYTINEN K, MAJCHRZAK A, et al. Digital innovation management[J]. MIS Quarterly,2017,41(1):223-238.
[4] CHATTERJEE S, D MOODY G, LOWRY P B, et al. The nonlinear influence of harmonious information technology affordance on organisational innovation[J]. Information Systems Journal,2021,31(2):294-322.
[5] 戚聿东,肖旭. 数字经济时代的企业管理变革[J]. 管理世界,2020,36(6):135-152,250.
[6] HE C,TENG R,SONG J.Linking employees′ challenge-hindrance appraisals toward AI to service performance:the influences of job crafting,job insecurity and AI knowledge[J]. International Journal of Contemporary Hospitality Management,2023,36(3):975-994.
[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] 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.
[9] LIANG X, GUO G, SHU L, et al. Investigating the double-edged sword effect of AI awareness on employee′s service innovative behavior[J]. Tourism Management,2022,92:104564.
[10] GLIKSON E, WOOLLEY A W. Human trust in artificial intelligence: review of empirical research[J]. Academy of Management Annals,2020,14(2):627-660.
[11] FREY C B, OSBORNE M A. The future of employment: how susceptible are jobs to computerisation?[J]. Technological Forecasting and Social Change,2017,114:254-280.
[12] ZAFAR S, RAZIQ M M, IGOE J, et al. Inclusive leadership and innovative work behavior: roles of autonomous motivation and horizontal and vertical trust[J]. Current Psychology,2024,43(14):12680-12695.
[13] 韩明燕,张毛龙,胡恩华,等. 因参与而支持:员工参与AI实施过程对其AI支持行为的影响[J]. 经济管理,2023,45(5):151-169.
[14] 过旻钰,朱永跃. 意义构建理论视角下领导积极结果框架对员工数字化创造力的影响研究[J]. 管理学报,2024,21(4):550-559.
[15] CHUNG S, LEE K Y, CHOI J. Exploring digital creativity in the workspace: the role of enterprise mobile applications on perceived job performance and creativity[J]. Computers in Human Behavior,2015,42:93-109.
[16] 谢鹏,马璐,韦依依.数字技术培训对员工数字化创造力的影响机制研究[J].管理工程学报,2026,40(1):74-86.
[17] SHAO Z, LI X. The influences of three task characteristics on innovative use of malleable IT: an extension of adaptive structuration theory for individuals[J]. Information Management,2022,59(3):103597.
[18] CHIU Y T, ZHU Y Q,CORBETT J. In the hearts and minds of employees: a model of pre-adoptive appraisal toward artificial intelligence in organizations[J]. International Journal of Information Management,2021,60:102379.
[19] 张春虎. 基于自我决定理论的工作动机研究脉络及未来走向[J]. 心理科学进展,2019,27(8):1489-1506.
[20] GAGNE M,DECI E L.Self-determination theory and work motivation[J]. Journal of Organizational Behavior,2005,26(4):331-362.
[21] PARISI I, MANCINI A, MANCINI F, et al. Deontological guilt and disgust sensitivity modulate moral behaviour[J]. Clinical Neuropsychiatry,2021,18(4):196-210.
[22] BAKKER A B, DEMEROUTI E, SANZ-VERGEL A I. Burnout and work engagement: the JD-R approach[J]. Annual Review of Organizational Psychology and Organizational Behavior,2014,1(1):389-411.
[23] BAKKER A B,DEMEROUTI E. Job demands-resources theory: taking stock and looking forward[J]. Journal of Occupational Health Psychology,2017,22(3):273-285.
[24] IVANOV S, SEYITOGLU F, MARKOVA M. Hotel managers′ perceptions towards the use of robots:a mixed-methods approach[J]. Information Technology &Tourism,2020,22(4):505-535.
[25] TENG R, ZHOU S, ZHENG W, et al. Artificial intelligence (AI) awareness and work withdrawal: evaluating chained mediation through negative work-related rumination and emotional exhaustion[J]. International Journal of Contemporary Hospitality Management,2024,36(7):2311-2326.
[26] DING L.Employees′ challenge-hindrance appraisals toward STARA awareness and competitiveproductivity: a micro-level case[J]. International Journal of Contemporary Hospitality Management,2021,33(9):2950-2969.
[27] 杜维,陈鑫. 运气还是能力?——基于自我认知视角的智能服务算法偏差对消费者使用意愿的影响研究[J]. 南开管理评论,2024,28(3):1-40.
[28] SEGARRA-CIPRES M, ESCRIG-TENA A, GARCIA-JUAN B. Employees′ proactive behavior and innovation performance: examining the moderating role of informal and formal controls[J]. European Journal of Innovation Management,2019,22(5):866-888.
[29] 王倩. 数字化时代工作特征、个体特征与员工数字化创造力——创新自我效能感的中介作用和性别的调节作用[J]. 技术经济,2020,39(7):72-79.
[30] KONG H,YUAN Y,BARUCH Y, et al. Influences of artificial intelligence (AI) awareness on career competency and job burnout[J]. International Journal of Contemporary Hospitality Management,2021,33(2):717-734.
[31] BUDHWAR P,CHOWDHURY S,WOOD G, et al. Human resource management in the age of generative artificial intelligence: perspectives and research directions on ChatGPT[J]. Human Resource Management Journal,2023,33(3):606-659.
[32] ZOHNY H, MCMILLAN J, KING M. Ethics of generative AI[J]. Journal of Medical Ethics,2023,49(2):79-80.
[33] REINHOLT M, PEDERSEN T, FOSS N J. Why a central network position isn′t enough: the role of motivation and ability for knowledge sharing in employee networks[J]. Academy of Management Journal,2011,54(6):1277-1297.
[34] VERMA S,GARG N.Development and validation of techno-ethical orientation scale for Indian post-millennial students[J]. Journal of Science Technology Policy Management,2024,15(6):1294-1310.