开放科学(资源服务)标识码(OSID)：
Adopting a constructive grounded theory approach, the study builds theory inductively from rich qualitative data. The primary data came from semi-structured interviews with 20 knowledge workers, all of whom had at least three months of GenAI experience. During the interviews, leading questions with outcome biases were avoided, and reasonable compensation commensurate with their time was provided upon completion. To enhance data diversity, an open-ended questionnaire was used as a supplementary method, with question design aligned with the interview protocol. From this, 40 valid responses were rigorously screened. In total, over 300 000 words of valid textual data were obtained and subjected to multiple rounds of systematic coding using NVivo 15. Three-fourths of the data were used to construct the theoretical framework, and the remaining one-fourth served to test theoretical saturation.
The findings reveal that the work characteristics of knowledge workers in the GenAI context form a multi-level model comprising four higher-order dimensions, which encompass twelve specific facets. Contextual characteristics include GenAI facility conditions and GenAI risk review. Task characteristics consist of GenAI-enhanced autonomy, feedback from GenAI, role overload, and role ambiguity. Knowledge characteristics encompass GenAI-driven professionalism, GenAI-related skill expansion, GenAI information processing demands, and non-routine problem solving. Social characteristics involve interpersonal support for human-AI collaboration and self-management support needs. In the analysis of the internal logic of the model, contextual characteristics provide the foundational infrastructure for the work system. Knowledge and task characteristics interact reciprocally, forming the core operational mechanism. Social characteristics ensure the system functions effectively by providing necessary support. Within the knowledge dimension, GenAI-driven professionalism acts as the central hub, which directly determines employees′ proficiency in mastering GenAI-related skills, the accuracy and quality of their verification and interpretation of GenAI-generated information, and their competence in solving non-routine workplace problems. Within the task dimension, a dual-path dynamic exists: GenAI-enhanced autonomy and feedback constitute an empowering pathway, while role ambiguity and overload form a constraining pathway, with both interacting dynamically.
The primary theoretical contribution of this study lies in developing a comprehensive, context-specific structural model that extends classic work design frameworks into the GenAI era. It advances the conceptualization of work characteristics beyond mere listings by elucidating their nuanced connotations and complex interdependencies within human-AI collaboration. For practice, the model guides managers in introducing knowledge workers to the new work characteristics emerging in the GenAI context, prompting them to reflect on their own strengths and weaknesses in relation to these characteristics, and assisting in the formulation of personalized development plans. Moreover, managers should recognize the inherent interconnections among the various dimensions of work characteristics and leverage their synergistic configurations to enhance both organizational performance and employee well-being. Future research should develop validated measurement scales for the identified dimensions and test the proposed relationships across diverse occupational and cultural settings.
开放科学(资源服务)标识码(OSID)：
在科技革命与产业升级的浪潮中,GenAI凭借多模态、高效率的内容生成能力,被广泛应用于文本创作、代码编写、图像设计等工作场景,较大程度上契合了知识型员工的工作需求。然而,知识型员工在享受技术红利的同时,也持续面临工作转型压力。随着GenAI在多类型认知任务中的表现逐渐接近甚至超越人类水平,知识型员工不得不重新审视人机能力边界,并在技术演进中锚定自身独特价值,由此催生出情绪耗竭、工作不安全感、去技能化等负面反应。如何推动知识型员工与GenAI高效协同、良性互动,成为学界关注的重要议题。
工作设计作为影响员工态度与行为的关键策略,能通过改变客观工作条件(如增加任务种类、下放决策权等)来应对负面工作结果,是破解人机协同问题的关键方法。面向知识型员工与GenAI协作的工作场景,学者们探讨了工作自主性、技能多样性等传统工作特征对员工适应工作变革的赋能作用[1-3];随着研究的不断深入,又初步识别出AI控制[4]等新兴工作特征。然而,相关研究仍存在以下不足:第一,GenAI情境下员工工作特征是一个复杂的多维构念,体现了工作环境、任务分工、技能要求、协作关系等多方面工作属性。但既有研究多孤立探讨单一工作特征的内涵演变,尚未对这一整体结构内涵进行清晰界定,导致相关研究缺乏扎实的概念基础。第二,传统工作设计理论所隐含的技术工具性[5]与任务相对稳定性[6]假设在GenAI情境下已然失效。GenAI并非被动辅助工具,而是具备一定决策能力的协作工具。这使得人机关系从支配走向协同,工作特征从静态任务组合转向动态人机协商,而现有理论未能有效界定员工在人机协作中的新角色、新任务。第三,主流工作设计模型均植根于普适性的人人协作场景,对工作特征的刻画囿于单维罗列或泛泛解读[7-9]。知识型员工工作以创造性与问题求解为核心,现有模型既难以精准捕捉其与普通员工在工作特征方面的差别,也未充分囊括影响工作体验与产出的诸多要素,表现出明显的理论适配局限性。
鉴于已有研究存在研究视角分散、情境针对性不足等问题,本研究聚焦知识型员工与GenAI协作的工作情境,旨在构建一个综合性的知识型员工工作特征理论模型。考虑到人机交互与工作设计交叉领域发展时间较短,且已有针对传统组织员工的结论不能直接套用于GenAI情境下的知识型员工群体,故本研究采用建构型扎根理论方法,通过半结构化访谈与开放式问卷相结合的方式收集文本资料,从中识别出知识型员工工作特征的维度构成,明确各维度的具体内涵和作用关系,以期为知识密集型组织工作设计实践提供理论支撑与实践指导。
知识型员工是指利用知识或信息进行工作的脑力劳动者。近年来,GenAI在语言理解、逻辑推理等人类智慧领域取得突破性进展,并加速渗透至各类工作场景,对知识型员工造成强烈冲击。研究表明,GenAI对知识型员工的影响呈现出复杂的“双刃剑”效应。一方面,GenAI能为员工提供技术支持,丰富其心理资源并激发其积极反应。GenAI通过接管重复性、低价值任务(如数据录入、报表生成),使员工从繁冗劳动中解放出来,专注于能力提升与价值创造,且高技能员工能更好地借助GenAI提升创造力[10];同时,GenAI可提供即时、个性化反馈,增强员工的工作效能感[11]与工作激情[12],从而有助于促进其工作顺利推进。另一方面,GenAI也可能会对员工构成潜在威胁,消耗其心理资源并诱发消极反应。GenAI应用往往伴随着较高的工作负荷与技能要求[13],甚至会引发员工对职业发展的担忧;另外,与GenAI频繁互动可能会挤占人际交往空间,使员工滋生工作孤独感[14]。这种持续的心理资源损耗不仅会削弱员工工作动力、加重其退缩行为,还可能传导至家庭生活,加剧家庭矛盾[15]。为引导知识型员工充分理解并认可GenAI的价值,进而打造基于GenAI的组织竞争力,从工作顶层设计出发,重新构思人机协作工作机制尤为重要。
工作设计是指组织以管理者为主体,自上而下地对员工工作进行构建[16]。早期工作设计以泰勒科学管理理论为代表,仅仅局限于对工作本身的设置和安排,忽视了员工的心理和社会需求,导致员工和组织发展受阻。直至20世纪中叶,随着人本主义思潮的兴起,工作设计逐渐关注员工的满意度和动机,强调激发员工的主观能动性,探索实现人岗匹配的可行路径。随后,涌现出诸多经典工作设计模型,并持续影响当下工作设计理论研究和组织实践。不同工作设计模型的关注点、结构、测量及主要文献如表1所示。
表1 不同工作设计模型的关注点、结构、测量及主要文献
Table 1 Focus, structure, measurement, and key literature of different work design models
模型 关注点结构维度测量主要文献工作特征模型(JCM)员工内在动机一阶技能多样性、任务完整性、工作重要性、工作自主性和工作反馈工作诊断调查量表(JDS)Hackman & Oldham[9]需求控制模型(JDC)工作压力一阶工作需求和工作控制工作压力量表Karasek[7]工作需求—资源模型(JD-R)职业倦怠一阶工作需求和工作资源奥尔登堡倦怠量表(OLBI)Demerouti等[8]、Schaufeli[20]SMART工作设计模型工作特征的关键高阶维度二阶激励性工作特征任务多样性、技能多样性、信息处理需求和问题解决需求SMART量表Parker & Knight[21]自主性工作特征决策自主性、时间自主性和方法自主性掌握性工作特征工作反馈、他人反馈和角色清晰性关系性工作特征社会支持、任务重要性和受益人联系可容忍性工作特征低水平角色负荷、低水平工作与家庭冲突、低水平角色冲突WDQ工作设计问卷识别所有普适性的工作特征二阶环境特征人体工程学、生理要求、工作条件和设备使用工作设计问卷Morgeson & Humphrey[22]任务特征工作安排自主性、决策自主性、工作方法自主性、任务多样性、任务意义、任务识别和来自工作的反馈知识特征工作复杂性、信息处理、问题解决、技能多样性和专业性社会特征社会支持、相互依赖、与组织外人员互动和他人反馈
整体来看,现有工作设计模型面向不同研究,形成各具特色的维度划分,但其适配性在GenAI情境下存在一定局限性。JCM(Job Characteristics Model,工作特征模型)、JDC(Job Demand-Control Model,工作需求—控制模型)、JD-R(Job Demands-Resources Model,工作需求—资源模型)模型对工作特征的刻画局限于一阶结构,难以全面反映复杂多变的工作环境。SMART工作设计模型和WDQ工作设计问卷通过将多元工作特征聚合为高阶结构,在一定程度上弥补了上述不足。然而,SMART工作设计模型忽视了环境要素对工作的重要性。环境适应学派认为,环境会影响工作流程,组织要适时调整工作计划以实现人与环境的协同[17]。尤其是在人机协作场景中,员工不仅要操作搭载GenAI技术的设备,还要规避GenAI带来的法律、伦理等新型环境风险。这些环境要素不断融入工作循环,要求工作设计必须纳入与环境相关的工作特征。
相比之下,WDQ将工作特征划分为环境、任务、知识和社会4个高阶维度,是目前学者普遍认为最完整有效的工作设计测量工具[18]。它融合了工作设计各维度理念,既兼顾工作设计成本与收益,又聚焦工作本身的属性,还体现了工作与所处环境之间的紧密联系。然而,WDQ源于早期工作设计文献,其模型构建于GenAI、大数据等颠覆性技术尚未显现的时代,未明确涵盖技术对工作特征的影响。如今,GenAI正在深刻重塑着知识型员工的工作内容、流程及职场关系:原有的工作特征会发生哪些适应性变化?又会催生出哪些新的工作特征?面对这些GenAI带来的新型人力资源管理问题,传统WDQ模型难以给出有效方案。
不同岗位群体的核心工作需求不同。相较于以重复简单任务为主的非知识型员工,知识型员工高度依赖复杂知识与技能,自我学习与成长的动机更强烈,对自我效能感与价值实现的追求也更加迫切[19]。这些差异决定了知识型员工的工作诉求与其他群体存在明显不同。若直接套用面向标准化岗位或其他行业构建的工作特征框架,将难以捕捉知识型员工与GenAI协作过程中的真正需求,无法有效激发其内在动机,进而限制其工作投入与绩效产出的提升。因此,有必要立足知识型员工与GenAI交互的特殊情境,提炼出契合其工作逻辑的工作特征综合框架。
尽管学者围绕人机交互背景下的工作特征展开了初步探讨,并对其内涵与影响机理予以一定解释,但尚未揭示GenAI情境下员工工作特征的整体图景,也未能充分考虑知识密集型工作的独特性,从而无法厘清与GenAI协作的知识型员工工作特征的构成要素与结构关系。鉴于此,本研究采用建构型扎根理论方法[23],对收集到的文本资料进行归纳,并在数据、结论和文献之间不断迭代对比和相互印证,从而逐步实现理论建构。
建构型扎根理论强调研究者与参与者共同构建意义。本文研究团队由高校教师与硕士研究生组成,成员均为与GenAI协作的知识型员工,兼具研究对象的内部视角与研究执行者的学术视角。这种双重身份有助于深入理解现象,但也可能因主观立场或先验知识的存在而引发解读偏差。为此,本研究采取以下策略降低主观偏差:一是持续撰写备忘录,记录对原始资料的解释、理论建构的思路等批判性反思;二是开展同侪审读,由未参与编码的团队成员独立审查理论建构过程,并通过讨论解决分歧,从而在研究各环节保持方法论的自觉性。
本研究通过半结构化访谈与开放式问卷相结合的方式收集数据,整理后的有效数据资料共计30余万字。
2.2.1 半结构化访谈
本文通过半结构化访谈获取主要数据。在广泛参考国内外人机交互、工作设计领域经典文献的基础上,结合知识工作特性,初步构建访谈提纲。为提高访谈提纲的科学性,本研究先邀请两名工作设计领域的学者参与论证,随后选取3名具有与GenAI协作经验的知识型员工开展预访谈。根据反馈意见对提纲进行修订,剔除表述模糊、偏离主题的内容,形成正式访谈提纲。正式访谈提纲围绕人机协作中知识型员工工作内容与职责变化、员工对GenAI应用的认知与行为体验、组织层面的支持措施与改进需求等问题展开。
为提高访谈对象的代表性,制定如下遴选标准:①受访者需从事战略决策、研发编程、创意设计、医疗制药等典型知识密集型岗位;②具有不少于3个月的GenAI工作场景使用经历,能够清晰地描述人机协作的完整过程;③自愿参与访谈,承诺提供真实信息并同意全程录音。通过在多个社交平台发布有偿招募信息,经初步筛选与资格核查后,最终确定20名来自全国不同地区、不同岗位的受访者开展正式访谈。
访谈采用线上视频会议形式进行,每次时长约60～90分钟。访谈正式开始前,研究团队向每位受访者阐明调研目的、数据用途与隐私保护承诺,明确其有权随时终止访谈或拒绝回答任何问题,在获得知情同意后,启动正式访谈与录音。在访谈过程中,研究者避免设置带有结果偏向的诱导性提问,而是通过开放式问题获取员工观点,如“您如何看待公司引入GenAI与您一同工作的举措”;同时,持续评估信息饱和情况,当连续有3位受访者未提供新的工作特征相关陈述时,即终止抽样。所有访谈录音均在24小时内转译成文字,对文本中出现的受访者姓名、所在公司名称、地名等可识别信息进行模糊化处理,随后通过发放邮件的形式请受访者核对关键内容,以修正转录误差。
2.2.2 开放式问卷
为拓展数据来源的多样性、增强研究效度,本文采用开放式问卷作为辅助方法,其问题设计与访谈提纲保持一致。针对问卷无法实时追问的局限,部分问题附有作答参考角度,用以启发作答思路。问卷通过见数平台面向知识型员工发放,采用语音作答形式引导其自然表达与真实反馈。
为防范AI辅助作答对数据质量造成的干扰,由研究者逐一审核回收的语音内容,剔除表述过度书面化、逻辑异常工整的回复。此外,还剔除回答与问题无关、前后矛盾的无效样本。最终,从150份问卷中筛选出40份有效问卷。由于问卷有效回收率偏低,为检验是否存在应答偏差,本研究对40份有效问卷与110份无效问卷进行χ2检验和t检验[24]。结果显示,两组数据在性别、年龄、工作年限、受教育程度、GenAI协作时长、GenAI使用频率上均无显著差异(p>0.05),表明样本筛选流程未引入应答偏差。
通过访谈和问卷两种方式,本研究共获取60份有效样本资料,为后续识别GenAI情境下知识型员工的工作特征、构建结构模型提供了有力的数据基础。表2呈现了样本的基本信息,本研究随机抽选3/4资料进行编码分析,剩余资料用于理论饱和度检验。
表2 样本概况
Table 2 Descriptive statistics of the sample
项目 类别 数量占比(%)性别男2541.67女3558.33年龄30岁以下3050.0030～40岁2541.6740岁以上58.33工作年限0～5年2745.006～10年2033.3311～15年813.3315年以上58.33受教育程度本科以下11.67本科3253.33硕士2745.00岗位研发岗2745.00设计岗711.67策划岗915.00运营岗1220.00职能岗58.33GenAI协作时长1年以下711.671～2年2745.002年以上2643.33GenAI使用频率每天都用4270.00每周4～6次1118.33每周1～3次610.00偶尔用11.67
扎根理论强调数据收集与分析循环共进,促使理论概念逐步浮现。Glaser[25]将这一过程划分为实质编码和理论编码两个阶段,其中理论编码构建于实质编码的基础之上。本文首先聚焦实质编码,采用建构型扎根理论编码技术[23],借助NVivo 15软件对原始数据依次进行初始编码、聚焦编码和轴心编码分析。
初始编码要求研究者秉持开放态度,对原始资料进行逐句、逐段拆解与分类,以充分捕捉数据的多样性与丰富性,进而得到广泛的概念类别。为此,本研究选取4名课题组成员组建研究团队,所有成员接受统一的编码培训,在充分理解工作特征和人机交互概念的基础上,对随机抽取的3/4文本资料依次执行标签化和概念化操作。第一步,团队成员共同审阅样本数据,剔除明显偏离主题的内容,随后进行标签化作业,共得到904条有效标签(a)。第二步,团队成员各自对标签内容进行人工归纳与概念提炼。从首条标签开始提炼初始编码,后续标签若无新增意思则归入已有编码,若包含新增意思则建立新编码。在此过程中,团队通过多轮讨论识别出异同点并逐步达成共识。为确保编码信度,研究团队从外部邀请两名同行学者和两名知识型员工对初始编码结果进行审阅与反馈,据此调整部分编码表述。最终,从904条标签中凝练形成390个初始编码(A)。为检验理论饱和度,对预留的1/4资料进行验证分析,所得初始编码均未超出已有范畴,表明达到理论饱和度。表3展示了部分初始编码。
表3 初始编码提炼过程(部分)
Table 3 Refinement process of initial codes (partial)
标签化作业初始编码初始频次我觉得和GenAI合作最顺畅的方式,就是直接抛出简单明确的指令。比如我提一个要求,GenAI就针对这个要求给出具体回答(a612)GenAI擅长执行简单明确指令(A1)7给GenAI交代任务的时候,得把它当成完全不了解这件事的对象,把前因后果、背景都说明白,GenAI得到的有效信息越多,生成的内容才越符合预期(a384)向GenAI提供上下文和背景信息以提升输出质量(A2)14…………我让GenAI审一下预算编制的问题,它说差旅费占整个预算的20%太高了,其实这很正常。……会有这种情况(a157)GenAI缺乏领域专业知识,难以有效解答问题(A26)10我负责对GenAI生成的初步结果进行审核和验证,以确保数据的准确性(a446)员工审查GenAI输出准确度(A27)23…………如果想要得到一个好的输出,通常需要一个较长的提示词调整过程,得一点点把结果调到有用为止(a321)引导GenAI作答耗费时间和精力(A155)5内部针对这些问题制定了沟通手册和方法,简化了工作流程,让我们不必为类似问题浪费时间和精力(a529)公司提供GenAI操作手册以便于人机协作(A156)6…………我目前对GenAI的运用可能还比较基础,某方面还是没有搞清楚它的运作机制或生成输出的原理(a620)需理解GenAI工作机制和生成逻辑(A214)3我一般会先把需求梳理清楚,然后告诉它具体要调用哪个模块、在哪个文档,以及这个模块在整个工程中处于什么位置(a624)员工负责需求梳理与任务拆解(A215)7…………我们公司对GenAI的态度其实挺积极的,提倡用GenAI提效,但实际并没有批多少预算,也没有给出明确支持(a417)公司提倡使用GenAI但缺乏实质支持(A377)2当我将调整后的内容发给主管时,他却说希望你有自己的思考……其实我不太理解:我在GenAI的基础上进行加工和调整,不就代表我的思路吗(a424)主管忽视GenAI辅助下的员工思考过程(A378)2…………共计904条标签共计390个初始编码
聚焦编码需从已获取的390个初始编码中挑选出与研究问题紧密相关的概念,并对其进行范畴聚焦。例如,初始编码“GenAI擅长执行简单明确的指令(A1)”“向GenAI提供上下文和背景信息以提升输出质量(A2)”“高质量GenAI输出依赖员工精准输入(A35)”“GenAI理解力较低,需提供清晰的逻辑与指令(A208)”等虽表达视角不同,但均反映出知识型员工需通过精准且结构化的提示词与GenAI交互,才能获得理想输出。因此,将这些编码合并为聚焦编码“提示词精准与结构化输入(B3)”。在此阶段,共形成69个聚焦编码(B),并进一步凝练得到27个一般范畴(C)。表4展示了部分聚焦编码的提炼过程。
表4 聚焦编码提炼过程(部分)
Table 4 Refinement process of focal codes (partial)
初始编码聚焦编码一般范畴GenAI擅长执行简单明确指令(A1)、向GenAI提供上下文和背景信息以提升输出质量(A2)、高质量GenAI输出依赖员工精准输入(A35)、GenAI理解力较低,需提供清晰逻辑与指令(A208)等提示词精准与结构化输入(B3)有效引导GenAI作答(C5)多次迭代提示词以优化GenAI输出(A55)、人机多次互动修改(A284)等人机迭代对话以实现目标(B29)主动管理GenAI对话以构建知识库(A62)、员工整理提示模板应对类似场景(A233)、GenAI对话分类管理(A349)等主动管理GenAI对话以积累知识资产(B32)………………公司积极提倡GenAI应用(A83)、公司重视程度影响员工GenAI使用意愿(A213)、公司支持缓解GenAI使用焦虑和提升安全感(A252)、公司提倡使用GenAI但缺乏实质支持(A377)等组织GenAI文化与支持氛围(B19)组织人机协作支持(C22)GenAI相关培训侧重风险规避(A99)、公司进行GenAI场景化训练(A149)、公司组织GenAI实践作业(A289)等组织提供GenAI相关培训(B20)公司培训与实际工作脱节(A49)、公司未培训复杂GenAI运用技巧(A109)、公司现有培训深度不足(A253)等现有组织培训与实际需求脱节(B21)………………共计390个初始编码共计69个聚焦编码共计27个一般范畴
轴心编码需要对获得的27个一般范畴进一步归类。例如,一般范畴“组织的人机协作支持”“主管的人机协作支持”“同事的人机协作支持”共同反映组织内部不同层面为促进知识型员工与GenAI协作所提供的帮助,因此将其合并为核心范畴“人机协作的人际支持”。最终,归纳出12个核心范畴,根据一般范畴及相关原始资料,对各核心范畴内涵进行阐释。表5呈现了轴心编码的完整过程。
表5 核心范畴及其内涵
Table 5 Core categories and their connotations
核心范畴一般范畴范畴内涵GenAI设施条件硬件适配性技术资源配置工作提供的硬件设施与GenAI的匹配程度,以及支撑GenAI应用的技术资源供给状况GenAI风险审查GenAI法律合规审查GenAI伦理影响审查对GenAI应用所涉及的法律合规问题与潜在伦理影响开展审查的相关要求GenAI增强的自主性GenAI增强的决策自主性GenAI增强的时间自主性GenAI增强的方法自主性GenAI增强了员工在决策制定、时间安排与工作方法选择上的自由度和裁量权来自GenAI的工作反馈过程性纠偏反馈结果性绩效反馈由GenAI在工作执行过程中提供的实时纠偏指导,以及在工作完成后给出的绩效评估反馈角色负荷执行性角色负荷管理性角色负荷GenAI分担了大量执行性任务,但也会增加审查、监督GenAI产出等管理性任务,导致员工因角色期望结构变化而产生的感知负荷水平角色模糊任务目标模糊职责边界模糊因GenAI介入而导致的任务目标与职责边界的模糊GenAI驱动的专业性专业知识储备业务经验储备完成工作所需的专业领域知识储备与业务实践经验积累水平,此类知识与经验因难被GenAI替代而价值更为凸显GenAI相关技能拓展优化GenAI输出有效引导GenAI作答持续学习以适配GenAI发展为有效运用GenAI所需拓展的相关技能,包括优化GenAI输出、引导GenAI精准作答,并通过持续学习适配GenAI发展需求GenAI信息处理需求信息甄别、校验信息整合、解读GenAI承接基础信息搜集与整理工作,随后,信息处理重心转向对GenAI输出信息的甄别校验、整合及战略解读非常规问题解决运用创造性思维灵活应对复杂情景工作中需要依托员工经验、直觉与创造性思维来解决复杂问题的程度人机协作的人际支持组织的人机协作支持主管的人机协作支持同事的人机协作支持从组织、主管及同事那里获得与人机协作相关的各类支持与帮助自我管理的支持需求引导工作习惯重塑管控GenAI依赖程度为助力员工有效开展人机协作下的自我管理所提供的支持,包括引导员工主动调整工作习惯,合理把控GenAI依赖程度
在实质编码完成后,本研究分析并梳理所得范畴之间的层次与关系,将12个核心范畴进一步抽象为4个理论层面,最终构建GenAI情境下知识型员工工作特征结构模型。
基于扎根编码分析结果,结合Morgeson &Humphrey[22]的经典工作特征分类体系(WDQ),本研究识别出GenAI情境下知识型员工工作特征的四层结构维度,各维度及其从属关系如图1所示。
图1 GenAI情境下知识型员工工作特征概念维度及从属关系
Fig.1 Conceptual dimensions and their subordination relationships of work characteristics for knowledge workers in the GenAI context
4.1.1 环境特征
在知识型员工与GenAI协作的工作情境下,编码结果表明WDQ框架中的人体工程学、生理要求等环境特征已淡出员工关切,其更关注的是保障GenAI运转的设施条件,以及伴随GenAI应用所产生的法律与伦理风险审查要求。
(1)GenAI设施条件是指工作中为保障人机协作所提供的物质硬件与技术资源。首先,硬件适配性直接关系GenAI运行效能,进而影响知识型员工与GenAI的协作体验。这主要表现为终端算力是否匹配GenAI使用需求、网络环境是否稳定流畅以及人机交互界面是否友好。例如,员工反映“公司电脑特别卡,无法顺利进行工作(a87)”、“公司本地部署的GenAI界面引导性差,需要花时间去适应(a81)”。此外,技术资源配置强调在工作中应建立完整的技术支持体系,如“设置专家咨询渠道(a457)”“配备专门的GenAI工程团队(a899)”,以帮助员工克服GenAI使用障碍,促进人机协同。
(2)GenAI风险审查是指工作中对GenAI可能触发的法律及伦理风险进行识别、评估与管控,贯穿数据采集、模型训练、内容生成与流转输出等全生命周期环节。首先,在法律层面,审查重点聚焦版权归属与隐私侵犯。员工应从源头上确认训练数据是否获得合法授权,在数据使用过程中执行“模糊敏感字段(a222)”等脱敏操作,并优先通过“内部GenAI入口(a431)”完成交互,以此防范企业、员工及客户隐私信息被意外留存或提取。其次,在伦理层面,员工需警惕GenAI因训练偏差引发的算法歧视问题,遏制性别歧视、种族偏见的延续与放大[26],同时确保GenAI的输出内容符合组织价值观与社会公序良俗。问卷显示,有员工被要求关注“GenAI输出是否存在不当的政治倾向,比如出现特定的货币符号、政治人物形象等(a389)”。为保障上述风险识别与控制措施持续有效,组织还应开展跟踪审计,并依据风险等级变化、技术迭代更新、前次审计情况等动态优化审查标准,构建安全、公平、可控的人机协同环境,推动风险治理从被动响应转向主动预防。
4.1.2 任务特征
自Hackman &Oldham[9]提出工作特征模型以来,任务特征是工作设计研究的核心议题,其内涵与特定工作的性质、范围和完成方式密切相关[22]。研究发现,GenAI情境下知识型员工的任务特征由GenAI增强的自主性、来自GenAI的工作反馈、角色负荷和角色模糊4个维度构成。
(1)GenAI增强的自主性表现为知识型员工在与GenAI协作过程中,拥有更高的决策制定、任务完成顺序及任务执行方式的选择自由度[21],具体表现在3个方面:一是决策自主性增强。员工借助GenAI提供的“多方案比较(a108)”“不同决策路径的模拟效果(a463)”“数据驱动的专业建议(a770)”,在信息更完备、分析更深入的基础上作出理性判断,最终决策权仍由员工掌握。二是时间自主性增强。GenAI分担程序性任务,使员工在多任务并行场景中获得更大的时间弹性,得以灵活调配时间资源,自主掌控工作节奏。三是方法自主性增强。员工可根据任务需求与个人偏好自主选用GenAI工具,甚至决定是否启用GenAI参与特定环节。例如,“系统支持全自动和半自动两种协作模式,在半自动模式下GenAI仅负责简单对话、组织小组讨论,诸如总结等关键环节则由老师结合实际自主发挥(a359)”。
(2)来自GenAI的工作反馈是人机协作中形成的新型反馈机制,包括过程性和结果性反馈两个方面。其中,过程性反馈体现为GenAI实时识别员工任务执行中的潜在错误或疏漏,并同步提供针对性修改建议。结果性反馈则侧重于在任务完成后,GenAI对工作产出进行评估,并指出具体优化方向。值得注意的是,这种及时、客观的反馈机制在提升员工工作质量的同时,也间接推动组织上调员工的绩效标准,如管理者“对员工绩效产出寄予更高期望(a370)”。然而,这一变化暴露出当前组织绩效管理的滞后性,如有员工指出“目前缺乏人机协作绩效评估标准,领导常忽视不同工作的复杂程度和所需资源差异,质疑为何我们部门效率增幅不如其他部门(a710)”。
(3)角色负荷作为一种重要的工作压力源,表现为知识型员工在较短时间内难以完成角色任务的状态[27]。在传统工作场景中,角色负荷主要源自对上级指令与既定流程的被动执行[28]。随着GenAI逐步接管标准化、重复性的执行环节,员工在常规操作上的负荷得到缓解。然而,这种技术替代也引发了新的责任归属问题。由于当前GenAI尚不具备承担法律责任的主体资格[26],所有输出后果最终仍需由人类主体承接,这使得员工新增了一系列管理性任务,包括“反复引导GenAI作答以获得预期输出(a343)”“在GenAI提供的大量选项中审慎抉择(a483)”“对拟采用的GenAI生成内容承担最终责任(a660)”。由此可见,员工的角色负荷并未因技术应用而消失,而是以执行性负荷为主转向以管理性负荷为主。
(4)角色模糊是指知识型员工因GenAI介入而对自身应采取的行动和应承担的职责缺乏清晰理解,从而产生不确定性和行为困惑[29],具体包括任务目标模糊和职责边界模糊两个方面。其中,任务目标模糊体现为员工对任务核心方向、实施框架认知不清,难以将工作需求转化为精准的GenAI操作指令,导致内容输出与预期偏离。例如,“其实不清楚自己到底需要什么,问GenAI时经常没有明确方向,就像盲人摸象(a275)”。职责边界模糊体现为人机之间任务划分不明确,其核心成因在于组织层面尚未建立清晰的人机分工体系。在缺乏协作规范指引的情况下,员工难以准确区分应由GenAI主导、人工主导以及人机交互主导的工作内容,只能自行把握人机切换时机与人工干预程度,进而产生了显著的职责模糊感。
4.1.3 知识特征
以往的知识特征体现了工作对员工个体知识、技能和能力的要求[22],是知识型员工工作设计的关键一环。在GenAI情境下,这一特征已超越传统内涵,被赋予与GenAI深度融合的新要求,并提升至更高层次,集中体现为GenAI驱动的专业性、GenAI相关技能拓展、GenAI信息处理需求和非常规问题解决4个维度。
(1)GenAI驱动的专业性凸显了知识型员工领域专长与业务经验的价值。就专业知识而言,GenAI凭借广泛的知识覆盖面,能帮助员工补齐通用知识、获取跨界信息[30],甚至可在部分场景下替代专业能力较低的员工,如“有些程序员水平不高,用GenAI反而效果更好(a349)”。然而,GenAI在精准理解技术术语、行业隐性知识方面仍存在明显短板,反而强化了拥有深厚专业经验的员工的竞争优势。就业务经验而言,员工通过长期实践所积累的对特定工作流程、场景约束、关系网络等方面的深刻理解,使其能够对GenAI生成的通用方案灵活拆解并适配至具体业务场景,显著提升方案执行效果。
(2)GenAI相关技能拓展是指知识型员工为与GenAI实现高效协作所需掌握的一系列技能组合。首先,在任务执行阶段,员工需掌握GenAI可理解的提问方式与表达逻辑,能够将模糊需求转化为精准指令,如“把前因后果、背景都说明白,GenAI得到的有效信息越多,生成的内容才越符合预期(a384)”。其次,由于GenAI生成内容常存在情感洞察缺失、思想深度不足等问题,难以直接落地调用[31],员工需发展出批判性思维以识别GenAI的输出局限并对其进行必要修正。例如,在金融服务中,“客户急需提前支取定期存款又担忧利息损失,这时仅让GenAI告知规则远远不够,还需安抚客户情绪,用安慰的语气解读规则(a783)”。此外,面对快速演进的技术环境,要求知识型员工“理解GenAI工作原理(a886)”“总结交互失败经验(a493)”“训练个性化模型(a839)”等,通过持续学习迭代技能,实现与GenAI技术的协同进化。
(3)GenAI信息处理需求是指知识型员工对GenAI输出的数据与信息进行甄别、加工与应用的程度[32]。在此情境下,员工信息处理重心从基础信息收集、整理转向校验、解读等高阶环节。一方面,为应对GenAI信息真伪问题,要求知识型员工对GenAI输出内容开展严格的信息溯源与事实核校,确保其生成信息真实可靠。例如,“GenAI引用的信息不全来自官方网站,所以必须逐一核查出现的数据、条款(a208)”。另一方面,GenAI虽能完成初步的信息检索与汇总,但将信息置于现实场景中进行整合、提炼战略思想,并以此支撑复杂决策,仍高度依赖员工对信息的深度加工。这种信息处理重心的迁移以及随之提升的信息加工精度与深度要求,共同构成GenAI时代知识型员工信息处理的核心内涵。
(4)非常规问题解决是指GenAI将大量程序性任务自动化之后,知识型员工被要求聚焦非结构化和高不确定性的问题解决能力[33]。在思维模式层面,员工需要充分发挥创造力,突破GenAI输出可能存在的“审美滞后(a36)”“生硬呆板(a325)”“保守老套(a269)”等局限。在情境应对层面,由于GenAI难以理解客户隐喻、协调跨部门工作、应对突发事件,亟需员工灵活应变,以满足复杂抽象的工作要求。例如,“现在不用花时间去写基础描述,而是更多地去和运营团队确认活动效果、针对流失用户设计召回方案等(a655)”。此类任务均超出GenAI的能力范围,凸显了员工在非常规问题解决中的核心作用。
4.1.4 社会特征
在强调协作与互动的现代工作场所中,社会特征已成为工作设计不可或缺的组成部分。在GenAI情境下,知识型员工的社会特征主要体现为促进人机协作的人际支持以及自我管理的支持需求。
(1)人机协作的人际支持是指知识型员工从组织、主管、同事那里获得的有助于推进人机协作的社会互动[34]。在组织层面,这种支持主要表现为“积极倡导GenAI应用(a252)”“营造GenAI学习氛围(a640)”等文化引领,以及“开设GenAI实操课程(a19)”“邀请外部专家举办GenAI讲座(a486)”“开展GenAI知识竞赛(a882)”等培训措施。然而,当前多数组织培训仍存在内容泛化、与业务脱节、缺乏高级应用指导等问题,如“公司培训太泛泛了,实操性没那么强(a85)”,难以支撑员工与GenAI深度协作。主管层面的GenAI支持体现在认知态度和行为示范上,如果主管将“使用GenAI视为能力提升而非工作偷懒(a644)”,并“容许员工有一定试错空间(a707)”,便能有效推动GenAI在工作中的应用。同事层面的GenAI支持更为直接,员工之间通过“交流GenAI使用技巧(a382)”“讨论GenAI生成方案(a281)”等方式构建互助共享的工作关系网络,弥补个体技术短板,从而提升团队整体协作效能。
(2)自我管理的支持需求是外部引导与内部自主相结合的复合型需求,旨在推动知识型员工主动转变工作行为、适配人机协作工作模式,具体涵盖工作习惯重塑与GenAI依赖管控两个维度。随着GenAI与员工工作的不断融合,组织需要帮助员工打破惯性畏难,鼓励其主动驾驭GenAI工具解决实际问题,从而促进员工开展有效的自我管理。值得注意的是,过度依赖GenAI容易使员工滋生工作惰性[35]、创意枯竭[36]等负面情绪,甚至因GenAI掩藏自身能力短板而产生虚假安全感。例如,有员工坦言“很少自己主动寻找灵感了,这一两个月,我感觉大脑都没怎么转(a287)”。因此,组织在为员工提供GenAI应用支持的同时,需强化其自我管理能力,帮助员工坚守人机协作的主体地位,打造自身不可替代的核心竞争优势。
综上,GenAI情境下知识型员工工作特征子维度的内涵变化如表6所示。
表6 GenAI情境下知识型员工工作特征子维度的内涵变化
Table 6 Changes in the connotations of the sub-dimensions of knowledge workers′ work characteristics in the GenAI Context
高阶维度低阶维度传统工作设计框架中的内涵GenAI情境下内涵环境特征GenAI设施条件关注人体工程学设计与物理环境舒适性物理环境已非关注焦点,关注更多的是算力、网络、交互界面等技术资源GenAI风险审查风险审查常见于AI治理领域,未被纳入工作特征考量范畴将GenAI相关的法律和伦理风险审查界定为核心环境特征,避免组织在AI治理中的结构性缺位任务特征GenAI增强的自主性自主性强调员工独立掌控工作过程与结果,未考虑技术赋能效应引入人机协作视角,员工在GenAI协助下更好地实现决策、时间和方法自主来自GenAI的工作反馈反馈主体为主管或同事,反馈内容聚焦于工作执行结果新增GenAI作为反馈主体,且反馈内容更加丰富:不仅提供结果性反馈,还可实时提供过程性反馈角色负荷认为执行性任务过载源于工作量与时间不匹配发现负荷结构转型,从执行性负荷为主转向管理性负荷为主,员工新增GenAI输出管理、责任兜底等压力角色模糊源于岗位职责界定不清晰根源转向人机分工边界模糊知识特征GenAI驱动的专业性宽泛阐述工作在目的、工具、知识等方面的专业性聚焦于GenAI难以替代的隐性知识与经验积累GenAI相关技能拓展关注完成本职工作所需的多元技能提出人机协作专属技能组合,强调员工需拓展指令构建能力、输出修正能力及持续学习能力GenAI信息处理需求强调工作全流程中信息处理广度与强度信息处理广度主要由GenAI代劳,员工专注于提升信息处理深度非常规问题解决问题解决包含常规问题和非常规问题GenAI已接管大量常规任务,员工核心价值被重塑为处理非常规问题社会特征人机协作的人际支持涉及组织内部的通用性工作协助与情感支持将支持内容与人机协作需求绑定,形成来自组织、主管、同事的针对性支持体系自我管理的支持需求未重视员工自我管理在工作设计中的作用意识到员工容易出现能力弱化与技术依赖,明确组织需以人为本,保障员工在人机协作中的主体地位
在GenAI情境下,知识型员工的工作特征可从环境特征、任务特征、知识特征与社会特征四大高阶维度展开,共包含12个低阶维度。现有研究对工作设计模型的探讨基本止步于维度识别阶段,但工作本身是一个复杂系统,其内部各工作特征维度并非孤立存在。鉴于此,本研究在编码过程中持续梳理不同维度之间的互动关系,最终构建出一个完整的知识型员工工作特征结构模型,如图2所示。
图2 GenAI情境下知识型员工工作特征结构模型
Fig.2 Structural model of work characteristics for knowledge workers in the GenAI context
(1)各高阶维度之间存在交互作用。第一,环境特征是知识特征、任务特征和社会特征发挥作用的前提。一旦缺乏稳定可靠的GenAI设施条件或明确的风险审查要求,员工便需要“随时准备切回人工流程(a519)”,甚至出现“系统故障导致整个工作停摆(a635)”的局面,从而导致其他维度失去落地根基。第二,知识特征和任务特征构成工作设计的核心,二者相互依赖,相互影响。一方面,知识特征为任务执行提供必要的认知与技能储备,许多员工表示“学会与GenAI合作才能更快更好地推进任务(a506)”。另一方面,任务执行中的挑战又会倒逼员工更新知识体系、提升专业技能。例如,员工在面对紧迫、困难任务时坦言“自己搞不定,就会去学习怎么用GenAI来辅助自身工作(a136)”。第三,社会特征为知识特征和任务特征的有效运作提供保障。组织中的人际支持,如“公司请专人讲解GenAI指令优化技巧(a870)”“同事传授与GenAI互动经验(a219)”等能直接帮助员工绕开常见误区、缩短试错周期,为知识运用与任务推进扫清障碍。同时,外部引导能增强员工的自我管理意识,激发其持续学习与任务质量把控的内在动力。有员工在协作过程中发现GenAI“经常迎合自己观点(a32)”“并不总能给出正确答案(a836)”,由此意识到“需要持续补充专业知识,才能甄别内容、更好地完成任务(a836)”。
(2)知识特征内部各低阶维度之间存在交互作用。第一,GenAI驱动的专业性是知识特征的枢纽,构成其他维度的逻辑基点,其蕴含的深厚专业知识与丰富业务经验影响员工对GenAI相关技能的掌握程度、对GenAI输出信息的校验与解读质量以及解决非常规问题的能力。例如,在技能掌握上,员工指出“只有自己先懂业务,才知道该问GenAI什么、怎么问(a258)”,表明专业储备是驾驭技术工具的先决条件。在信息处理上,面对GenAI输出的广泛信息,员工要“凭经验找出有用信息和错误(a6)”。在应对非常规问题时,GenAI至多提供通用性框架,而“对特殊流程的设计把控,要靠人来实现(a843)”。这些均体现了GenAI驱动的专业性在知识特征中的核心地位。第二,GenAI相关技能拓展和GenAI信息处理需求共同影响非常规问题解决。有员工谈到“与GenAI沟通时需要拆解问题、筛选信息,这种思考模式的迁移有助于处理一些复杂问题(a607)”。由此可见,当工作要求员工具备娴熟的GenAI操作技能或对GenAI提供的纷杂信息进行溯源与整合时,这些实践过程能持续锻炼员工的创造性思维与情境应对能力,使其能更好地突破GenAI局限,解决GenAI难以独立处理的非常规问题。知识特征内部各低阶维度层层联动,推动知识型员工在GenAI情境下实现能力跃迁。
(3)任务特征内部呈现出赋能与制约双路径制衡关系。第一,赋能路径体现为GenAI增强的自主性与来自GenAI的工作反馈相互渗透、彼此增强。高水平自主性拓展了员工的探索空间,使其有余力通过GenAI反馈来打磨产出,从而充分释放反馈价值。例如,当时间安排更为从容时,员工“才愿意和GenAI反复推敲方案(a543)”,反之则倾向于“直接让它生成一个应付了事(a283)”。及时、客观的GenAI反馈能消解员工自主决策的不确定性,增强其行使自主权的信心与效能。例如,一些员工习惯“先让GenAI检查自己工作内容,再根据反馈优化提交(a726)”。第二,制约路径体现为角色模糊影响角色负荷。员工对任务目标与职责边界存在困惑容易引发工作方向偏离、资源错配与效率损耗,使其在有限时间内难以完成既定的角色任务,进而加重角色负荷。例如,有员工因目标不清而陷入低效循环,“不清楚客户想要的效果,GenAI给出一堆东西用不上,还得加班重做(a415)”。另有员工指出职责边界模糊会带来额外负担,“很多环节不敢放手交给GenAI,怕出错还得自己补救,比自己做更费时间(a308)”。第三,两条路径此消彼长,相互制约。根据资源保存理论[37],个体倾向于保护现有资源并获取新资源。高水平自主性与GenAI反馈能帮助员工澄清任务脉络、优化工作分配,既有助于恢复其日常协作所消耗的能量和认知资源,又可扩充资源池,从而有效缓解角色模糊和角色负荷的负面影响。例如,员工表示“有GenAI帮我梳理思路,提示我下一步怎么做,压力减轻了不少(a804)”。反之,过高的角色模糊与角色负荷会使员工陷入资源耗竭状态,如“已经超饱和工作,没心思琢磨怎么协作,只想快点交差(a153)”。此时个体难以合理调用自主性与反馈,从而抑制赋能路径的积极作用。任务特征内部双路径的动态博弈,是GenAI情境下知识型员工能否实现长期价值创造的关键。
(1)GenAI情境下知识型员工工作特征是一个高阶多维概念,涵盖4个高阶维度和12个低阶维度。具体而言,环境特征包括GenAI设施条件和GenAI风险审查,任务特征包括GenAI增强的自主性、来自GenAI的工作反馈、角色负荷和角色模糊,知识特征包括GenAI驱动的专业性、GenAI相关技能拓展、GenAI信息处理需求和非常规问题解决,社会特征包括人机协作的人际支持和自我管理的支持需求。
(2)GenAI情境下知识型员工工作特征各维度之间存在复杂的相互作用。环境特征为知识特征、任务特征和社会特征的发挥提供基础支撑;知识特征与任务特征作为工作系统的核心,二者相互依赖、相互影响;社会特征为知识特征和任务特征的落地运行提供保障。在知识特征内部,GenAI驱动的专业性居于核心枢纽地位,直接影响GenAI相关技能拓展、GenAI信息处理需求和非常规问题解决,且GenAI相关技能拓展和GenAI信息处理需求能共同推动非常规问题的解决。在任务特征内部,GenAI增强的自主性与来自GenAI的工作反馈构成赋能路径,角色模糊与角色负荷构成制约路径,两条路径相互制衡,共同塑造任务维度的运行效果。
(1)精细识别GenAI情境下知识型员工工作特征的维度构成,拓展了工作设计理论的适用边界。本研究积极回应Vorobeva等[38]关于优化人机协同效能的呼吁,将GenAI情境下知识型员工工作特征界定为高阶复杂构念。通过建构型扎根理论方法,充分评估传统工作特征在新情境下的适用性,剔除不再适用的维度,挖掘GenAI介入后新涌现的工作特征,最终在环境、任务、知识和社会特征4个高阶维度框架下,提炼出12个与GenAI情境下知识型员工工作属性相契合的低阶维度,推动工作设计理论向数字化、智能化方向演进。
(2)清晰界定GenAI情境下知识型员工工作特征的内涵,丰富了对人机协作复杂性的理论认知。当前,人机协作领域相关研究多沿用人人协作情境下的工作特征定义,未能精准捕捉GenAI介入所引发的概念内涵变化。例如,以往工作反馈侧重于任务完成后的结果评价,而GenAI应用则催生了在任务执行过程中实时互动、动态纠偏的新型反馈模式。本研究基于编码结果和既有研究结论,明确了各工作特征的具体内涵,为重新认知GenAI时代工作特征的本质属性提供了新视角。
(3)系统揭示GenAI情境下知识型员工工作特征的内在关联,完善了工作特征的概念结构。以往工作特征概念研究多关注如何将数量庞大的工作特征有效聚类[21-22],缺乏对各工作特征间关系的探索。本研究通过揭示知识型员工工作特征不同层面、维度之间的相互作用,揭示了从环境支撑到知识与任务双向驱动,再到社会特征保障赋能,最终指向组织期望结果的完整逻辑链条,为后续工作设计领域的路径机制研究提供了更为全面和细致的理论分析框架。
根据上述研究结论,本文提出如下启示:
(1)为组织在GenAI情境下开展知识型员工工作设计提供了分析框架。当前,许多组织在推行人机协作模式时仍采用粗放式工作设计模式,导致变革举措收效甚微却难寻根源。基于本研究识别出的工作特征维度,组织应首先承担起GenAI可信治理责任,即制定严格的数据采集与模型调用规程,通过印发操作手册、开展专项培训等方式,强化员工的数据安全底线意识。在模型训练环节,确保数据集质量与多样性,安排专人对数据标注与模型输出内容进行监督审核,以便及时发现并纠正算法歧视现象;同时,构建跨部门风险快速响应机制,围绕数据泄露、内容违规、结果失真等典型风险制定分级处置预案,明确响应时限与上报流程,从而最大限度降低企业损失与不良影响。在可信治理规范有效落地的基础上,组织应主动向知识型员工系统介绍GenAI情境下工作特征的新变化,针对员工在知识更新、任务执行等方面的困惑开展研讨,引导其审视自身与工作特征相关的优势与不足(如信息甄别能力、创造力),并协助制定个性化提升方案。此外,组织还应充分认识到人际互动与社会支持的不可替代性,在转型期积极营造包容支持的组织氛围以缓解员工工作压力,将硬性制度约束与柔性人文关怀有机结合起来。
(2)组织应重视工作特征各维度间的内在关联,通过协同配置来提升整体工作效能。本研究所构建的知识型员工工作特征模型是一个有机整体,孤立调整单一维度难以实现工作系统的高效运转。因此,管理者在开展工作设计时应具备系统视角,注重各维度间的关联。例如,针对非常规问题解决这一特征,不仅可以直接加入更多开放性、探索性的工作要求,还可通过培训GenAI应用技巧、丰富员工所需专业资源、引导员工加强自我管理等方式,使非常规问题解决在工作系统中得到更为完整的体现与支持。
(1)本研究构建GenAI情境下知识型员工工作特征的维度结构,其中部分工作特征由经典构念演化而来(如“非常规问题解决”),其内涵已随情境迁移而发生变化;另有部分工作特征为新提出的构念(如“自我管理的支持需求”),尚未形成成熟的测量方式。未来可开发相应量表,推进人机交互下工作设计领域的实证研究。
(2)在开放式问卷环节,本研究要求参与者仅采用语音作答,并设置了较为严格的筛选标准。这一做法虽有助于提升数据可靠性,但也导致问卷有效回收率偏低,样本规模受限。未来可考虑采用多模态作答设计(如语音作答与文本作答并行),拓宽问卷发放渠道,扩大样本覆盖范围,进一步增强研究结论的外部效度。
(3)尽管本研究严格遵循扎根理论,但在数据处理过程中仍难以完全避免研究者的主观影响。未来可尝试采用内容分析、文本挖掘等方法,进一步验证模型结构的合理性。
[1] 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): 109-117.
[2] VERMA S, SINGH V. Impact of artificial intelligence-enabled job characteristics and perceived substitution crisis on innovative work behavior of employees from high-tech firms[J]. Computers in Human Behavior, 2022,131: 107215.
[3] 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.
[4] KLONEK F,PARKER S.Does AI at work increase stress? text mining social media about human-AI team processes and AI control[J/OL]. Journal of Organizational Behavior, 1-15 [2025-06-26]. https://doi.org/10.1002/job.70000.
[5] WALL T D, CORBETT J M, CLEGG C W, et al. Advanced manufacturing technology and work design: towards a theoretical framework[J]. Journal of Organizational Behavior, 1990,11(3): 201-219.
[6] 田喜洲. 时间情境中的工作重塑[J]. 经济管理, 2024,46(2): 193-208.
[7] KARASEK JR R A. Job demands, job decision latitude, and mental strain: implications for job redesign[J]. Administrative Science Quarterly, 1979,24(2): 285-308.
[8] DEMEROUTI E, BAKKER A B, NACHREINER F, et al. The job demands-resources model of burnout[J]. Journal of Applied Psychology, 2001,86(3): 499-512.
[9] HACKMAN J R, OLDHAM G R. Development of the job diagnostic survey[J]. Journal of Applied Psychology, 1975,60(2): 159-170.
[10] JIA N, LUO X, FANG Z, et al. When and how artificial intelligence augments employee creativity[J]. Academy of Management Journal, 2024,67(1): 5-32.
[11] JEONG J, JEONG I. Driving creativity in the AI-enhanced workplace: roles of self-efficacy and transformational leadership[J]. Current Psychology, 2025,44(9): 8001-8014.
[12] YIN M, JIANG S, NIU X. Can AI really help? the double-edged sword effect of AI assistant on employees′ innovation behavior[J]. Computers in Human Behavior, 2024,150: 107987.
[13] ZHU Y Q, KANJANAMEKANANT K. Human-bot co-working: job outcomes and employee responses[J]. Industrial Management &Data Systems, 2023,123(2): 515-533.
[14] TANG P M, KOOPMAN J, MAI K M, et al. No person is an island: unpacking the work and after-work consequences of interacting with artificial intelligence[J]. Journal of Applied Psychology, 2023,108(11): 1766.
[15] CHUANG Y T, CHIANG H L, LIN A P. Insights from the job demands-resources model: AI′s dual impact on employees′ work and life well-being[J]. International Journal of Information Management, 2025,83: 102887.
[16] OLDHAM G R, HACKMAN J R. Not what it was and not what it will be: the future of job design research[J]. Journal of Organizational Behavior, 2010,31(2-3): 463-479.
[17] CAMISON C. Learning for environmental adaptation and knowledge-intensive services: the role of public networks for SMEs[J]. The Service Industries Journal, 2008,28(6): 827-844.
[18] KOPONEN J, JULKUNEN S, LAAJALAHTI A, et al. Work characteristics needed by middle managers when leading AI-integrated service teams[J]. Journal of Service Research, 2025,28(1): 168-185.
[19] 李正东, 李文玉, 贾利军. 促效还是抑能?时间压力对员工工作效能的双刃剑效应:来自元分析的证据[J]. 中国人力资源开发, 2024,41(5): 54-72.
[20] SCHAUFELI W B. Applying the job demands-resources model: a 'how to' guide to measuring and tackling work engagement and burnout[J]. Organizational Dynamics, 2017,46(2): 120-132.
[21] PARKER S K, KNIGHT C. The SMART model of work design: a higher order structure to help see the wood from the trees[J]. Human Resource Management, 2024,63(2): 265-291.
[22] MORGESON F P, HUMPHREY S E. The work design questionnaire (WDQ): developing and validating a comprehensive measure for assessing job design and the nature of work[J]. Journal of Applied Psychology, 2006,91(6): 1321-1339.
[23] CHARMAZ K. Constructing grounded theory: a practical guide through qualitative analysis[M]. Thousand Oaks: Sage, 2006.
[24] 葛宝山, 赵丽仪. 创业导向、精一战略与隐形冠军企业绩效[J]. 外国经济与管理, 2022,44(2): 117-135.
[25] GLASER B. Theoretical sensitivity: advances in the methodology of grounded theory[M]. Mill Valley: CA: Sociology Press, 1978.
[26] 郑煌杰. 生成式人工智能的伦理风险与可信治理路径研究[J]. 科技进步与对策, 2025,42(12): 38-48.
[27] BROWN S P, JONES E, LEIGH T W. The attenuating effect of role overload on relationships linking self-efficacy and goal level to work performance[J]. Journal of Applied Psychology, 2005,90(5): 972-979.
[28] 王红丽, 张筌钧. 被信任的代价:员工感知上级信任、角色负荷、工作压力与情绪耗竭的影响关系研究[J]. 管理世界, 2016,32(8): 110-125.
[29] HOUSE R J, RIZZO J R. Role conflict and ambiguity as critical variables in a model of organizational behavior[J]. Organizational Behavior and Human Performance, 1972,7(3): 467-505.
[30] SUSARLA A, GOPAL R, THATCHER J B, et al. The Janus effect of generative AI: charting the path for responsible conduct of scholarly activities in information systems[J]. Information Systems Research, 2023,34(2): 399-408.
[31] GOHAR K,UTLEY J.Don′t let GenAI limit your team′s creativity[J]. Harvard Business Review, 2024,102(2): 17-20.
[32] JACKSON P R, WALL T D, MARTIN R, et al. New measures of job control, cognitive demand, and production responsibility[J]. Journal of Applied Psychology, 1993,78(5): 753-762.
[33] ZHAO D, TANG N Y, HAI S Y, et al. Dual effects of AI-enabled job non-routinization on creativity: the moderating role of tacit knowledge awareness[J]. Journal of Business Research, 2025,198: 115482.
[34] HARRIS T B, LI N, BOSWELL W R, et al. Getting what′s new from newcomers: empowering leadership, creativity, and adjustment in the socialization context[J]. Personnel Psychology, 2014,67(3): 567-604.
[35] ZHAO H, YE L, GUO M, et al. Reflection or dependence: how AI awareness affects employees′ in-role and extra-role performance?[J]. Behavioral Sciences, 2025,15(2): 128.
[36] GUO M J, MA J, TIAN H R. The double-edged sword effect of generative artificial intelligence usage on employee creativity: a perspective of conservation of resources theory[J]. Current Psychology, 2025,44(10): 8485-8497.
[37] HOBFOLL S E. Conservation of resources: a new attempt at conceptualizing stress[J]. American Psychologist, 1989,44(3): 513-524.
[38] VOROBEVA D, FASSI Y E, PINTO D C, et al. Thinking skills don′t protect service workers from replacement by artificial intelligence[J]. Journal of Service Research, 2022,25(4): 601-613.