The Chain Mediation Mechanism of Artificial Intelligence Dependence on R&D Personnel's Ambidextrous Digital Innovation

Wang Yin1,Jia Xinrui2,Li Mengqi3,Jiang Shanshan3,Wang Jingyi1,3

(1.School of International Business,Tianjin University of Finance and Economics;2.School of Accounting,Tianjin University of Finance and Economics;3.School of Business,Tianjin University of Finance and Economics, Tianjin 300221,China)

Abstract：In the field of digital technology R&D, AI is becoming deeply embedded in researchers′ digital innovation processes, enhancing innovation efficiency through human-AI collaboration. However, growing concerns have emerged over excessive dependence on AI. In some firms, such dependence has led to creative homogenization, core data leaks, and new product failures. This raises a critical question: does AI dependence stimulate or undermine R&D personnel′s digital innovation vitality? Existing research has two main limitations. First, most studies examine how AI dependence affects traditional innovation activities, with limited attention to digital innovation, where non-rivalry and other features may amplify or alter its effects. Second, prior research treats AI dependence as a homogeneous construct, overlooking its internal heterogeneity and failing to distinguish between exploitative and exploratory digital innovation. Moreover, existing studies tend to focus on single mediation pathways, with limited insight into the chain through which motivational differences translate into cognitive and behavioral changes.

To address these gaps, this study conceptualizes AI dependence as two dimensions: functional and existential dependence. Drawing on self-determination and conservation of resources theories, it incorporates information confrontation and knowledge integration as potential chain pathway and develops a "motivation-cognition-capability-behavior" framework. It examines how different forms of AI dependence affect R&D personnel′s exploitative and exploratory digital innovation, while introducing AI literacy as a contextual factor and examining its moderating role. The study aims to provide theoretical insights and practical implications for digital innovation R&D management in the age of AI.

The study yields four main findings. First, functional dependence significantly positively promotes both forms of digital innovation, whereas existential dependence inhibits them. Second, information confrontation intensity and knowledge recombination capability mediate the relationship between AI dependence and ambidextrous digital innovation, forming a sequential "cognition-capability" pathway. Third, AI literacy positively moderates the relationship between functional dependence and information confrontation intensity, thereby strengthening the chain mediation effect. However, its moderating effect on the existential dependence pathway is not significant. Fourth, subgroup analysis based on AI use shows that AI tool diversity strengthens the effect between functional dependence and exploratory digital innovation, but not other pathways.

This study contributes to the literature in four ways. First, it deepens our understanding of how AI dependence affects ambidextrous digital innovation. By distinguishing between functional and existential dependence, it reveals their differential effects on ambidextrous digital innovation, contributing to the"empowerment vs. disempowerment" debate. Second, it extends self-determination theory. Within this framework, it identifies the sequential mediating roles of information confrontation intensity and knowledge recombination capability, explaining how motivational differences translate into cognitive and behavioral outcomes. Third, it clarifies the contextual boundaries of AI dependence effects. By examining the moderating effect of AI literacy and the subgroup-specific effect of AI use quantity, it finds that both effects are significantly asymmetric, suggesting that the boundary conditions are path-specific and context-specific. Fourth, it enriches research on the antecedents of ambidextrous digital innovation at the individual level by focusing on AI dependence and revealing how it shapes R&D personnel′s exploitative and exploratory digital innovation.

Key Words：AI Dependence; Knowledge Recombination Capability; Information Confrontation Intensity; Ambidextrous Digital Innovation; AI Literacy

收稿日期：2026-02-24

修回日期：2026-05-01

基金项目：国家社会科学基金项目(25CKX042)

作者简介：王寅(1986—),男,天津人,博士,天津财经大学国际工商学院副教授,研究方向为创新管理、数字经济、人工智能;贾芯蕊(2003—),女,河北唐山人,天津财经大学会计学院硕士研究生,研究方向为创新管理、数字经济;李梦琦(1999—),女,山东淄博人,天津财经大学商学院博士研究生,研究方向为创新管理、人工智能;江姗珊(1999—),女,贵州贵阳人,天津财经大学商学院硕士研究生,研究方向为创新管理、数字经济;王静怡(2004—),女,天津人,天津财经大学国际工商学院研究助理,研究方向为创新管理。

DOI：10.6049/kjjbydc.D92026050377

开放科学(资源服务)标识码(OSID)：

中图分类号：TP18;F273.1

文献标识码：A

文章编号：1001-7348(2026)18-0149-12

0 引言

智能经济时代,人工智能已然成为新一轮科技革命和产业变革的核心动力。《中华人民共和国国民经济和社会发展第十五个五年规划纲要》提出“全面实施‘人工智能 +’行动,加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合,抢占人工智能产业应用制高点,全方位赋能千行百业”。在数字技术研发领域,人工智能正深度嵌入研发人员数字创新流程,通过人机协作与深层次互动提升研发人员的创新效率、知识编排能力[1],赋能企业实现数字创新的差异化落地及可持续发展[2-3]。然而,人工智能在提升研发效率的同时,其所产生的依赖问题日益显著[4]。因此,创新管理者面临新的困惑:针对研发人员使用AI进行技术创新与知识创造的必然趋势[5],人工智能依赖是会激发研发人员的数字创新活力,催生其差异化创新,还是导致其认知固化、创意枯竭?该问题亟须进行学理解释。

研发人员是企业创新活动的主体和人工智能技术的重要应用者[6],但现有研究尚未关注人工智能依赖对研发人员异质性数字创新的潜在影响及作用机理,部分研究探讨了人工智能依赖对研发人员传统创新活动的影响机制,但存在一定分歧与局限:一部分研究强调人工智能依赖的积极作用,认为其能够促使研发人员依赖先进的信息捕获与拼凑技术,将更多认知资源与精力投入到创造性工作中[7],对关键核心技术突破、产品改进等活动形成赋能效应[8];另一部分研究则警示研发人员长期依赖人工智能会致使创意退化和创新同质化[9],形成负能效应。上述分歧的根源可能并不在于人工智能依赖本身,而是在于研究普遍将人工智能依赖视为一个整体构念,忽视了其内在维度的异质性[10],同时对异质性数字创新经济后果的观察也较为笼统[11]。一方面,研发人员对人工智能的依赖,既可能源于对工具高效能的理性认可与策略性使用,也可能上升为非理性的情感依附与判断让渡,这两种依赖类型的心理基础和行为后果存在本质差异。另一方面,不同类型的数字创新需要结合不同知识捕获、整合及编排过程,智能经济时代的研发活动看似是人工智能技术应用下创新活动的“殊途同归”,实则是利用式创新与探索式创新的差异化驱动[12]。针对上述管理决策难题和模糊性理论冲突,亟须通过对人工智能依赖与双元数字创新的维度划分,深入解构二者间的不同影响路径。此外,对经济后果的解释同样重要,但现有相关研究较为匮乏。相较于传统创新,在数字创新独特的数字非竞争性、低进入门槛以及自生长性等特征影响下[3],人工智能依赖的积极与消极效应都可能被放大:一是数字非竞争性使得数字创新成果的边际生产成本不断降低,规模经济效应更显著,强化研发人员对AI驱动效率提升的依赖;二是低进入门槛加速了创造性破坏的节奏,研发人员需依赖于AI更加频繁地进行技术迭代与跨界搜索;三是自生长性与无边界性使得研发人员更依赖于AI的外部资源匹配能力与再创造能力强化创新赋能过程[3]。结合数字创新研究的前沿趋势与现实管理痛点,基于现有技术与模式优化的利用式数字创新和对新兴领域开拓突破的探索式数字创新,二者知识重构路径与创新风险截然不同[11],其受人工智能依赖影响的机制差异性同样值得关注。

借鉴Li等[10]的研究,本文将人工智能依赖划分为功能性依赖与存在性依赖两个维度,基于自我决定理论与资源保存理论,结合348份调查问卷数据的实证检验,同时纳入理论归纳与调研过程中发现的“信息对抗”与“知识整合”潜在链式路径,构建“动机—认知—能力—行为”的链式分析框架,解构不同维度的人工智能依赖对研发人员利用性数字创新、探索性数字创新的差异化影响机制,为提高理论情景适用性,将人工智能素养作为个体认知能力差异的情境变量,考察其边界作用[13],拟回答以下问题:人工智能功能性依赖与存在性依赖如何影响两类差异化数字创新?信息对抗与知识重组是否为上述影响机制的关键路径?人工智能素养在上述传导路径中是否发挥情境作用?通过探究上述问题,为人工智能时代的数字创新研发管理提供理论依据与实践启示。

1 理论基础与研究假设

1.1 自我决定理论

自我决定理论为理解个体行为动机的性质差异提供了系统分析框架。该理论根据自主性程度,将动机划分为自主性动机与控制性动机[14]。其中,自主性动机源于个体对行为价值的内在认同与主动选择,表现为行为过程中的自我决定感与心理自由,涵盖内部动机以及外部动机中的认同调节与整合调节;控制性动机则源于外部压力或内部强制力的驱使,行为缺乏自主性,涵盖外部调节与内摄调节。该理论认为个体具有自主需求、胜任需求和关系需求三大基本心理需求。当组织环境能够满足上述基本需求时,个体更易产生自主性动机,进而有效提升研发创新等活动的绩效水平[15]。基于人工智能的技术环境构成影响研发人员基本心理需求满足程度的关键情境因素,在该情境下研发人员形成功能性依赖与存在性依赖两种性质相异的动机,这为数字创新的差异化影响机制研究提供了理论切口。

1.2 资源保存理论

资源保存理论认为,个体具有获取、维护和保护自身珍贵资源的先天倾向[16]。拥有较多资源的个体不易受到资源损失的影响,且新资源获取能力更强,反之亦然。依据资源保存理论,个体行为的资源效应可划分为增益与损耗两条路径。资源增益路径指个体通过获取新资源或释放既有资源增加资源存量的过程,充裕的资源储备使个体更有能力进行主动探索;资源损耗路径指个体因外部压力或内部消耗导致资源持续流失的过程,资源匮乏会使个体趋于防御与保守状态。在工作情境中,同一行为往往兼具资源损耗与增益双重效应[17],最终取决于驱动该行为的具体动机性质。因此,本文将资源保存理论纳入研究框架以解释数字创新的差异化影响机制。

1.3 人工智能依赖与双元数字创新

人工智能依赖可分为功能性依赖和存在性依赖。前者以工具理性为导向,体现为研发人员对AI作为效率工具的高度认可,确信其能够在信息检索、数据处理、文档生成等辅助性任务中稳定输出符合预期的结果;后者则表现为过度依附与心理盲从,研发人员将AI视为不可或缺的生产工具,难以脱离其辅助独立开展工作[10]。数字创新是指采用数字技术产生不同形式创新成果的过程[18],可划分为利用式数字创新与探索式数字创新。其中,利用式数字创新是指研发人员运用数字技术从事与改良当前产品、技术、流程等有关的创新;探索式数字创新是指研发人员借助数字技术从事与开发新产品、新技术、新流程等活动有关的创新[11]。

功能性依赖作为自主性动机,通过资源增益路径正向驱动双元数字创新。依据自我决定理论,功能性依赖的研发人员认同AI作为效率工具的价值,会主动将其整合进工作流程,提升人机协作效能,满足其自主需求。同时,AI高效处理重复性任务,可增强研发人员效能信念,个体的胜任需求得到满足,会更倾向于主动探索与创新投入。资源保存理论下,AI高效完成基础任务释放认知盈余,使研发人员将精力投向更具创造性的创新活动。一方面,研发人员以批判性眼光审视AI输出,将可靠信息与自身知识深度整合,深化既有知识资源,推动现有数字产品或流程快速迭代与优化,促进利用式数字创新[11];另一方面,借助AI强大的算力与分析能力,研发人员精准识别跨领域技术融合机会与风险[19],为探索式数字创新注入灵感。

存在性依赖作为控制性动机,通过资源损耗路径负向影响双元数字创新。存在性依赖的研发人员在判断与决策方面存在让渡及依附,自主需求被AI削弱[10];长期缺失批判性思维导致其信息甄别与独立解决问题的能力退化,胜任需求及创造性思维受到抑制[20]。数字创新的自生长性特征要求创新成果(数字产品、服务及流程等)需不断基于用户反馈进行优化、迭代和再创造[3],但存在性依赖的研发人员倾向于直接采纳AI输出内容,放弃主动验证探索[21],难以跳出既有框架进行知识重组与深度加工,从而抑制利用式数字创新。同时,过度依赖AI导致思维同质化[9],削弱其对数字资源与创新机会的识别、捕获与整合能力,降低资源编排效能,从而抑制探索式数字创新。据此,本文提出以下假设:

H1a:人工智能功能性依赖正向影响研发人员双元数字创新;

H1b:人工智能存在性依赖负向影响研发人员双元数字创新。

1.4 信息对抗强度的中介作用

基于自我决定理论,自主性动机使个体保持行为控制权[22],倾向于对外部信息进行批判性审视;控制性动机则使个体在一定程度上放弃控制权,被动接受外部信息。信息对抗是指用户在面对人工智能生成内容时进行主动验证的倾向,表现为研发人员为确保人工智能输出内容的真实性与准确性而采取的跨源检索、事实核对等认知努力[23-24]。由于AI普遍存在幻觉、误导与社交谄媚等输出风险[25],错误信息被采纳会造成决策偏差,增加研发失败的风险和成本,因此信息对抗成为研发过程中普遍存在的知识处理环节。

功能性依赖作为自主性动机,驱动研发人员主动进行信息对抗。功能性依赖的核心在于研发人员对AI在稳定性、效率及可预测性等方面的工具性认可,即研发人员相信AI技术能够完成信息检索、数据整理等结构性任务[10],但不对其输出内容无条件信任。当AI高效完成繁琐的底层数据处理时,研发人员得以将有限的认知精力和资源从常规性劳动中释放出来,形成可支配的认知资源盈余。获得认知盈余后,自主性动机驱动的工作质量需求促使研发人员进行系统性信息对抗,有效识别并过滤AI幻觉与算法偏见,促进优质数据、知识服务于现有数字产品或流程的优化与迭代,推动利用式数字创新;同时,在跨源检索与事实核对等信息对抗过程中接触的异质性信息,也为其发现跨领域技术融合机会、激发探索式数字创新提供知识基础。

存在性依赖作为控制性动机,会削弱研发人员信息对抗强度。存在性依赖的核心特征在于研发人员对AI输出内容的判断性让渡,倾向于将AI输出内容视为无需审视的真实依据,逐渐放弃主动思考与独立判断,导致认知资源持续损耗。存在性依赖主导下,研发人员缺乏有效信息对抗,导致未经辨别的错误知识与算法偏见渗透数字创新核心环节。更值得注意的是,基于长期搜索和深度学习导致的“信息茧房”会进一步放大上述偏误[26],同时数字技术的快速迭代机制会进一步加剧上述风险的破坏性。一旦错误信息被采纳并嵌入现有技术改进流程,不仅会造成当前研发资源浪费,更会误导后续迭代方向,不利于利用式数字创新。由于不同技术领域的知识资源和数据表达存在差异,AI捕获的跨领域信息更可能存在偏差,放弃信息对抗将强化路径依赖,削弱跨领域数字资源编排,从而抑制探索式数字创新。据此,本文提出以下假设:

H2a:信息对抗强度在人工智能功能性依赖与双元数字创新间起中介作用;

H2b:信息对抗强度在人工智能存在性依赖与双元数字创新间起中介作用。

1.5 知识重组能力的中介作用

基于自我决定理论,当个体胜任需求得到满足时,其进行知识深度加工的能力更强,当个体胜任需求受阻时则相反[15]。知识重组能力反映研发人员对碎片化知识进行跨领域搜索、深度整合与创造性重构的素养,显著影响需要整合多源异质性知识的数字创新方案[3,27]。

功能性依赖作为自主性动机,通过满足胜任需求促进研发人员知识重组能力提升。认同AI工具价值的研发人员更愿意借助AI进行跨界搜索与整合,突破既有知识边界捕获异质性知识[28],通过对异质性知识的结构化编码与高效重组,将外部知识转化为现有数字产品或流程的改进方案,推动利用式数字创新;同时,跨领域知识融合有助于构建更具动态性与兼容性的知识结构,使不同技术领域的底层数字资源实现新颖性组合,打破路径依赖,形成全新数字产品架构或技术解决方案,从而推动探索式数字创新。

存在性依赖作为控制性动机,因胜任需求受阻削弱研发人员知识重组能力。存在性依赖的研发人员将AI视为研发任务的直接替代者,放弃主动思考、知识辨析与深度学习[10]。胜任需求受阻使研发人员对知识资源的价值感知下降,无法契合数字创新高度依赖数据资源、模型等底层要素有机整合的现实特征,导致外部知识内化受阻。在此情境下,研发人员难以基于外部知识对现有数字技术架构进行深度优化与迭代升级,不利于利用式数字创新。同时,不同产业间数据资源结构、技术语言系统存在差异[11],存在性依赖使研发人员局限于人工智能提供的固化方案,思维趋于同质化,跨领域数字资源重组与创造能力下降,从而抑制探索式数字创新。据此,本文提出以下假设:

H3a:知识重组能力在人工智能功能性依赖与双元数字创新间起中介作用;

H3b:知识重组能力在人工智能存在性依赖与双元数字创新间起中介作用。

1.6 信息对抗强度与知识重组能力的链式中介作用

基于自我决定理论与资源保存理论的串联整合,信息对抗强度与知识重组能力之间存在“认知—能力”的链式传导关系。知识基础观强调,创新在本质上源于知识要素的重新组合与创造性重构[29],知识重组深度依赖于知识输入可靠性。AI虽能快速产出大量技术方案与分析结果,但内容质量参差不齐,既可能蕴含前沿见解,也可能夹杂算法幻觉乃至系统性谬误。这意味着信息对抗构成知识重组的质量筛选机制:一方面,研发人员通过批判性甄别AI生成内容,识别优质知识资源[30],保障外部获取知识的可靠性,为知识整合与重构奠定基础;另一方面,研发人员在跨源检索与事实核对中持续接触、吸收异质性信息,使知识组合方式更为多元化。通过上述验证与筛选,信息对抗为知识重组积累可靠知识源,进而促进研发人员对知识的深度整合与创造性重构,最终转化为数字创新。据此,本文推论,信息对抗强度和知识重组能力在人工智能依赖与双元数字创新之间具有链式中介作用。具体而言,功能性依赖作为自主性动机,驱动研发人员对AI输出内容进行系统性信息对抗,高质量知识供给增强研发人员对知识资源丰富性的感知,进而促进其进行知识深度整合与新颖重组,知识重组能力随之增强。而存在性依赖作为控制性动机,削弱研发人员信息对抗意愿与能力,知识供给质量下降会降低研发人员对知识资源的价值感知与整合效率,知识重组能力随之降低。据此,本文提出以下假设:

H4a:信息对抗强度和知识重组能力在人工智能功能性依赖与双元数字创新之间具有链式中介作用;

H4b:信息对抗强度和知识重组能力在人工智能存在性依赖与双元数字创新之间具有链式中介作用。

1.7 人工智能素养的调节作用

人工智能素养是指个体在适应人工智能技术及进行人智交互过程中,所需具备的技术认知、专业技能及批判性评估等综合能力[31]。依据自我决定理论,个体特征因素能够调节动机状态向行为表现的转化过程[32],人工智能素养的高低直接影响研发人员能否将自主性动机有效转化为对AI输出的信息对抗与深度加工。

人工智能素养能够强化功能性依赖对信息对抗强度的正向影响。AI输出信息体量庞大、迭代迅速,人工智能素养较高的研发人员在借助AI完成信息检索、数据处理等工作时,信息素养会与功能性依赖形成协同效应,助其有效识别算法偏向,跳出固化推送模式,增强对AI输出的信息对抗。相反,人工智能素养较低的研发人员更易被海量信息淹没,难以有效甄别谬误与偏差,甚至陷入“信息茧房”,认知视野日趋窄化[21]。

同理,人工智能素养能够削弱存在性依赖对信息对抗强度的负向影响。当研发人员人工智能素养较高时,其对AI技术边界与潜在风险的认知更为清晰[33],保持对信息质量的基本警觉,即使在依赖状态下也不会放弃信息对抗,能够在一定程度上对冲存在性依赖带来的资源损耗。相反,低素养的研发人员更易被AI的流畅输出迷惑,在存在性依赖下放弃信息对抗,导致负面影响进一步加剧。

进一步地,个体能力特质在调节上述认知过程的同时,还会影响后续知识处理与行为表现。在功能性依赖下,人工智能素养越高,信息对抗越强,个体获取的知识越丰富可靠,科研人员越能高效进行知识深度整合与新颖重组,促进双元数字创新。因此,研发人员人工智能素养越高,功能性依赖通过信息对抗强度与知识重组能力影响双元数字创新的链式中介作用越强。反之,在存在性依赖下,高素养个体借助元认知能力可以更准确地判断何种任务适合交由AI处理、何种任务必须自主判断[33],避免将知识重组的认知自主权完全让渡给算法,从而减缓存在性依赖对双元数字创新的抑制效应。因此,科研人员人工智能素养越高,存在性依赖对信息对抗强度的负向影响越弱,信息对抗强度、知识重组能力在存在性依赖与双元数字创新之间的链式中介作用越弱。据此,本文提出以下假设:

H5a:人工智能素养通过增强功能性依赖对信息对抗强度的正向影响,调节信息对抗强度与知识重组能力的链式中介作用;

H5b:人工智能素养通过缓和存在性依赖对信息对抗强度的负向影响,调节信息对抗强度与知识重组能力的链式中介作用。

综上所述,本文构建理论模型如图1所示。

2 研究设计

2.1 样本选取与数据来源

本文采用问卷调查法收集数据,调研对象为从事数字创新活动的企业研发人员。为确保调研企业具备真实的数字创新属性,课题组在问卷发放前对候选企业进行严格筛选:依据国家统计局《数字经济及其核心产业统计分类(2021)》,将样本限定为主营业务属于数字产品制造业、数字产品服务业、数字技术应用业及数字要素驱动业等数字经济核心产业的企业;同时,参考各省份工业和信息化主管部门或数据管理部门发布的数字经济领域企业培育名单,进行交叉比对确认。经筛选后的调研企业,其主营业务和研发活动均与数字创新相关。

由于数字经济企业总体边界模糊,且缺乏完整的名录体系,本研究采用“分层抽样+滚雪球抽样”相结合的非概率抽样策略。地域层面,选择数字经济发展水平较高且数字创新企业集聚的京津冀地区作为主要调研区域;受访者特征层面,依据每周使用研发类AI工具的频率进行分层,确保覆盖不同AI使用强度的研发人员。具体调研分为以下两个阶段:第一阶段:通过京津冀地区高新技术产业开发区、数字产业园区及行业展会等渠道,识别符合上述标准的种子企业,同时依据国家统计局分类标准初步筛选候选企业。在此基础上,在正式发放问卷前,通过电话或线上会议与候选种子企业研发人员进行半结构化沟通。核心内容包括:①确认该企业主营业务是否属于《数字经济及其核心产业统计分类(2021)》;②确认研发人员当前是否实质性地将AI、大数据或云计算技术嵌入新产品开发;③请对方简要描述最近一个运用数字技术的研发项目。将同时满足上述3项标准的企业纳入正式种子样本并发放问卷。第二阶段:在完成初始种子企业数据收集后,请已参与调研的研发人员推荐其业务网络中同样具备数字创新属性的合作伙伴或同行企业。为突破网络同质化局限,课题组明确要求推荐人尽量推荐处于不同细分赛道(如数字产品制造、数字技术应用)的企业。每轮新推荐的企业,课题组均沿用第一阶段的半结构化沟通标准进行快速属性核实(重点询问AI在研发中的实质应用情况),核实通过后纳入调研。

数据收集时间为2025年9月至2026年1月,问卷通过问卷星在线平台进行发放,在起始位置设置甄别题项:“您在工作中是否使用人工智能、云计算等数字技术进行研发或创新活动?”若选择“否”则终止作答;同时要求填写者对自身最近参与的数字创新项目进行简要描述,以确保受访者确实从事数字创新相关工作。此外,问卷还设置了反向计分题项,以检验受访者的作答一致性。调研共发放问卷423份,剔除明显规律性作答、数据缺失及答题时间过长或过短的无效问卷,最终获得有效问卷348份,有效回收率为82.27%。样本分布特征见表1。

2.2 变量测量

问卷由两部分组成:第一部分为个人基本情况,包括性别、年龄、科研工作年限、人工智能使用频率及使用数量;第二部分为测量量表,题项均采用Likert 5点量表,1～5表示从“完全不符合”到“完全符合”。为确保测量工具信度与效度,所有量表均采用成熟量表,并根据研发人员的工作情境进行适当语义调整。①人工智能功能性依赖和存在性依赖测度采用Li等[10]的量表,共18个题项。②双元数字创新测度借鉴秦佳良等[34]、王寅等[11]的量表并进行适度调整,共8个题项。③信息对抗强度测度采用Sigal[35]的量表并进行适当调整,共6个题项。④知识重组能力测度采用辛冲等[36]的量表并进行适当调整,共4个题项。⑤人工智能素养测度采用Bingcheng等[31]的量表,共9个题项。

2.3 信效度检验

使用SPSS 27.0和Mplus 8.3对各变量进行信效度检验,结果如表2所示。各变量的Cronbach's α系数和组合信度CR均大于0.7,表明量表信度较高;平均方差萃取量AVE均大于标准值0.5,表明量表聚敛效度较高。

通过验证性因子分析评估不同模型的拟合优度。由表3可知,七因子模型的各项拟合指数表现最优:χ2/df=1.100,RMSEA=0.017,SRMR=0.031,CFI=0.990,TLI=0.989。结果表明,其他竞争模型的拟合指标均不如七因子模型,说明各变量之间具有较高的区分效度。

2.4 共同方法偏差检验

考虑到可能存在共同方法偏差问题,本文采用两种方法进行检验:第一,采用Harman单因子检验方法,未经旋转得到6个特征根大于1的因子,第一个因子所解释的变异量为39.270%,小于40%。第二,采用验证性因子分析方法,将所有题项强制负载于单一共同方法因子。结果显示,在单因子模型中,χ2=3 878.537,df=945,χ2/df=4.104,RMSEA=0.094,SRMR=0.084,拟合指标比测量模型弱。Harman单因子检验和验证性因子分析结果表明,本研究通过共同方法偏差检验。

2.5 描述性统计与相关性分析

表4为描述性统计与相关性分析结果。其中,人工智能功能性依赖与人工智能素养、信息对抗强度、知识重组能力及双元数字创新均存在显著正相关关系,而存在性依赖与核心变量间均呈现显著负相关关系,符合理论预期,为后续假设检验提供了初步支持。

3 假设检验

3.1 主效应检验

本研究运用分层回归分析方法及Process宏程序进行假设检验。如表5所示,在加入性别、年龄、受教育程度、科研工作年限、AI使用频率和AI使用数量控制变量后,功能性依赖对探索式数字创新存在显著正向影响(β=0.480,p<0.001),对利用式数字创新也存在显著正向影响(β=0.447,p<0.001),故假设H1a得到支持。存在性依赖对探索式数字创新具有显著负向影响(β=-0.419,p<0.001),对利用式数字创新也存在显著负向影响(β=-0.462,p<0.001),故假设H1b得到支持。

3.2 中介效应检验

3.2.1 信息对抗强度与知识重组能力的中介效应

中介效应的回归分析结果如表6所示。首先,功能性依赖对信息对抗强度(M9,β=0.445,p<0.001)和知识重组能力(M11,β=0.424,p<0.001)均存在显著正向影响;其次,加入信息对抗强度和知识重组能力后,二者均对探索式数字创新产生显著影响(M1,β=0.457,p<0.001;M2,β=0.401,p<0.001),并且功能性依赖的直接效应仍然显著,表明信息对抗强度、知识重组能力在功能性依赖与探索式数字创新间起部分中介作用。同理,二者在功能性依赖与利用式数字创新间也起部分中介作用。据此,假设H2a和H3a得到验证。

存在性依赖对信息对抗强度(M10,β=-0.454,p<0.001)和知识重组能力(M12,β=-0.410,p<0.001)均存在显著负向影响;加入信息对抗强度和知识重组能力后,二者均对探索式数字创新产生显著影响(M3,β=0.474,p<0.001;M4,β=0.418,p<0.001),并且存在性依赖的直接效应仍然显著,表明信息对抗强度、知识重组能力均在存在性依赖与探索式数字创新间起部分中介作用。同理,二者在存在性依赖与利用式数字创新间也起部分中介作用。据此,假设H2b和H3b得到验证。

3.2.2 信息对抗强度与知识重组能力的链式中介效应

链式中介效应检验结果如表7所示。首先,人工智能功能性依赖正向影响信息对抗强度,而信息对抗强度显著正向影响知识重组能力,知识重组能力对科研人员探索式数字创新和利用式数字创新也具有显著正向影响。其次,Bootstrap检验进一步表明(见表8),信息对抗强度、知识重组能力在功能性依赖与双元数字创新之间的链式中介效应显著(Effect=0.046,95%CI为[0.022,0.084];Effect=0.043,95%CI为[0.023,0.077])。上述结果表明,功能性依赖通过提升研发人员的信息对抗强度,进而增强其知识重组能力,最终促进双元数字创新。由此,假设H4a成立。

同理,存在性依赖链式中介路径也成立。存在性依赖对信息对抗强度具有显著负向影响,而信息对抗强度对知识重组能力具有显著正向影响,知识重组能力对探索式数字创新和利用式数字创新也具有显著正向影响。Bootstrap检验表明,信息对抗强度、知识重组能力在存在性依赖与双元数字创新之间的链式中介效应显著(Effect=-0.034,95%CI为[-0.068,-0.016];Effect=-0.038,95%CI为[-0.073,-0.018])。因此,假设H4b成立。

3.3 调节效应检验

调节效应检验结果如表9所示,功能性依赖与人工智能素养的交互项对信息对抗强度具有显著正向影响(M2,β=0.130,p<0.05),表明人工智能素养正向调节功能性依赖与信息对抗强度的关系;而存在性依赖与人工智能素养的交互项不显著。依据自我决定理论,存在性依赖属于控制性动机,研发人员的自主需求已实质性让渡给AI,即使具备较高的人工智能素养,研发人员也缺乏调动批判性资源的意愿与动机。因此,人工智能素养难以有效缓冲存在性依赖对信息对抗强度的负向影响。

为直观展示人工智能素养的调节作用,本研究绘制调节效应图。图2表明,当人工智能素养水平较高时,功能性依赖对信息对抗强度的正向影响更强;当人工智能素养水平较低时,功能性依赖对信息对抗强度的正向影响更弱。简单斜率检验进一步表明,当人工智能素养较高时,功能性依赖对信息对抗强度的正向影响显著(β=0.385,p<0.001);当人工智能素养较低时,该效应减弱且不显著(β=0.139,p=0.063)。由此说明,人工智能素养强化了功能性依赖向信息对抗强度的转化,具有显著正向催化效应。

为检验人工智能素养对链式中介的调节作用,本研究采用Bootstrap方法进行分析,结果如表10所示。在功能性依赖通过信息对抗强度和知识重组能力影响探索式数字创新的路径中,不同人工智能素养下链式中介路径的间接效应值存在显著差异,95%置信区间为[0.001,0.035],不包含0;在功能性依赖通过信息对抗强度和知识重组能力影响利用式数字创新的路径中,不同人工智能素养下链式中介路径的间接效应值存在显著差异,95%置信区间为[0.001,0.040],不包含0,因此,假设H5a成立。而在存在性依赖通过信息对抗强度和知识重组能力影响探索式数字创新的路径中,不同人工智能素养下链式中介路径的间接效应值不存在显著差异,95%置信区间为[-0.021,0.013],包含0;在存在性依赖通过信息对抗强度和知识重组能力影响利用式数字创新的路径中,不同人工智能素养下链式中介路径的间接效应值不存在显著差异,95%置信区间为[-0.024,0.015],包含0,因此,假设H5b不成立。

4 进一步分析

AI工具使用数量可能影响人工智能依赖与双元数字创新的关系,本文将AI工具使用数量转化为二分变量进行分层回归检验,如表11所示。功能性依赖与AI工具使用数量分组的交互项对探索式数字创新具有显著正向影响(M3,β=0.196,p<0.05)。分组检验表明,在低AI使用量组,功能性依赖对探索式数字创新的正向影响显著(β=0.332);在高AI使用量组,该影响也显著(β=0.575),表明AI工具多样性强化了功能性依赖向探索式数字创新的转化。然而,功能性依赖与利用式数字创新(M8,β=0.104,p>0.05)、存在性依赖与探索式数字创新(M5,β=-0.063,p>0.05)以及利用式数字创新(M10,β=-0.129,p>0.05)的交互项均不显著,表明AI工具使用数量未显著调节上述关系。

综上,AI工具使用数量的调节效应具有路径特异性,主要体现在功能性依赖向探索式数字创新的转化环节。这可能是因为探索式数字创新往往涉及对跨领域数字资源的分布式搜索与重组[6],需要从不同技术和知识领域汲取异质性信息,多种AI工具能够提供差异化搜索路径和知识组合方式,拓展探索式数字创新的创意来源,从而强化功能性依赖的创新增益。利用式数字创新侧重于沿现有技术进行深度开发,相较于工具多样性,研发人员对特定工具的熟练运用更为关键。此外,不同AI工具使用数量下存在性依赖对两类数字创新的负向影响具有一致性,关键在于认知自主性缺失,在研发人员将思考决策权让渡给算法后,无论使用多少种工具,都难以恢复主动识别和数字资源重组能力。

5 结论与启示

5.1 研究结论

本文基于自我决定理论与资源保存理论,探讨人工智能依赖对企业研发人员双元数字创新的影响,得出以下结论:

(1)人工智能依赖对企业研发人员双元数字创新具有差异化影响。功能性依赖显著正向影响双元数字创新,存在性依赖则显著负向影响双元数字创新,表明人工智能依赖并非单一维度的消极或积极影响,依赖性质不同,其数字创新效果也不同,为人工智能依赖“赋能”还是“负能”数字创新提供了新的理论依据。

(2)探讨并验证了信息对抗强度、知识重组能力分别在人工智能依赖与双元数字创新之间的中介作用,且二者构成“认知—能力”的链式传导路径。功能性依赖通过增强信息对抗与知识重组正向促进数字创新,存在性依赖则通过削弱二者产生抑制效应。

(3)人工智能素养的调节效应存在路径差异。人工智能素养仅正向调节功能性依赖与信息对抗强度的关系,以及信息对抗强度和知识重组能力在功能性依赖与双元数字创新之间的链式中介作用,对存在性依赖路径下的链式中介效应无显著调节作用。

(4)AI使用数量的分组检验表明其影响存在路径差异。AI工具多样性的促进作用仅在功能性依赖与探索式数字创新间显著,而在功能性依赖与利用式数字创新间,以及存在性依赖与探索式创新、利用式数字创新间均不显著。

5.2 理论贡献

(1)深化了人工智能依赖构念的复杂性及其对双元数字创新影响的理论认知。现有研究多关注人工智能依赖对传统创新活动的影响,对于个体差异化数字创新影响的研究尚不充分,且存在一定理论争议。本文将人工智能依赖细分为功能性依赖与存在性依赖,同时引入双元数字创新的差异化细分角度,系统考察两种AI依赖维度通过信息对抗强度、知识重组能力的独立中介与链式中介路径,对利用式与探索式数字创新的差异化影响,回应了人工智能依赖是发挥赋能效应还是负能效应的关键争议,突破了既有研究将依赖视为同质化效应的分析惯性,为理解数字创新情境下研发人员创新行为的复杂影响机制提供了更加精细的整合性分析框架。

(2)扩展了自我决定理论应用范畴。现有研究多从单一理论视角探讨人工智能依赖的影响机制,缺乏对动机状态向认知行为转化过程的系统性解释。本文基于自我决定理论,将功能性依赖和存在性依赖分别定位为自主性动机与控制性动机,揭示了两种依赖倾向的本质差异在于动机性质的不同,并识别了从动机状态到认知行为转化的链式传导路径。

(3)明确了人工智能依赖影响个体创新行为的情境边界。本文考察了人工智能素养的调节效应与AI使用数量的分组效应,发现二者的作用均呈现出显著非对称特征,表明人工智能依赖效应的边界条件并非普适性存在,而是具有路径依赖性和情境匹配特征。

(4)丰富了个体层面双元数字创新的前因研究。现有研究主要关注人工智能技术对企业整体双元数字创新的影响,较少涉及研发人员创新行为。本文聚焦于个体层面的人工智能依赖,揭示其如何影响研发人员双元数字创新,为理解技术变革背景下的微观创新机理提供了新的视角。

5.3 实践启示

(1)明确数字创新任务中研发人员对AI技术的工具性使用边界与行为规范。管理者需鼓励研发人员在数据检索、信息整合等环节充分发挥AI的辅助功能,而在技术方案决策、创新方向判断等需要独立思考和专业经验的核心环节,应由研发人员主导,避免将思考决策权让渡给算法。在项目启动阶段,明确AI使用范围,在方案评审环节增设人工决策节点。同时,管理者需留意研发团队中是否已出现过度依赖AI的倾向并及时干预,安排适度的人机协同创新规范化培训,帮助员工重新建立独立思考习惯。

(2)培育研发人员信息对抗和知识重组能力。AI输出的跨领域信息可能隐含偏差或幻觉,错误信息被采纳并嵌入数字产品或技术架构,不仅会造成当前资源浪费,还可能通过后续迭代被不断放大。管理者需将信息对抗纳入研发管理的硬性要求与人才培养方案,要求研发人员提交AI辅助生成方案时附带关键数据与核心观点的验证记录;同时搭建跨领域知识共享平台,建立定期研讨机制,鼓励研发人员将AI搜索的碎片化信息与自身知识深度整合,进而在团队内部信息交流中实现知识重组。

(3)依据不同类型创新任务配置差异化AI工具。当创新任务需要多元信息碰撞以激发灵感时,管理者需鼓励研发人员广泛尝试多种AI工具,借助跨工具信息交叉拓展思路;当创新任务更需要对现有流程进行深度优化时,需引导研发人员专注使用熟悉工具与自研大模型,将AI提供的知识资源与既有技术经验整合,提升研发操作深度与流程效率,避免因频繁切换工具而增加学习成本与数据积累成本。

5.4 局限与展望

本文存在以下局限:首先,本研究采用截面问卷调查方式进行数据收集,未来可以采用纵向追踪设计或客观行为数据进行交叉验证。其次,本研究发现人工智能素养对多数中介路径的调节效应不显著,AI使用数量的分组检验也仅在特定路径上表现出组间差异,未来可引入更多情景因素,深入考察不同情境下人工智能依赖效应的异质性。最后,本研究聚焦个体层面,而未考虑团队交互与组织环境的跨层次影响,未来可构建跨层次模型研究人工智能依赖对研发人员双元数字创新的影响机制。

参考文献:

[1] BENYA H, STRICH F, TAMM T. Navigating generative artificial intelligence promises and perils for knowledge and creative work [J]. Journal of the Association for Information Systems,2024, 25(1):23-36.

[2] 徐红丹,王玖河.人工智能如何赋能企业新质生产力[J].科技进步与对策,2025,42(7):1-8.

[3] 刘洋,董久钰,魏江.数字创新管理:理论框架与未来研究[J].管理世界,2020,36(7):198-217,219.

[4] 马银琦,黄恒,毋磊,等.“技术赋能”还是“工具依赖”:生成式人工智能对研究生科研创新力的影响研究[J].电化教育研究,2024,45(12):58-66.

[5] 钞小静,沈路.创新价值链视角下人工智能技术对制造业企业绿色创新效率的影响[J].经济学动态,2025,67(4):50-67.

[6] 何涌,李家杰.人工智能应用与企业突破式创新——基于劳动力技能调整视角[J].北京工业大学学报(社会科学版),2026,26(2):71-92.

[7] 周文,何雨晴.论智能经济:技术突破与经济形态重塑[J].改革,2026,29(3):1-14.

[8] 叶阳平,马文聪,吴小节,等.人工智能与产业技术融合对制造业企业产品创新绩效的影响研究[J].中国工业经济,2025,42(11):150-168.

[9] DOSHI R A,HAUSER P O.Generative AI enhances individual creativity but reduces the collective diversity of novel content[J].Science Advances,2024,10(28):eadn5290.

[10] LI Z W, ZHANG Z, WANG M W, et al. From assistance to reliance:development and validation of the large language model dependence scale[J]. International Journal of Information Management, 2025, 83:102888.

[11] 王寅,李梦琦,贾翠雪,等.人工智能应用如何促进企业双元数字创新——基于资源编排理论[J].科技进步与对策,2025,42(15):24-34.

[12] 王寅,张英华,王饶,等.组织双元性创新模式演化路径研究——两种“次优”能力陷阱讨论[J].科技进步与对策,2016,33(8):93-100.

[13] 李姝婷,邱茜.赋能还是束缚:人工智能技术应用对街头官僚工作行为的影响研究——以社区工作者为例[J].电子政务,2025,23(5):74-88.

[14] DECI E L, RYAN R M.The "what" and "why" of goal pursuits: human needs and the self-determination of behavior[J].Psychological Inquiry, 2000, 11(4):227-268.

[15] 尹奎,迟志康,彭坚,等.何种领导行为更能促进知识共享?来自元分析的证据[J].南开管理评论,2024,27(2):127-138.

[16] KOOPMAN J, LANAJ K, SCOTT B A. Integrating the bright and dark sides of OCB: a daily investigation of the benefits and costs of helping others[J]. Academy of Management Journal, 2016, 59(2): 414-435.

[17] 王琦琦,刘军,袁艺玮.耗竭还是投入?防御型工作重塑的双刃剑效应[J].南开管理评论,2025,28(7):89-100.

[18] YOO Y, HENFRIDSSON O, LYYTINEN K. Research commentary——the new organizing logic of digital innovation: an agenda for information systems research[J]. Information Systems Research, 2010, 21(4):724-735.

[19] CHATTERJEE S, CHAUDHURI R, VRONDTIS D, et al. Digital workplace and organization performance:moderating role of digital leadership capability[J]. Journal of Innovation &Knowledge,2023, 8(1):100334.

[20] 贾建锋,焦玉鑫,闫佳祺.伦理型领导对员工主动性行为的影响机制研究[J].管理学报,2020,17(9):1327-1335.

[21] CHENG X, ZHANG L. Inspiration booster or creative fixation? the dual mechanisms of LLMs in shaping individual creativity in tasks of different complexity[J]. Humanities and Social Sciences Communications,2025, 12(1):1563.

[22] 窦泽南,方圆,周伟,等.自我控制的奖励模型与神经机制[J].心理科学进展,2017,25(1):86-98.

[23] SUN Y. Verification upon exposure to Covid-19 misinformation:predictors,outcomes,and the mediating role of verification[J]. Science Communication,2022, 44(3):261-291.

[24] 林珊,邓小昭.AIGC情境下用户信息验证行为过程及影响因素研究[J].图书情报工作,2025,69(22):136-148.

[25] CHENG M, LEE C, KHADPE P, et al. Sycophantic AI decreases prosocial intentions and promotes dependence[J]. Science,2026, 391(6792):eaec8352.

[26] RADY J, TOWNSEND D, HUNT R. From algorithmic hallucinations to alien minds: addressing the ideator&apos;s dilemma through entrepreneurial work[J]. Journal of Business Venturing,2026, 41(1):106550.

[27] 刘斐然,李世杰.产学研合作、内部研发与企业突破性创新——基于知识基础理论视角[J].管理评论,2025,37(3):101-110.

[28] 王琳,陈志军,崔子钰.数字化转型下知识耦合如何重构组织边界——基于创业警觉的认知逻辑[J].南开管理评论,2024,27(1):16-28.

[29] XIAO T, MAKHIJA M, KARIM S. A knowledge recombination perspective of innovation:review and new research directions[J]. Journal of Management,2022, 48(6):1724-1777.

[30] 孙晓华,韩梓萌.大模型应用如何赋能企业技术创新:基于知识基因重组的新视角[J].经济纵横,2026,42(6):87-100.

[31] BINGCHENG W, PATRICK L P R, TIANYI Y. Measuring user competence in using artificial intelligence: validity and reliability of artificial intelligence literacy scale[J]. Behaviour &Information Technology,2023, 42(9):1324-1337.

[32] 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.

[33] LONG D, MAGERKO B. What is AI literacy?competencies and design considerations[C]//Proceedings of the 2020 Conference on Human Factors in Computing Systems.New York:Association for Computing Machinery,2020:1-16.

[34] 秦佳良,张玉臣.个人知识吸收能力与双元创新关系研究[J].科技进步与对策,2018,35(8):128-136.

[35] SIGAL T. Verifying online information: development and validation of a self-report scale[J]. Technology in Society,2021,67:101788.

[36] 辛冲,陈永佳,陈海峰.创新生态系统中心企业的互动式/非互动式知识搜寻与价值共创[J].研究与发展管理,2023,35(5):72-84.

(责任编辑：张 悦)