“Empowerment” or “Burden”: The Dual Effects of Artificial Intelligence Applications on Job Performance

Wang Hongyu, Wang Zhen

(School of Business and Management,Jilin University,Changchun 130012, China)

Abstract：The deep integration of artificial intelligence(AI) has become a core strategic driver for enterprise productivity growth. However, a paradox has emerged at the micro-level within organizations: Contrary to expectations that AI would simplify workflows and enhance efficiency, employees commonly encounter a counterintuitive outcome where increased usage leads to greater exhaustion, ultimately impairing job performance. Existing literature predominantly focuses on the enabling effects of AI in sharing repetitive tasks, largely overlooking the potential psychological costs, cognitive intrusions, and subsequent efficiency declines it may trigger. To address this gap, this study aims to unravel the “black box” of how AI applications influence employee job performance, transitioning the academic focus from a single-effect analysis to a multiple-balance mechanism study.

Drawing upon the Job Demands-Resources(JD-R) theory, this study constructs a dual-chain mediation model to comprehensively examine the double-edged sword effect of AI applications. The JD-R framework allows for a dialectical perspective, revealing two distinct pathways. On one hand, AI serves as a job resource by elevating task automation, which theoretically mitigates resource depletion. On the other hand, AI can act as an intrusive job demand, significantly increasing cognitive load through its sheer volume of generated information and the constant need for human verification. Work burnout is conceptualized as the critical psychological mechanism linking these technological pressures to subsequent performance changes. Furthermore, perceived job complexity is introduced as a vital boundary condition that determines whether AI functions as a resource or a demand.

To empirically test the proposed hypotheses, this study employed a three-wave longitudinal research design, effectively minimizing common method bias. Data were collected over a three-month period across three distinct time points with one-month intervals. The sample comprised employees from 26 enterprises located in major Chinese economic hubs, including Beijing, Shanghai, Zhejiang, Jiangsu, and Guangdong. These firms operate in AI-intensive sectors such as information technology, high-end manufacturing, financial services, healthcare, and scientific research. After matching across the three waves, a total of 350 valid questionnaires were obtained, representing an 87.3% response rate. The data were systematically analyzed utilizing SPSS 26.0 and AMOS 24.0, while the PROCESS macro and Bootstrap resampling techniques were applied to verify the complex moderated mediation paths.

The empirical results reveal that the double-edged sword effect of AI applications on job performance is profoundly contingent upon perceived job complexity. First, when employees perceive a low level of job complexity, AI applications seamlessly align with highly standardized and predictable task requirements. In this context, AI exerts a significant positive impact by acting as a resource; it enhances the level of task automation, effectively alleviates work burnout, and ultimately promotes overall job performance. Conversely, in scenarios of high perceived job complexity, tasks are typically unstructured, dynamic, and uncertain. Under these conditions, AI generates knowledge-intensive outputs that require intense human scrutiny, thereby transforming the technology from an assistive tool into a high-pressure job demand. Consequently, AI applications significantly amplify employees' cognitive load, accelerate the depletion of psychological resources, exacerbate work burnout, and ultimately diminish job performance.

This research presents several theoretical innovations. Primarily, it shatters the prevailing linear cognitive assumption of AI's universal empowerment, uncovering a critical "functional reversal" of technological effects across varying task contexts. Additionally, this study successfully extends the traditional JD-R model into the digital era, expanding its theoretical boundaries to clearly define the motivation and depletion mechanisms in human-machine collaborative scenarios. Practically, the findings offer vital guidance for organizations navigating intelligent transformations. Management should abandon "one-size-fits-all" AI deployments, instead implementing differentiated strategies tailored to specific job complexities. Furthermore, organizations must empower employees with technical autonomy, which will potentially grants the right to refuse AI in highly complex tasks,while actively managing “cognitive surplus” and establishing dynamic early-warning systems to mitigate tech-induced burnout before it translates into tangible performance losses.

Key Words：AI Application; Work Burnout; Work Performance; Perceived Work Complexity

收稿日期：2025-12-01

修回日期：2026-03-26

作者简介：王弘钰(1965—),女,吉林长春人,博士,吉林大学商学与管理学院教授、博士生导师,研究方向为人力资源管理与组织行为学;王振(1998—),男,内蒙古锡林郭勒人,吉林大学商学与管理学院博士研究生,研究方向为人力资源管理与组织行为学。

通讯作者：王振。

DOI：10.6049/kjjbydc.D22025120749

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.92;F49

文献标识码：A

文章编号：1001-7348(2026)19-0115-11

0 引言

人工智能(AI)的深度应用已成为企业驱动生产力增长的核心战略[1]。麦肯锡(2025)预测,AI有望为全球企业贡献约4.4万亿美元的长期增长潜力[2]。然而,微观角度的员工层面,尽管其被赋予简化流程、提升效率的期望,实践中却常出现“使用越多,越疲惫”的现象。谷歌首席执行官皮查伊指出,AI使工程团队的开发效率提升了10%,但员工却因承担系统校对与认知适应的重负而更易产生工作倦怠[3]。这种效率提升与心理损耗并存的矛盾,揭示了AI不仅是单纯的生产资源,更是一种具有侵入性的工作要求。AI应用对员工绩效的影响并非线性赋能,其背后暗含着资源获取与认知消耗的博弈。因此,探究AI作用于员工绩效的不同中介路径及其边界条件,不仅是破解AI悖论的理论关键,也是企业优化人机协同策略的迫切需求。

在AI深度嵌入组织运营的背景下,其对员工绩效的影响超越了传统的外部环境或单一技术特征范畴,呈现出复杂的组织情境属性[4]。既有文献已从领导风格、组织情境及个体特征等维度对绩效前因进行了系统探讨[5-11],但面对AI这一兼具代理性与生成性的复杂技术,传统绩效驱动模型难以解释其增效与损耗并存的矛盾。现有研究虽关注到AI分担重复性任务的赋能效应[12-13],但仍存在两点待深化之处:其一,变量选取的单向性。多数研究聚焦技术带来的资源增益,却忽视了AI对个体认知的侵入可能诱发新的心理成本。近期虽有学者关注AI应用对员工行为的双刃剑效应,但主要聚焦于技术的拟人化社会属性,而非AI在不同任务情境下的功能异质性,即在何种特征下AI会从辅助工具异化为认知负担[14]。其二,作用机制的片面性。缺乏对赋能与负担效应的平衡审视,使得研究难以准确识别AI驱动绩效提升的临界点。为此,本文引入工作要求—资源(JD-R)模型作为理论基石。相比于侧重技术采纳意愿的传统模型,JD-R模型提供了更整合的辩证视角,将AI应用拆解为两条截然不同的路径:一方面,AI作为工作资源,通过提升任务自动化水平,激发员工工作动机;另一方面,AI作为高强度的认知侵入,通过增加认知负荷这一关键压力源,触发心理能量的损耗过程。依据该理论,认知负荷的持续积累会造成心理资源的深度耗竭,进而诱发工作倦怠,成为连接技术压力与绩效下降的核心心理机制[15]。该模型能够系统捕捉AI在赋能员工的同时,因技术侵入而施加的额外认知消耗。基于此,本研究选取任务自动化与认知负荷作为核心中介变量,以揭示AI应用通过资源供给与认知掠夺两条平行路径作用于工作倦怠并影响绩效的内在机理,从而为构建和谐的人机协同关系提供理论框架。

此外,AI对绩效的影响具有高度的情境依赖性。本文认为,感知工作复杂性是决定AI应用效应转换的核心边界条件。在JD-R模型视域下,工作特征并非孤立存在,任务情境往往决定了特定因素的属性归属。感知工作复杂性作为核心任务特征变量,界定了AI技术在何种条件下被视为资源或要求。现有研究指出,技术应用效果受任务特征的权变约束[16],而工作复杂性直接决定了员工处理非结构化信息的需求强度[17]。相较于传统组织变量,工作复杂性与AI的生成式决策本质高度契合。在简单任务中,AI倾向于发挥自动化的资源红利;在复杂任务中,AI生成的动态建议则会显著放大员工的校验压力,使认知负荷路径占据主导[18]。由此,选取工作复杂性作为调节变量,划定AI赋能员工的有效区间,亦呼应学界关于“探索技术应用情境边界”的议题[19]。

综上所述,本文借鉴工作要求—资源模型[20],构建了包含任务自动化、认知负荷及工作倦怠的双链式中介模型。旨在解析AI应用的双刃剑效应,延展传统的技术普适性视角,为企业在不同复杂度任务中策略性部署AI、优化人机协同边界提供理论依据与实践参考。

1 理论分析与研究假设

1.1 工作要求—资源模型理论

工作要求—资源模型为解析复杂技术环境下的个体行为提供了整合的辩证视角。该理论主张,工作环境特征可归纳为工作资源与工作要求两类核心要素,并分别通过激励路径与耗竭路径对工作结果产生差异化影响[21]。在AI深度嵌入组织运营的背景下,AI应用实质上重塑了职场的资源与要求结构。一方面,AI通过任务自动化替代重复性、程序化任务,降低了员工的能量消耗,凸显出工作的资源属性[22];另一方面,AI的海量信息生成与技术幻觉引发的失真风险[23],迫使员工投入额外认知资源进行校验与过滤,使得AI应用转化为新型认知要求,加剧了个体的认知负荷。因此,AI对工作绩效的影响并非单纯的线性赋能,而是取决于任务自动化带来的资源增益与认知负荷引发的能量损耗之间的博弈。此外,这种效应转换依赖于感知工作复杂性这一情境边界:在低复杂性任务中,AI应用倾向于通过自动化路径释放技术红利;在高复杂性任务中,AI生成的非结构化内容与高强度校验压力叠加,使得AI的工作要求属性占据主导,进而加剧工作倦怠并抑制绩效表现。综上所述,JD-R模型构成了本文剖析AI应用、感知工作复杂性与绩效产出之间多重交互效应的逻辑基石。

1.2 感知工作复杂性与人工智能应用的交互效应

感知工作复杂性在AI应用影响员工心理状态的路径分化中发挥关键的权变作用。基于JD-R模型,AI应用对个体的作用属性并非固定不变,而是取决于其所嵌入的任务特征。在资源增益路径中,AI通过任务自动化重塑工作结构,自主执行重复性与程序化任务[24]。当感知工作复杂性较低时,任务流程通常呈现高标准化与可预测性。此时,AI应用能够精准对接岗位需求,替代低附加值的事务性劳动,实质性减少个体在体力与基础认知上的投入[22,25]。在此情境下,任务自动化表现为典型的工作资源,其技术支持能够有效抵消任务要求引发的能量损耗。因此,当工作复杂性较低时,AI与任务特征的契合度更高,对任务自动化的驱动作用更为显著。基于此,本文提出如下假设:

H1:感知工作复杂性与人工智能应用交互影响任务自动化,即员工感知工作复杂性越低,人工智能应用对任务自动化的正向影响越强。

在工作要求耗竭路径中,AI与员工的交互拓宽了信息处理的深度与广度。复杂工作往往没有固定模式、变化快且充满不确定性,这就要求员工具备高阶认知能力与综合专业技能[26-27]。当感知工作复杂性较高时,AI生成的知识密集型内容并非单纯的替代工具,而是转化为额外的信息源,迫使员工在现有负荷之上进行深度甄别与逻辑校验[28]。根据JD-R模型,在高复杂性情境下,AI应用不再是辅助资源,而是转化为高压力的工作要求,进而诱发认知负荷。海量动态的技术输出与复杂任务本身的认知挑战叠加,不仅增加了工作总量,更显著加速了个体心理资源的耗竭。基于此,本文提出如下假设:

H2:感知工作复杂性与人工智能应用交互影响认知负荷,即员工感知工作复杂性越高,人工智能应用对认知负荷的正向影响越强。

1.3 任务自动化的中介效应

在AI与员工的协同过程中,任务自动化构成了核心的资源补偿机制。任务自动化通过技术系统的自主决策与执行,替代员工原本承担的重复性与程序化任务[24],直接削减了员工的劳动强度[22]。根据工作要求—资源模型,工作倦怠本质上是个体长期面对过度的心理或生理要求而导致的资源耗竭[20,15]。当AI接管高频且低附加值的事务性工作后,原本施加于员工身心资源上的过度压力被有效转移至技术系统,这种替代效应显著降低了员工感知的工作要求总量,从而阻断了能量的持续损耗[21]。既有研究表明,工作倦怠往往源于长期积累的无法释放的职业压力[29]。虽然在特定情境下,算法管理的不透明性或过高的技术复杂性可能诱发员工的感知威胁与倦怠感[30-31],但当AI应用聚焦于功能性替代时,其展现出的资源属性能够显著对冲上述负面影响。通过简化工作流程,任务自动化为员工提供了心理资源盈余,使其能够从繁琐操作中解脱,进而有效抑制工作倦怠。基于此,本文提出如下假设:

H3:任务自动化负向影响员工工作倦怠。

进一步地,任务自动化在感知工作复杂性与AI应用的交互效应中发挥中介作用。当处于低感知工作复杂性情境时,AI应用与任务需求的高适配性提升了任务自动化水平,这种技术驱动的资源补充不仅减轻短期工作负荷,更通过降低能量耗竭风险缓解工作倦怠。换言之,AI应用受感知工作复杂性的情境调节,决定了任务自动化的效率转化,进而对工作倦怠产生差异化影响。基于此,本文提出如下假设:

H4:任务自动化在感知工作复杂性与人工智能应用的交互效应及工作倦怠间起中介作用。

1.4 认知负荷的中介效应

在AI与员工的深度交互中,认知负荷构成了技术压力传导的核心路径。认知负荷表征个体在执行特定任务时占用的认知资源总量[32]。根据JD-R模型,当个体面临的工作要求持续超出其能力边界时,便会诱发严重的心理耗竭[21]。首先,在高复杂性任务情境下,AI应用不再是简单的效率工具,其产生的海量信息流与潜在的幻觉风险[23],迫使员工投入高强度的监控与校验,这种审查式工作显著挤占了员工的心理带宽。其次,复杂任务对个体的专业技能与知识储备提出了更高要求[25]。当任务的非结构化特征与AI生成内容的复杂性叠加,并超出员工的即时处理能力时,员工不得不通过增加短期工作强度与高频学习弥补能力缺口[28]。根据耗竭路径逻辑,这种超负荷的工作投入不仅持续消耗个体精力,更会产生溢出效应,延缓能量恢复。当心理资源未得到充分修复便继续应对高难度技术交互时,员工的疲惫感与压力感将不断累积,最终演变为工作倦怠与逃避心理[33]。基于此,本文提出如下假设:

H5:认知负荷正向影响员工工作倦怠。

进一步地,认知负荷在感知工作复杂性与AI应用的交互效应中发挥中介作用。当感知工作复杂性较高时,AI应用的介入非但未能释放员工压力,反而因其知识密集型特征与任务难度的叠加,转化为高负荷的工作要求。这种由技术驱动的认知过载通过“情境(复杂性)→技术挑战(认知负荷)→心理耗竭(倦怠)”的路径,强化了心理资源损耗。即AI应用在复杂情境下通过加重认知负荷,进而诱发员工的工作倦怠。基于此,本文提出如下假设:

H6:认知负荷在感知工作复杂性与人工智能应用的交互效应及工作倦怠间起中介作用。

1.5 工作倦怠与工作绩效

作为一种持续的消极心理状态,工作倦怠构成了个体心理资源从过度损耗向行为失能转化的关键节点。基于资源保存理论,长期的倦怠会使员工陷入资源持续透支的恶性循环,导致其自我调节能力受损,最终显著抑制工作绩效[33]。首先,工作倦怠通过资源枯竭路径损害任务执行质量。在倦怠状态下,员工在应对高强度工作要求时,往往缺乏必要的认知灵活性与心理能量,极易增加操作失误率[34]。修复错误需耗费额外资源,这会进一步加剧员工的资源匮乏感,迫使其陷入防御性的社交退缩与孤立状态,从而导致组织协同绩效的系统性下降[35-36]。其次,工作倦怠诱发心理撤回行为[37]。为了应对持续的压力威胁,员工倾向于通过与工作保持心理距离来防止资源的进一步流失。这种防御性的抽离动机直接削弱了员工的任务投入度,使其实际产出难以达成组织预设目标[38]。最后,倦怠会剥夺员工的控制感与效能感。当员工感到精疲力竭时,其解决复杂难题的自我效能感会随之降低,甚至衍生出自我贬低的消极情绪[39-40]。这种心理控制权的丧失使员工在面对AI系统生成的复杂反馈时表现出更强的无力感,最终导致整体绩效水平显著下降。基于此,本文提出如下假设:

H7:工作倦怠负向影响员工工作绩效。

1.6 有调节的链式中介效应

结合假设H4和H7,AI应用与感知工作复杂性的交互作用通过影响任务自动化,进而作用于员工工作倦怠,最终对工作绩效产生显著影响。根据JD-R模型,在低感知工作复杂性情境下,AI应用更易转化为个体的工作资源。当员工获得AI赋能后,得以将原本由人工承担的重复性与程序化任务交由技术系统执行。任务自动化水平的提升使员工从繁琐的事务性劳动中解脱,客观上降低了体能与注意力消耗[15]。这种基于技术替代的资源保存机制有效缓解工作倦怠,促使员工能够将有限的精力重新聚焦于任务质量与精确性,最终实现工作绩效的显著提升。基于此,本文提出有调节的链式中介假设:

H8:感知工作复杂性调节人工智能应用依次通过任务自动化和工作倦怠正向影响工作绩效的间接效应。感知工作复杂性水平越低,间接效应越强。

结合假设H6和H7,AI应用与感知工作复杂性的交互作用会增加认知负荷,进而诱发工作倦怠,最终对工作绩效产生负面影响。根据JD-R模型,高感知工作复杂性显著强化AI应用的工作要求属性。在此情境下,员工面临的任务需求与其自身能力之间极易产生错位。首先,这类任务本身具有高挑战性且缺乏明确的结构路径;其次,AI生成的海量信息与新颖知识,迫使员工投入更多时间与认知成本进行消化吸收;最后,AI潜在的技术幻觉[23],要求员工额外耗费精力进行深度审查与校对。上述因素叠加导致员工能量资源的过度损耗,并增加认知负荷,使其转化为一种高压力的工作要求,进而诱发严重的工作倦怠。长期的倦怠状态导致员工自我调节能力下降,最终显著抑制工作绩效。基于此,本文进一步提出有调节的链式中介假设:

H9:感知工作复杂性调节人工智能应用依次通过认知负荷和工作倦怠负向影响工作绩效的间接效应。感知工作复杂性水平越高,间接效应越强。

综合上述分析,构建理论模型如图1所示。

2 研究设计

2.1 研究样本与数据收集

研究数据收集于2025年9月至11月,被试样本主要分布于北京(17.1%)、上海(20.1%)、浙江(24.8%)、江苏(19.1%)和广东(18.9%)等地区,行业主要分布在信息技术、高端制造、金融服务、医疗保健、科研与技术服务等和AI应用高度相关的五个行业,共涉及26家企业。上述地区和行业集中了大量人工智能前沿科技企业,因此被试选取具备良好的代表性与外部效度。首先在正式发放问卷前,研究团队借助合作网络邀请了6家目标企业的资深员工各1名开展半结构化访谈,旨在消除问卷题项的语义歧义,并检验题目的清晰度与适用性。然后结合访谈反馈对问卷内容进行微调,最后形成正式量表。为有效控制共同方法偏差,采用三阶段追踪研究设计,在三个不同时点收集核心变量数据。在时点1(T1),主要测量自变量(AI应用)和调节变量(感知工作复杂性),共回收问卷401份,剔除无效问卷后保留377份;间隔一个月后的时点2(T2),向上述377名员工发放问卷以测量中介变量(任务自动化、认知负荷、工作倦怠),共回收有效问卷370份;再间隔一个月后的时点3(T3),向上述370名员工发放问卷以测量因变量(工作绩效)和个人背景信息(性别、年龄、学历、从业时间、AI熟悉程度),共回收有效问卷360份。各阶段调查均要求被试填写手机尾号和出生日期进行跨期匹配,最终获得完整对应的有效问卷350份,回收率为87.3%。有效被试样本基本信息统计如表1所示。

2.2 测量工具

本文采用的量表均为国外高水平管理学期刊中的成熟量表,经过严格的“翻译—回译”程序转化为中文,并结合本土组织情境进行了适度修订,以确保题项表述的准确性与适用性。所有量表均采用李克特7点计分(1=非常不符合,7=非常符合),量表来源与题项内容详见表2。借鉴已有研究[5],选取员工的年龄、学历及工作年限等人口统计学信息作为控制变量。此外,鉴于不同职能岗位在任务结构与技术依赖上存在差异,进一步将岗位性质纳入控制变量,以排除职能类型对研究结果的潜在干扰。同时,考虑到技术熟悉程度显著影响员工对人工智能应用及任务自动化的接受度,本研究也将其纳入控制变量。技术熟悉度反映了员工对人工智能工具的使用经验与掌握水平,较高的技术熟悉度有助于缓解员工的认知负荷,进而对工作倦怠与绩效产出产生差异化影响。

2.3 应用软件

采用SPSS 26.0、AMOS 24.0对数据进行系统分析。首先,利用SPSS进行描述性统计、相关分析及信度检验;利用AMOS进行验证性因子分析,通过χ2/df、CFI、RMSEA等指标确立测量模型的结构效度。其次,假设检验环节借助嵌入在SPSS中的PROCESS插件,采用Bootstrap自助抽样法对本文的复杂路径模型进行验证。

3 实证结果与分析

3.1 共同方法偏差

采用三阶段追踪设计以缓解共同方法偏差,并采用Harman单因子检验,对所有32个量表题项进行探索性因子分析,以评估潜在的方法偏差。结果显示,KMO值为0.86,Bartlett球形度检验显著(χ2=4 914.32,p<0.001),表明数据适合因子分析。未旋转的单一因子仅解释了总方差的16.93%,远低于40%的临界标准,表明本研究不存在严重的共同方法偏差。

3.2 信效度检验

分别对AI应用、任务自动化、认知负荷、工作倦怠、工作绩效和感知工作复杂性进行内部一致性信度检验,结果如表2所示,各变量的Cronbach′s α系数均大于0.8,表明各构念信度良好。在效度检验方面,采用验证性因子分析考察各变量的区分效度,结果如表3所示,六因子模型的拟合优度最好(χ2=504.61,CFI=0.988,TLI=0.987,RMSEA=0.019,SRMR=0.042),表明各变量区分效度良好。同时,各变量的平均方差提取量(AVE)均≥0.5(见表2),表明测量模型具有良好的收敛效度。

3.3 描述性统计与相关性分析

本文中各变量的均值、标准差和相关性系数如表4所示。其中,人工智能应用与任务自动化正相关(r=0.331,p<0.001),人工智能应用与认知负荷正相关(r=0.321,p<0.001),任务自动化与工作倦怠负相关(r=-0.233,p<0.001),认知负荷与工作倦怠正相关(r=0.276,p<0.001),工作倦怠与工作绩效负相关(r=-0.305,p<0.001),任务自动化与工作绩效正相关(r=0.168,p<0.01)。本研究假设得到初步支持。

3.4 假设检验

采用Bootstrap法对研究假设进行检验。假设H1认为感知工作复杂性与AI应用交互影响任务自动化。路径分析结果显示,感知工作复杂性与AI应用的交互项对任务自动化的影响显著(b=-0.230,p<0.001)。本文以感知工作复杂性的均值加减一个标准差进行简单斜率分析,调节效应如图2所示。结果表明,当感知工作复杂性较低时,AI应用对任务自动化具有显著正向影响(b=0.614,p<0.001);当感知工作复杂性较高时,该影响不显著(b=-0.039,p>0.05)。这表明低复杂性任务通常规则明确、程序化程度高,AI易于执行替代;而高复杂性任务充满模糊性与不确定性,AI难以完全接管,限制了自动化效能的发挥。该模式证实了感知工作复杂性越低,AI应用对任务自动化的正向影响越强,假设H1得以证实。同时,路径分析表明,任务自动化对工作倦怠具有显著负向影响(b=-0.248,p<0.001),表明任务自动化有效补充了员工的工作资源,减少了重复劳动的资源损耗,假设H3得以证实。

假设H2认为感知工作复杂性与AI应用交互影响认知负荷。根据分析结果,二者的交互项对认知负荷的影响显著(b=0.194,p<0.001),调节效应如图3所示。当感知工作复杂性较高时,AI应用对认知负荷具有显著正向影响(b=0.539,p<0.001);当感知工作复杂性较低时,该影响不显著(b=-0.011,p>0.05)。在处理复杂任务时,人机协作面临更高的信息处理需求,员工需额外投入认知资源去理解、监督或修正AI的输出,从而增加认知负担;在简单任务中这种额外损耗则不明显。该结果验证了感知工作复杂性越高,AI应用对认知负荷的正向影响越强的假设,假设H2得以证实。路径分析证实,认知负荷对工作倦怠具有显著正向影响(b=0.269,p<0.001),表明过高的认知要求会加速员工心理资源的耗竭,引发倦怠,H5得以证实。

为检验不同感知工作复杂性水平下,AI应用分别通过任务自动化和认知负荷影响工作倦怠的间接效应,基于Baron等[46]的经典步骤,结合Bootstrap重采样技术进行置信区间检验。结果如表5所示:在低感知工作复杂性水平下,AI应用通过任务自动化影响工作倦怠的间接效应显著(b=-0.176,95%CI=[-0.252, -0.110]);在高感知工作复杂性水平下,该间接效应不显著(b=0.023,95%CI=[-0.019, 0.068])。被调节的中介效应判定指标显著(Index=0.070,95% CI=[0.042, 0.105])。这说明在低复杂性场景下,AI能有效替代标准化的常规任务,发挥资源节约功能以缓解倦怠;而在高复杂性场景下,任务本身的模糊性和非结构化特征,AI难以实现有效替代,导致其缓解倦怠的保护机制失效。因此,假设H4得以证实。同样地,在低感知工作复杂性水平下,AI应用通过认知负荷影响工作倦怠的间接效应不显著(b=-0.014,95% CI=[-0.061, 0.026]);当员工处在高感知工作复杂性水平下,该间接效应显著(b=0.171,95%CI=[0.113, 0.241])。被调节的中介效应判定指标显著(Index=0.065,95% CI=[0.040, 0.098])。这揭示了对于高复杂性工作,人机协作往往需要员工投入额外的注意力资源去理解、监控和修正AI的决策,这种额外的认知要求加速了心理资源的损耗,从而引发倦怠;而简单任务则不需要此类高强度的认知投入。因此,假设H6得以证实。同时,根据路径分析结果,工作倦怠对员工工作绩效具有显著的负向影响(b=-0.279,p<0.001),证实了当员工陷入情感耗竭和身心疲惫状态时,由于缺乏必要的心理资源来维持工作投入,其任务绩效会不可避免地受损,假设H7得以证实。

为了检验假设H8、H9所提出的被调节的链式中介效应,基于Baron等[46]的研究,结合Bootstrap重采样技术进行置信区间检验(见表5)。在低感知工作复杂性水平下,“AI应用→任务自动化→工作倦怠→工作绩效”路径间接效应显著(b=0.044,95% CI=[0.022, 0.073]);在高感知工作复杂性水平下,该路径间接效应不显著(b=-0.006,95% CI=[-0.018, 0.005])。被调节的链式中介判定指标显著(Index=-0.018,95% CI=[-0.030, -0.009])。这说明在低复杂性(如标准化、规则清晰)的工作场景中,AI的高替代率不仅直接减少了枯燥劳动消耗,更触发了“资源增值螺旋”,即员工通过自动化节省下来的心理和情绪资源,被重新投入核心绩效产出中,从而显著提升工作绩效。然而,随着工作复杂性与不确定性增加,这一“自动化→资源节约→绩效提升”的链式传导机制失效。因此,假设H8得以证实。同理,在低感知工作复杂性水平下,“AI应用→认知负荷→工作倦怠→工作绩效”路径间接效应不显著(b=0.004,95% CI=[-0.008, 0.018]);在高感知工作复杂性水平下,该路径间接效应显著且为负(b=-0.048,95% CI=[-0.075, -0.026])。被调节的链式中介判定指标显著(Index=-0.018,95% CI=[-0.030, -0.009])。这揭示了复杂人机协作中的“资源耗竭陷阱”,即在高复杂性任务中,AI的“黑箱”属性迫使员工投入大量认知资源进行监控与修正,过高的认知负荷加剧了心理资源损耗(倦怠),导致员工为保护剩余资源而产生防御性退缩行为,显著损害工作绩效。由此,假设H9得以证实。

3.5 稳健性检验

为确保结论的可靠性,并排除组织环境差异与模型设定的潜在干扰,本研究开展了两项稳健性检验:第一,控制行业固定效应。由于样本涉及26家企业,数据可能存在嵌套结构与组间差异,为此,在原模型中加入行业虚拟变量,结果表明,控制行业效应后,AI应用对任务自动化的正向影响(b系数变化小于0.01,p<0.01)及其对认知负荷的正向影响依然显著,核心中介效应的Bootstrap 95%CI不包含0。这表明在考虑组织层面异质性后,研究结论依然稳健。第二,模型设定敏感性检验。为进一步排除控制变量的潜在干扰,根据Spector等[47]的建议,移除所有个体特征控制变量(如性别、年龄、学历、工作年限、AI熟悉度、岗位性质等),仅保留核心变量进行路径分析,结果显示,在未包含控制变量的简化模型中,双重中介路径依然显著,且被调节的中介判定指标(Index)的方向与显著性均未改变。

4 结论与讨论

4.1 研究结果

基于工作要求—资源理论,探讨感知工作复杂性在人工智能应用作用效果中的关键作用,以及二者的交互效应如何影响员工工作绩效。研究结果表明:人工智能应用对工作绩效的双刃剑效应会受到感知工作复杂性的影响。当员工感知工作复杂性低时,人工智能应用会通过提升任务自动化水平,缓解工作倦怠,从而促进工作绩效;当员工感知工作复杂性高时,人工智能应用会通过增加认知负荷,加剧工作倦怠,从而降低工作绩效。

4.2 理论贡献

第一,通过构建双路径模型揭示人工智能应用对绩效影响的双刃剑效应。近年来,学界对人工智能应用影响工作绩效的探讨侧重于技术赋能视角[12-13],强调其通过流程优化带来的增益,较少关注技术介入可能给员工带来的心理损耗及其导致的效率下降。这种局限性难以解释技术投入增加与员工绩效下滑并存的现实矛盾。实证研究结果表明,人工智能应用对工作绩效的影响具有双刃剑效应:一方面,其通过任务自动化有效释放员工的体力与认知压力,缓解了工作倦怠,进而提高了工作绩效;另一方面,其增加了工作复杂性与人机交互难度,由此引发的认知负荷会加剧工作倦怠,进而降低工作绩效。这一发现为理解人机协同的复杂后果提供了系统性逻辑,促进了从单一效应分析向多重平衡机制研究的转变。

第二,将工作要求—资源模型延伸至数字技术应用领域,加速传统理论在数智化情境下的拓展。经典的工作要求—资源模型多植根于人际互动与组织氛围(如社会支持[48]、角色压力[21]等),侧重于解释社会心理环境对个体心理能量的调节。然而,在人工智能技术深度嵌入职场的背景下,技术本身已超越了纯粹的工具属性。本文响应Parker等[19]学者关于数字化工作再设计的号召,将工作要求—资源模型拓展至人机协同情境,研究发现当个体感知工作复杂性较低时,人工智能应用带来的任务自动化具有资源属性,能够通过替代效应使员工从繁琐的重复劳动中解放出来[37];而在高感知工作复杂性情境下,人工智能应用带来的认知负荷则转化为一种技术压力要求,持续消耗个体的认知资源。这种延伸赋予了“工作要求—资源模型”以数字化内涵,并明确了数智化环境下损耗与激励机制的关键路径。

第三,确立了感知工作复杂性这一关键边界条件,深化对技术应用权变影响的理解。研究表明,人工智能对绩效的作用方向并非恒定,而是取决于技术功能与任务环境之间的匹配度。本文的研究发现完善了以往关于技术普适性的认知,证明了人工智能应用在不同任务复杂度下的功能属性存在反转:当感知工作复杂性较低时,人工智能应用表现出极强的资源属性,通过替代重复性劳动缓解工作倦怠,进而提升工作绩效;当感知工作复杂性较高时,人工智能的介入反而转变为阻碍性工作要求,其引发的监控压力与认知负荷加剧了深层的心理耗竭。这一发现为理解人机协同中的增益与损耗提供了更具适配性的理论视角。

4.3 管理启示

(1)实施差异化的人工智能技术引入策略,避免管理者在部署技术时采取“一刀切”做法,打破“岗位越复杂越需要高强度人工智能辅助”的思维定式。研究表明,在感知工作复杂性较低的重复性任务中,人工智能应用能通过任务自动化有效释放员工的心理能量并提升绩效,但在感知工作复杂性较高的任务中,技术介入反而转变为一种认知负担。因此,企业应根据岗位的感知工作复杂性,动态调整人工智能的嵌入深度,通过技术与任务的精准适配放大自动化优势。

(2)赋予员工技术使用的自主权,构建柔性的人机协同关系。数字化转型的成功不应仅以技术采纳率作为唯一衡量指标。由于人工智能在处理复杂任务时可能诱发认知过载,组织应允许员工根据当前任务难度和自身认知状态,自主决定是否启用人工智能辅助功能。这种赋予员工“技术拒绝权”的做法,不仅能有效缓解由技术引发的工作倦怠、保护员工的职业主体性,还能在减少隐性心理损耗的同时维持长期的组织效能。

(3)推行认知盈余管理,警惕效率提升背后的损耗陷阱。传统的管理逻辑倾向于用更多工作任务来填补人工智能节省出的时间,但这极易触发员工的心理损耗过程。依据工作要求—资源模型,任务自动化释放的心理能量应被视为一种宝贵的认知资源。管理者应主动保留工作冗余,将技术释放出的时间红利视为宝贵的储备资源,引导员工将其投入深度的专业学习或创新探索中,而非盲目地进行高强度的任务填充。应避免在复杂岗位上进行满负荷的任务配置,从而防止员工在高压环境下陷入能量枯竭的恶性循环。

(4)构建基于技术压力的动态预警机制,预先识别由技术介入引发的隐性绩效损耗。鉴于认知负荷与工作倦怠对绩效的影响往往具有潜在性与滞后性,管理者不应仅依赖绩效指标进行管理,还应将员工的技术负荷感知纳入日常监控体系。通过定期评估任务复杂性与技术功能的匹配度,在心理能量损耗演变为实际绩效损失之前,通过工作重塑、技术降载或资源补充等手段实施早期干预。这种主动式的治理逻辑有助于平衡技术带来的效率增益与心理成本,从而确保人机协同生态的长期健康与可持续发展。

4.4 局限与展望

首先,样本集中于发达地区与高技术行业,后续研究可拓展至传统行业与中西部地区,采用跨层次分析方法,揭示不同数字化成熟度下人工智能影响工作绩效的路径差异。其次,本研究验证了任务自动化与认知负荷的竞争性中介作用,但人机协作中损耗效应与激励效应的动态演变逻辑尚未明确。未来可采用动态追踪与经验取样法,纵向观察员工对人工智能应用的认知及行为变化。再次,本研究关注人工智能应用的总体效应及单一维度的中介机制,后续可构建多维度技术测度体系,挖掘数字韧性、算法信任文化等边界条件。最后,本研究实证了感知工作复杂性的调节作用,未来可聚焦代际差异,比较不同群体对人工智能的适配性,同时分析人工智能在创造性与决策性任务中的不对称影响,厘清人机协作的有效条件与适用边界。

参考文献：

[1] 姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J]. 管理世界, 2024, 40(2):101-122.

[2] MCKINSEY &COMPANY.Superagency in the workplace: empowering people to unlock AI′s full potential[R]. New York: McKinsey &Company, 2025.

[3] KLONEK F,PARKER S.Does AI at work increase stress? text mining social media about human-AI team processes and AI control[J]. Journal of Organizational Behavior,2026,47(8):1370-1384.

[4] 罗文豪, 霍伟伟, 赵宜萱, 等. 人工智能驱动的组织与人力资源管理变革:实践洞察与研究方向[J]. 中国人力资源开发, 2022,39(1):4-16.

[5] 黄杜鹃,杨木岗,魏巍.领导底线心智对员工越轨创新行为的影响:认知与情感的相悖作用[J].科技进步与对策,2025,42(23): 106-115.

[6] LIN Y Y, YANG M X, QUADE M J, et al. Is the bottom line reached? an exploration of supervisor bottom-line mentality, team performance avoidance goal orientation and team performance[J]. Human Relations, 2022, 75(2): 349-372.

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

[8] HE W, LI S L, FENG J, et al. When does pay for performance motivate employee helping behavior? the contextual influence of performance subjectivity[J]. Academy of Management Journal, 2021, 64(1): 293-326.

[9] ZHOU J Y, LI N, XU S Y, et al. High performers in the shadow: the adverse effect of star employees on their peers[J]. Journal of Applied Psychology, 2025, 110(6): 776-797.

[10] FRIEDER R E, ELLEN B P, KAPOUTSIS I. The contingent nature of the political skill-employee performance relationship[J]. Journal of Applied Psychology, 2024, 109(7): 1132-1144.

[11] TAI K, KEEM S, LEE K Y, et al. Envy influences interpersonal dynamics and team performance: roles of gender congruence and collective team identification[J]. Journal of Management,2024,50(2): 556-587.

[12] 魏巍, 杨乐乐.人工智能使用对员工工作绩效的影响: 基于功能和关系双重视角[J]. 管理评论, 2025, 37(10): 162-173.

[13] WANG W G, GAO G D, AGARWAL R. Friend or foe? teaming between artificial intelligence and workers with variation in experience[J]. Management Science, 2023, 70(9): 5753-5775.

[14] 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.

[15] 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.

[16] JOO B K, LIM T. The effects of organizational learning culture, perceived job complexity, and proactive personality on organizational commitment and intrinsic motivation[J]. Journal of Leadership &Organizational Studies, 2009, 16(1): 48-60.

[17] 屠兴勇, 陈慧妍.感知的工作复杂性对创造性问题解决的非线性影响: 成长需求强度的启动与情境效应[J]. 科学学与科学技术管理, 2025, 46(7): 184-198.

[18] 韩正彪, 陈瑾雯.生成式信息搜索过程中用户的认知负荷变化研究[J/OL].情报资料工作, 1-16[2026-02-22]. https://link.cnki.net/urlid/11.1448.G3.20251119.1905.002.

[19] PARKER S K, GROTE G. Automation, algorithms, and beyond: why work design matters more than ever in a digital world[J]. Applied Psychology, 2022, 71(4): 1171-1204.

[20] MASLACH C, SCHAUFELI W B, LEITER M P. Job burnout[J]. Annual Review of Psychology, 2001, 52(1): 397-422.

[21] 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.

[22] RAISCH S, KRAKOWSKI S. Artificial intelligence and management: the automation-augmentation paradox[J]. Academy of Management Review, 2021, 46(1): 192-210.

[23] 张华平, 李林翰, 李春锦. ChatGPT中文性能测评与风险应对[J].数据分析与知识发现,2023, 7(3):16-25.

[24] TSCHANG F T, ALMIRALL E. Artificial intelligence as augmenting automation: implications for employment[J]. Academy of Management Perspectives, 2021, 35(4): 642-659.

[25] 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.

[26] SUNG S Y, ANTEFELT A, CHOI J N. Dual effects of job complexity on proactive and responsive creativity: moderating role of employee ambiguity tolerance[J]. Group &Organization Management, 2017, 42(3): 388-418.

[27] 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.

[28] CHAE H, CHOI J N. Contextualizing the effects of job complexity on creativity and task performance: extending job design theory with social and contextual contingencies[J]. Journal of Occupational and Organizational Psychology, 2018, 91(2): 316-339.

[29] 曹威麟, 彭传虎, 梁樑.国外工作投入与工作倦怠研究述评与展望[J].科研管理, 2013, 34(11): 154-160.

[30] 周恋, 雷雪, 后锐, 等.在线用工平台算法管理的消极影响和控制策略研究:算法技术属性视角[J].中国人力资源开发, 2022, 39(6):8-22.

[31] 刘松博, 张凯瑞, 张晓雅.技术复杂性与信息技术知识普及对任务绩效的影响机制:一个有调节的中介模型[J].南开管理评论, 2024, 27(3):172-184.

[32] 林蕙, 吴丹. 基于多模态数据预测公共数字文化服务用户认知负荷[J].图书馆杂志, 2025, 44(5):20-32.

[33] 徐洋洋, 林新奇. 职场孤独感如何影响员工绩效?——基于工作要求和资源理论的视角[J]. 经济管理, 2021, 43(6): 69-83.

[34] BAKKER A B, VAN EMMERIK H, VAN RIET P. How job demands, resources, and burnout predict objective performance: a constructive replication[J]. Anxiety, Stress &Coping, 2008, 21(3): 309-324.

[35] VAN DER LINDEN D, KEIJSERS G P J, ELING P, et al. Work stress and attentional difficulties: an initial study on burnout and cognitive failures[J]. Work &Stress, 2005, 19(1): 23-36.

[36] SINGH J, GOOLSBY J R, RHOADS G K. Behavioral and psychological consequences of boundary spanning burnout for customer service representatives[J]. Journal of Marketing Research, 1994, 31(4): 558-569.

[37] HOBFOLL S E. Conservation of resources: a new attempt at conceptualizing stress[J]. American Psychologist, 1989, 44(3): 513-524.

[38] VAN DEN BROECK A, DE CUYPER N, DE WITTE H, et al. Not all job demands are equal: differentiating job hindrances and job challenges in the Job demands-resources model[J]. European Journal of Work and Organizational Psychology, 2010, 19(6): 735-759.

[39] FRIED Y, BEN-DAVID H A, TIEGS R B, et al. The interactive effect of role conflict and role ambiguity on job performance[J]. Journal of Occupational and Organizational Psychology, 1998, 71(1): 19-27.

[40] BAKKER A B, DEMEROUTI E, TARIS T W, et al. A multigroup analysis of the job demands-resources model in four home care organizations[J]. International Journal of Stress Management, 2003, 10(1): 16-38.

[41] MAN TANG P, 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.

[42] PAAS F G W C. Training strategies for attaining transfer of problem-solving skill in statistics: a cognitive-load approach[J]. Journal of Educational Psychology, 1992, 84(4): 429-434.

[43] DEMEROUTI E,DEMEROUTI E,BAKKER A B,et al.The convergent validity of two burnout instruments[J]. European Journal of Psychological Assessment, 2003, 19(1): 12-23.

[44] TSUI A S, PEARCE J L, PORTER L W, et al. Alternative approaches to the employee-organization relationship: does investment in employees pay off?[J]. Academy of Management Journal, 1997, 40(5): 1089-1121.

[45] SEMMER N K,ZAPF D,DUNCKEL H.Assessing stress at work: a framework and an instrument[M]//SVANE O, JOHANSEN C. Work and health: scientific basis of progress in the working environment. Luxembourg: Office for Official Publications of the European Communities, 1995: 105-113.

[46] BARON R M, KENNY D A. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations[J]. Journal of Personality and Social Psychology, 1986, 51(6): 1173-1182.

[47] SPECTOR P E, BRANNICK M T. Methodological urban legends: the misuse of statistical control variables[J]. Organizational Research Methods, 2011, 14(2): 287-305.

[48] 陈晓, 张兴贵, 张志杰.挑战性工作要求何时提升人岗匹配?基于工作要求—资源匹配的视角[J].中国人力资源开发, 2023, 40(5): 37-50.

(责任编辑：梅岚峤)