人工智能与工作重塑的涓滴效应：探索员工工作成果的影响机制

作者及机构
本研究的核心作者团队由Wanlu Li（广东财经大学）、Xin Qin（中山大学，通讯作者）、Kai Chi Yam（新加坡国立大学）、Huiru Deng（中山大学）、Chen Chen（中山大学）、Xiaowei Dong（中山大学）、Luyuan Jiang（中国矿业大学）和Wenjin Tang（南洋理工大学）组成。该研究发表于旅游管理领域的权威期刊 *Tourism Management*（2024年4月在线发表，卷104，文章编号104935）。

学术背景
研究领域聚焦于人工智能（Artificial Intelligence, AI）在服务业的应用与工作重塑（Job Crafting）的交叉领域。随着AI技术（如服务机器人）在酒店、餐饮等行业的普及，传统工作任务和技能需求发生深刻变革。然而，现有研究多关注员工对AI的被动接受（如情感态度或技术接受度），忽视了员工如何通过主动调整工作方式（即“AI重塑”）适应AI驱动的变革。基于此，本研究提出“AI crafting”（AI工作重塑）这一领域特异性概念，定义为“员工为适应AI而自主调整工作内容、流程或边界的行为”，并探索其前因（如领导行为）与后果（如员工对AI的投入和帮助行为）。

研究流程与方法
1. 理论框架构建
整合社会学习理论（Social Learning Theory）与工作重塑理论，提出假设：
- 领导者的AI重塑行为（Leader AI Crafting）通过示范效应正向影响员工的AI重塑行为（H1）。
- 员工的AI重塑行为进一步促进其对AI的工作投入（AI Engagement）和帮助行为（AI Helping）（H2）。
- 员工对领导者动机的归因（绩效提升动机 vs. 印象管理动机）调节上述关系（H4-H7）。

1. 实证研究设计

   • 研究对象：中国南方某连锁餐饮集团的148名员工及其37名直属领导，这些餐厅均使用同一型号的服务机器人（Keenon T5）。
     
   • 数据收集：采用三阶段、多来源的纵向设计：
     
     • 时间点1（T1）：员工评估领导者的AI重塑行为及归因动机（绩效提升/印象管理）。
       
     • 时间点2（T2）：员工自评AI重塑行为和对AI的工作投入。
       
     • 时间点3（T3）：领导者评价下属的AI帮助行为。
       
   • 分析方法：使用Mplus 8.3进行多层级路径模型分析，通过Bootstrap法检验中介和调节效应。
     

2. 量表开发与验证

   • AI Crafting量表：基于Leana等（2009）的工作重塑量表，通过专家评估（内容效度）和探索性因子分析（EFA）验证，最终保留6个条目（Cronbach’s α=0.96）。
     
   • 其他量表（如AI Engagement、AI Helping）均改编自成熟量表，并经过严格的跨文化翻译和信效度检验。
     

主要结果
1. 直接效应
- 领导者的AI重塑行为显著正向预测员工的AI重塑行为（β=0.31, p<0.001），支持H1。
- 员工的AI重塑行为显著提升其对AI的工作投入（β=0.34, p<0.001）和帮助行为（β=0.22, p=0.03），支持H2a-b。

1. 中介效应

   • 员工AI重塑行为在领导行为与员工AI投入/帮助行为间起完全中介作用（间接效应分别为0.09和0.06，95% CI不包含0），支持H3a-b。
     

2. 调节效应

   • 绩效提升动机归因：当员工认为领导者的AI重塑旨在提升绩效时，领导行为对员工AI重塑的促进作用更强（β=0.41 vs. 0.09，交互项p=0.02），间接效应也更显著（H4-H5支持）。
     
   • 印象管理动机归因：当员工认为领导者动机为印象管理时，上述关系被削弱（β=0.40 vs. 0.11，交互项p=0.01），间接效应不显著（H6-H7支持）。
     

结论与价值
1. 理论贡献
- 首次提出“AI crafting”概念，填补了员工主动适应AI的研究空白，突破了传统AI接受模型的被动视角。
- 揭示领导行为的“涓滴效应”（Trickle-down Effect）在AI语境下的作用机制，并引入动机归因理论解释边界条件。

1. 实践意义
   
   • 组织管理：建议企业通过领导示范和培训（如AI工作坊）促进员工AI重塑，同时需避免领导者行为被误解为“作秀”。
     
   • 技术部署：AI设计应预留员工自主调整空间（如任务分配灵活性），以激发人机协作效能。
     

研究亮点
1. 创新性：开创性融合AI与工作重塑理论，提出领域特异性构念“AI crafting”。
2. 方法严谨性：三阶段多来源设计有效避免共同方法偏差，跨层级分析增强结论可靠性。
3. 应用导向：聚焦服务业（餐饮业）的真实场景，为AI落地提供可操作策略。

其他价值
研究呼吁未来探索不同AI类型（如算法、嵌入式AI）对重塑行为的影响，并建议跨文化比较（如中西方对AI的接受度差异）。此外，量表的开发为后续实证研究提供了标准化工具。