人工智能合规之路：绩效反馈的影响与机制
本研究的核心作者为Shaobo Wei、Yuanyuan Zhang 和 John Qi Dong。作者团队主要来自两个机构：Shaobo Wei和Yuanyuan Zhang隶属于合肥工业大学管理学院及网络行为与管理哲学社会科学重点实验室（安徽合肥）；John Qi Dong则任职于新加坡南洋理工大学商学院。此项研究发表于管理学与信息系统领域的顶级期刊Information Systems Research。论文在线发布于2025年8月18日，并计划在2025年印刷出版，论文编号为https://doi.org/10.1287/isre.2023.0580。
本研究的科学领域集中于信息系统（Information Systems, IS），具体而言，是组织行为学、人工智能采纳与管理、以及反馈干预理论（Feedback Intervention Theory, FIT） 的交叉领域。随着人工智能技术在组织中日益普及，如何确保员工合规使用AI以创造价值并规避风险，已成为学术界和实践界共同关注的紧迫问题。组织虽然制定了详尽的AI使用政策，但员工并不总是遵循，这可能导致投资失败、安全风险和法律纠纷。尽管既往研究对一般信息技术（IT）和信息安全合规行为进行了探索，提出了基于奖惩的组织控制以及安全教育培训（SETA）等方案，但这些方案或因副作用（如激发自私行为）、或因成本高昂、且针对快速演进的AI技术往往效果不佳。绩效反馈（Performance Feedback）作为一种低成本、无副作用的管理工具，在激发员工内在动机和行为调整方面被证明有效，但其在促进人工智能合规（AI Compliance） 方面的具体影响、内在机制以及边界条件，此前尚未得到系统性研究。
基于此背景，本研究旨在填补这一重要空白。其核心目标是：基于反馈干预理论，深入探究不同类型绩效反馈（正向与负向）对员工AI合规行为的影响，揭示其内在作用机制（即任务动机过程（Task-Motivation Processes）、任务学习过程（Task-Learning Processes） 和元任务过程（Meta-Task Processes）），并考察一个关键的个人认知因素——AI身份认同（AI Identity）——如何调节上述关系。通过实证研究，该研究致力于为组织设计有效的AI管理策略提供科学的理论依据和实践指导。
本研究采用了严谨的多方法混合研究设计，包含两个相互补充的研究：研究一（Study 1）为纵向现场研究，旨在在真实组织环境中检验基本因果关系和调节效应；研究二（Study 2）为随机对照实验，旨在为研究一发现的因果关系提供更确凿的证据，并深入剖析其中介机制。两个研究相辅相成，共同构建了完整的理论验证链条。
第一，研究一（纵向现场研究）的工作流程： 1. 研究场景与对象：研究在一个大型电力公用事业集团的多个独立子公司进行。该集团为运维部门引入了一套人工智能商业智能系统（AI-based Business Intelligence System, AIBIS），并制定了详细的使用政策。研究对象为日常工作中需要使用该系统的590名员工。 2. 数据收集程序（三阶段匹配调查）：研究设计为纵向调查，在三个时间点（T0， AIBIS实施前；T1，实施后三个月；T2，实施后五个月）分别从员工、其直属主管及其所在公司的IT经理处收集匹配数据，以最大限度减少共同方法偏差。 * T0阶段（基准期）：通过主管问卷收集员工的基线工作绩效（Job Performance） 数据，用于后续计算历史抱负（Historical Aspiration），即个人绩效的参照基准。共获得504份有效主管回复。 * T1阶段（干预后评估期）： * 向员工发放问卷，测量其AI身份认同（AI Identity） 及一系列控制变量（如奖励预期、惩罚预期、培训、感知有用性、感知易用性、竞争氛围、人口统计学变量等）。 * 同时，再次向主管发放问卷，收集员工在使用AIBIS三个月后的新工作绩效数据。 * 本阶段共获得360份有效员工及主管匹配回复。 * T2阶段（结果评估期）：向IT经理发放问卷，要求他们基于系统日志中记录的具体违规行为次数，对每位员工的AI合规程度进行主观评分。研究同时获得了IT经理的主观评分和客观的违规次数（反向编码后作为客观合规指标）。最终，成功匹配T0、T1、T2三波数据的有效样本量为303名员工。数据分析未发现明显的无应答偏差。 3. 关键变量操作化： * 绩效反馈：计算为T1时的工作绩效与T0时工作绩效（历史抱负）之间的差值。借鉴前人研究，将差值大于零的部分创建为正向绩效反馈（Positive Performance Feedback） 变量（负值归零），将差值小于零的绝对值部分创建为负向绩效反馈（Negative Performance Feedback） 变量（正值归零），从而使两个效应能在同一模型中检验。 * AI身份认同：使用从Carter等人（2020）量表改编的6个题项进行测量。 * AI合规：主观测量为IT经理基于员工系统记录的打分（3个题项）；客观测量为系统记录中每位员工违反政策的次数（反向处理）。 4. 数据分析方法：研究使用普通最小二乘法（OLS）回归分析检验主效应和调节效应。在模型中加入了一系列控制变量，并检查了变量的信度、效度以及模型的多重共线性（VIF值均低于阈值），确保结果稳健。
第二，研究二（随机对照实验）的工作流程： 1. 实验设计与参与者：研究采用4（高/低正向绩效反馈 vs. 高/低负向绩效反馈）× 2（高/低AI身份认同）的组间因子设计，共8种实验条件。通过中国领先的研究平台WJX招募了480名有工作场所AI使用经验的参与者，随机分配至各条件。在剔除注意力检查未通过的样本后，最终有效样本为453人。 2. 实验程序与操作： * 情景设定：所有参与者被要求想象自己是一家电信公司的数据分析师，需要使用公司新部署的AIBIS系统，并遵守相关使用政策。 * 变量操纵（随机顺序呈现）： * 绩效反馈操纵：通过向参与者展示详细的绩效评估场景材料来实现。例如，“高正向反馈”组被告知其绩效远超历史水平和个人目标；“高负向反馈”组则被告知其绩效远低于目标。 * AI身份认同操纵：借鉴Fan等人（2024）的方法，通过展示文字材料和视觉图像（如两个重叠程度不同的圆圈，分别象征个体与AI融合程度的高低）来启动参与者不同的身份认知状态。 * 操纵检验：在每次操纵后，立即使用成熟量表测量参与者对反馈的感知（正向/负向）或对AI身份认同的程度，以确保操纵成功。 3. 数据收集与测量：操纵结束后，参与者报告其AI合规意向（因变量）、以及在实验情景中体验到的任务动机过程、任务学习过程和元任务过程（中介变量）的程度。同时，收集了包括对AI的总体态度在内的一系列控制变量和人口统计学信息。 4. 数据分析方法：同样采用OLS回归分析，并进行了有调节的中介效应分析（Moderated Mediation Analysis），以检验AI身份认同如何调节绩效反馈通过不同机制对AI合规意向产生的间接影响。
第一，研究一（纵向现场研究）结果： 1. 主效应验证：回归分析结果强烈支持了假设。正向绩效反馈对员工的主观和客观AI合规均有显著正向影响（β = 0.206, p < 0.001；β = 0.211, p < 0.01）。相反，负向绩效反馈对AI合规有显著负向影响（β = -0.437, p < 0.001；β = -0.587, p < 0.001）。这证实了假设H1a和H2a。 2. 调节效应验证：AI身份认同表现出一种“双刃剑”式的调节作用。它不仅显著增强了正向绩效反馈对AI合规的积极影响（交互项β = 0.158, p < 0.01），同时也显著加剧了负向绩效反馈对AI合规的消极影响（交互项β = -0.208, p < 0.05）。对于客观合规指标的检验也得到了类似结果。这完全支持了假设H3a和H4a。进一步的简单斜率分析显示，对于AI身份认同高的员工，绩效反馈（无论正负）的影响尤为显著；而对于AI身份认同低的员工，绩效反馈的影响则较弱。 3. 稳健性检验：研究使用客观绩效数据重新计算绩效反馈，以及使用同事平均绩效作为社会抱负（Social Aspiration）计算绩效反馈，所得结果均与研究一的主要发现一致，证明了结论的稳健性。
第二，研究二（随机对照实验）结果： 1. 因果关系的确认：实验成功复制了研究一的主效应和调节效应，为绩效反馈与AI合规之间的因果关系提供了强有力的实验证据。 2. 中介机制的揭示（核心贡献）： * 正向绩效反馈的作用路径：正向绩效反馈主要通过激发任务动机过程（例如，激励员工设定更高目标、付出更多努力）和任务学习过程（例如，促使员工反思并调整行为以更好地使用AI）来提升AI合规意向。统计分析证实了这两个中介路径的显著性，支持了假设H1b和H1c。 * 负向绩效反馈的作用路径：负向绩效反馈则主要通过削弱任务动机过程（降低员工通过合规使用AI来改善绩效的动力）和强化元任务过程（将员工的注意力从任务本身转向对自我形象、社会评价的担忧）来损害AI合规意向。统计分析证实了这两个中介路径的显著性，支持了假设H2b和H2c。 * 有调节的中介效应：研究进一步发现，AI身份认同调节了上述中介机制。 * 对于正向绩效反馈，高AI身份认同增强了其对任务动机过程和任务学习过程的正面影响，从而进一步放大了通过这两条路径对AI合规的积极间接效应（支持H3b和H3c）。 * 对于负向绩效反馈，高AI身份认同加剧了其对任务动机过程的负面影响，并强化了其对元任务过程的正面影响，从而进一步放大了通过这两条路径对AI合规的消极间接效应（支持H4b和H4c）。
本研究得出了一系列重要结论：首先，绩效反馈是影响员工AI合规行为的关键因素，但其影响具有方向性——正向反馈促进合规，负向反馈抑制合规。其次，这种影响通过不同的心理机制发生：正向反馈通过提升任务动机和促进学习来运作；负向反馈则通过削弱动机并引发对自我的担忧来运作。最后，员工的AI身份认同扮演了关键的“放大器”角色，它使得员工对绩效反馈（无论是好是坏）的反应都更为强烈。
本研究的价值体现在科学和应用两个层面： * 科学价值： 1. 理论创新：首次将反馈干预理论系统性地应用于AI合规这一新兴且重要的研究情境，不仅验证了该理论的适用性，还揭示了在AI这种独特技术背景下具体的作用路径。 2. 机制深化：清晰地辨别并实证检验了正向与负向绩效反馈背后截然不同的中介机制（任务动机/学习过程 vs. 元任务过程），深化了我们对绩效反馈如何影响复杂技术合规行为的理解。 3. 边界条件拓展：引入并验证了“AI身份认同”这一重要的个体认知因素作为调节变量，揭示了为何不同员工对相同反馈的反应存在差异，为理论模型增添了重要的情境化要素。 * 应用价值： 1. 管理启示：为组织管理者提供了基于实证证据的、低成本且有效的AI管理工具。建议组织应重视并及时向员工提供清晰的绩效反馈，尤其是积极正向的反馈，以激励合规行为。 2. 精准干预：研究提示管理者需要关注员工的AI身份认同水平。对于高认同员工，应充分利用正向反馈的激励作用，同时谨慎处理负向反馈，避免引发强烈的消极反应和合规规避。可以考虑通过培训和企业文化塑造来培养员工健康、积极的AI身份认同。 3. 政策设计：在设计AI合规促进方案时，应超越简单的奖惩和一般性培训，构建包含及时、具体、建设性绩效反馈在内的综合管理体系。
本研究的突出亮点在于： 1. 多方法混合设计：结合了纵向现场研究与随机对照实验，既保证了研究的生态效度（外部效度），又通过实验确立了因果关系并深入剖析了心理机制（内部效度），研究设计严谨、完整。 2. 机制剖析的深度与清晰度：不仅检验了“是否有效”，更深入回答了“为何有效”以及“对谁更有效”的问题。对三条差异化中介路径（任务动机、任务学习、元任务）的区分和检验，是理论贡献的核心。 3. 对“AI身份认同”这一新颖构念的运用：敏锐地捕捉到AI技术与传统IT的本质不同（如拟同事属性、情感连接），并借鉴IT身份研究，将其成功引入AI管理领域，作为理解员工差异化反应的关键透镜，体现了研究的前沿性和创新性。 4. 紧密贴合管理实践：研究问题源于真实的管理挑战（AI合规困境），结论直接指向可操作的管理建议（利用绩效反馈、关注员工认知），具有很高的实践相关性。
此外，论文在引言和理论背景部分，对AI合规相较于传统IT合规的独特挑战（如AI的自主学习和适应能力、决策不透明性、政策与技术迭代的脱节等）进行了精辟阐述，这有助于读者更深刻地理解研究问题的特殊性。同时，研究明确区分了AI的“自动化”与“增强”两种应用模式，并将研究情境主要置于“人机增强”的协作框架下，这使得研究结论的适用范围更加清晰。论文也公开了在线附录，包含了详细的文献综述、测量量表、附加分析和实验材料，体现了研究的透明度和可复现性。