研究报告：当尽责员工遇上智能机器——基于互补性理论与角色理论的整合视角
本报告旨在介绍由 Pok Man Tang、Joel Koopman、Shawn T. McClean、Jack H. Zhang、Chi Hon Li、David De Cremer、Yizhen Lu 及 Chin Tung Stewart Ng 等人合作完成的一项研究。该研究发表于《Academy of Management Journal》2022年第65卷第3期（1019-1054页）。研究人员来自多所知名大学，包括乔治亚大学、德州农工大学、俄克拉荷马大学、圣路易斯华盛顿大学和新加坡国立大学等。
一、 学术背景与研究目标
本研究属于组织行为学与人力资源管理领域，并深度融入了技术管理与人机协作的前沿议题。研究的核心动机在于反思一个跨越世纪的学术共识：尽责性（Conscientiousness）是预测工作绩效最重要的人格特质。这一共识根植于工业时代（20世纪），当时员工主要操作的是传统技术（如计算机、工业设备），这些技术需要用户明确的指令和持续的指导方能工作。尽责的员工，因其有条理（Orderly）、系统化、自律的特点，在与这些需要“被指挥”的传统技术配对时，形成了一种互补性（Complementary）平衡，从而表现出色。
然而，随着第四次工业革命的到来，智能机器（如人工智能、机器人、算法）开始融入工作场景。这些智能机器具备自主决策、机器学习能力，能够独立、有序地处理任务。这种特性与尽责性下属维度——条理性（Orderliness）高度重叠，导致二者在工作方式上形成了非互补性（Non-complementary）错配。这引发了一个关键问题：基于20世纪传统技术得出的“尽责员工最有效”的共识，是否还适用于21世纪由智能机器定义的新型工作？
为了解答这一问题，研究者创造性地整合了互补性理论（Complementarity Theory） 与角色理论（Role Theory）。互补性理论认为，人们偏好与自身特质形成平衡（互补）的互动对象。角色理论则关注员工对工作角色期望的理解和执行。整合的视角提出：对于高条理性的员工而言，与同样“有条理”的智能机器共事，可能因缺乏互补性而无法形成有效平衡，进而影响他们对工作角色的认知（如角色清晰度、效能感），最终对其绩效产生负面影响。
因此，本研究的目标是：1）修正关于尽责性效能的时代共识，揭示其在智能机器背景下的边界条件；2）阐明智能机器对员工影响的个体差异，特别是尽责性（条理性）的关键调节作用；3）通过整合互补性理论与角色理论，拓展这两大理论在解释人机互动现象中的应用范围；4）为组织引入和管理智能机器提供实践启示。
二、 详细研究流程
本研究采用了“全周期”研究设计，通过三项独立研究，分别聚焦不同类型的智能机器（人工智能、机器人、算法），结合不同的研究方法（经验取样法、现场实验、在线实验）和样本来源（马来西亚、中国台湾、美国），以增强结论的稳健性和普适性。
研究1：经验取样法（ESM）现场研究（人工智能） * 研究对象与样本量：来自马来西亚一家科技公司的114名数据分析师（最终提供776个日度观测数据）。他们的核心工作是使用人工智能软件进行合规监测。 * 研究流程： 1. 基线测量：参与者首先完成一份问卷，测量其尽责性人格特质（使用Saucier（1994）的简化量表）。 2. 日常追踪（连续10个工作日）： * 午间测量：员工报告当天上午工作中人工智能使用程度（如“我用AI来完成大部分工作职能”）。 * 下班前测量：员工报告当天下午的角色宽度自我效能感（Role Breadth Self-Efficacy，即对承担更广泛职责的信心）和角色模糊性（Role Ambiguity，即对工作期望和职责不清晰的程度）。 * 同事评估：同时，一名指定的同事在每天下班前评估该员工的任务绩效。 3. 数据分析方法：采用多层路径分析（Multilevel Path Analysis），控制了一系列可能的影响因素，包括工作日周期（如周几）、前一天的变量水平、使用智能机器的年限以及另一个重要的角色感知变量——角色冲突，以隔离出目标效应。通过构建交互项和蒙特卡洛模拟来检验有调节的中介效应。
研究2：预先注册的现场实验（机器人） * 研究对象与样本量：来自中国台湾一家酒店的162名一线服务员工。他们被随机分配到“使用机器人服务”或“不使用机器人服务”的条件中。 * 研究流程： 1. 第一阶段（前测）：所有参与者完成基线问卷，测量条理性（使用DeYoung等人（2007）的完整子量表）、角色宽度自我效能感、角色模糊性、角色冲突，以及作为潜在混淆变量的工作自主性、工作要求和尽职性（Industriousness，尽责性的另一子维度）。同时，员工的直接主管对其服务绩效进行基线评估。 2. 实验操纵（连续3天）： * 机器人条件组：员工被要求尽可能多地与智能服务机器人协作服务顾客。 * 控制条件组：员工被要求完全不使用机器人服务顾客。 * 为确保实验操纵，研究助理在现场进行监督。 3. 第二阶段（后测）：三天后，员工再次报告过去三天内的角色宽度自我效能感、角色模糊性和角色冲突，并完成操纵检验项目。同时，主管对员工过去三天的服务绩效进行评估。 4. 数据分析方法：同样使用路径分析，控制了基线测量值、使用年限和角色冲突。采用稳健标准误处理因主管评价多个员工导致的非独立性数据。再次检验有调节的中介模型。
研究3：预先注册的在线实验（算法） * 研究对象与样本量：通过Prolific平台招募的386名美国在职成年人，来自不同行业和岗位。参与者被随机分配到“算法辅助”或“无辅助”条件。 * 研究流程： 1. 第一阶段（前测）：参与者完成基线问卷，测量条理性。 2. 实验任务：参与者被要求完成一项商业咨询任务——为一家公司制定进入新兴市场的营销策略。 * 算法辅助条件组：参与者被告知他们将与一个由Amazon Polly驱动的“智能算法”合作。该算法会基于大量商业数据，自动生成关于目标市场、消费者行为和营销渠道的“洞察与建议”，并显示在屏幕上。 * 无辅助条件组：参与者独立完成任务，无任何算法建议。 3. 第二阶段（测量）：任务完成后，参与者立即报告其角色宽度自我效能感和角色模糊性。 4. 绩效评估：由两名不了解实验条件和研究假设的独立评委，根据清晰的标准（如方案的全面性、创新性、可行性）对参与者提交的营销策略方案进行评分，取其平均值作为任务绩效指标。 5. 操纵与注意检查：包含项目检查参与者是否理解任务要求及是否注意到算法的存在。 6. 数据分析方法：使用方差分析和路径分析，检验实验操纵的主效应、条理性的调节效应以及通过角色感知变量的中介效应。
三、 主要研究结果
三项研究的结果高度一致，共同描绘出一幅清晰的图景，揭示了尽责性（特别是条理性）在人与智能机器互动中的关键调节作用。
研究1结果：在自然工作环境中，日常人工智能使用对员工角色感知的影响受到尽责性的调节。 * 角色模糊性：人工智能使用与角色模糊性正相关。更重要的是，尽责性显著正向调节了这一关系。对于高尽责性员工，使用AI导致角色模糊性大幅上升（γ = 0.19， p < .01）；对于低尽责性员工，这种效应虽存在但较弱（γ = 0.09， p = .01）。这表明，越是条理分明、喜欢掌控的员工，在与自主决策的AI共事时，越容易感到困惑和不确定。 * 角色宽度自我效能感：人工智能使用与角色宽度自我效能感正相关（γ = 0.29， p < .01），但尽责性的调节作用不显著。这可能与测量工具（使用的是宽泛的尽责性量表而非精准的条理性子量表）或日常波动的特点有关。 * 对绩效的间接影响：路径分析支持了有调节的中介模型。人工智能使用通过增加角色模糊性进而降低任务绩效的间接效应，仅在高尽责性员工中显著存在（条件间接效应 = -0.053， 95% CI [-0.078， -0.033]），在低尽责性员工中则不显著。两者的差异显著。而通过角色宽度自我效能感影响绩效的路径未得到支持。
研究2结果：现场实验有力地证实了因果关系，并突出了条理性的精确调节作用。 * 角色宽度自我效能感：与机器人协作显著提升了员工角色宽度自我效能感（B = 2.05， p < .01）。条理性负向调节了这一效应。对于低条理性员工，使用机器人的提升效应非常强（B = 2.80， p < .01）；对于高条理性员工，提升效应虽然存在但大幅减弱（B = 1.31， p < .01）。这表明，条理性低的员工更可能从机器人提供的资源和支持中获益，增强自信。 * 角色模糊性：与机器人协作显著增加了角色模糊性（B = 0.79， p < .01）。条理性正向调节了这一效应。对于高条理性员工，使用机器人导致角色模糊性急剧上升（B = 1.55， p < .01）；对于低条理性员工，则几乎没有影响（B = 0.03， p = .90）。这印证了互补性错配带来的困惑主要发生在高条理性员工身上。 * 对绩效的间接影响：结果再次支持了通过角色模糊性的有调节的中介路径。机器人工作条件通过增加角色模糊性进而降低服务绩效的间接效应，仅在高条理性员工中显著且为负（条件间接效应 = -0.522， 95% CI [-0.904， -0.193]），在低条理性员工中不显著，差异显著。通过角色宽度自我效能感影响绩效的路径仍不显著。
研究3结果：在线实验在控制严密的条件下复现了核心发现，并成功捕捉到两条中介路径。 * 主效应与调节效应：算法辅助条件（相较于无辅助）显著提高了角色宽度自我效能感，同时也增加了角色模糊性。条理性对这两条路径均表现出显著的调节作用，模式与研究2完全一致：条理性削弱了算法对效能感的正面影响，却加剧了算法对模糊性的负面影响。 * 对绩效的间接影响：这是三项研究中唯一同时验证两条中介路径对绩效影响的研究。算法辅助通过提升角色宽度自我效能感进而提高任务绩效的间接效应，仅在低条理性参与者中显著。同时，算法辅助通过增加角色模糊性进而降低任务绩效的间接效应，仅在高条理性参与者中显著。这两条相反的、受条理性调节的间接路径，清晰地解释了为何智能机器对不同特质的员工会产生截然不同的绩效影响。
四、 研究结论与价值
本研究的核心结论是：关于“尽责性员工总是表现最佳”的百年共识，在智能机器时代需要被修正。 智能机器并非对所有员工都产生均等的益处。由于非互补性错配，高条理性（尽责性的核心）员工在与智能机器协作时，较难从中获得提升自信的益处，却更容易经历角色模糊性，从而导致其绩效潜力无法充分发挥，甚至可能表现逊色于条理性较低的同事。
科学价值： 1. 理论贡献：研究成功整合了互补性理论与角色理论，为理解人机互动提供了新颖的理论框架。将互补性理论的应用从人人互动拓展至人机互动，同时将角色理论重新置于技术影响研究的中心。 2. 修正共识：挑战并细化了组织科学中一个根深蒂固的结论，强调了技术背景对人格特质效价的关键影响，推动了相关研究的时代化发展。 3. 揭示边界条件：明确了智能机器“为谁带来利益，为谁带来代价”这一重要问题，指出员工个性（尤其是条理性）是决定技术引入效果的核心权变因素。
应用价值： 1. 人力资源管理：为组织在智能转型中的员工选拔、配置、培训提供了关键依据。例如，在引入智能机器的岗位上，需重新评估对“高尽责性”的过度强调；应考虑为高条理性员工提供额外的角色澄清、人机协作流程培训，以缓解其模糊性；或许可以探索将低条理性但学习适应能力强的员工配置到相关岗位。 2. 技术设计与部署：提示技术开发者和部署者关注用户体验的个体差异，考虑设计更具弹性、能更好与高掌控欲用户协作的智能系统，或提供透明化解释以减少其不确定性。
五、 研究亮点
六、 其他有价值的内容
研究者在讨论中也指出了未来方向，例如探索其他人格特质（如开放性、神经质）与智能机器的交互作用，考察团队层面人机协作的动态，以及研究如何通过干预（如培训、工作再设计）来帮助高条理性员工更好地适应与智能机器的协作，化“错配”为“新的互补”。这些都为后续研究开辟了富有潜力的道路。