Elsevier


商业研究杂志


第 164 卷,2023 年 9 月,113987
Journal of Business Research


挑战还是障碍?组织人工智能采用如何及何时影响员工的工作定制

管理学TOPSCI升级版 管理学1区IF 10.5SWJTU A++SWUFE A
https://doi.org/10.1016/j.jbusres.2023.113987  获取权利和内容

 亮点


  • 员工根据其控制点的不同,对 AI 采用的评价也不同。

  • 组织中的 AI 采用引发员工的挑战/阻碍评估。

  • 员工的挑战评估导致了他们以晋升为导向的工作定制。

  • 员工的阻碍评估导致他们进行预防性的工作定制。

 摘要


虽然组织越来越多地采用人工智能(AI),但关于员工对这一新工作环境的反应知之甚少。本研究利用交易压力与应对理论,通过对中国四川省成都市八家公司的 332 名员工进行的三次波次时间滞后调查数据,建立了一个框架,以探讨组织 AI 采用对员工基于挑战/阻碍评估的促进和预防导向的工作设计的影响。研究结果表明,组织 AI 采用对挑战/阻碍评估以及后续的工作设计的影响取决于员工的控制点。组织 AI 采用为具有内在控制点的员工带来挑战评估,并导致促进导向的工作设计行为。当员工具有外在控制点时,组织 AI 采用会引发其阻碍评估,并导致预防导向的工作设计行为。这些发现具有理论和实践意义。

 关键词


组织 AI 采用评估工作设计控制点

 1. 引言


各种行业的企业越来越多地采用人工智能(AI),因为它有望通过提高工作效率和降低成本来促进增长(Agrawal 等,2018 年,Li 等,2019 年)。例如,服务型企业正在使用基于 AI 的聊天机器人和虚拟语音助手来提供客户服务(Ivanov 等,2017 年),教育机构正在实施基于画像的学生学业成绩评估和智能作业批改(Cao,2021 年,Huang 等,2021 年),而基于 AI 算法和智能风险管理的投资决策在金融领域正变得越来越流行(Guo 和 Polak,2021 年,Ren,2021 年)。这些进步导致近年来 AI 研究的增加。在管理领域,大多数关于 AI 的研究主要集中在个人对 AI 的接受/采用,尤其是客户接受(例如,Lin 等,2020 年,Pelau 等,2021 年),尽管有些研究员工的接受/采用(例如,Choi,2021 年,Dabbous 等,2021 年)。然而,组织层面的 AI 采用得到了较少的关注(Alsheibani 等,2018 年)。 特别是,尽管员工因为 AI(Malik 等人,2022 年)而在工作实践上经历了各种变化,但关于组织 AI 采用如何影响员工工作结果的理解是有限的(Tambe 等人,2019 年)。鉴于 AI 与人类之间的互动是管理领域 AI 研究的关键方面(Makarius 等人,2020 年),研究员工对组织 AI 采用的反应具有重要意义。

随着组织中无处不在的人工智能采用,员工面临着充满不确定性和复杂性的动态工作环境(Zehir 等,2020 年)。在此背景下,员工可能会主动调整他们的工作任务和角色,这被称为工作定制,以应对各种组织变化(Petrou 等,2018 年)。鉴于组织和员工的适应性对于组织生存的重要性(Van Dam 等,2008 年),工作定制受到了越来越多的关注。关于工作定制的先前研究主要探讨了其对员工的影响,包括他们的意义感和身份感(Wrzesniewski 等,2013 年),感知的就业能力(Akkermans 和 Tims,2017 年;Petrou 和 Xanthopoulou,2021 年),适应性表现(Demerouti 等,2017 年),工作倦怠(例如,Petrou 等,2015 年)以及公民价值共创(Tuan,2018 年)。相反,工作定制的驱动因素和驱动机制较少受到学术关注。关于其前因的少数实证研究主要关注个人特征,如主动个性(Bakker 等)。2012 年),以及外部因素,如变革型领导(王等人,2017 年)和人力资源管理实践(库伊等人,2022 年)。近年来,人工智能正在改变职业景观(Rampersad,2020 年)。这提出了一个重要的问题,即组织的人工智能采用如何影响员工的工作设计。

已发现,工作设计可以增强员工的动机、健康和表现(Tims 和 Bakker, 2010;Tims 等, 2013)。然而,某些工作设计策略可能与员工的职业倦怠正相关,从而降低他们的福祉(Crawford 等, 2010)。为了帮助澄清工作设计的积极和负面影响,Lichtenthaler 和 Fischbach (2019) 将工作设计区分为促进型和预防型。前者涉及员工调整工作职责和视角,以优先考虑他们的晋升目标(Lichtenthaler & Fischbach, 2019)。此外,他们旨在通过获取额外的工作资源和面对更艰巨的要求来增强工作的积极方面。后者指的是员工对工作角色的感知和界限进行的修改,目的是防止负面的工作特征和结果(Lichtenthaler & Fischbach, 2019);他们的目标是减少阻碍性的工作需求,避免潜在的陷阱。 这两种工作塑造行为对工作结果产生不同的影响,包括工作中的意义(Clausen & Borg, 2011)和工作参与度(Lichtenthaler & Fischbach, 2016)。然而,尽管 Lichtenthaler 和 Fischbach (2019)已经证明这两种工作塑造行为也具有不同的动机过程,但我们尚未完全理解这两种行为各自形成和激发的复杂机制。

因此,本研究的目的是通过探讨组织人工智能采用对促进和预防导向的工作设计的影响,来解决这些知识不足,使用交易压力与应对理论作为框架。随着典型工作环境的变化,组织人工智能的采用可以引起工作不稳定,这是主要的压力源(Koo 等人,2021 年)。根据交易压力与应对理论,员工可能会将压力源评估为对职业生涯的挑战或障碍,并采取相应的应对行为(Lazarus 和 Folkman,1984 年;Webster 等人,2011 年)。该理论还主张,特定压力源的评估是其与个体特质交互的结果(Lazarus & Folkman,1984 年)。控制点,个体的认知归因倾向(Rotter,1990 年),调节着压力源与认知评估结果之间的关系(Li 等人,2020 年);因此,我们提出,员工对组织人工智能采用的评估依赖于他们的控制点,这表明个人是否相信生活事件是可控的(Rotter,1966 年)。 拥有内在控制点(内部人士)的员工倾向于相信他们可以通过巨大努力来解决问题并导致良好结果(Scheier 等人,1994 年)。鉴于挑战评估是指在面对组织 AI 采用时,个人将困难情况(例如压力源)视为奖励、成长和掌握的机会(Lazarus 和 Folkman,1984 年,Webster 等人,2011 年)。对于内部人士而言,他们倾向于关注积极面,并将其评估为挑战。为了避免被 AI 取代,他们将被激励提升技能,扩大与工作相关的机遇和挑战性角色,即参与促进性的工作设计。相反,阻碍评估是指个人将困难情况(例如压力源)视为可能阻碍其发展或目标实现的潜在威胁(Lazarus & Folkman,1984 年)。 拥有外部控制点(外部因素)的人(Spector, 1982),即认为事件由外部因素决定且总是超出他们控制范围的人,倾向于认为人工智能很可能导致失业,并且他们没有能力改变这一趋势。因此,他们可能将组织中的人工智能采用视为对其职业生涯的阻碍。因此,他们可能会采取保守的策略,最小化阻碍工作的需求,以防止不利的就业后果,从而参与预防导向的工作塑造。

考虑到以上情况,我们提出了一种概念模型,该模型展示了员工在组织中面对 AI 采用时,基于内部或外部控制点的两种不同的评估类型和行为响应(图 1)。这项研究为现有文献增加了几个理论见解。首先,它探讨了组织 AI 采用对员工工作设计的影响,并揭示了一个潜在的中介机制以及一个边界条件,丰富了组织行为学领域的 AI 相关研究。其次,它通过将组织 AI 采用视为一个显著决定因素,并进一步阐明了两种类型的工作设计的差异化触发过程,为工作设计文献做出了贡献。第三,它通过揭示员工在面对组织 AI 采用时,控制点可能的调节作用,推进了控制点研究。

  1. 下载:下载高分辨率图片(90KB)

  2. 下载:下载全尺寸图像


图 1. 概念模型。


2. 理论基础

 2.1. AI 采用


AI 指的是具有学习、响应和执行一系列类似人类任务能力的智能机器或计算机化系统(Malik 等,2022 年)。现有的 AI 研究主要集中在 IT 技术(Basit 等,2021 年,Vives 等,2020 年),而管理领域的学者则更关注 AI 的采用/接受。对 AI 采用文献的回顾表明,本研究相关的三个研究领域。第一,构成 AI 采用/接受主题最大部分的研究,探讨了客户接受 AI 的驱动因素和驱动机制。Gursoy 及其同事进行了一系列值得注意的研究,确定了社会影响、享乐动机、拟人化和信任等因素,导致客户愿意接受 AI 设备/自动驾驶车辆(Gursoy 等,2019 年,林等,2020 年,Lu 等,2019 年,Ribeiro 等,2022 年)。这一领域的研究还发现了其他影响客户接受 AI 的因素,如心理拟人特征(Pelau 等,2021 年),服务质量(Meyer-Waarden 等)。, 2020 年),以及感知社会互动(Fernandes & Oliveira, 2021 年)。

第二条研究流探讨是什么驱动员工接受人工智能。员工与 AI 角色的明确区分、员工采用基于 AI 技术的动机和能力(Choi, 2021)、组织文化(Dabbous 等,2021)以及负责任的 AI 信号(Wang 等,2021)的增加,提高了员工对人工智能的接受度,而工作不安全感(Dabbous 等,2021)则降低了这种接受度。

第三条流派,专注于组织 AI 采用,获得了最少的关注。这一领域的先前研究主要探讨了组织 AI 采用对客户的影响,包括他们的参与度、满意度和忠诚度(Prentice & Nguyen, 2020)。然而,组织 AI 采用改变了员工的工作环境和工作内容(Braganza 等,2021),不可避免地影响了员工的成果。尽管少数研究指出,组织 AI 采用会影响某些员工成果,如离职意向和工作参与度(Li 等,2019,Koo 等,2021),但从员工视角的学术研究滞后(Malik 等,2022)。


2.2. 员工对组织 AI 采用的反应


根据交易理论的建议,个体对特定压力源的反应由他们如何解释或评估它来决定(Lazarus & Folkman, 1984)。这一过程涉及两个步骤:初级和次级评估。在初级评估阶段,个体产生挑战或阻碍评估。如果他们认为当前的压力源有利于奖励和个人成长,他们可能会将其视为挑战;相反,阻碍评估表明个体认为压力源是对他们目标实现和自我发展的一种威胁。组织 AI 的采用,作为员工工作环境信息的重要来源,不可避免地会在员工中引起压力,因为他们担心被取代(Koo et al., 2021)。面对这个压力源,员工进行解释,可能会产生挑战或阻碍评估。交易理论进一步表明,个体对压力源的评估是其与个人特质交互的结果(Lazarus & Folkman, 1984)。因此,我们推断,员工是否将组织 AI 的采用视为挑战或阻碍,取决于他们的特定特质。 挑战性评估与高动机相关,因为个体倾向于认为他们的努力会产生有价值的结果。相比之下,障碍性评估与低动机相关,因为个体往往对他们的努力与有价值的结果之间的关联不太自信(LePine 等,2005)。个体体验的动机程度受到他们对自己生活事件控制程度的信念的影响(Baumeister 和 Heatherton,1996,Hagger 等,2009),这与他们的控制点概念一致。此外,Rotter(1990)认为,员工的控制点——他们的认知归因倾向——可能调节压力源与认知评价结果之间的关系。因此,本研究认为,对组织 AI 采用的评估依赖于员工的控制点。

控制点反映了个体对其外部环境可控性的信念(Rotter, 1966)。以往的研究表明,具有不同控制点的员工在对环境的感知、动机程度、努力程度以及应对行动方面存在差异,导致不同的工作结果(Xu 等,2022)。内部人士通常认为事件的结果取决于他们的技能、能力和努力(Rotter, 1966);在他们看来,他们可以采取行动以获得理想的结果或奖励(Mueller & Thomas, 2001)。面对问题和障碍时,他们更有可能识别这些机会和收益,引发积极情绪和积极的应对方式(LePine 等,2005)。组织中人工智能的采用不可避免地会引起员工的担忧,他们担心会被这种技术取代(Li 等,2019)。然而,由于内部人士相信每个人都是自己命运的建筑师,他们更倾向于关注潜在的收益和增长,并且有信心控制这些方面。 他们可能会产生以下两种想法:首先,人工智能可以辅助人类完成任务,从而提高他们的生产力(Prentice 等,2020);其次,他们可能会增加学习更多知识和掌握新技能的动力,以避免被人工智能取代(Haenlein 等,2022)。因此,他们可能会实现更大的职业发展和成功。因此,本研究认为,内部人员更倾向于将组织的人工智能采用视为挑战而非障碍。

外部因素通常将事件结果归因于运气、命运或他人的行为(Rotter, 1966, Twenge 等,2004)。他们经常认为自己控制情况的努力是徒劳的,导致一种被动和动力减弱的状态(Baumeister & Scher, 1988)。这类人倾向于将压力源视为个人成长和成就的潜在障碍,这可能导致他们产生负面情绪反应,并采取被动的应对方式,正如 LePine 等(2005)所指出的。由于外部人对其控制事物的期望较低,他们可能会感到自己没有力量或自主性来抵抗威胁,即组织的 AI 采用,他们认为这最终会导致他们失业。此外,他们倾向于认为组织的 AI 采用标志着一个新纪元的开始,在这个纪元中,AI 将取代人类员工,而他们几乎无法扭转这一趋势。从这个角度来看,他们将组织的 AI 采用视为阻碍其职业发展的障碍。

 假设 1


内部,组织内部的人工智能采用与挑战评估正相关。

 假设 2


对外部来说,组织对 AI 的采用与障碍评估正相关。

在初步评估阶段,组织的 AI 采用会引发员工的挑战/阻碍评估,这取决于员工的控制点。随后,根据初步评估的结果,员工会对其后续采取的应对行动进行二次评估(Lazarus & Folkman, 1984)。具体来说,员工可能会调整他们的工作任务和关系边界,换句话说,进行工作设计。挑战压力会促使采取侧重于提升的应对策略,而阻碍压力则会触发侧重于预防的应对策略(Zhang et al., 2019)。因此,我们假设,组织 AI 采用引发的挑战和阻碍评估可以分别促进员工的侧重于提升和预防的工作设计。

拥有内在控制点的员工通常更加自信,有动力处理困难情况并诱导有利结果(Galvin 等,2018,Xu 等,2022)。因此,当面对组织 AI 采用这一潜在的压力源(Koo 等,2021)时,他们倾向于将其视为一个他们可以克服以获得奖励和成就的挑战。将压力源视为挑战表明员工相信压力源可以增强他们的能力并加速他们的成就,从而引发积极情绪和学习的动力(LePine 等,2016)。因此,如果员工将组织 AI 采用视为一个挑战和未来利益与进步的机会,他们很可能会积极应对当前情况。此外,挑战评估可以激活员工的内在动力,鼓励他们参与有利于职业发展的努力,如创新(Mawritz 等,2014)。 因此,如果他们感知到挑战,员工会被激励使用促进型应对策略,例如增强工作资源和承担具有挑战性的工作要求,通常被称为促进型工作塑造,以获得最佳的工作特性和结果(Lichtenthaler & Fischbach, 2016)。

相比之下,拥有外部控制点的员工往往在面对困难时缺乏自信和主动性,因为他们相信事件的结果往往取决于环境因素(Baumeister 和 Scher, 1988, Galvin 等, 2018)。因此,在面对组织 AI 采用这一潜在的压力源(Koo 等, 2021)时,他们倾向于将其视为阻碍,对他们的成长或收益构成潜在威胁。阻碍评估不仅使员工感到压力,还抑制了他们的主动行为,损害了他们的目标实现和个人成长(LePine 等, 2016)。因此,如果员工将组织 AI 采用视为阻碍,他们可能缺乏自我效能感和应对压力的内在动力(Mawritz 等, 2014),从而以反应性方式处理当前情况。此外,由阻碍压力源引发的负面情绪与预防关注有关(Brockner & Higgins, 2001)。 特别是,为了满足他们对安全和安全的需求,员工可能会表现出预防性的工作塑造行为,旨在避免负面的工作特性和结果(Lichtenthaler & Fischbach, 2016)。

 假设 3


内部,组织内的 AI 采用增强了以激励为导向的工作设计,通过挑战评估进行中介。

 假设 4


对外部人员而言,组织中的人工智能采用增强了以预防为导向的工作设计,这一过程受到阻碍评估的中介作用。

 3. 方法


3.1. 样本和程序


我们的样本包括成都八家广泛采用人工智能设备的高端制造企业员工。为了减轻潜在的共同方法差异(CMB),我们按照 Podsakoff 等人(2003)的建议实施了三个阶段的数据收集。我们使用公司提供的名称列表创建了一个编码系统,以确保准确性和一致性。此外,为了确保问卷的可靠性和有效性,我们向参与的员工提供了物质奖励。为了提高响应率,我们还向潜在参与者保证,获取的数据仅用于研究目的,并在使用后销毁。此外,我们还奖励参与者一张 50 元人民币的礼品卡。根据 Ma 等人(2020)的建议,为了确保有效获取数据,向受试者提供足够的解释关于调查是重要的。在第一阶段,问卷询问了员工的背景信息、控制点以及对组织 AI 采用的看法。一个月后,要求员工回答关于他们面临的挑战/障碍评估的问卷。 又过了一个月,要求被调查者的直接上级评估职业塑造量表中的晋升和预防导向的评价。

总共,有 547 名员工参与了研究。在剔除不完整回答和异常值后,第一阶段有 458 份问卷被认为是有效的(响应率为 83.73%)。在第二阶段,我们收到了 399 份有效的问卷(响应率为 87.12%)。在第三阶段,收到了 332 份有效的问卷。在有效的参与者中,66.0%是男性,34.0%是女性。其中,9.3%的年龄在 18-24 岁之间,25.6%的年龄在 25-29 岁之间,28.6%的年龄在 30-34 岁之间,19.3%的年龄在 35-39 岁之间,17.2%的年龄超过 40 岁。关于教育背景,13.6%的人有高中学历或以下,22.9%的人有大专学历,48.8%的人有本科学历,14.8%的人有硕士及以上学历。关于工龄,9.0%的人工作时间少于 1 年,25.0%的人工作时间为 1-2 年,30.1%的人工作时间为 3-4 年,25.6%的人工作时间为 5-6 年,10.2%的人工作时间超过 6 年。

 3.2. 措施


调查使用中文进行;我们使用 Brislin(1970)的正向和反向过程将每个测量的原始项目翻译成中文。除非另有说明,项目在从 1(强烈不同意)到 5(强烈同意)的五点李克特量表上进行评估。表 1 呈现了研究中使用的测量的 Cronbach’s alpha 系数。


表 1. 研究变量的均值、标准差和相关性。

 变量MSD1234567891011
 1. 性别1.340.47
 2. 年龄3.091.230.09
 3. 教育2.650.89 -0.02 -0.05
 4. 组织任期3.031.130.060.23**0.01

5. 组织的人工智能采纳
3.231.00 -0.040.10 -0.020.06(0.87)

6. 内部归因倾向
3.630.76 -0.10 -0.050.02 -0.030.02(0.92)

7. 外部控制点
2.400.970.01 -0.13* -0.07 -0.030.09 -0.04(0.94)
 8. 挑战评估3.840.83 -0.020.24** -0.070.020.30**0.05 -0.02(0.89)
 9. 阻碍评估3.240.900.040.15** -0.090.13*0.23**0.080.010.06(0.85)

10. 职业设计的推广导向
3.750.64 -0.070.15**0.13* -0.070.25**0.10 -0.060.26**0.01(0.93)

11. 预防导向的工作设计
3.410.610.11*0.040.030.070.23**0.07 -0.07 -0.020.30** -0.01(0.85)

注:N = 332;*p < 0.05; ** p < 0.01;Cronbach’s alpha 在对角线上出现。

组织 AI 采用。组织 AI 采用使用来自王等人(2016 年)的三项指标进行测量。一个示例项目是“我的公司已经参与了 AI 技术的采用。”。

控制点。为了评估员工的控制点,包括两个相反的极点,我们使用了 Spector(1988)量表中的 16 个项目(每个极点 8 个项目)。内部控制点的一个示例项目是,“表现良好的人通常会因此得到奖励。”外部控制点的一个示例项目是,“赚钱主要取决于好运气。”。

挑战/阻碍评估。我们采用了 Searle 和 Auton(2015)的八项量表来测量挑战和阻碍评估。挑战评估的一个示例项目是,“我公司采用人工智能显示我可以做些新的事情。”阻碍评估的一个示例是,“我公司采用人工智能阻碍了我可能取得的任何成就。”。

促进导向的职位设计。我们从 Bindl 等人(2019)的 16 项指标中采用了 16 项指标来衡量促进导向的职位设计,包含四个维度。一个样本项目是,“该员工通过改变结构或顺序增加了任务的复杂性。”由于测量包含多达 16 项指标,为了平衡样本大小和估计参数,并为后续的潜变量中介结构方程(LMS)分析提供更有利的条件(Cheung & Lau, 2017),我们为每个维度创建了项目包,作为促进导向的职位设计的指示器。采用面向面的打包方法来创建包,因为测量是多维度的,较低层次的构造不是当前研究的重点(Little 等人,2013)。通过计算相同子量表中项目的平均得分,创建了四个面向面的包来代表促进导向的关系、技能、任务和认知设计。

预防导向的工作自塑形。我们采纳了 Bindl 等人(2019 年)的 12 个项目来衡量预防导向的工作自塑形,包含四个维度。一个样本项目是,“该员工专注于工作最好的部分,同时试图忽略他/她不喜欢的部分。”创建了四个面向特征的包裹来代表预防导向的关系、技能、任务和认知自塑形。

控制变量。控制变量包括受访者的性别、年龄、教育程度和任职年限。

 4. 结果


4.1. 常用方法偏见、判别有效性与收敛有效性


使用 Harman 的一因子测试,根据 Podsakoff 等人(2003)的建议,评估了 CMB 的可能性。分析结果显示,第一个因子仅解释了 16.46%的变异,低于所需的 50%阈值。这表明在本研究中,CMB 并不是一个显著的问题。

我们通过比较各种测量模型的拟合指数(Cable & DeRue, 2002)进行了判别有效性分析。七因子模型在确认性因子分析中拟合度最佳(χ 2 = 2084.279;df = 1401,CFI = 0.937;TLI = 0.933;RMSEA = 0.038;SRMR = 0.056,见表 2),这表明我们的量表具有良好的判别有效性。


表 2. 测量模型及替代模型的拟合度指标。

Modelχ2dfχ2/dfCFITLIRMSEASRMR
 1. 七因素模型2084.27914011.4880.9370.9330.0380.056
 2. 六因素模型 a 2597.61414071.8460.8900.8840.0510.108
 3. 五因素模型 b 2767.03014121.9600.8750.8690.0540.116
 4. 四因素模型 c 4310.50014163.0440.7330.7200.0790.142
 5. 单因素模型 d 6275.15014224.4130.5530.5330.1020.177

注:N = 332; a 将挑战性评估与促进型工作塑造相结合; b 将挑战性评估与促进型工作塑造相结合,将障碍性评估与预防型工作塑造相结合; c 将挑战性评估与促进型工作塑造相结合,将障碍性评估与预防型工作塑造相结合,将内在控制点与外在控制点相结合; d 将所有变量合并为一个因素。

我们的研究通过估计组合可靠性(CR)和平均方差抽取(AVE)确保了收敛效度,发现它们分别大于 0.80 和 0.50,显示了良好的收敛效度(Huertas-Valdivia 等,2019 年)。在后续假设检验中,我们使用了 LMS 方程建模来修正测量误差(Cheung 和 Lau,2017 年)。请参阅附录 A 获取测量项目及其可靠性和有效性指标的详细信息。


4.2. 描述性统计


表 1 列出了各个变量的平均值(Ms)、标准差(SDs)以及之间的相关性。AI 采用与挑战评估(r = 0.30,p < 0.01)、障碍评估(r = 0.23,p < 0.01)、促进导向的工作塑造(r = 0.25,p < 0.01)和预防导向的工作塑造(r = 0.23,p < 0.01)之间存在正相关。此外,挑战评估与促进导向的工作塑造(r = 0.26,p < 0.01)之间存在正相关关系,而障碍评估与预防导向的工作塑造(r = 0.30,p < 0.01)之间也存在正相关。这些发现支持了我们的假设。

 4.3. 假设检验


本研究通过使用 MPLUS 7.4 软件进行 LMS 建模,以确定稳健的估计值和置信区间(Cheung & Lau, 2017)。同时,由于 LMS 模型中传统的好模型匹配指标不可用,本研究采用了两步法(Cheung & Lau, 2017)。我们首先不考虑交互项估计基线模型,以评估模型拟合度。随后,我们估计了包含潜在交互项的 LMS 模型。由于较小的信息准则意味着较小的信息损失(Sardeshmukh & Vandenberg, 2017),LMS 模型是否具有可接受的拟合度可以通过比较阿卡伊信息准则(AIC)和贝叶斯信息准则(BIC)来推断。

建立两个调和中介模型。第一个(M 1 )测试了内部控制点对组织 AI 采用、挑战评估与促进导向的工作塑造之间关系的调节作用。第二个模型(M 2 )则探讨了外部控制点对组织 AI 采用、阻碍评估与预防导向的工作塑造之间关系的调节作用。

数据表明,基线模型 M 12 (2 1 9) = 350.873; CFI = 0.963; TLI = 0.958; RMSEA = 0.043; SRMR = 0.055; AIC = 13748.368; BIC = 13999.507] 和 M 22 (2 1 9) = 416.595; CFI = 0.942; TLI = 0.934; RMSEA = 0.052; SRMR = 0.054; AIC = 15655.109; BIC = 15906.248] 都很好地拟合了数据。此外,基线模型 M 1 [AIC = 13737.413; BIC = 13996.162] 和 M 2 [AIC = 15651.638; BIC = 15910.387] 的信息准则与基线模型相比,相同或更低。

图 2 展示了 M 1 的估计值。内部控制感显著调节了组织 AI 采用与挑战评估之间的关系(β = 0.280,95% CI [0.116, 0.431]),支持假设 1。此外,挑战评估对促进导向的工作塑造有显著的积极影响(β = 0.141,95% CI = [0.034, 0.236]),并且调节的中介效应的估计值也显著(β = 0.039,95% CI = [0.009, 0.088]),支持假设 3。

  1. 下载:下载高分辨率图像(88KB)

  2. 下载:下载全尺寸图像


图 2. 假设的调节中介模型(M 1 )。注:*p < 0.05; ** p < 0 0.01;报告的是非标准化系数。


如图 3 所示,外部控制点显著调节了组织 AI 采用与障碍评估之间的关系(β = 0.153,95% CI = [0.014, 0.286]),支持假设 2。此外,障碍评估显著正向影响了预防导向的工作塑造(β = 0.206,95% CI = [0.102, 0.326]),调节中介效应的估计值也显著(β = 0.032,95% CI = [0.003, 0.071]),支持假设 4。

  1. 下载:下载高清图片(86KB)

  2. 下载:下载全尺寸图像


图 3. 假设的调节中介模型(M 2 )。注:*p < 0.05; ** p < 0.01;报告的是非标准化系数。


我们还在不同调节变量值(表 3)下估计了 M 1 和 M 2 中的中介效应。组织 AI 采用对基于激励的工作设计通过挑战评估的影响的间接效应在内部控制点的不同程度下显著变化。具体来说,当受访者的内部控制点较高时,间接影响显著正面,而当受访者的内部控制点比平均值低一个标准差(-1 SD)时,该影响不显著。


表 3. 在不同调节值水平下,M 1 和 M 2 的中介作用效果。

Empty Cell 主持人值 间接效应 SE(启动)95% BCCI99% BCCI
M1
+2 SD1.9750.0930.039[0.028, 0.184][0.012, 0.201]
+1 SD1.2740.0650.027[0.021, 0.130][0.008, 0.144]
 平均0.5740.0380.017[0.010, 0.078][0.004, 0.096]
 -1 SD -0.1270.0100.015 [-0.012, 0.052] [-0.021, 0.067]
 -2 SD -0.828 -0.0180.023 [-0.079, 0.020] [-0.104, 0.035]
M2
+2 SD3.1740.1020.040[0.039, 0.203][0.022, 0.237]
+1 SD2.2820.0740.026[0.032, 0.135][0.019, 0.164]
 平均1.3900.0460.017[0.021, 0.092][0.014, 0.120]
 -1 SD0.4970.0180.019 [-0.013, 0.062] [-0.023, 0.098]
 -2 SD -0.395 -0.0100.030 [-0.073, 0.044] [-0.098, 0.070]

注:N = 332;报告的是非标准化系数;+2 SD = 平均值以上两个标准差;+1 SD = 平均值以上一个标准差;–1 SD = 平均值以下一个标准差;–2 SD = 平均值以下两个标准差;间接效应 = 估计的中介效应;SE(Boot)= 带重抽样的标准误差;BCCI = 偏差校正的带重抽样的置信区间。

同时,组织采用人工智能对预防导向的工作设计通过障碍评估的间接影响在外部控制点的不同程度下也存在显著差异。具体来说,当受访者的外部控制点较高时,间接影响显著为正;而当他们的外部控制点低于平均值一个标准差(-1 SD)时,这种影响并不显著。

为了可视化内部和外部控制中心的调节间接效应,采用了约翰逊-内曼技术,间接效应根据调节变量的水平而变化(如图 4、图 5 所示;Hayes 和 Matthes,2009;林,2020 年)。

  1. 下载:下载高清图片(63KB)

  2. 下载:下载全尺寸图像


图 4. 组织 AI 采用对基于激励的工作塑造的间接影响,通过挑战评估,由内在控制点调节(M 1 )。


  1. 下载:下载高清图片(66KB)

  2. 下载:下载全尺寸图像


图 5. 组织性 AI 采用对以预防为导向的工作设计的间接影响,通过障碍评估,由外部控制点调节(M 2 )。

 结论:


通过整合交易理论,我们探讨了组织 AI 采用如何激发员工的晋升和预防导向的工作塑造,以及在何时产生影响。研究结果表明,组织 AI 采用对挑战/阻碍评估以及后续工作塑造的影响,取决于员工的控制点。对于具有内在控制点的员工,组织 AI 采用会引发挑战评估,并导致晋升导向的工作塑造行为。同时,对于具有外在控制点的员工,组织 AI 采用会引发阻碍评估,导致预防导向的工作塑造行为。


5.1. 理论意义


当前研究通过剖析组织人工智能采用与其员工工作设计行为之间的关系,丰富了现有关于组织人工智能采用的研究。尽管有关人工智能问题的研究在管理领域中日益增多,大多数研究主要集中在个人对人工智能的接受/采用(例如,Choi, 2021;Pelau 等,2021)。实际上,组织人工智能采用代表了工作场所的重大变化,可能对员工产生显著影响。令人惊讶的是,组织人工智能采用与员工工作结果之间的相关性尚未得到广泛研究(Tambe 等,2019)。尽管 Song 等(2022)探讨了员工对机器人感知对其认知/任务/关系工作设计的影响,他们似乎将工作设计视为纯粹的积极行为。本研究还揭示了员工对组织人工智能采用持积极或消极态度的复杂过程中的潜在中介机制和边界条件。

我们揭示了组织 AI 采用对员工的差异化影响,强调了组织 AI 采用对员工影响的复杂机制。此外,现有关于组织 AI 采用的研究主要基于传统技术采用研究的理论基础,探讨其先决条件(Alsheiabni 等,2019 年,Chatterjee 和 Bhattacharjee,2020 年,Pan 等,2019 年)。这项研究为组织环境中的 AI 采用研究提供了一个关于工作压力处理的新理论视角。

第二,根据交易理论,我们发现不同的员工对相同的职场压力源——即组织的人工智能采用——的反应不同。具体来说,组织的人工智能采用导致员工通过挑战评估或阻碍评估,根据员工的控制点(内部 vs 外部)的差异,进行旨在促进或预防的工作设计。尽管先前的研究表明,促进和预防导向的工作设计可能涉及不同的动机过程(Lichtenthaler & Fischbach, 2019),但很少关注它们的起因机制。因此,本研究通过考虑工作环境刺激,来探讨员工促进和预防行为的先决条件,正如 Johnson 等人(2015)的研究中所讨论的。因此,本研究深化了对促进和预防导向的工作设计的知识。

第三,关于组织中人工智能的采用对员工是否产生有益或有害影响的先前研究结果不明确。通过引入员工的控制点作为重要的调节因素,我们广泛探讨了组织人工智能采用的差异化影响。结果表明,组织人工智能采用可以通过挑战和阻碍评估对两种类型的工作塑造产生混合影响。因此,本研究强调了个人特质在组织人工智能采用对员工结果的差异性影响中的价值。此外,尽管许多研究已经探讨了挑战和阻碍压力及其相应的效应(例如,Mazzola 和 Disselhorst, 2019,Webster 等,2010),但很少有研究考虑个人特质来探讨相同压力的不同评估方式。通过揭示具有不同控制点(内部 vs. 外部)的员工对同一压力(组织人工智能采用)的不同评估和应对方式,本研究填补了这一空白。 因此,本研究也扩展了控制点的文献,揭示了根据个体的内在和外在控制点,当面对组织中的人工智能采用时,他们有不同的压力评估经验和工作塑造后果。


5.2. 实践意义


然而,当前的研究表明,组织中的人工智能采用对具有内部和外部控制点的员工产生不同的影响。具体来说,组织中的人工智能采用更有可能在内部员工中引发挑战评估,导致促进导向的工作塑造。相比之下,外部员工倾向于将组织中的人工智能采用视为阻碍,导致预防导向的工作塑造。期望所有员工都是内部员工是不现实的。组织可以尝试改变外部员工对自身对外部环境控制的信念。例如,通过创建轻松的工作环境,组织可以赋予员工更多控制其工作任务的能力(Park & Kim, 2020)。组织还可以通过推广每个人都是自己生活的主宰,通过他们的选择和行动可以改变事物的想法,来增强员工的内部控制点。可以发起创新活动使员工感到被赋权。 此外,具有更高工作自主性的员工拥有更高的自我决定性和动力,并且有不受外部环境控制的感觉(Deci 等人,1989 年),提升员工的工作自主性可能增强他们对组织 AI 采用的积极评价。McGee 等人(2009 年)指出,具有高自我效能感的个体倾向于相信自己有能力成功完成任务。因此,提高员工的自我效能感是面对组织 AI 采用时促进目标导向的工作设计的一个潜在方法。最后,组织应该支持员工,并鼓励对未来职业的确定感,以减少他们对威胁的感知。

鉴于组织 AI 采用已成为不可避免的趋势,管理者应集中精力减轻其对员工的有害影响。由于挑战评估导致了促进导向的工作设计,组织应采取措施激发员工的挑战评估而非障碍评估。一个有效的方法是向员工保证 AI 不会在未来取代他们,通过安排他们参加与 AI 相关的会议,在这些会议上,管理者解释了为何决定采用 AI 以及它将如何应用于工作。相信 AI 的作用是帮助人类员工,而不是取代他们,可能能减轻员工的威胁感知。因此,组织必须强调 AI 只能替代特定任务,而不是整个职位(Wirtz 等,2018)。更重要的是,员工需要被告知他们必须获取或保持 AI 无法掌握的关键知识或技能,并学会与 AI 合作。这样,组织的 AI 采用很可能会被员工视为一个挑战,导致可喜的结果。


5.3. 限制和未来研究


首先,虽然我们采用了时间滞后的方法来减轻反向因果关系和 CMB 的风险,但我们的研究设计无法得出关于因果联系的确定性结论。未来的研究可以使用纵向数据来减少 CMB 的威胁,从而增强它们进行因果推断的能力(Podsakoff 等人,2003)。其次,通过引入交易理论,我们从一个新的理论视角探索了组织 AI 采用对员工的影响,即工作压力过程,为组织行为领域的 AI 采用研究做出了贡献。需要进一步研究使用替代理论框架来探讨这个问题。第三,需要进一步的研究来识别其他边界因素,例如个人的监管焦点。第四,研究的数据收集在中国。由于文化差异可能会影响 AI 采用的结果(Pan 等人,2022),一个有趣的研究领域是探索组织 AI 采用对员工的影响在不同国家之间是否存在差异以及如何影响。第五,当前的研究集中于组织 AI 采用对员工工作设计的影响。 未来的研究可以探讨其他工作结果,例如员工表现和/或适应行为,以及其他与 AI 相关的结果,例如员工对 AI 的接受/拥抱程度,以及工作设计是否作为中介变量或调节变量发挥作用。


数据可用性声明


支持本研究发现的数据可以从相应的作者处,在合理的请求后获取。


作者贡献声明:CRediT


鲍成:调查,概念化,资金获取,方法论,监督,撰写-审阅与编辑。林红霞:概念化,资金获取,撰写-原始草稿,撰写-审阅与编辑。孔玉柔:方法论,软件。


利益冲突声明


作者声明,他们没有已知的可能影响本论文报告工作中的财务利益冲突或个人关系。

 致谢


作者衷心感谢所有资助本研究的组织。本工作得到了中国国家自然科学基金 [项目编号:72102189; 72202182] 的支持;以及中国教育部人文社会科学项目 [项目编号:21YJC630015] 的资助。


附录 A:因子载荷、复合可靠性、平均方差抽取、均值、标准差、偏度和峰度


注:N = 332;CR = 综合可靠性;AVE = 平均方差提取。

References

Cited by (29)

  • How AI awareness can prompt service performance adaptivity and technologically-environmental mastery

    2024, Tourism Management
    Citation Excerpt :

    In this regard, the results confirm that employees may use promotion-focused job crafting to cope with (respond to) AI awareness, subsequently promoting their service performance adaptivity at work. Furthermore, the findings tend to extend the prior research (e.g., Cheng et al., 2023; Liang et al., 2022) by pointing out that the effect of promotion-focused job crafting may spill over into increasing employee personal positive perceptions on the sense of controlling the AI technological environment. The results further support the moderation hypotheses, indicating that servant leadership plays a moderating role in the relationships between AI awareness and self-regulatory job crafting (supporting H5a and H5b), which affects service performance adaptivity and technologically-environmental mastery.

  • Artificial intelligence: an overview of research trends and future directions

    2024, International Journal of Contemporary Hospitality Management
View all citing articles on Scopus
Bao Cheng is an Associate Professor of Management at School of Business Administration, Faculty of Business Administration, Southwestern University of Finance and Economics. His research interests are organizational behavior and human resource management. His academic research work has been published in various academic journals such as Human Relations, Tourism Management, Journal of Business Ethics, The International Journal of Human Resources Management, Journal of Hospitality Marketing & Management and International Journal of Hospitality Management etcetera. Bao Cheng can be contacted at: chengbao@swufe.edu.cn. His address: No. 555, Liutai Avenue, Wenjiang District, Chengdu 611130, Sichuan, China.
Hongxia Lin is an Associate Professor of Management at School of Business Administration, Faculty of Business Administration, Southwestern University of Finance and Economics. Her academic research work has been published in Annals of Tourism Research, Journal of Travel Research, and International Journal of Hospitality Management etcetera. Hongxia Lin is the correspondence author and can be contacted at: linhx@swufe.edu.cn. Her address: No. 555, Liutai Avenue, Wenjiang District, Chengdu 611130, Sichuan, China.
Yurou Kong is a Ph.D. student at School of Management, Xiamen University. Her academic research work has been published in Human Relations, Tourism Management. Yurou Kong can be contacted at: kyrewq@163.com. Her address: No. 422, Siming South Road, Xiamen 361005, Fujian, China.
View Abstract