揭示人工智能转型中的层级不对称性：跨越组织层级的光明面与阴暗面探析

摘要

我们描述了一种可复现的调查方法，旨在探究在人工智能（AI）转型（AX）认知中存在的层级不对称性。高管人员和实践者均需完成一份在Qualtrics平台上进行的经过验证的问卷；分析流程在SmartPLS 4.0中运行，涵盖外模型验证、路径分析、MICOM不变性检验以及基于置换的多组分析（MGA）。

摘要

将高管战略与一线实施相协调的治理结构，依赖于对组织层级如何影响人工智能转型（AX）成功因素认知的理解。我们提出一种经过验证且可复现的基于问卷调查的方法，结合偏最小二乘结构方程模型（PLS-SEM）与多群组分析（MGA），以检测并量化在AX认知中存在的层级不对称性——超越聚合分析，揭示单一群组方法所无法暴露的结构性分歧。基于293名参与人工智能项目的专业人士数据，我们评估了四项动态能力维度——运营敏捷性、数据准备度、客户贴近度和战略流程纪律性，以及若干关键使能因素：技术支撑、对人工智能敏感的风险容忍度、环境背景和主动型领导力。首先通过MICOM检验验证构念的组合不变性；只有在确认群组间可比性后，分析才进入基于置换的MGA显著性检验。两个群组均显示出动态能力与AX绩效之间存在正向关联（高管组：β = 0.637，R² = 0.406；实践者组：β = 0.531，R² = 0.282）。基于置换的MGA未检测到两组之间结构路径系数存在统计学上的显著差异（所有p ≥ .178）；因此，组织职位对路径关系的调节作用假设（H5）未获支持。然而，MICOM第三步3a显示，高管对所有主要构念的评分均显著高于实践者（11个构念中有8个，所有p ≤ .045）——这表明层级不对称表现为认知水平上的差距，而非结构关系本身的差异。作为一种可迁移的方法学模板，该方案为研究组织转型中认知差异的研究者提供了直接关联人工智能治理、变革管理战略以及技术密集型环境中跨层级协同的分析工具。

引言

人工智能的快速发展为商业组织带来了双重局面——一方面存在巨大的价值创造机遇，另一方面也伴随着重大的风险与挑战^1,2。生成式人工智能与传统人工智能技术有望提升生产力、加快创新速度并增强竞争优势³，但同时也引发了关于偏见、就业岗位替代、不平等以及伦理困境等方面的担忧^4,5。这种机遇与风险并存的双重性，要求深入审视组织在推进转型过程中如何审慎应对机会与风险。

越来越多的研究记录了人工智能的变革性影响——优化客户互动、提升运营效率以及增强决策能力^6,7。然而，这些进展也伴随着重大负面影响。人工智能系统中嵌入的歧视与偏见可能固化现有的不平等⁸，自动化威胁就业稳定⁹，而许多算法的不透明性则引发了问责问题¹⁰。人工智能赋能企业与技术较落后企业之间的差距日益扩大，加剧了经济不平等¹¹，同时透明度不足和信任缺失....

方案

所有程序均符合aSSIST大学、水原大学、成均馆大学和东阿大学关于人类参与者研究的伦理标准。由于所有回复在收集时均已匿名化，且任何阶段均未收集个人身份信息，aSSIST大学机构审查委员会（IRB）批准本研究免于全面审查。合作作者所属机构依赖牵头机构的批准，而未另行开展独立的IRB审查；aSSIST大学已核准本研究的设计方案及数据收集流程。在Qualtrics平台中，每位参与者在进入问卷前均会看到一份电子版知情同意声明。该声明阐明了研究的学术目的，确认数据将以匿名方式处理，指出数据仅用于研究用途，并提示本研究不存在可预见的风险；任何未主动表示同意的参与者将被自动退出调查。

研究模型
在我们的研究模型（图1）中，能力在三个前因变量——主动型领导、环境背景和使能因素——与绩效之间起中介作用，而组织地位作为调节变量引入。能力涵盖四个维度：运营与变革能力（RC）、面向人工智能的数据/信息系统准备度（DR）、市场/客户认知（MC）和战略流程纪律性（SP）。使能因素包括技术敏感型创新文化（TS）和人工智能风险容忍度（AS）。

结果

为初步评估共同方法偏差（CMB），进行了Harman单因子检验，结果显示首个未旋转因子解释的方差为30.21%（低于50%的阈值）。尽管该结果初步表明CMB并未主导数据，但需承认Harman检验作为诊断工具的敏感性和特异性有限。为加强程序控制，调查采用了随机化的题项顺序、包含反向计分题项，并保证受访者的匿名性，以降低社会期许偏差。作为额外的结构指标，外模型所有构念的完全共线性VIF值均低于3.3，内模型VIF值介于1.00至3.17之间（环境背景→能力），全部低于Kock（2015）建议的3.3阈值，进一步从结构上排除了共线性引起的膨胀及共同方法偏差。然而，残余CMB的可能性仍无法完全排除，在解释结果时应予以考虑⁶⁷。根据Gaskin等人的方法⁶⁴，依次评估了一阶构念、二阶构念、结构模型及多群组分析。

评估一阶构念
信度和效度已得到验证：Cronbach's α 系数介于 0.689 至 0.832 之间，组合信度介于 0.858 至 0.882.......

讨论

研究结果表明，组织层级与高管和从业者对人工智能转型构念的感知水平差异相关，而非与这些构念之间关系结构的差异相关。三种独立的多群组分析方法——基于置换的MGA（1,000次置换）、Bootstrap MGA（5,000个子样本）⁷⁴以及参数检验与Welch-Satterthwaite检验⁶⁶——均一致发现，结构路径系数在统计上无显著差异（H5未获支持；所有双尾p值> 0.05，各方法结果一致），证实了两组之间的结构等效性。FIMIX-PLS分段分析进一步确认，高管/从业者分组充分捕捉到了主要的异质性来源（BIC = −2,091.0；CAIC = −2,064.0，当k = 2时）^75,76，且熵值较低（EN = 0.364），表明未观测到的残余异质性极小。然而，MICOM第三步分析（Step 3a）显示，高管在大多数构念上的得分持续高于从业者，包括能力、使能因.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
多产（在线参与者招募平台）	Prolific Academic Ltd	https://www.prolific.com/	用于招募调查参与者的在线平台。参与者根据资格标准（例如，在已采用人工智能的组织中当前受雇）进行筛选，并依据 Prolific 的公平支付指南获得报酬。
Qualtrics（在线调查平台）	Qualtrics, LLC	https://www.qualtrics.com/	基于网络的调查平台，用于问卷设计、分发和响应数据收集。所有测量项目均通过 Qualtrics 采用 7 点李克特量表（1 = 非常不同意，7 = 非常同意）进行施测。
SmartPLS 4.0（PLS-SEM 软件）	SmartPLS GmbH	https://smartpls.com/	用于所有偏最小二乘结构方程模型（PLS-SEM）分析，包括外模型评估（组合信度、AVE、HTMT）、内模型路径分析（自举法，5,000 个样本）、MICOM 三步法构型不变性检验（置换检验，1,000 次抽样）以及 PLS-MGA 组间差异检验。