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也使利益相关者关系更加复杂¹²。

尽管关于数字化转型的文献已十分丰富¹³，但由人工智能驱动的转型因其独特性，应被单独加以研究^14,15。Black 等人¹⁶通过动态能力视角识别了实现人工智能赋能商业模式转型的关键推动因素，但其框架并未探讨这些因素在组织不同层级中如何被差异化地认知与实施。鉴于越来越多的证据表明高层战略与实践执行之间存在脱节，这一研究空白显得尤为重要¹⁷。

多层次研究表明，人工智能的采用在组织的不同层级中产生了不均衡的影响，高管与实践人员在感知和经历人工智能转型方面存在显著差异¹⁸。尽管人工智能带来的生产率提升、更精准的决策能力以及新价值的创造已被广泛认可为其优势，但许多组织仍难以将人工智能项目从试点阶段推进至全面实施——尤其是在不同层级之间存在认知与操作鸿沟的情况下。

本研究中，人工智能转型（AX）指将人工智能技术系统性地融入核心运营、战略及价值创造过程的全组织范围流程。按照本研究的定义，AX 涵盖三个相互关联的维度：（1）企业级人工智能战略制定——在组织层面有意识地规划人工智能投资、优先事项及治理机制；（2）人工智能系统的运营部署——在现有工作流程中对人工智能解决方案进行技术采纳、集成与规模化应用；（3）组织变革管理——为大规模实现人工智能的价值创造潜力所必需的人力、文化及结构性调整。本研究旨在填补这一空白，提出以下问题：（1）Black 等人¹⁶所识别的因素是否在不同组织情境中具有实证有效性；（2）高管与实践者在这些关系的认知上是否存在差异——尤其是关于人工智能转型的积极面与消极面。通过引入组织层级作为结构调节变量，我们检验了不同层级在认知人工智能的机遇与风险方面是否存在系统性不对称。研究结果表明，人工智能转型中的促进因素与障碍在不同层级中可能被差异化感知，这对协同与治理策略具有重要启示。

越来越多的学术研究认识到AX的双重特性。Grewal等人¹⁹剖析了人工智能的“光明与阴暗面”，而Belanche等人²⁰则探究了服务领域中的积极与消极影响。Belanche等人²⁰追溯了算法管理所产生的对比效应，Barari等人¹提供了关于人工智能在营销中负面效应的元分析证据。综合来看，这些研究表明，人工智能转型无法仅通过乐观视角加以理解；组织必须同时把握机遇并降低风险。

基于 Black 等人的研究¹⁶，本文考察了四种在应对这种双重性中起核心作用的动态能力：（1）运营与变革能力，即能够同时实现利用与探索²¹；（2）面向人工智能的数据/信息系统准备度，即在应对数据质量与集成挑战的同时，为人工智能部署提供基础设施支持²²；（3）市场/客户认知能力，即在个性化机遇与隐私关切之间实现平衡²³；以及（4）战略流程纪律性，即在不牺牲敏捷性的前提下保障治理有效性²⁴。在此框架中，环境背景、主动型领导力以及促进因素（对人工智能相关风险的容忍度和对技术敏感的创新文化）作为前因变量，共同塑造上述四项能力维度。这些能力进而 collectively 推动人工智能转型绩效。这一从前提变量经由能力到绩效结果的因果链条，构成了模型的核心理论逻辑，而组织角色（高管 vs. 实践者）则作为调节视角，用于考察感知不对称性。

动态能力理论解释了企业如何通过感知、把握和变革，在动荡环境中维持竞争优势²⁵。将这一理论应用于人工智能领域，可使组织在抓住技术机遇的同时，有效控制相关风险。

运行和变革的能力反映了组织在持续运营与创新之间保持平衡的敏捷性。敏捷性有助于快速采用人工智能²⁶，但也增加了过早部署和测试不足的风险。Nguyen 等人²⁷指出，人工智能打破了传统的线性变革模型，转而要求采用迭代式、以反馈驱动的系统。若缺乏审慎管理，由此产生的持续适应可能使组织陷入不稳定状态²⁸。

面向人工智能的数据/信息系统就绪性发挥着基础性基础设施的作用，但真正的就绪性涵盖技术能力与组织挑战两个方面。强大的数据系统能够释放人工智能的价值创造潜力²²，但碎片化的架构和低劣的数据质量可能限制其有效性²⁹。Ghosh³⁰将就绪性描述为一个相互依赖的系统，需要持续适应——既突显了其赋能潜力，也揭示了实施的复杂性。

市场与客户认知使组织能够感知客户需求并打造个性化的体验²³。与此同时，这也引发了隐私担忧以及过度个性化带来的风险。在洞察生成与隐私保护之间取得恰当平衡，是人工智能转型中的一项核心矛盾³¹。

战略性流程规范为人工智能计划提供治理结构，促进目标一致性和责任明确性¹⁶。然而，过度的规范可能抑制创新并减缓适应速度。挑战在于保持足够的结构化程度，同时避免形成官僚障碍³²。

H1：能力与表现呈正相关。

Black 等人¹⁶ 将主动型领导力与被动的“高层管理支持”区分开来，强调领导者应积极塑造战略议程、包容不确定性，并密切监控人工智能的实施过程³³。然而，人工智能转型（AX）中的领导效能取决于能否弥合高层管理者与一线实践者之间的鸿沟。高层管理者负责明确人工智能愿景，并将伦理治理融入其中^34,35，而实践者则通过日常使用工具提供关键的实践经验反馈，揭示高层可能忽视的实际需求³⁶。这种层级间的脱节常表现为高层对战略充满热情，却未能充分关注工作流程整合的挑战和实际应用中的可用性限制。因此，主动型领导力要求双向互动——高层设定战略方向的同时，积极吸纳一线实践者的洞见，以确保人工智能能力与实际运营情况相匹配。这种相互依存关系将促成：

H2. 主动型领导与能力呈正相关关系。

环境背景涵盖了影响组织战略格局的外部力量。行业动态性——由 Black 等人¹⁶定义为变化与竞争的速度和强度——表现为技术复杂性、持续不断的颠覆以及新竞争者的不断涌入，这些因素均要求组织具备敏捷性。高度的动态性加剧了采用人工智能等变革性技术的紧迫性，使得技术采纳速度成为关键差异点³⁷。Singh 等人³⁸展示了动态性如何促发可重构的资源基础型能力的形成，揭示了动态能力如何嵌入组织结构中，以支持或限制创新与适应能力。近期研究强调了环境动态性复杂的双刃特征³⁹，指出其对中国制造业中数字化对商业模式创新的影响具有正向和负向的调节作用；而 Binsar 等人⁴⁰则发现其在印度尼西亚医疗机构的数字化采纳能力与医院绩效之间具有显著的调节效应。因此，环境响应性超越了单纯的外部适应，它要求组织系统、文化与领导力之间的协调一致。据此，我们提出如下假设：

H3. 环境背景与能力呈正相关。

影响组织如何应对人工智能双重特性的两个关键因素是：人工智能风险容忍度和技术敏感型创新文化。人工智能风险容忍度反映了组织在人工智能实验中接受不确定性的意愿。尽管这种容忍度能够推动创新，但也使组织面临潜在失败的风险⁴¹。Zhao 等人⁴²指出，错误管理文化有助于提升服务创新，但若缺乏适当的管理体系，其益处会逐渐减弱。Barrett 等人⁴³强调需要建立风险治理机制，以在实验探索与风险防控之间取得平衡。技术敏感型创新文化在鼓励人工智能采纳与实验的同时，也认识到技术本身的局限性。此类文化促进持续学习和跨职能协作⁴⁴，但也可能促使组织过早采用技术或进行不充分的风险评估。在推动创新与确保负责任实施之间实现恰当平衡，仍是组织面临的一项关键挑战⁴⁵。

H4：促进因素与能力呈正相关。

组织层级对人工智能机遇与风险的认知具有显著影响。高层管理者通常更关注战略层面的收益——竞争优势、市场定位以及长期价值创造³⁵，他们往往以较为乐观的视角看待人工智能，强调其变革潜力。然而，这种立场可能低估了实施过程中的挑战与运营复杂性。相比之下，一线实践者更直接地体会到人工智能的双重性。尽管他们认可效率提升，但每日仍需应对数据质量问题、系统集成障碍以及工作流程中断⁴⁶，因而对人工智能的局限性、风险及非预期后果更为敏感⁴⁷。关于员工认知的研究证实，实践者在亲身体验由人工智能驱动的工作流程变革后，其心理状态呈现出自动化焦虑与效率提升之间的复杂交织⁴⁸。认知科学研究进一步揭示了这些差异：管理者更多依赖适用于处理模糊性的直觉式战略思维，而实践者则采用分析性推理以解决具体操作问题^49,50。这两种认知方式影响了各自对人工智能积极面与消极面的判断。文化认知方面也存在分歧：高层管理者倾向于认为组织文化有利于创新且具凝聚力³⁴，而实践者则报告存在结构性障碍及其影响力有限⁵¹。此类观点差异导致在人工智能采纳策略、伦理框架和风险管理方面出现错位⁵²。中层管理者处于连接战略愿景与运营现实的关键桥梁位置。他们能否有效平衡乐观态度与务实精神，可能与转型成效密切相关⁵³。一旦这一中介作用失效，脱节现象可能加剧，削弱组织的适应能力。

假设5：组织中的职位层级（高管与实践人员）与评估AX相关构念时的感知水平存在系统性差异，预计高管对能力、使能因素和绩效结果的评价更高，反映出他们更强调人工智能转型的"积极面"；相比之下，实践人员更接近运营风险和实施挑战，其评价可能较低。需要强调的是，假设5关注的是感知差异（即组织层级如何影响构念评分水平的差异），而非潜在因果机制的差异。本研究采用横断面调查设计，支持对感知模式和关联关系进行推断；但关于结构调节作用的因果主张需依赖纵向或实验设计，本文并未提出此类主张。

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）。

图1：研究模型。概念性研究模型，展示主动型领导力、环境背景与促进因素（前因变量）之间假设的关系；四项动态能力维度（运营与变革能力、以人工智能为导向的数据/信息系统准备度、市场/客户认知、战略流程纪律）；以及人工智能转型绩效，其中组织角色（高管 vs. 实践者）作为调节变量引入。请点击此处查看该图的放大版本。

研究数据
数据收集通过 Prolific（https://www.prolific.co）进行参与者招募，并通过 Qualtrics（https://www.qualtrics.com）开展并管理在线调查，调查持续两天（2024 年 11 月 24 日至 25 日）。仅限当前受雇并在其组织内积极参与人工智能（AI）相关项目的人员参与。Prolific 的预筛选条件确保符合该标准，且 Qualtrics 中的一道筛选问题进一步确认：“以下哪项最能描述您当前的情况？”——仅选择“我目前受雇并参与过人工智能相关工作”的受访者方可继续。参与者还需在调查开始时通过数字知情同意书确认其年龄至少为 20 岁；未同意者将被自动排除。调查中嵌入了一道注意力检测题（“AI 是 Artichoke Information 的缩写吗？”；正确答案：否），以识别注意力不集中的受访者；若回答错误，调查将自动终止。最终样本包括 293 名专业人士（女性占 50.51%，男性占 49.49%）。根据一道专门问题的回答，受访者被分为两组：“您在公司的人工智能项目中担任什么角色？”，该问题提供五个选项：高管/高级管理层、中层管理层、技术人员/工程师、研究员/科学家、顾问。选择“高管/高级管理层”的受访者被归入“高管组”；选择“技术人员/工程师”、“研究员/科学家”或“顾问”的受访者被归入“实践者组”。中层管理层受访者（n = 81）被划入高管组，理由是中层管理岗位通常直接监督运营团队并参与战略规划，其职能更接近高管层级，而非一线实践。最终分组结果为 112 名高管和 181 名实践者。表 1 总结了人口统计学特征。

表1：人口统计学特征。 293名调查受访者的 人口统计学概况，包括性别、年龄、行业和组织角色，并按用于多组分析的两个层级群体进行划分（高管组，n = 112；从业者组，n = 181）。请点击此处下载该表格。

测量方法
所有调查项目均采用七点李克特量表进行测量，范围从“强烈不同意（1）”到“强烈同意（7）”。为验证概念的清晰性及对目标专业人群的适用性，使用Prolific平台上的30名参与者进行了预测试，这些参与者报告其所在组织中正积极参与人工智能相关项目。预测试结果导致其中两个被参与者认为含义模糊的条目进行了措辞上的微调，但量表结构未作任何改动。假设检验采用基于偏最小二乘法的结构方程模型（PLS-SEM），在SmartPLS 4.0软件中进行估计。本研究的三个特征决定了该方法的选择。第一，能力（Capabilities）与使能因素（Enablers）均被操作化为形成性二阶构念，而此类构念更适合采用基于方差的估计方法，而非基于协方差的结构方程建模。第二，人工智能转型中的感知不对称性属于新兴研究领域，成熟的测量规范仍在发展中；在此类情况下，相较于确认性拟合指标的优化，预测导向的分析更为合适。第三，高管组与实践者组在样本量上存在显著差异（高管组 n = 112；实践者组 n = 181），而基于方差的估计方法不受基于协方差方法所要求的最小样本量限制。此前关于数字化转型的实证研究已广泛采用此类分析方法。

在 SmartPLS 4.0 中，PLS 算法配置为路径加权，最大迭代次数为 300 次，收敛标准为 10⁻⁷。Bootstrap 分析采用 5,000 个子样本，偏差校正加速（BCa）置信区间，无符号变化，并执行完全 Bootstrap。对于两阶段方法，第一阶段的潜变量得分通过在一级测量模型上运行 PLS 算法获得（计算 → PLS 算法）；随后导出这些得分（结果 → 潜变量得分），并在第二阶段将其作为二级构念的显性指标使用。基于置换的多群组分析（MGA）通过“计算 → 多群组分析 → 置换”执行，设置 1,000 次置换，双尾显著性水平为 0.05。MICOM 检验通过“计算 → 置换 → MICOM”进行，同样使用 1,000 次置换。FIMIX-PLS 分段分析通过“计算 → FIMIX-PLS”执行，设置 10 次重复，并采用固定随机种子以确保可重复性^{46,54,55,56,57,58,59}。在本研究背景下，PLS-SEM 具有双重功能：评估全样本中构念层面的路径关系，并通过 MGA 支持组间比较。路径层面的结果还揭示了值得进一步理论探讨的模式⁶⁰。

在本研究中，能力（Capabilities）和使能因素（Enablers）均被操作化为形成性二阶构念。能力聚合了四个一阶维度：重构能力、面向人工智能的数据与系统准备度、市场与客户贴近度，以及战略流程纪律性。使能因素则整合了两个一阶维度：对人工智能敏感的风险容忍度和技术敏感的创新文化。二阶形成性构念的估计采用了偏最小二乘结构方程模型（PLS-SEM）中针对高阶模型推荐的两阶段法⁶¹。该方法不同于重复指标法：两阶段法并非在单次估计中将所有一阶指标复制到二阶层面，而是首先根据各自对应的指标集生成每个一阶构念的潜变量得分（第一阶段），然后在第二阶段将这些得分作为显性输入变量用于相应的二阶构念。这种顺序估计方法可避免当所有题项在同一单阶段高阶模型中同时出现时可能产生的跨构念指标膨胀问题^62,63,64。因此，两阶段法能够避免在单阶段估计中因采用重复指标法而导致的参数膨胀和估计偏差⁶⁴。为检验假设H5，采用了基于置换的多群组分析（PLS-MGA）^65,66，以检验结构关系——即能力与绩效之间的关系（H1）、主动型领导与能力之间的关系（H2）、环境情境与能力之间的关系（H3），以及使能因素与能力之间的关系（H4）——在按组织职位分类的不同群组间是否存在差异（H5）（图2）。本研究使用SmartPLS软件内置的PLS-MGA功能进行该分析。问卷内容见表2。

表2：问卷。 完整的测量工具，列出了11个一阶构念的所有反射性条目、其来源参考文献，以及每个条目所采用的七点李克特量表。请点击此处下载该表格。

在最终的问卷中插入了两个注意力检查题目，用于筛选出未正确作答的参与者（例如：“以下哪个问题最能描述您当前的情况？”）。如果参与者其中任一题回答错误，问卷将立即终止。

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。