智能AI如何重塑工作：认知盈余、心理安全与人工智能-人类任务再分配的作用

Jae Soo Han; Cheong Kim

doi:10.3791/71797

研究文章

智能AI如何重塑工作：认知盈余、心理安全与人工智能-人类任务再分配的作用

DOI：

10.3791/71797

⸱

2026年8月4日

Jae Soo Han¹ , Cheong Kim¹^,²

¹Seoul Business School, aSSIST University, ²Department of Management Information Systems, Dong-A University

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本方案描述了一种基于问卷调查的工作流程，用于研究331名员工中主体性人工智能技术特征与认知盈余、心理安全感以及人机任务重新分配之间的关系。采用偏最小二乘法结构方程模型并结合多组分析，揭示了领导者与普通员工之间的角色差异。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究探讨了具身智能体人工智能（Agentic AI）的技术特征如何关联组织中员工的心理状态与行为反应。基于工作需求-资源（JD-R）理论和资源保存（COR）理论，我们将Agentic AI技术特征（AITC）概念化为一个高阶构念，包含自主规划、多工具协同和主动反馈三个维度，并提出这些特征作为工作资源，与更高的认知盈余和心理安全感相关，进而影响人机任务再分配。我们进一步探究了领导者与普通员工之间这些关系的差异。通过在线调查平台，采用目的性非概率抽样方式从研究小组招募参与者，开展了一项横断面匿名在线问卷调查；纳入标准限定为具有当前或过往与AI相关工作经验的成年人，经过筛选并排除注意力测试未通过的答卷后，最终获得331名员工的有效样本（其中领导者171人，普通员工160人）。所有构念均采用经过验证的量表，并根据Agentic AI情境调整为7点李克特量表进行测量。数据分析采用偏最小二乘结构方程模型（PLS-SEM），对二阶构念应用两阶段法，通过5000次重复抽样进行自举法检验直接与间接效应，并使用多群组分析（MGA）比较领导者与普通员工的差异。测量模型显示出可接受的信度与效度，结构模型结果支持理论预期的资源增益模型：AITC与认知盈余、心理安全感及任务再分配呈正向关联，存在显著的中介路径，且领导者群体中AITC与资源之间的关联更强。本研究聚焦于心理机制而非技术性能，拓展了新兴的Agentic AI研究，并为基于角色差异的人工智能采纳策略提供了实践启示。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

智能体人工智能（Agentic AI）的兴起正在重新定义人工智能在各行业和组织运作中的角色¹^,²。智能体人工智能可被定义为一种先进的人工智能形式，能够感知动态环境，通过推理机制自主设定目标，并在极少人类监督的情况下协调一系列行动³^,⁴。它在三个方面区别于传统人工智能（包括常规的生成式AI工具）：其一是自主性，因为智能体系统以最少的人工干预追求目标，而非执行预设的程序化规则⁵^,⁶；其二是核心功能，因为其目的在于自动化复杂的流程，而非单一任务⁷；其三是架构，因为它协调多个大语言模型、应用程序编程接口（API）和智能体，而非依赖单一模型⁷。这些能力基于本研究探讨的关键技术特征⁸^,⁹。自主规划（AP）指系统在给定用户目标后，能独立将其分解为子任务，并在约束条件变化时调整计划¹⁰；例如，员工只需提供一行指令，即可获得一个可行的多步骤项目计划。多工具协同（MTO）指系统能够选择、排序并整合外部工具和API¹^,¹¹^,¹²；例如，结合网络搜索、文档编辑器和数据分析工具生成一份连贯的报告。主动反馈（PF）指系统能在被提示前主动标记错误、缺失信息和潜在风险假设¹⁰^,¹³；例如，在任务执行过程中提醒员工注意验证或合规检查点。我们聚焦于这三个特征，统称为智能体人工智能技术特征（AITC），因为它们是在日常工作中区分智能体AI与传统AI的功能性能力⁷^,¹⁰；诸如透明性、可控性和可解释性等属性虽普遍影响AI信任，但并非智能体范式所特有，因此我们将其视为未来研究的边界条件，而非核心维度。

尽管具身人工智能（Agentic AI）在工作场所迅速普及，现有文献主要关注其技术架构、运行效率和任务自动化能力，而相对较少探讨这些特征如何重塑员工的心理状态和行为反应¹⁴^,¹⁵。这一缺失至关重要，因为人类与人工智能之间的任务重新分配并非纯粹的技术调整，而是一个嵌入心理和组织层面的过程：员工必须挑战现有的工作流程，重新界定角色边界，并接受与智能系统协作的新形式¹⁶^,¹⁷。这些变化并不会因先进技术的出现而自动发生。因此，本研究的目的有三：检验具身人工智能技术特征（AITC）是否作为与认知盈余、心理安全以及人机任务再分配相关的工作资源；探究认知盈余和心理安全的中介作用及序列中介作用；并考察这些结构关系在领导者与普通员工之间是否存在差异。本研究的新颖之处体现在三个方面。第一，本研究在工作需求-资源（JD-R）框架下，将具身人工智能的技术特征——自主规划、多工具协同和主动反馈——概念化并操作化为一种高阶工作资源，而非将人工智能的采用视为无差异的背景因素。第二，本研究引入“人机任务再分配”作为特定领域内由技术驱动的任务重塑形式，区别于一般性的岗位重塑以及自上而下的数字化转型结果。第三，据我们所知，本研究首次提供了多组证据，表明具身人工智能在生成资源方面的关联性在领导者与员工之间存在系统性差异。

该理论依据整合了工作需求-资源（Job Demands-Resources, JD-R）理论与资源保存（Conservation of Resources, COR）理论。JD-R 理论认为，所有工作均包含工作需求和工作资源：工作需求指工作中需要持续付出体力、情绪和认知努力的方面；工作资源则是能够减轻工作需求、支持目标达成并促进个人发展的因素；二者之间的平衡决定了员工的投入度、幸福感和工作绩效¹⁸^,¹⁹。COR 理论则补充了一个动态机制：个体致力于获取、维持和保护其珍视的资源，而积累的资源会引发“增益螺旋”，即已有资源被再投资以获取更多资源²⁰^,²¹^,²²。从这一整合视角出发，人工智能代理技术（AITC）不仅可被视为技术特征，更可被概念化为一种新型的工作资源：通过承担诸如规划和诊断分析等重复性高且认知负荷大的任务，代理系统可降低工作需求，从而节约员工的认知能量和时间¹⁵^,²³。我们将认知盈余（cognitive surplus, CS）定义为：当常规任务被委派给技术系统后所释放出的认知能量和自由支配时间的储备，这些资源可被再投资于集体参与、协作以及新价值的创造²⁴。因此，CS 在概念上不同于工作投入（一种情感-动机状态），也不同于单纯的时间可得性，因为它在 COR 理论意义上指的是一种可转化的个人资源存量²⁰^,²⁴。CS 同样区别于心理脱离与恢复过程（涉及工作之外耗竭能量的修复）以及时间充裕感（指主观上感到拥有足够时间）；CS 特指在工作过程中仍可被再利用的已释放的认知能力。从 COR 理论角度看，积累的 CS 代表一种资源增益，应通过缓解疲惫和职业倦怠来促进职业幸福感；而若这些盈余被额外的常规任务所占用，则意味着资源损失²⁰^,²³^,²⁴。节约下来的时间是否真正转化为盈余，可能取决于个体特征（如人工智能素养）、可能将节省时间重新填满为额外任务的工作负荷规范，以及组织文化；因此，我们将资源增益路径视为一个有待检验的假设，而非既定前提。

H1：AITC 与 CS 呈正相关关系。

心理安全感（PS）被定义为个体相信其工作环境允许进行人际风险行为，例如承认错误、寻求帮助以及挑战现状²⁵^,²⁶。尽管心理安全感通常被作为团队层面的氛围进行研究，但本研究将其概念化并测量为个体层面的感知，这与我们个体层面的问卷设计一致²⁷^,²⁸。当自主性系统提供以学习为导向的反馈和支持性工具时，尝试新方法和暴露错误的人际成本可能会降低，因为员工可以在将工作成果展示给他人之前进行测试和修正²⁶^,²⁸。然而，我们也承认相反的动态是可能的：当自主性系统被用于监控或追责时，个体感知到的人际风险和不信任感可能会增加²⁹^,³⁰。由于本文所考察的系统特征本质上是辅助性的而非评估性的，我们假设其与心理安全感呈正向关联，同时将这种双向可能性视为重要的边界条件。

H2：AITC 与 PS 呈正相关。

我们将人工智能与人类任务再分配（AHTR）定义为员工主动在自身与人工智能系统之间重新分配任务，将常规性工作委派给人工智能，同时拓展自身的战略性与创造性职责。我们将AHTR视为一种特定领域的岗位重塑形式。根据Tims与Bakker基于工作需求-资源模型（JD-R）的理论，岗位重塑包括增加工作资源、提升挑战性需求以及降低阻碍性需求¹⁷^,³¹；而在Wrzesniewski与Dutton的分类体系中，岗位重塑包括任务重塑、关系重塑和认知重塑³²。AHTR最接近于通过技术实现的任务重塑：将常规任务转移给AI，既减少了阻碍性需求，又激活了一种新的工作资源¹⁷^,²³^,³²。它比一般的数字化转型结果更为具体，因为它聚焦于员工自主发起的任务边界调整，而非自上而下的组织重构³³。我们优先关注任务再分配，而非关系重塑与认知重塑，因为任务的重新分配是员工与能动性系统之间最直接的行为接口，在早期采用阶段即可被直接观察，而关系与认知层面的重塑通常作为后续适应性行为才逐渐显现³¹^,³²。不同于以往将AI采用视为一般性岗位重塑背景前因的研究¹⁶^,³⁴，我们将任务再分配本身建模为核心重塑行为。由于此类再分配会打破既有的工作流程，员工更可能在具备足够认知资源以重新设计工作内容，并在心理上感到安全、愿意承担相应人际风险时实施该行为¹⁶^,³⁴。根据资源保存理论（COR）的增益螺旋逻辑，心理安全感还作为一种情境资源，有助于保护并放大认知盈余的积累²²。

H3：CS 与 AHTR 呈正相关。

H5：PS 与 AHTR 呈正相关。

H6：PS 与 CS 呈正相关。

H9：AITC 与 AHTR 呈正相关。

综合这些论点，AITC 不仅可能通过认知盈余和心理安全的资源获取路径间接关联 AHTR，还可能直接与 AHTR 相关。

H4：CS 介导了 AITC 与 AHTR 之间的关系。

H7：PS 介导了 AITC 与 AHTR 之间的关系。

H8：PS 和 CS 依次介导 AITC 与 AHTR 之间的关系。

最后，员工对能动性人工智能（Agentic AI）的解读和反应并不一致。Gibson、Cooper 和 Conger 将领导者与其团队之间的感知距离描述为对相同组织目标的认知差异，这种差异源于信息获取、问责机制、风险暴露程度以及工作经验方面的不对称³⁵。基于这一观点，领导者与员工在人工智能采纳过程中处于结构性不同的位置：领导者承担战略责任，倾向于将人工智能视为提升生产力和实现数据驱动决策的增强型资源；而员工则相对更容易面临与自动化相关的职位不安全感以及学习负担过重的问题²⁰^,³⁰。我们将这些模式视为需要通过实证检验的倾向，而非任一群体的固定特质。此类基于角色的差异可能在 AITC、CS、PS 与 AHTR 之间的关系中产生异质性模式，但目前明确捕捉这些群体差异的实证研究仍然有限。

H10a：AITC 与领导者和员工的 CS 和 PS 之间的关联存在差异。

H10b：PS 和 CS 与 AHTR 的关联在领导者与员工之间存在差异。

以下方案描述了从参与者招募与筛选，到问卷施测、数据清洗、测量效度检验、结构模型估计、中介效应分析以及多群组分析（MGA）（图1）的完整工作流程，以确保该研究过程可被独立重复。研究模型如图2所示：AITC被建模为一个二阶构念，包含AP、MTO和PF三个组成部分，其对AHTR具有直接和间接影响，间接路径通过CS和PS实现，且PS也与CS相关；领导与员工的角色差异通过多群组分析（MGA）进行检验。

说明在参与者招募、数据清洗和模型验证中人工智能研究过程的流程图
图1。整体研究设计工作流程。完整研究方案的示意图。通过在线调查面板采用目的性非概率抽样方式招募参与者，并筛选具有人工智能相关工作经验的个体；符合条件的受访者完成了一份匿名问卷，所有构念均采用7点李克特量表进行测量。在数据清洗后（剔除筛选失败、注意力检查失败以及完成时间不合理过短的样本；最终有效样本量 N = 331），对测量模型进行了验证（信度：Cronbach's α、组合信度；收敛效度：平均方差提取量；区分效度：HTMT 和 Fornell-Larcker 准则），并通过两阶段法验证了二阶构念，最后使用5,000次自助法重抽样估计了结构模型、中介路径以及领导者与普通员工的多组比较分析。请点击此处查看该图的放大版本。

智能体AI框架示意图；认知盈余、心理安全感、任务重新分配过程。
图2．提出的研究模型。假设关系的概念模型。智能体AI技术特征（AITC）是一个二阶构念，包含自主规划（AP；系统将目标分解为子任务并修订计划的能力）、多工具协同（MTO；选择、排序和整合多种工具与API的能力）以及主动反馈（PF；在无提示情况下标记错误和风险的能力），假设其与认知盈余（CS；当常规任务被委派给AI后所释放的认知能量和自由时间储备）、心理安全感（PS；个体感知到工作环境中可安全进行人际风险行为）以及AI-人类任务重新分配（AHTR；员工主动在自身与AI之间重新分配任务的行为）呈正相关（H1、H2、H9）。假设CS和PS与AHTR呈正相关（H3、H5），PS与CS呈正相关（H6），且CS和PS分别单独及顺序中介AITC与AHTR之间的关系（H4、H7、H8）。箭头表示假设的结构路径；H10a/H10b表示通过多组分析检验的领导者与员工之间的差异假设。请点击此处查看该图的放大版本。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所有操作均按照aSSIST大学和东国大学涉及人类参与者的研究所规定的伦理标准进行。由于所有回复在收集时均已匿名化，且在任何阶段均未收集个人身份信息，aSSIST大学机构审查委员会认定，根据《大韩民国生物伦理与安全法》第15条及其施行规则第13条，本研究无需接受全面审查。调查开始前设有信息告知与知情同意页面，说明仅限当前受雇并参与人工智能项目的人员参与，同时阐明研究目的，解释参与的自愿性、回复的匿名性以及数据的预期用途；只有明确表示同意的受访者方可进入问卷部分。知情同意页面详见补充文件1。

样本量确定

在数据收集前，使用 G*Power 3.1.9.7（RRID: SCR_013726）对线性多元回归模型进行先验统计功效分析，指定模型中指向单一内生构念的最大预测变量数；在本研究中，AHTR 由三个构念（AITC、CS 和 PS）预测。设定中等效应量（f² = 0.15），α = 0.05，统计功效为 0.80 时，所需最小样本量为 77 例；G*Power 分析协议输出结果见补充文件 2。同时采用 PLS-SEM 的逆平方根法对最小样本量进行交叉验证³⁶，该方法要求约 155 例样本，才能在 5% 显著性水平和 80% 功效下检测到约 0.20 的最小标准化路径系数。最终，设定的招募目标显著超过上述两个最小值，以支持对间接效应进行自举法检验以及分样本多组分析；最终样本量为 N = 331（领导者 n = 171，员工 n = 160），各子组均满足最小样本量要求。

受试者招募与筛选

通过在线研究小组采用目的性非概率抽样方式招募参与者；即样本被有意限定为满足预先设定的实质性标准的受访者——当前或曾经从事与人工智能（AI）相关的工作经历，而非从一般人群中随机抽取。受访者资格限定为年满18岁及以上者。在主问卷开始前，通过筛选问题“以下哪一项最能描述您当前的情况？”来界定与AI相关的工作经历；只有选择“目前受雇且正在从事与AI相关工作”的受访者方可继续参与，其余选项（受雇但未参与AI工作；未受雇但曾参与AI工作；未受雇且未参与AI工作）将立即被排除。数据收集于2026年2月8日（10:28–13:30）单次会话中完成，参与者根据平台的公平支付政策获得每小时6.98英镑的报酬。通过平台的唯一参与者标识符及调查平台的重复响应防止设置，避免了重复参与。记录了每个阶段的受访者数量，以记录纳入/排除流程：共记录537份响应；其中151份因未通过筛选问题被排除（剩余386份）；40份因未通过注意力检测（包括直线作答）被剔除（剩余346份）；另有15份因完成时间极不合理（少于约180秒）被剔除，最终获得有效样本量N = 331。

标准化定义与调查说明

参与者被告知，该调查旨在研究能动性人工智能（Agentic AI）可能对组织及其成员产生的影响。在调查开始时，所有参与者均会看到一段关于能动性人工智能的简要标准化定义，该定义与引言部分提供的定义一致：即一种先进的人工智能系统，其特征是具备自主规划、多工具协同以及主动反馈能力，能够在人类有限监督下执行目标导向的行为（图1，步骤2）。仅限当前受雇且参与人工智能项目的受访者参与，以确保其具备回答问卷所需的与工作相关的实际背景。调查未设置单独的理解检验题目；因此，该标准化定义仅作为情境引导，而非经过验证的理解检查。要求参与者根据其在组织环境中使用或与此类能动性人工智能系统协作的实际经验，逐项作答。

调查工具的开发与实施

该问卷基于已验证的测量量表，并针对自主型人工智能（Agentic AI）组织情境进行了调整。表1列出了所有题项、其来源量表及描述性统计：AP、MTO和PF题项改编自近期关于自主型人工智能的概念化研究⁷^,⁸；CS题项改编自生成式人工智能认知资源相关研究³⁷；PS题项改编自Plomp等人的研究³⁸；AHTR题项则改编自基于JD-R模型的工作重塑量表¹⁷^,³⁹，并针对任务重新分配情境进行了调整。所有构念均采用7点李克特量表进行测量，取值范围从1（“强烈不同意”）到7（“强烈同意”）。问卷结构分为多个模块，依次涵盖知情同意页、筛选问题、AITC题项（AP、MTO、PF）、CS、PS、AHTR以及人口统计学与控制变量特征；问卷还包含其他额外量表（人工智能素养和角色广度自我效能），这些量表超出本研究模型的范围，虽已收集但未在此分析，报告以保证透明度。问卷通过在线调查平台发布，禁用返回按钮以防止受访者修改先前答案，且各模块内题项按固定顺序呈现。中位完成时间为7分44秒。问卷中嵌入了两个指令性反应注意力检查题项，作为调查流程的分支逻辑：若回答错误，则自动终止问卷。这两个题项分别为：（i）事实核查题，“AI是否为Artichoke Information（洋蓟信息）的缩写？”（正确答案：否）；（ii）量表理解核查题，确认受访者了解其回答将记录在从“强烈不同意”到“强烈同意”的7点李克特量表上。在正式施测前，先对124名受访者进行了预测试，以评估问卷题项的清晰度、整体流程、完成时长以及问卷的可行性；同时审查完成时间，以识别异常短的作答，并确认问卷长度是否适合目标受访者群体。预测试未发现任何需要修改题项措辞的问题，因此在正式调查前未对文字进行任何更改。此外，还使用偏最小二乘结构方程模型（PLS-SEM）对预测试数据进行了分析，作为初步的效度验证程序，用于评估指标表现、构念信度、收敛效度、区分效度、共线性以及所提出结构关系的合理性；分析结果支持该测量工具适用于正式调查。

构念		条目	问题	均值	标准差	方差膨胀因子	来源
AITC	AP	AP1	当我设定一个目标时，人工智能会协助制定多步骤计划以实现该目标。	5.81	0.9	1.44	Abou Ali, M., et al. (2025) ; Sapkota, R., et al. (2025)
		AP2	当约束条件或需求发生变化时，人工智能能够调整其计划。	5.75	0.99	1.37
		AP3	人工智能能够将复杂工作分解为可管理的子任务，而无需逐步指导。	5.33	1.37	1.33
	MTO	MTO1	人工智能能够结合多种工具或应用程序（例如搜索、文档、数据工具）来完成任务。	5.69	1.11	1.5
		MTO2	人工智能会建议合适的工具，并按正确顺序使用这些工具以产出成果。	5.36	1.04	1.64
		MTO3	人工智能有助于将不同工具的输出整合为一个连贯的结果。	5.61	1.01	1.63
	PF	PF1	人工智能会主动指出我工作中存在的错误、缺失信息或存在风险的假设。	4.9	1.44	1.68
		PF2	在明确要求反馈之前，人工智能会主动提出改进建议。	5.07	1.38	1.85
		PF3	人工智能会提醒我注意检查点（例如验证、合规性、质量），以防止返工。	5.02	1.4	1.6
CS		CS1	使用人工智能使我节省了脑力，从而能够专注于更复杂且更有意义的工作。	5.59	1.28	2.07	Liu, Y., Sheng, F., & Liu, R. (2025)
		CS2	自从使用人工智能以来，我有更多时间用于战略思考和解决问题。	5.61	1.23	2.38
		CS3	常规任务的工作量显著减少，使我有更多思维空间开展新项目。	5.42	1.28	2.23
		CS4	由于人工智能处理了重复性任务，我在工作日结束时感觉精神上不那么疲惫。	5.15	1.5	1.91
PS		PS1	在我的工作场所，以新方式使用人工智能承担风险是安全的。	4.74	1.37	1.52	Plomp et al. (2019)
		PS2	我的主管鼓励对人工智能进行试验，并能容忍错误。	4.52	1.61	1.68
		PS3	如果我对团队中人工智能的使用方式有顾虑，我会感到可以放心表达。	5.48	1.24	1.32
		PS4	当我尝试使用人工智能的新工作方式时，我的同事会给予支持。	5.26	1.32	1.48
		PS5 (排除)	如果我在工作中提出人工智能的创新用途，我不担心会带来负面后果。	4.47	1.59	1.23
AHTR		AHTR1	我有意识地将常规任务（例如数据录入、报告格式化）转移给人工智能，以便专注于更高价值的工作。	5.12	1.35	1.68	Tims, M., & Bakker, A. B. (2010); Li, W. et al. (2024)
		AHTR2	我积极寻找机会，利用人工智能处理我以前手动完成的任务。	5.58	1.28	1.84
		AHTR3	自从使用人工智能以来，我承担了新的或扩展的职责，更具战略性和创造性。	5.18	1.3	1.58
		AHTR4 (排除)	我会与主管协商哪些任务应由人工智能处理，哪些应由我本人完成。	4.09	1.65	1.23
		AHTR5	我通过将常规工作重新分配给人工智能，重新设计了我的工作内容，使自己得以从事更有意义的任务。	4.92	1.35	1.67

表1：测量项目、来源、描述性统计及完全共线性评估。 完整的调查工具。每个项目均列出了其构念（AITC维度：AP、MTO、PF；CS；PS；AHTR）、项目编号、措辞、均值、标准差（STDEV）、完全共线性方差膨胀因子（VIF；VIF值<3.3表明不存在共同方法偏差污染），以及所借鉴的原始量表来源。所有项目均采用7点李克特量表进行测量（1 = 非常不同意，7 = 非常同意）。在测量模型评估过程中，由于外载荷较低，PS5和AHTR4被删除。AITC = 主动型人工智能技术特征；AP = 自主规划；MTO = 多工具协同；PF = 主动反馈；CS = 认知盈余；PS = 心理安全感；AHTR = 人工智能与人类任务再分配。请点击此处下载该表格。

数据准备与清洗

原始数据以 CSV 格式导出。未能通过筛选标准或任一注意力检查题目的样本均被排除，存在大量缺失数据的回应亦被排除（强制回答设置最大限度减少了问卷内的缺失值）；各阶段相应的排除数量记录于方案第 2 部分（537 个记录 → 保留 331 个）。对保留的数据进行一致性检查，并筛查不认真作答的模式：通过注意力检查剔除直线型作答回应，完成时间不合理地过短（约少于 180 秒）的回应也被排除。随后根据 表 2 对变量进行编码分析（例如，角色：领导者 = 1，员工 = 0；性别：男性 = 1，女性 = 0），分类控制变量（如行业）采用 k-1 虚拟变量编码，最终数据集导入 PLS-SEM 软件。每个变量与其题项文本、编码方式及对应构念的代码本作为 补充文件 2 提供。

测量模型评估

使用PLS-SEM软件，将每个观测项目分配至其对应的潜在构念，并将所有一阶构念（AP、MTO、PF、CS、PS、AHTR）设定为反射性构念。AITC被设定为一个二阶构念，包含AP、MTO和PF，并采用两阶段法进行估计⁴⁰^,⁴¹^,⁴²：首先获得一阶构念的潜在变量得分，然后将其（AP_LVS、MTO_LVS、PF_LVS）作为AITC的形成性指标。PLS算法采用路径权重方案，最大迭代次数为3,000次，收敛阈值设为10⁻⁷。内部一致性信度通过Cronbach’s α和组合信度（CR）0.70的阈值进行评估⁴³，在新兴研究情境下的短量表中，α值介于0.5–0.6被视为勉强可接受⁴³；收敛效度通过平均方差提取量（AVE）0.50的阈值进行评估⁴⁴；区别效度则通过异质-单质比值（HTMT <0.85，保守阈值）⁴⁵和Fornell-Larcker准则⁴⁴进行评估。当信度或收敛效度标准未达标时，检查外部载荷，并在保持内容效度的前提下移除表现不佳的指标，每次移除及其理由均予以记录；在本研究中，由于PS5和AHTR4的外部载荷较低，将其移除，从而改善了PS和AHTR的收敛效度。

结构模型与中介效应分析

结构路径根据研究模型确定（图2），并使用内模型方差膨胀因子（VIF）检验预测变量构念间的共线性 < 5.0)³⁶ 完全共线性方差膨胀因子（VIFs）<3.3)⁴⁶^,⁴⁷路径显著性通过5,000次重复抽样进行自助法检验，采用百分位置信区间和双尾检验；结果包括标准化路径系数（β）、样本均值（M）、标准差（STDEV）、t值、p值、95%置信区间以及R²，以及效应量（f²) 被报告。使用PLSpredict进行10折交叉验证并重复10次，以评估样本外预测能力；针对每个内生性指标，计算Q²预测>0 表示具有预测相关性）进行检验，并将偏最小二乘结构方程模型（PLS-SEM）的预测误差（均方根误差 RMSE 和平均绝对误差 MAE）与线性模型（LM）基准进行比较⁴⁸在中介分析中，指定了AITC通过CS、通过PS以及通过PS→CS序列路径对AHTR的间接效应，并使用自举分布（5,000次重采样）评估每种特定的间接效应；当其95%置信区间不包含零时，判定该间接效应具有统计学显著性。

多组分析

根据受访者自报的组织角色，将其分为领导者组和员工组（角色：领导者 = 1，员工 = 0；表2）；其中领导者组包括团队负责人/主管、经理/部门主管以及高管/高级管理层，员工组则包括普通职员。在比较路径系数之前，采用复合模型测量不变性（MICOM）程序验证了各组之间的测量不变性⁴⁵。第一步（构型不变性）通过在各组中设定相同的模型结构得以满足；第二步（组成不变性）在所有构念上均得到支持，原始相关系数均达到或高于其5%分位数，且置换检验的p值无统计学意义（AHTR c = 0.999，p = 0.524；AITC c = 0.954，p = 0.205；CS c = 1.000，p = 0.800；PS c = 0.976，p = 0.073），表明满足部分测量不变性，支持进行多组比较（完整的MICOM结果见补充文件3）。随后，分别对每组估计模型，并使用基于自助法的PLS-MGA检验路径差异，报告各路径领导者与员工之间差异（Δ）的单尾和双尾p值；同时报告所有直接和间接路径的组别特异性路径系数、t值、p值以及组间差异的大小。

报告、验证与故障排除

汇总了所有信度、效度、结构、中介效应和多群组分析（MGA）的输出结果；导出了结果表格；并逐项核对所有报告的统计值与软件生成的输出结果，以确保表格、图表与正文之间的一致性。针对问题排查，应遵循以下指南：若大量应答未能通过筛选或注意力检查，应优化准入标准并明确调查说明；若信度（CR < 0.70）或聚合效度（AVE < 0.50）未达标，应审查外部载荷并剔除载荷较弱的指标，同时保持理论覆盖的完整性；若发现共线性问题（VIF 超过阈值），应重新评估构念设定并删除冗余指标；若中介效应或组间效应不显著，应在解释前重新检查样本量的充分性及构念的操作化定义；并使用足够数量的自举重抽样（例如，5,000 次）以稳定估计结果。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

参与者特征

表2展示了最终样本（N = 331）的人口统计学特征。样本中男性占65.0%，女性占35.0%；领导者（51.7%，n = 171）与普通员工（48.3%，n = 160）的比例相对均衡。年龄分布以30岁以下者最多（46.5%），其次为31–40岁（32.0%）；76.4%的受访者拥有学士或研究生学位。受访者来自多个行业，以科技与电信行业为主（46.2%），所在组织规模亦具多样性。该样本特征与本研究有目的地聚焦于积极参与人工智能相关工作的员工相符。

特征	类别	频数 (n)	%	累积 %
性别	男性 (1)	215	65	65
	女性 (0)	116	35	100
年龄	≤30	154	46.5	46.5
	31–40	106	32	78.5
	41–50	44	13.3	91.8
	≥51	27	8.2	100
职务	领导者 (1)	171	51.7	51.7
	员工 (0)	160	48.3	100
教育程度	高中	34	10.3	10.3
	大专	44	13.3	23.6
	本科	142	42.9	66.5
	研究生	111	33.5	100
行业	科技、电信、信息与通信技术 (ICT)	153	46.2	46.2
	专业服务（咨询、法律、会计）	38	11.5	57.7
	制造业/工业	37	11.2	68.9
	金融服务	30	9.1	77.9
	医疗保健	30	9.1	87
	公共部门	24	7.3	94.3
	零售业	19	5.7	100
企业规模	少于50人	72	21.8	21.8
	50–99人	36	10.9	32.6
	100–499人	85	25.7	58.3
	500–999人	46	13.9	72.2
	1000–4999人	50	15.1	87.3
	5000人及以上	42	12.7	100
总计		331	100	100

表2：最终样本的人口统计学特征。 331名受访者在性别、年龄、组织角色、教育程度、行业和企业规模方面的分布。n = 频数；% = 占总样本的百分比；累积% = 每一特征内的累积百分比。类别列中括号内的数值表示分析中使用的二分编码（例如，领导者 = 1，普通员工 = 0）。

测量模型评估

由于AITC被建模为二阶构念，因此采用了两步法⁴⁰。首先，使用Cronbach's α、组合信度（CR）和平均方差提取量（AVE）评估一阶构念的信度和效度，如表3所示。由于PS5和AHTR4的外部载荷较低，故将其剔除，此举改善了PS（AVE = 0.563）和AHTR（AVE = 0.619）的收敛效度³⁶。所有CR值均超过0.70的阈值，所有AVE值均高于0.50。尽管AP的Cronbach's α为0.585，但其CR（0.781）和AVE（0.547）仍在可接受范围内，且对于简短量表而言，α值在0.5–0.6之间可被视为可接受⁴³。区分效度亦得到支持：所有HTMT比值（0.25–0.77）均低于保守阈值0.85（表4）⁴⁵，并且根据Fornell-Larcker准则，各构念AVE的平方根均大于其最高的构念间相关系数（表5）⁴⁴。

构念		α	组合信度	AVE
AITC	AP	0.585	0.781	0.547
	MTO	0.731	0.848	0.65
	PF	0.758	0.858	0.669
CS		0.858	0.904	0.701
PS		0.741	0.837	0.563
AHTR		0.795	0.867	0.619

表3：一阶构念的信度和收敛效度。 α = Cronbach's α系数（内部一致性；阈值为0.70，短量表可接受范围为0.5–0.6）；组合信度（CR；阈值为0.70）；AVE = 平均方差提取量（收敛效度；阈值为0.50）。数值为剔除PS5和AHTR4后的结果。AP = 自主规划；MTO = 多工具协调；PF = 主动反馈；CS = 认知盈余；PS = 心理安全；AHTR = 人机任务再分配。

构念		异质-单质比值（HTMT）
		AP	MTO	PF	CS	PS	AHTR
AITC	AP
	MTO	0.75
	PF	0.64	0.59
CS		0.63	0.59	0.48
PS		0.45	0.36	0.25	0.48
AHTR		0.62	0.59	0.45	0.77	0.54

表4：一阶构念的区分效度（HTMT）。 构念对之间异质-单调相关比率。低于0.85保守阈值的数值支持区分效度。AP = 自主规划；MTO = 多工具协调；PF = 主动反馈；CS = 认知盈余；PS = 心理安全感；AHTR = 人工智能-人类任务再分配。

构念		Fornell-Larcker 准则
		AP	MTO	PF	CS	PS	AHTR
AITC	AP	0.74
	MTO	0.49	0.81
	PF	0.42	0.44	0.82
CS		0.46	0.47	0.4	0.84
PS		0.31	0.27	0.19	0.39	0.75
AHTR		0.43	0.45	0.37	0.64	0.43	0.79

表5：一阶构念的区分效度（Fornell-Larcker准则）。 对角线元素（加粗）为各构念的平均方差提取值（AVE）的平方根；非对角线元素为构念间的相关系数。当每个对角线元素均大于其所在行和列中的所有相关系数时，表明具备区分效度。

由于所有变量均由同一受访者自报，因此同时采用了程序性和统计性方法进行补救⁴⁹^,⁵⁰。在程序上，确保受访者的匿名性，知情同意书强调参与的自愿性以及答案无对错之分，预测变量和效标变量的题项被置于问卷的不同部分，采用经过验证的简短量表以减少疲劳，并通过注意力检测排除不认真作答的回应。在统计上，Harman单因子检验⁵¹显示，单个未旋转因子解释的方差为30.99%，低于50%的临界值⁴⁹^,⁵²。为进一步严格检验，完整的共线性评估⁴⁶显示所有方差膨胀因子（VIF）均低于3.3（表1），表明无严重共同方法偏差的证据，尽管此类诊断无法完全排除方法变异的影响⁴⁶^,⁴⁷。

采用包含5,000次重采样的自举法（bootstrapping）评估了二阶形成性构念（AITC）的上行维度效应的显著性³⁶^,⁴¹。如表6所示，AP_LVS（0.493，p < 0.001）、MTO_LVS（0.492，p < 0.001）和PF_LVS（0.249，p < 0.001）的形成性权重均具有显著性，且所有VIF值均低于3.3，表明每个低阶维度均对AITC具有实质性贡献，且不存在共线性问题。随后，采用两阶段法估计最终的结构模型⁴¹^,⁴²（图3）。

形成性指标	VIF	原始 β	平均 β	标准差	t 值	p 值
AP_LVS → AITC	1.418	0.493	0.489	0.094	5.232	0
MTO_LVS → AITC	1.457	0.492	0.489	0.092	5.333	0
PF_LVS → AITC	1.335	0.249	0.248	0.09	2.754	0.006

表6：二阶形成性构念的向上维度效应。在两阶段方法中，将AP、MTO和PF的潜变量得分（AP_LVS、MTO_LVS、PF_LVS）与AITC关联的形成性权重的自举估计值（5,000次重采样）。β = 标准化权重（原始值）及自举均值；STDEV = 自举标准差；VIF = 方差膨胀因子（<3.3 表示无共线性问题）；t值 = \|β/STDEV\|；p值来自自举分布。AITC = 主体性人工智能技术特征；AP = 自主规划；MTO = 多工具协同；PF = 主动反馈。

路径分析图；标准化系数，潜变量，教育研究模型。
图3．估计的结构模型。针对完整样本（N = 331）的最终模型，显示标准化路径系数（β）。所有缩写含义同图2；AP_LVS、MTO_LVS 和 PF_LVS 表示在两阶段方法中用作 AITC 形成型指标的 AP、MTO 和 PF 潜变量得分。实线箭头表示具有显著性的路径；括号中的数值为 R²（各内生构念被解释的方差比例：AHTR = 0.471，CS = 0.363，PS = 0.114）。显著性通过 5,000 次重复抽样的自举法评估；***p < 0.001。AP = 自主规划；MTO = 多工具协调；PF = 主动反馈；AITC = 能动性人工智能技术特征；CS = 认知盈余；PS = 心理安全；AHTR = 人机任务再分配。请点击此处查看该图的放大版本。

结构模型与中介分析

表7 报告路径系数及其 p 值、样本均值（M）、标准差（STDEV）、t 值和 95% 置信区间。AITC 与 CS 呈正相关（β = 0.485， p < 0.001），支持假设H1，且与PS呈正相关（β = 0.338， p < 0.001），支持假设H2。CS与AHTR呈正相关（β = 0.444，p < 0.001），支持假设H3，PS同样如此（β = 0.179， p < 0.001），支持假设H5。PS与CS呈正相关（β = 0.230， p < 0.001），支持假设H6，以及AITC与AHTR（β = 0.215， p < 0.001），支持假设H9。该模型解释了AHTR中47.1%的变异（R² = 0.471），CS 中为 36.3%，PS 中为 11.4%。

构建	β	样本均值 (M)	标准差 (STDEV)	T 统计量 (\|O/STDEV\|)	p 值	0.025	0.975	R²
AITC → AHTR	0.215	0.212	0.059	3.64	0	0.099	0.332	0.471
CS → AHTR	0.444	0.445	0.054	8.155	0	0.335	0.549
PS → AHTR	0.179	0.181	0.05	3.596	0	0.085	0.279
AITC → CS	0.485	0.485	0.051	9.587	0	0.384	0.579	0.363
PS → CS	0.23	0.231	0.053	4.299	0	0.129	0.336
AITC → PS	0.338	0.347	0.055	6.094	0	0.236	0.451	0.114
PS → CS → AHTR	0.102	0.103	0.027	3.786	0	0.054	0.159
AITC → PS → AHTR	0.06	0.062	0.019	3.225	0.001	0.027	0.102
AITC → CS → AHTR	0.215	0.216	0.036	6.007	0	0.149	0.29
AITC → PS → CS → AHTR	0.034	0.036	0.011	3.122	0.002	0.017	0.06
AITC → PS → CS	0.078	0.08	0.022	3.485	0	0.041	0.127

表7：结构模型结果及特定间接效应（全样本）。 β = 标准化路径系数；M = 自助抽样均值；STDEV = 自助抽样标准差；t = \|β/STDEV\|；p = 双尾p值；0.025/0.975 = 95%自助抽样置信区间的下限/上限（不包含零的区间表示具有显著性）；R² = 内生构念的解释方差。带有跨越多个构念箭头的行（例如 AITC → PS → CS → AHTR）报告特定间接（中介）效应。自举法使用了5,000次重抽样。

特定间接效应的自举法结果（表7）显示，CS在AITC与AHTR关系中起显著中介作用（β = 0.215，95% CI [0.149, 0.290]，p < 0.001），支持假设H4；PS的中介作用同样显著（β = 0.060，95% CI [0.027, 0.102]，p = 0.001），支持假设H7。序列路径AITC → PS → CS → AHTR亦显著（β = 0.034，95% CI [0.017, 0.060]，p = 0.002），支持假设H8。表8汇总了假设检验结果。

	假设	结果
H1	自主型人工智能技术特征与认知盈余呈正相关。	接受
H2	自主型人工智能技术特征与心理安全感呈正相关。	接受
H3	认知盈余与人工智能-人类任务再分配呈正相关。	接受
H4	认知盈余在自主型人工智能技术特征与人工智能-人类任务再分配之间的关系中起中介作用。	接受
H5	心理安全感与人工智能-人类任务再分配呈正相关。	接受
H6	心理安全感与认知盈余呈正相关。	接受
H7	心理安全感在自主型人工智能技术特征与人工智能-人类任务再分配之间的关系中起中介作用。	接受
H8	心理安全感和认知盈余在自主型人工智能技术特征与人工智能-人类任务再分配之间的关系中起序列中介作用。	接受
H9	自主型人工智能技术特征与人工智能-人类任务再分配呈正相关。	接受
H10a	自主型人工智能技术特征与认知盈余、心理安全感之间的关联在领导者与员工之间存在差异。	接受
H10b	心理安全感和认知盈余与人工智能-人类任务再分配之间的关联在领导者与员工之间存在差异。	部分接受

表8：假设检验汇总。根据表7的自举法结果（显著性阈值 p < 0.05），列出每一项假设及其对应的结构路径和决策（接受/拒绝）。AITC = 主体性人工智能技术特征；CS = 认知盈余；PS = 心理安全感；AHTR = 人工智能与人类任务再分配。

使用PLSpredict（10折交叉验证，重复10次；表9）评估了模型的样本外预测能力。所有内生指标均返回正值的Q²predict，表明具有预测相关性；且对于几乎所有指标而言，PLS-SEM模型的均方根误差（RMSE）和平均绝对误差（MAE）均低于线性模型（LM）基准，唯一例外为PS_4。这些结果表明，心理安全感、认知盈余以及人工智能与人类任务再分配具有中等到较高的样本外预测性能⁴⁸。

指标	Q²预测值	PLS-SEM 均方根误差	PLS-SEM 平均绝对误差	线性模型均方根误差	线性模型平均绝对误差	独立验证均方根误差	独立验证平均绝对误差
PS_1	0.067	1.321	1.042	1.325	1.042	1.368	1.098
PS_2	0.018	1.596	1.314	1.602	1.333	1.610	1.363
PS_3	0.048	1.209	0.937	1.218	0.941	1.239	0.983
PS_4	0.084	1.262	0.977	1.258	0.965	1.318	1.046
CS_1	0.218	1.138	0.876	1.144	0.881	1.287	1.030
CS_2	0.276	1.045	0.792	1.048	0.793	1.229	0.971
CS_3	0.181	1.157	0.884	1.161	0.889	1.278	1.011
CS_4	0.170	1.371	1.088	1.377	1.093	1.506	1.209
AHTR_1	0.149	1.251	0.970	1.259	0.977	1.357	1.028
AHTR_2	0.188	1.151	0.895	1.158	0.900	1.277	1.003
AHTR_3	0.176	1.185	0.901	1.191	0.908	1.305	0.990
AHTR_5	0.130	1.261	0.982	1.269	0.991	1.352	1.039

表9：样本外预测评估（PLSpredict）。 来自PLSpredict（10折，10次重复）的每个内生指标（PS、CS、AHTR）的预测度量。Q²predict = 预测相关性（>0 表示PLS-SEM模型优于最简单的基准模型）；PLS-SEM RMSE/MAE = PLS-SEM模型的均方根误差和平均绝对误差；LM RMSE/MAE = 线性模型基准对应的误差；IA RMSE/MAE = 指标平均基准。PLS-SEM误差低于LM基准表明具有满意的预测性能。PS = 心理安全感；CS = 认知盈余；AHTR = 人工智能与人类任务再分配。注：所有Q²predict > 0。除PS_4外，所有指标的PLS-SEM RMSE/MAE < LM基准，表明具有中等到较高的预测性能。

多组分析

MGA 检验了处于不同问责级别、工作保障和任务构成位置的领导者与员工之间的结构关系是否存在差异。如图所示 表10，AITC 与两个资源变量之间的关联在领导者中显著更强：AITC → CS（领导者 β = 0.599，员工 β = 0.363；Δ = 0.236，双尾） p = 0.014）以及 AITC → PS（领导者 β = 0.435，员工 β = 0.199；Δ = 0.236，双尾） p = 0.043）。这些差异具有实际意义：领导者中 AITC 与 CS 的关联强度大约是员工中的 1.6 倍，而 AITC 与 PS 的关联强度则超过员工中的两倍。其余直接路径（AITC → AHTR、CS → AHTR、PS → AHTR、PS → CS）在两组之间均无显著差异（所有双尾 p > 0.19），表明一旦资源形成，它们与任务重新分配之间的关联在不同角色中具有相似的运作方式。各组特定的自举估计值（表11）进一步揭示了四条通路中存在不对称的显著性模式：PS → AHTR 在领导者中具有显著性（β = 0.234， p = 0.001），但对工作人员无显著影响（β = 0.133， p = 0.064）；对于领导者而言，AITC → PS → AHTR 的间接路径显著（β = 0.102， p = 0.005），但对员工不显著（β = 0.026，p = 0.178）；相反，PS → CS → AHTR 路径在员工中显著（β = 0.140， p = 0.001），但对领导者而言仅具边缘显著性（β = 0.059， p = 0.054）；AITC → PS → CS 对工作人员具有显著性（β = 0.057， p = 0.043），但对领导者而言处于边缘显著水平（β = 0.067， p = 0.065）。综上所述，对领导者而言，心理安全感通向任务再分配的路径似乎更为直接；而对于员工而言，心理安全感主要通过促进认知盈余来影响任务再分配，这一模式与领导者和员工在问责性及工作安全暴露程度上的角色差异相一致（假设H10a成立；假设H10b部分成立）。

构建体	Δ（领导者 - 员工）	单尾（领导者 vs 员工）p 值	双尾（领导者 vs 员工）p 值
AITC → AHTR	0.007	0.482	0.963
AITC → CS	0.236	0.007	0.014
AITC → PS	0.236	0.022	0.043
CS → AHTR	-0.1	0.814	0.371
PS → AHTR	0.101	0.161	0.322
PS → CS	-0.135	0.901	0.199

表10：领导者与员工路径差异的多群组分析（PLS-MGA）。 Δ = 领导者与员工标准化路径系数之差（领导者减员工）；p 值来源于基于自举法的PLS-MGA（单尾和双尾）；显著差异（双尾 p < 0.05）表明该路径在领导者（n = 171）与员工（n = 160）之间存在差异。AP = 自主规划；MTO = 多工具协调；PF = 主动反馈；CS = 认知盈余；PS = 心理安全感；AHTR = 人工智能-人类任务再分配；AITC = 主动性人工智能技术特征。

	原始值（负责人）	原始值（工作人员）	均值（负责人）	均值（工作人员）	标准差（负责人）	标准差（工作人员）	t 值（负责人）	t 值（工作人员）	p 值（负责人）	p 值（工作人员）
AITC → AHTR	0.233	0.227	0.237	0.224	0.098	0.077	2.381	2.945	0.017	0.003
AITC → CS	0.599	0.363	0.599	0.368	0.057	0.077	10.426	4.734	0	0
AITC → PS	0.435	0.199	0.448	0.226	0.075	0.089	5.82	2.24	0	0.025
CS → AHTR	0.383	0.484	0.381	0.486	0.091	0.065	4.19	7.406	0	0
PS → AHTR	0.234	0.133	0.234	0.134	0.073	0.072	3.185	1.856	0.001	0.064
PS → CS	0.154	0.289	0.157	0.289	0.07	0.077	2.212	3.741	0.027	0
PS → CS → AHTR	0.059	0.14	0.06	0.141	0.031	0.043	1.93	3.269	0.054	0.001
AITC → PS → AHTR	0.102	0.026	0.104	0.029	0.036	0.02	2.808	1.347	0.005	0.178
AITC → CS → AHTR	0.229	0.176	0.228	0.18	0.06	0.047	3.834	3.757	0	0
AITC → PS → CS → AHTR	0.026	0.028	0.027	0.031	0.016	0.015	1.65	1.852	0.099	0.064
AITC → PS → CS	0.067	0.057	0.071	0.064	0.036	0.028	1.844	2.02	0.065	0.043

表11：领导者与员工群体的分组自举估计值。 对领导者（n = 171）和员工（n = 160）两个群体分别估计了所有直接路径和特定间接路径的标准化路径系数（原始值）、自举均值、标准差（STDEV）、t值和双尾p值。自举法在每个群体中使用了5,000次重采样。AP = 自主规划；MTO = 多工具协调；PF = 主动反馈；CS = 认知盈余；PS = 心理安全感；AHTR = 人机任务再分配；AITC = 主体性人工智能技术特征。

综上所述，测量模型符合信度和效度标准；AITC 与 CS、PS 和 AHTR 呈正相关；CS 和 PS 分别单独且依次中介了 AITC 与 AHTR 之间的关联；该模型表现出满意的样本外预测性能；AITC 与 CS 和 PS 的关联在领导者中显著更强，而从资源到任务重新分配的路径在不同角色之间无显著差异。综合来看，研究结果支持所假设的资源增益模型，并支持在讨论部分提出的基于角色差异的解释。

数据可用性：

数据和分析文件已作为补充文件1、补充文件2、补充文件3、补充文件4、补充文件5、补充文件6和补充文件7上传。

补充文件1：问卷。请点击此处下载该文件。

补充文件2. G*Power 协议输出结果。请点击此处下载该文件。

补充文件 3。MICOM 第 2 步 —— 组成不变性（置换检验，1,000 次）。 所有构念均建立了组成不变性（原始 c ≥ 5% 分位数；置换检验 p > 0.05）。部分测量不变性已足以支持 PLS-MGA 分析。请点击此处下载该文件。

补充文件 4. 数据集。请点击此处下载该文件。

补充文件5. MGA bootstrap SmartPLS 报告。请点击此处下载该文件。

补充文件6. MGA置换SmartPLS报告。请点击此处下载该文件。

补充文件 7. 编码手册——变量、条目、构念、量表、编码及来源。请点击此处下载该文件。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究探讨了主动性人工智能的技术特征如何影响员工的心理资源和任务重新分配行为，并检验了这些关系在不同组织角色中是否存在差异。通过对331名具有人工智能使用经验的员工进行横断面调查，并采用偏最小二乘结构方程模型（PLS-SEM）进行中介效应和多群组分析，结果支持了理论提出的资源增益模型：主动性人工智能技术特征（AITC）与认知盈余、心理安全感以及人工智能-人类任务再分配呈正相关；认知盈余和心理安全感分别单独中介以及顺序中介了AITC与AI-人类任务再分配（AHTR）之间的关系；且AITC与两种心理资源变量之间的关联在领导者中显著强于普通员工。

研究结果具有三个理论意义。第一，研究将JD-R理论拓展至Agentic AI情境，将技术特征视为工作资源而非工具：较强的AITC与CS关联性（β = 0.485）支持了如下观点，即自主规划、多工具协调和主动反馈有助于节约认知能量和自由支配时间，员工可将这些资源重新投入工作¹⁵^,²³^,²⁴。第二，研究将COR理论的增益螺旋逻辑与AI赋能的工作再设计相联系：显著的序列路径（AITC → PS → CS → AHTR）表明，心理安全感作为一种情境性资源，有助于认知盈余的积累，而后者又与资源再分配行为相关²⁰^,²²。第三，通过将AHTR定位为工作重塑文献中一种特定于技术的任务重塑形式¹⁷^,³¹^,³²，本研究超越了现有文献对技术性能和自动化结果的主流关注，提供了关于能动性系统如何嵌入工作再设计过程的心理学解释。由于研究设计为横断面，这些路径应被理解为与理论假设的因果顺序一致的关联关系，而非因果关系的直接证明。

中介效应结果阐明了为何仅具备先进的AI可用性可能并不会转化为工作实践的改变。AITC与AHTR之间的直接关联（β = 0.215）通过认知盈余（β = 0.215）和心理安全感（β = 0.060）这两条间接路径得到了补充，后者的综合效应大小与直接效应相当：当技术明显释放了认知资源，且人际环境使试验行为感到安全时，员工似乎更倾向于将任务重新分配给AI¹⁶^,²⁵^,³⁸。这种双重机制表明，任务再分配不仅是技术现象，同样也是资源与环境氛围现象，这或许可以解释为何在其他方面相似的部署中，AI采纳结果却存在差异。

多组分析结果增加了一个基于角色的边界条件。AITC与CS、AITC与PS之间的关联在领导者中分别比在普通员工中强约1.6倍和2.2倍，而从资源到再配置的下游路径在两组之间无显著差异。一种与感知距离理论一致的解释是³⁰^,³⁵，由于领导者拥有更高的决策权和战略责任，能够更直接地将能动性能力转化为感知资源；而普通员工更易受到自动化带来的工作不安全感和学习压力影响，因而对心理安全益处的感知较间接：对于普通员工，心理安全主要通过认知盈余间接影响再配置（PS → CS → AHTR：β = 0.140，p = 0.001）；而对于领导者，心理安全对再配置的直接路径显著（PS → AHTR：β = 0.234，p = 0.001）。这些趋势是在本样本中观察到的结果，而非固定的特质，且组间差异的置信区间提示应谨慎解释此类差异。

从实践角度看，研究结果提示应采取基于角色差异化的部署策略。对于所有员工，组织可通过调整工作量标准和关键绩效指标，确保人工智能节省出的时间被重新投入到战略规划、创造性工作和协作任务中，而非被额外的常规任务所占用；具体措施包括建立人工智能使用治理机制，明确人工智能出错时的责任归属，开展以任务委派为导向的人工智能技能结构化培训，以及设立奖励机制，对有记录的任务重构行为予以认可。对于普通员工而言，研究结果表明，心理安全感的干预措施——例如对人工智能应用实验采取无责备式复盘、管理者对早期错误持包容态度、明确传达岗位安全保障信息——是形成认知盈余的前提条件；而对于能够更高效地将人工智能任务委派能力（AITC）转化为资源的领导者，其重点应是将此类盈余用于治理机制和应急预案的建设，以缩小而非扩大领导者与员工之间的认知差距。这些启示同样适用于欺诈检测和金融安全运营等高风险场景，在这些领域，自主性系统正越来越多地承担警报初筛、协调调查流程以及标记异常交易等任务：在这些环境中，心理安全感是员工能够无惧追责地质疑、否决和上报人工智能生成判断的前提，而将常规监控任务重新分配给人工智能，则可释放分析人员的认知资源，用于处理更复杂、依赖判断的案例；同时，治理机制必须确保自动化不会削弱对高后果决策的责任追究。更广泛而言，观察到的领导者与员工之间的差异表明，应实施差异化干预措施：针对领导者设计侧重任务委派与监督能力的培训课程，针对员工提供鼓励实验和再技能化的支持；治理角色的设定应反映不同群体的风险暴露程度；沟通策略则应使领导者所获得的资源增益对员工而言可见且可及。

这些结论存在若干局限性，并指明了未来的研究方向。所有变量均由同一受访者在单一时间点自我报告；尽管采用了程序性补救措施和统计检验，表明共同方法偏差并不严重，但横断面设计无法进行因果推断，也无法捕捉时间滞后的资源螺旋效应。此外，代理型人工智能技术能力（AITC）是通过员工对系统能力的自我感知来衡量的，这种感知可能与系统实际的技术能力并不一致；未来的研究设计应将感知性测量与系统日志或能力审计相结合。尽管在调查开始时向参与者展示了代理型人工智能（Agentic AI）的简短标准化定义，但并未设置理解检验题项以验证其对核心技术的理解程度，未来研究应加入此类检验。本研究采用有目的性抽样并通过平台招募具有人工智能使用经验的员工，样本偏向科技行业和较年轻的受访者，这适用于早期模型检验，但限制了结果向人工智能成熟度较低的组织、小型企业以及非数字行业的推广；单次数据收集期间的单一面板招募方式也意味着文化和情境上的特异性，因此所观察到的关联关系可能无法推广至不同劳动力市场、人工智能治理体制或职业文化中。心理安全感也被测量为个体层面的感知，而非团队共享的氛围。未来的研究应采用纵向设计或经验取样法来追踪增益螺旋过程，采用多层次设计以区分个体与团队层面的心理安全感，采用基于概率抽样或组织抽样的方法覆盖不同人工智能成熟度水平的群体，并将 AITC 构念扩展至透明性、可控性和可解释性等属性。尽管存在上述局限，本研究仍提供了一套可复制的研究方案以及初步证据，表明代理型人工智能与工作结果之间的关联是通过员工的心理资源发挥作用并受其限制的，这一发现有助于研究人员、实践者和政策制定者以增强而非削弱工作人性化层面的方式部署代理型系统。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者声明无利益冲突。

使用了生成式人工智能工具（ChatGPT，OpenAI）进行语言润色；所有内容均由作者审阅并确认，作者还核查了人工智能辅助编辑未在各章节中引入术语或语气的偏差。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本工作获得了aSSIST大学研究经费的资助。

材料

本文使用的材料清单
姓名	公司	目录编号	评论
多产	多产	https://www.prolific.com/	在线调查面板提供商
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com/	问卷编码
SmartPLS	SmartPLS GmbH	版本 4.0.1，https://www.smartpls.com/	偏最小二乘结构方程模型（PLS-SEM）分析

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

智能AI如何重塑工作：认知盈余、心理安全与人工智能-人类任务再分配的作用

本文内容

摘要

摘要

引言

方案

结果

讨论

披露

致谢

材料

重印与许可

标签

相关文章