问题提出

生成式 AI（GenAI）正在快速渗透各行各业的工作流，关于「AI 会不会抢人饭碗」的讨论很多，却很少有人关心一个更实在的问题：当管理者自己天天跟 GenAI 打交道，他的工作满意度到底受什么影响？现有文献大多盯着普通员工，对「管理者」这一层几乎是空白。而管理者恰恰是推 AI 落地的关键角色，他们的满意度直接关系到转型能不能走顺。

难点剖析

难点在于，管理者的满意度不是单一变量能解释的。它既牵扯个人能力（会不会用 AI），也牵扯组织环境（公司支不支持）和外部制度（监管怎么摆）。要把这几条线串成一个说得通的网络，还得防住「同一份问卷自己填自己」带来的共同方法偏差。本文用 TOE 框架（技术—组织—环境）接社会认知理论，把五条路径一次摆清。

理论脉络

两条理论撑场：一是 TOE 框架（Tornatzky & Fleischer, 1990），把「技术、组织、环境」三层放进一个分析筐；二是 Bandura 的社会认知理论（SCT, 1986），强调「人对自己能力的信念」会影响他怎么看待结果、怎么投入活动。前人已有 Bankins 等（2024）把 AI 与员工体验挂钩、Huang & Zhao（2025）把 AI 素养连到工作幸福感，本文把这些思路接到「管理者」身上，并补上「监管—组织」这条环境链。

理论模型

整合 TOE + SCT，提出一个五构念研究模型（见图 1）：监管影响（Regulatory influence）→ 组织支持（Organizational support）→ GenAI 有用性（GenAI usefulness）→ 管理者工作满意度（Managerial job satisfaction）；同时应用 AI 素养（Applied AI literacy）既直接指向工作满意度，又调节「有用性 → 满意度」这条关系。共 5 条假设。

研究假设

H1：监管影响正向影响组织支持。 H2：组织支持正向影响 GenAI 有用性。 H3：GenAI 有用性正向影响管理者工作满意度。 H4：应用 AI 素养正向影响管理者工作满意度。 H5：应用 AI 素养正向调节「GenAI 有用性 → 工作满意度」，即素养越高，这条正向关系越强。

分析策略

2024 年通过「问卷星（Sojump）」在线问卷，在中国多家处于数字化 / GenAI 落地期的企业募集有 GenAI 使用经验的管理者。用偏最小二乘结构方程模型（PLS-SEM）跑测量模型与结构模型；测量质量看 Cronbach‘s α、组合信度 CR、平均变异萃取 AVE，区辨效度用 HTMT 与 Fornell-Larcker；模型拟合看 SRMR，预测力看 Q²predict；共同方法偏差用分模块填答 + 匿名 + VIF 诊断。控制变量含性别、管理层级、司龄、年龄、学历、行业。

数据收集

2024 年在线问卷（Sojump 平台），面向有 GenAI 实际使用经验的管理者，跨多个正在推进数字化的行业。为压低共同方法偏差，问卷把关键构念分散到不同板块、强调匿名。

研究样本

有效样本 310 名中国管理者。控制变量中，性别（β = 0.211, p = 0.008）、管理层级（β = −0.117, p = 0.007）、司龄（β = 0.115, p = 0.013）对工作满意度有显著影响；年龄、学历、行业类型不显著。

测量工具

五个构念均用多题项量表（likert）。信度均达标：GenAI 有用性 CA = 0.81 / CR = 0.87 / AVE = 0.56；应用 AI 素养 CA = 0.79 / CR = 0.85 / AVE = 0.50；监管影响 CA = 0.88 / CR = 0.92 / AVE = 0.60；组织支持 CA = 0.82 / CR = 0.87 / AVE = 0.58；工作满意度 CA = 0.82 / CR = 0.87 / AVE = 0.52。

信效度检验

测量模型过关：五个构念 AVE 全部 > 0.50、CR 全部 > 0.70，聚敛与内部一致性达标；区辨效度 HTMT 全部 < 0.90（保守阈值），Fornell-Larcker 也满足。共同方法偏差方面，VIF 最高仅 2.957（< 5）。结构模型拟合 SRMR = 0.058，可接受。

假设检验

H1 成立：监管影响 → 组织支持，β = 0.162（p = 0.006），显著但幅度偏弱。

H2 成立：组织支持 → GenAI 有用性，β = 0.225（p < 0.001）。

H3 成立：GenAI 有用性 → 工作满意度，β = 0.379（p < 0.001）。

H4 成立：应用 AI 素养 → 工作满意度，β = 0.317（p < 0.001）。

H5 成立：应用 AI 素养调节「有用性 → 满意度」，β = 0.116（p < 0.001），素养越高关系越强。

补充：应用 AI 素养 → GenAI 有用性，β = 0.576（p < 0.001）。

解释力：工作满意度 R² = 40.8%，GenAI 有用性 R² = 50.1%；监管影响仅解释组织支持 2.6% 方差（Q²predict = 0.010），说明监管是较远端的条件。

研究结论

GenAI 跟管理者满意度的关系，不只是「工具好不好用」——还取决于个人能力、组织支持和监管环境的对齐。GenAI 有用性和应用 AI 素养都正向拉高满意度，且素养会放大「有用性 → 满意度」这条线；监管影响经组织支持间接连到有用性，但力度有限。给企业落地的提示很直接：与其只买工具，不如把管理者的 AI 素养练起来、把组织支持做实在。

研究局限

① 仅中国样本，制度与文化语境特殊，外推要谨慎；

② 横截面 + 自陈主观感知，关系是「关联」不是「因果」，共同方法偏差虽经程序缓解但未根除；

③ 构念按聚焦感知指标操作化，并非完整多维 / 多层表示，应用 AI 素养仍有更丰富的技术—认知—伦理—治理维度待补；

④ 监管影响对组织支持的解释力很低（2.6%），它更像远端条件，近端组织前因未纳入。

未来展望

开发更丰富的「应用 AI 素养」多维量表（技术、认知、伦理、评估、治理、可解释）；用多层设计把客观监管指标、组织层实践、个体感知拼起来；用纵向、多源、混合方法强化因果推断与构念效度。

金句

GenAI 不应只被当作数字化转型的一件工具，它也可以成为支撑更可持续的管理工作和更高管理者满意度的更大努力的一部分。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！