问题提出

生成式 AI 正在重塑服务工作，但已有研究多半停留在组织层面的结果：创造力、生产率、服务创新、感知价值。真正缺的是员工心理层面的过程解释——员工「接受 AI」这件事，究竟通过什么认知过程与「服务绩效」挂钩。服务场景里，绩效高度依赖员工实时理解客户需求、即时调用知识，光有信息供给并不自动等于绩效提升。

难点剖析

难点有三。第一，AI 给的是答案，员工是否愿意对答案进行反思、验证、与既有知识整合，是个被长期忽略的认知黑箱。第二，同样接纳 AI 的员工，绩效差异很大，说明中间存在个体边界条件，但既有研究很少检验。第三，方法上，员工自评自变量、中介和结果会放大共同方法偏差，需要时间分离与多来源评分才能勉强站住。

理论脉络

作者把两个理论拼起来用。社会技术系统理论（STS）主张工作绩效来自技术子系统与社会子系统的共同对齐，而不是技术单独决定——在本文中，GenAI 是技术资源，接受度是员工对技术资源的心理对齐，知识细化是认知整合过程，服务绩效是对齐后的行为结果。知识基础观补充一点：技术资源只有在员工能解释、整合并转化为有效行动时才产生价值。

理论模型

模型是一个被调节的中介（moderated mediation）。自变量为生成式 AI 接受度（有用性、易用性、可管理性三个评价维度），中介为知识细化，因变量为主管评定的服务绩效，调节变量为未来取向——它调节的是接受度到知识细化这一段。控制变量包括员工学历、司龄，以及企业规模与企业年龄。

研究假设

共五条假设：H1，AI 接受度正向关联知识细化；H2，知识细化正向关联服务绩效；H3，知识细化中介接受度与服务绩效之间的关系；H4，未来取向调节接受度与知识细化的关系，未来取向越高，关系越强；H5，未来取向正向调节「接受度经知识细化到服务绩效」的间接效应，构成被调节的中介。五条假设全部得到支持。

分析策略

描述统计与相关用 SPSS 27.0，HTMT 用 Mplus 8.0；H1、H2、H4 用 OLS 回归检验，H3 用 Hayes 的 PROCESS Model 4，H5 用 Model 7。间接效应与调节中介指数均基于 5000 次重复抽样的百分位 bootstrap 置信区间。报告的是非标准化系数 b，接受度与未来取向先做中心化再构造交互项，条件效应取未来取向的第 16、50、84 百分位，对应取值 5、6、7。

数据收集

两时点、多来源问卷。被试来自中国服务业中已部署生成式 AI 工具的企业，通过职业与个人网络招募上下级配对。主管先被联系并说明研究目的，再由其邀请直属下属参加。时间 1 员工自评 AI 接受度、未来取向与人口统计信息；三个月后的时间 2，员工自评知识细化，主管评定服务绩效。用唯一识别码跨时点配对，并承诺保密、不向主管或公司披露。

研究样本

初始样本中 54 人未参加时间 2、36 人无法匹配到主管评分、30 人作答不完整（三类互斥剔除），最终有效样本 890 组上下级配对，保留率 88.1%。 attrition 检验显示，保留组与剔除组在性别、年龄、学历、司龄、AI 接受度、未来取向上均无显著差异。样本男性占 53.9%，30–40 岁占 51.7%，本科及以上占 81.5%，司龄 7 年以上占 38.4%；行业上住宿餐饮占 44.9%，其余分布在旅游、零售、信息技术、金融、物流、教育培训等。

测量工具

四个核心构念全部采用成熟量表，七点李克特（1 非常不同意到 7 非常同意），并按 Brislin 翻译—回译程序形成中文问卷。AI 接受度改编自 Davis 的量表并结合 Singh 等、Khan 等做 GenAI 情境化，保留「would」措辞以测量基于经验的评价而非使用频率；知识细化改编自 Ling 等，把原量表的人的知识来源替换为 GenAI；未来取向用 Shipp 等量表；服务绩效用 Liao 和 Chuang 的题项。

信效度检验

测量模型过关。四因子模型拟合最佳，χ²

(84)=664.540，CFI=0.988，TLI=0.985，RMSEA=0.081，SRMR=0.027，且优于三因子、两因子与单因子备选模型。标准化载荷介于 0.856 到 0.972，Cronbach‘s α 介于 0.926 到 0.932，组合信度 0.953 到 0.956，AVE 0.805 到 0.877，全部超过门槛。区分效度用 HTMT 检验，取值 0.492 到 0.600，均低于 0.85。共同方法偏差方面，员工自评构念的三因子模型 χ²

(51)=547.602，CFI=0.987，SRMR=0.028，明显优于单因子模型 χ²

(54)=3857.120，CFI=0.900，RMSEA=0.281，SRMR=0.191，说明单一共同因子不太可能解释主要协变。

假设检验

H1 成立：AI 接受度正向关联知识细化，b=0.352（SE=0.036，p<0.001），模型 F=60.366，调整后 R²=0.286；同一模型中未来取向对知识细化也有正向关联，b=0.335（p<0.001）。H4 成立：加入中心化交互项后，接受度×未来取向显著，b=0.061（SE=0.019，p=0.001），调整后 R²=0.294。H2 成立：知识细化正向关联服务绩效，b=0.187（SE=0.026，p<0.001），模型调整后 R²=0.390，未来取向本身也是显著正向预测项 b=0.363（p<0.001）。H3 成立（部分中介）：PROCESS Model 4 下接受度到知识细化 b=0.510（p<0.001），知识细化到服务绩效 b=0.261（p<0.001），经知识细化的间接效应为 0.133，95% bootstrap 置信区间 [0.099, 0.172] 不含 0；同时接受度到服务绩效的直接关联 b=0.284（p<0.001）依然显著，属于部分中介。H5 成立：未来取向取值 5、6、7 时，接受度到知识细化的条件效应分别为 b=0.324（95% CI [0.252, 0.396]）、b=0.385（95% CI [0.313, 0.458]）、b=0.446（95% CI [0.356, 0.537]）；对应条件间接效应为 0.085（95% CI [0.056, 0.115]）、0.101（95% CI [0.071, 0.134]）、0.116（95% CI [0.079, 0.160]），调节中介指数为 0.016，95% CI [0.003, 0.033]。

研究结论

结论可以拆成三层。第一，AI 接受度与服务绩效之间既有直接关联，也通过知识细化这条认知路径连通，而且是「部分中介」——知识细化是重要通路，但不是唯一通路。第二，同样是接受 AI 的员工，未必同等程度地加工 AI 产出的知识：未来取向越高，越可能把 AI 当成长期学习、技能发展与职业适应的资源，因此愿意投入更多认知努力。第三，这正符合社会技术系统理论的核心判断——AI 带来的工作结果，反映的是技术资源与员工心理、认知反应之间的共同对齐，而不是技术输入本身。实践上，培训不该只教怎么拿到 AI 输出，而要教怎么核验准确性、比对组织规范与专业知识、并为客户场景做情境化改写；对高未来取向的员工可以让他们当早期采用者和同伴导师，对低未来取向的员工则需要结构化教练、引导式练习与分阶段落地。

研究局限

四条局限值得留意。其一，时间 1 与时间 2 分离了接受度与知识细化，但知识细化与服务绩效在同一时点测量（只是来源不同），因此无法确定是知识细化先行、绩效反促知识细化，还是互为因果，间接效应应被理解为与中介模型一致，而不是因果中介的确证。其二，研究测的是「接受度」而非「实际使用」——接受度是有用性、易用性、可管理性的评价，实际使用涉及频率、强度、时长与任务形态，两者可能脱节，高频使用也可能只是组织强制。其三，样本跨多个服务行业，但住宿餐饮占了 44.9%，行业间客户接触强度、任务特征与监管要求差异较大，结论未必能平移到标准化服务场景。其四，只看了服务绩效这一个行为结果，没有覆盖压力、幸福感、技能过时焦虑、技术焦虑等心理成本。

未来展望

作者建议三条路：用三时点纵向设计、面板模型或经验取样法来确立时间顺序，观察接受度、知识细化与服务绩效如何随时间演化；同时测量接受度与实际使用，并区分自动化型与增强型两种使用形态，因为二者认知需求不同；把模型放到不同服务行业做跨情境检验，并考察行业特征是否构成边界条件。此外还可以把结果变量扩展到压力、幸福感、韧性、成长感与技术焦虑，检验知识细化与未来取向究竟是帮助员工应对人机协作的心理要求，还是在某些条件下反而加剧认知过载。

金句

接受度相当的员工，未必同等程度地加工 AI 产出的知识。

— 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！