问题提出

生成式 AI 与创造力的关系，既有研究基本站在「资源赋能」这一边：AI 提供知识资源、提升学习投入、增强创意自我效能，于是创造力上升。这条线讲的是组织层面的知识管理路径和个体层面的资源路径，但几乎没回答一个更现实的问题——当 AI 带来的不只是资源、还有心理压力时，员工的动机和创造力会怎么走。

难点剖析

难点在于技术压力研究默认「压力消耗资源」：技术过载、边界模糊、自我效能下降，这些路径都指向耗竭。但 AI 时代的压力源变了性质——它不再是工作量问题，而是一种以社会比较和存在性危机为特征的心理现象：怕同事比自己更懂 AI、怕因此失去竞争优势。这类压力到底是消耗还是驱动，既有理论给不出统一答案；而且背后的评估与应对过程如果不直接测量，任何机制解释都只是理论推演。

理论脉络

作者把三个理论分工使用，这点做得比较干净。压力与应对的交易理论（TTSC）提供总框架：FoMO-AI 是压力源，创意过程投入是行为反应，成长型思维与批判性思维是边界条件。补偿性控制理论（CCT）解释第一段——不确定感和控制感下降会促使人做出补偿性努力以恢复主动性。资源保存理论（COR）解释两段边界——成长型思维是个人资源，决定压力下是否愿意投入；批判性思维是认知资源，决定投入能不能转化成产出。作者明确声明：评估、应对、控制恢复、资源投资都没有直接测量，以上只是理论解释。

理论模型

两阶段被调节的中介模型。自变量是 AI 错失焦虑（FoMO-AI），中介是创意过程投入（CPE，包括问题识别、信息搜索、方案生成），因变量是自评创造力。两个调节变量分处不同阶段：成长型思维调节第一阶段（FoMO-AI 到创意过程投入），批判性思维调节第二阶段（创意过程投入到创造力）。关键设定是——假设模型没有设定 FoMO-AI 到创造力的直接路径，因此严格来说只检验了间接关联，没有检验中介类型。

研究假设

共七条（含分假设）：H1，FoMO-AI 正向关联创意过程投入；H2，创意过程投入正向关联创造力；H3，FoMO-AI 经创意过程投入间接关联创造力；H4a，成长型思维调节第一阶段；H4b，成长型思维调节整个间接效应（第一阶段被调节的中介）；H5a，批判性思维调节第二阶段；H5b，批判性思维调节整个间接效应（第二阶段被调节的中介）。结果：H1–H4b 与 H5a 成立，H5b 只是有条件支持。

分析策略

用 SmartPLS 4.0 做 PLS-SEM，5000 次 bootstrap 抽样做统计推断，两阶段程序（先测量模型后结构模型）。除假设模型外，另跑了一个「直接路径敏感性模型」——只为了看漏掉 FoMO-AI 到创造力这条直接路径会不会改变核心估计，其估计值不用于假设检验。共同方法偏差用全共线性 VIF 诊断（Kock 的 3.3 保守门槛）。此外用必要条件分析（NCA，R 语言，CE-FDH 与 CR-FDH 两种技术，10000 次置换检验）补充 PLS-SEM 的充分性逻辑，检验哪些条件是创造力的瓶颈。

数据收集

三波时滞问卷，相邻两波间隔约一个月，在中国通过 Credamo 平台发放。时间 1 测 FoMO-AI 与控制变量，时间 2 测创意过程投入与成长型思维，时间 3 测创造力与批判性思维。采用目的性抽样，开头设置筛选题确保被试是中国在职全职员工，行业覆盖 IT 与互联网、管理咨询、广告传媒等。量表经过翻译—回译，由两位双语管理学学者核对分歧后定稿。作者坦承：时间分离只是程序性缓解，因为所有构念都是自评，且成长型思维与创意过程投入同波、批判性思维与创造力同波，共同方法偏差无法因此被排除。

研究样本

最初邀请 600 人，时间 1 收回 556 份有效问卷，时间 2 剩 438 人，时间 3 剩 320 人。最终样本占最初邀请人数的 53.3%，占时间 1 有效样本的 57.6%；相对最初邀请的流失率为 46.7%，相对时间 1 为 42.4%。作者做了分阶段流失检验：用退出前已测的变量比较，各阶段差异均不显著。控制变量为性别、司龄、AI 使用频率；年龄因与司龄高度相关（r=0.904）且同时进入时 VIF 超过 5.0 而被剔除。

测量工具

全部采用七点李克特量表。FoMO-AI 用 Deng 等的 26 题完整量表（只在时间 1 施测一次，作者承认题目偏长可能增加作答负担与疲劳），例题为「我担心同事/别人比我更懂 AI 技术」；创意过程投入改编自 Zhang 和 Bartol 的 11 题量表；成长型思维用刘与童的 4 题量表；批判性思维用江与杨在中国情境下修订的 5 题量表（源自 Facione 等）；创造力用 Baer 和 Oldham 的 4 题量表，由员工自评，因此测的是自评创造力而非独立评定的创意绩效。

信效度检验

测量模型过关。五个构念的组合信度与平均方差提取量均达标，同时报告了 Cronbach‘s α 与 McDonald’s ω（ω 介于 0.866 到 0.982）。区分效度用 Fornell-Larcker 准则检验，各构念 AVE 平方根（FoMO-AI 0.829、创意过程投入 0.831、成长型思维 0.863、批判性思维 0.809、创造力 0.844）均大于其与其他构念的相关系数。全共线性 VIF 介于 1.006 到 2.142，低于 3.3 的保守门槛；剔除年龄后结构模型内层 VIF 介于 1.019 到 1.176。模型拟合 SRMR 为饱和模型 0.033、估计模型 0.065，均低于 0.08。解释力方面，创意过程投入 R²=0.423、创造力 R²=0.417，盲折法 Q² 均大于 0，说明模型具备预测相关性。

假设检验

H1 成立：FoMO-AI 正向关联创意过程投入，β=0.461（t=6.841，p<0.001，95% CI [0.324, 0.586]）。

H2 成立：创意过程投入正向关联创造力，β=0.520（t=9.903，p<0.001，95% CI [0.437, 0.641]）。

H3 成立：间接关联显著，β=0.240（t=4.737，p<0.001，95% CI [0.158, 0.355]）。注意假设模型未设定 FoMO-AI 到创造力的直接路径，因此严格讲只检验了间接关联，没有判定中介类型。

H4a 成立：成长型思维与 FoMO-AI 的交互项正向关联创意过程投入，β=0.505（t=6.820，p<0.001，95% CI [0.324, 0.594]）。简单斜率显示：成长型思维低时 β=-0.042（p=0.584，不显著），均值时 0.429（p<0.001），高时 0.899（p<0.001）。

H4b 成立：第一阶段被调节中介指数在批判性思维均值处为 0.263（SE=0.048，p<0.001，95% CI [0.161, 0.347]），且在批判性思维低、均值、高三个水平下均显著（指数 0.167 到 0.359，置信区间均不含零）。

H5a 成立：批判性思维与创意过程投入的交互项正向关联创造力，β=0.190（t=3.099，p=0.002，95% CI [0.015, 0.266]）。简单斜率在批判性思维低、均值、高时分别为 0.354、0.563、0.772，均显著且逐级增大。

H5b 有条件支持（未完全成立）：第二阶段被调节中介指数在成长型思维均值处为 0.088（SE=0.027，p=0.001，95% CI [0.007, 0.120]）、高水平处为 0.184（p=0.001），但在成长型思维低时不显著（指数 -0.008，95% CI [-0.042, 0.027]，p=0.636）。

条件间接效应（成长型思维 × 批判性思维）：成长型思维低时三档全不显著（-0.015、-0.024、-0.033）；成长型思维均值时为 0.152、0.241、0.331；成长型思维高时为 0.318、0.506、0.694。也就是说，成长型思维低的人，焦虑完全转化不出创造力。

补充（敏感性模型，作者明确声明不用于假设检验）：加入 FoMO-AI 到创造力的直接路径后，该路径显著（β=0.417，p<0.001），间接效应仍显著但降至 0.197；关键变化是批判性思维的交互项变为不显著（β=0.042，p=0.321）——说明 H5a 这条结果是模型依赖的。

补充（必要条件分析 NCA）：创意过程投入对自评创造力存在中等必要性效应（CE-FDH d=0.194，p<0.001；CR-FDH d=0.173，p<0.001），批判性思维同样中等显著（d=0.130，p=0.009；d=0.109，p=0.034），而成长型思维的必要性效应小且不显著（d 约 0.053，p>0.5）。瓶颈分析显示：要达到创造力观测范围的 80%，大约需要创意过程投入达到其观测范围的 42.6%、批判性思维达到 27.3%；到 90% 则分别需要 58.9% 与 40.2%。必要性不等于充分性，也不等于因果。

研究结论

三层结论。第一，焦虑在特定条件下可以是燃料：FoMO-AI 越高的人越投入创意过程，进而自评创造力更高，这与技术压力研究惯常的「资源耗竭」叙事方向相反，更接近补偿性控制解释——觉得自己 AI 能力落后的人，会用更深的问题识别、信息搜索和替代方案探索去补上控制感。第二，这条链有两个开关，而且分处两段：成长型思维管「焦虑能不能转成投入」，批判性思维管「投入能不能转成创造力」。成长型思维低的人，简单斜率是 -0.042 且完全不显著，也就是焦虑在他们身上一点创造力都转化不出来；批判性思维则让同样的投入产出更多创意。第三，也是最该被记住的一层：作者自己在实践建议里第一句话就写明——不要把这个正向关联当成刻意制造焦虑的理由，长期的技术替代感知在缺乏支持与资源补充的情况下，更可能走向耗竭、倦怠、退出创新行为和离职意向。另外提醒一个看图细节：论文图 2 把 0.505 和 0.190 画成了从调节变量直出的箭头，但按正文它们是交互项系数，不是主效应。

研究局限

作者列得很实在，主要有五条。其一，样本是单一国家的非概率平台样本，FoMO-AI 背后的社会比较与竞争关切本身随文化和职场情境变化，结论只能视为这批中国员工中的关联，不能当跨文化普遍规律。其二，面板流失严重（相对初始邀请 46.7%），分阶段检验只能比较退出前已测变量，无法排除与未观测心理特征相关的选择性流失。其三，虽然做了三波分离，但所有构念同源自评，创造力还是自评而非主管评定或客观产出；成长型思维与批判性思维各只测一次且与对应内生变量同波，其时间稳定性未建立，调节估计仍可能受同源偏差影响；也无法判断自评是否被系统性抬高或压低。其四，26 题的 FoMO-AI 量表偏长，可能增加作答负担。其五，观察性设计无法排除反向解释，也无法确立 FoMO-AI 因果地激发了创造力。

未来展望

作者建议：跨国家、跨组织情境复现模型，并在比较结构关系之前先建立测量不变性；收集更丰富的基线心理测量并采用适当的流失校正方法；用多来源或多方法设计，把创造力换成主管评定或行为指标，并用 CB-SEM 检验稳健性；为 26 题 FoMO-AI 量表验证一个保留内容覆盖度的简版；直接检验那些未被测量的替代机制（AI 相关的学习投入、AI 工具实验、主动技能发展），用交叉滞后、实验或更长期纵向设计看这条关联会不会随时间变化甚至变成曲线关系，以及持续的 FoMO-AI 是否最终导向资源耗竭与倦怠。

金句

不要把这个正向关联，当成刻意制造焦虑的理由。

— 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！