问题提出

生成式 AI 正在改写知识密集型工作的底层逻辑。德勤 2024 年一项覆盖 11900 人的调查显示，亚太区已有 62% 的员工在财务、研发、专业服务等核心领域用上了生成式 AI。知识在组织内有效流动，一向被视为创新与竞争优势的基础。但 AI 嵌入组织后并没有照着「技术促进分享」这条单行道走，反而出现了悖论：一边是 AI 降低了信息获取与知识整合的成本，另一边是它在文本创作、方案设计、数据分析这些高阶认知任务上逼近甚至超过人类表现，员工出于保护核心专长、维持自身在职场中的独特价值的考虑，反而强化了策略性知识隐藏的倾向。技术的赋能与个体的防御同时存在，于是问题变成：当生成式 AI 同时激活员工的贡献倾向与防御动机时，底层的心理机制是怎么运作、怎么相互竞争的？最终的行为天平往哪边倾斜？

难点剖析

既有研究沿着两条互不相干的线推进。增强视角的研究发现 AI 能提升工作效率、把认知资源腾出来做创造性工作、并通过强化自我效能促进知识共享；替代视角的研究则发现 AI 的能力把替代威胁从蓝领岗位延伸到知识工作，AI 诱发的工作不安全感会增加知识隐藏。但这两条线基本各自发展，很少有人把增强效应和替代效应放进同一个框架里看它们如何共存与竞争。作者具体点出三个洞：第一，「双刃剑」效应的理论整合不足，很少同时建模两条相反的心理路径；第二，缺一个能刻画「净效应」的整合指标——知识共享与知识隐藏几乎总是被当成两个独立结果变量分开研究，于是答不了「同一个前因同时激活两种相反行为时，员工的行为天平最终往哪边倒」；第三，边界条件探索不足，竞争心理氛围作为关键情境因素可能同时放大赋能与威胁两条路，但这个调节机制既没有充分的理论化，也没有被实证检验过。

理论脉络

作者把两个理论叠起来用。宏观层用 Raisch 与 Krakowski（2021）的自动化—增强悖论（AAP）：同一项技术可能同时产生增强效应（扩展认知边界、提升信息处理效率）和自动化效应（接管原本由人承担的核心任务功能，让人感知到自身角色的可替代性），并且这两种效应不是在不同群体间分化，而是在同一个人的认知系统里共存与竞争。生成式 AI 让这个悖论格外尖锐——传统自动化主要替代常规劳动，而生成式 AI 的能力直接指向知识工作者赖以建立职业壁垒的高阶认知活动。微观层用 Lazarus 与 Folkman（1984）的认知评估理论（CAT）补上「宏观悖论如何翻译成个体心理反应」这一环：初级评估判断刺激是良性还是压力性，压力性刺激再分为带来成长与收益的「挑战」和带来伤害与损失的「威胁」；次级评估判断可调用的应对资源。同一个刺激可以在一个维度上被评估为挑战、同时在另一个维度上被评估为威胁。把 AAP 映射到 CAT 就得到双路径框架：AI 的增强效应触发挑战评估，反复的挑战评估沉淀为自我效能的稳定信念，进而导向开放的知识行为；AI 的自动化效应触发威胁评估，表现为工作不安全感，按资源保存理论（Hobfoll, 1989）的资源损失逻辑，受威胁的个体从「资源投入」转向「资源防御」，行为上就是知识隐藏。

理论模型

一个双路径的有调节的中介模型。自变量是生成式 AI 使用；两条并行中介分别是自我效能（赋能路径）与工作不安全感（威胁路径）；竞争心理氛围调节两条路径的第一阶段（AI 使用 → 中介变量）；结果变量有三个——知识共享、知识隐藏，以及作者新提出的整合指标知识行为相对强度（Knowledge Behavior Relative Intensity, KBRI），主操作化定义为知识共享与知识隐藏的差值（KS − KH），用于刻画净行为倾向。共 13 条假设（H1–H3 主效应，H4a–H4c 自我效能的中介，H5a–H5c 工作不安全感的中介，H6a–H6b、H7a–H7b 竞争心理氛围的调节与有调节的中介）。

研究假设

共十三条。H1，生成式 AI 使用正向影响知识共享；H2，正向影响知识隐藏；H3，正向影响知识行为相对强度（即增强效应带来的共享增量大于自动化效应带来的隐藏增量）。H4a，AI 使用正向影响自我效能；H4b，自我效能正向影响相对强度；H4c，自我效能中介 AI 使用与相对强度之间的关系。H5a，AI 使用正向影响工作不安全感；H5b，工作不安全感负向影响相对强度；H5c，工作不安全感中介上述关系。H6a，竞争心理氛围正向调节 AI 使用对工作不安全感的正向影响；H6b，正向调节工作不安全感的中介效应（高竞争氛围下这条负向间接效应的绝对值更大）。H7a，竞争心理氛围正向调节 AI 使用对自我效能的正向影响；H7b，正向调节自我效能的中介效应。最终 13 条全部获得支持——这在实证论文里属于相当干净的结果。

分析策略

三波时滞问卷，分析分四步。第一步用 Mplus 8.3 对六个核心潜变量做验证性因子分析检验区分效度，并用 Harman 单因子检验评估共同方法偏差。第二步用层级多元回归检验主效应（H1–H3）：第一步放入性别、年龄、工作年限、学历、岗位类型五个控制变量，第二步放入自变量，看增量解释力 ΔR²。第三步用 Hayes（2022）的 PROCESS 宏 Model 4 检验自我效能与工作不安全感的双中介，5000 次 Bootstrap 重抽样估计间接效应的置信区间。第四步用 PROCESS Model 7 检验竞争心理氛围在第一阶段的调节作用与有调节的中介效应，自变量与调节变量均做均值中心化。稳健性做了三项：对 KS − KH 差值在 1% 与 99% 分位做缩尾处理再估计 Model 4；加入 AI 使用的平方项检验非线性；把因变量换成 KS / KH 比值再跑 Model 7。

数据收集

数据来自中国上海一个大型经济技术开发区内企业的知识工作者，园区内聚集了汽车制造、航空装备、文化创意、金融服务等行业的总部。选点的三条理由：园区数字化转型走在前面、生成式 AI 应用广泛，便于在真实情境下考察；园区内知识密集型企业多样，知识行为问题突出，与主题契合；员工学历较高、专业背景多元，样本代表性有保证。为控制共同方法偏差，问卷分三个时间点发放，每次间隔两周：T1 测生成式 AI 使用、竞争心理氛围与人口统计信息；T2 测自我效能与工作不安全感；T3 测知识共享与知识隐藏。三波分别回收 621、554、428 份有效问卷，清洗后最终样本 428 人，有效率 68.92%。研究经东华大学科技伦理委员会批准，参与者均签署书面知情同意。

研究样本

最终样本 428 人。性别相对均衡：男性 196 人（45.8%）、女性 232 人（54.2%）——这在同类问卷研究里算少见的平衡。年龄集中在 26–40 岁：26–30 岁 104 人（24.3%）、31–35 岁 119 人（27.8%）、36–40 岁 80 人（18.7%），18–25 岁仅 28 人（6.5%）。学历偏高：本科 172 人（40.2%）、硕士 100 人（23.4%）、博士 28 人（6.5%），大专 67 人（15.7%）。工作年限分布较散：1–3 年 93 人（21.7%）、3–5 年 85 人（19.9%）、5–10 年 89 人（20.8%）、10–15 年 54 人（12.6%）。岗位类型以技术/研发最多，110 人（25.7%），其余分布在运营供应链（15.2%）、职能支持（15.2%）、专业服务（13.1%）、设计创意（11.2%）、金融投资（10.7%）。

测量工具

所有构念均使用成熟量表并针对生成式 AI 与知识工作者情境做小幅改编，英文量表按 Brislin（1970）的翻译—回译程序译为中文，全部题项采用五点李克特（1 非常不同意，5 非常同意）。生成式 AI 使用：4 题，测互动频率与依赖程度，例题「你在多大程度上依赖生成式 AI 完成日常工作任务？」，α=0.820。自我效能：Chen 等（2001）新一般自我效能量表（NGSE）8 题，α=0.889，CR=0.82，AVE=0.533。工作不安全感：Hellgren 等（1999）3 题，α=0.774，CR=0.774，AVE=0.534。竞争心理氛围：改编自 Brown 等（1998）4 题，把原量表中「销售人员」「销售排名」等行业特定词泛化为「同事」「绩效排名」，例题「我的主管经常把我的成果与其他同事比较」，α=0.825，CR=0.826，AVE=0.543。知识共享：Faraj 与 Sproull（2000）开发、Srivastava 等（2006）验证的 4 题，α=0.832，CR=0.832，AVE=0.554。知识隐藏：Peng（2013）3 题，例题「我不太愿意把个人知识和经验转化为组织知识」，α=0.730，CR=0.73，AVE=0.475。知识行为相对强度主操作化为 KS − KH 差值，KS / KH 比值留作稳健性检验的替代操作化。

信效度检验

六因子基线模型拟合良好：χ²=271.52，df=284，χ²/df=0.96，CFI=1.000，TLI=1.000，RMSEA=0.000，SRMR=0.029，且显著优于五因子模型（把知识共享与隐藏合并，Δχ²

(5)=286.17，p<0.001）、四因子模型（再把自我效能与工作不安全感合并，Δχ²

(9)=640.22，p<0.001）和单因子模型（Δχ²

(15)=2410.21，p<0.001），区分效度站得住。单因子模型拟合极差（CFI=0.388，RMSEA=0.136），配合 Harman 单因子检验，说明共同方法偏差不构成严重威胁。所有预测变量的方差膨胀因子在 1.004 到 1.060 之间，远低于临界值 10，无多重共线性。需要说明的是，χ²/df<1、CFI 与 TLI 都等于 1.000、RMSEA 等于 0 这种「过于完美」的拟合在社科实证里通常提示模型相对数据的自由度偏宽松，读到这里留个心眼是合理的。信度方面，六个构念的 α 介于 0.730 到 0.889，其中知识隐藏（α=0.730，AVE=0.475）与工作不安全感（α=0.774）是偏弱的两个，AVE 未达 0.5 的只有知识隐藏。相关矩阵里还有一个值得注意的细节：竞争心理氛围与工作不安全感的零阶相关只有 r=−0.047，不显著——它的作用要到加了交互项的回归里才显现，说明这是一个纯调节变量而非直接前因。

假设检验

主效应（层级回归，控制性别、年龄、工作年限、学历、岗位类型）：H1 成立，AI 使用 → 知识共享 β=0.337（t=7.469，p<0.001）；H2 成立，AI 使用 → 知识隐藏 β=0.100（t=2.062，p=0.040）；两者系数比约为 3.4:1。H3 成立，以 KS − KH 为因变量时，加入 AI 使用后模型获得增量解释力（ΔR²=0.035，p<0.001），AI 使用正向预测相对强度 β=0.257（t=3.946，p<0.001）。

赋能路径（PROCESS Model 4，5000 次 Bootstrap）：H4a 成立，AI 使用 → 自我效能 coeff=0.120（SE=0.044，t=2.722，p=0.007）；H4b 成立，自我效能 → 相对强度 coeff=0.209（SE=0.071，t=2.957，p=0.003）；H4c 成立，经自我效能的间接效应 Boot 95% CI = [0.0040, 0.0544]，不含 0。

威胁路径：H5a 成立，AI 使用 → 工作不安全感 coeff=0.154（SE=0.047，t=3.313，p=0.001）；H5b 成立，工作不安全感 → 相对强度 coeff=−0.163（SE=0.067，t=−2.430，p=0.016）；H5c 成立，经工作不安全感的间接效应 Boot 95% CI = [−0.0535, −0.0039]，不含 0。

竞争中介：两条间接效应方向相反、绝对值接近，总间接效应 Boot 95% CI = [−0.0373, 0.0379]，跨过 0，构成 Zhao 等（2010）所说的竞争性中介。

调节效应（PROCESS Model 7）：H6a 成立，AI 使用 × 竞争心理氛围 → 工作不安全感 coeff=0.190（SE=0.087，t=2.186，p=0.029，95% CI [0.019, 0.361]）；H7a 成立，AI 使用 × 竞争心理氛围 → 自我效能 coeff=0.173（SE=0.082，t=2.120，p=0.035，95% CI [0.013, 0.334]）。有调节的中介：威胁路径 Index = −0.031（Boot SE=0.021，95% CI [−0.080, −0.0002]），赋能路径 Index = 0.036（Boot SE=0.021，95% CI [0.002, 0.082]），H6b 与 H7b 均成立——但两条 Index 的上/下界分别贴着 0.0002 与 0.002，属于勉强过关。

稳健性：缩尾后两条间接效应分别为 [0.0042, 0.0548] 与 [−0.0533, −0.0045]、总间接效应仍不显著 [−0.0369, 0.0380]；加入 AI 使用平方项的 ΔR²<0.001、β=−0.006（p=0.945），支持线性设定；换成 KS/KH 比值后有调节的中介 Index 分别为 −0.021（[−0.0493, −0.0009]）与 0.017（[0.000, 0.038]），方向一致。

研究结论

四层结论。第一，双刃剑效应确实存在，且力量不对称：AI 使用同时正向预测知识共享（β=0.337）与知识隐藏（β=0.100），系数比约 3.4:1，相对强度的回归结果（β=0.257）进一步验证了这种不对称。这说明在当前技术阶段，AI 的赋能属性在行为层面占上风；但隐藏效应虽然弱，却是一条稳健存在的路径，不该被「良性忽视」。第二，两条中介构成典型的竞争性中介：赋能路径的间接效应 [0.0040, 0.0544] 与威胁路径的 [−0.0535, −0.0039] 方向相反、绝对值相近，导致总间接效应不显著。如果只检验总间接效应，就会错误地得出「AI 使用没有间接影响」的结论，从而掩埋两条各自显著、互相抵消的机制——作者认为，这正好解释了为什么以往研究在「AI 与员工行为」的关系上经常给出互相矛盾的结论：不同研究可能各自只捕捉到了其中一条路径。第三，竞争心理氛围同时放大两条路，而不是只挑一边放大。它的机制是长期激活社会比较过程，抬高与 AI 相关线索的个人利害关系，从而同时锐化挑战评估与威胁评估。这也意味着在高度竞争的单位里，员工既涨效能也涨焦虑，心理波动更剧烈、知识行为的分化更明显。第四，实践上三条建议：AI 推广走「试点—扩面」的渐进路线而不是全员同时铺开，让早期使用者先跑出具体用例；培训要超越工具操作、设计递进式的人机协作任务来累积掌握经验，同时透明沟通 AI 对岗位的真实影响、强调人机协作而非替代的定位；在 AI 落地初期主动压低内部竞争强度、营造可以公开讨论 AI 角色不确定性的心理安全氛围。

研究局限

作者列了五条，都很实在。其一，样本地理与行业集中：数据来自中国东部上海一个大型开发区的知识工作者，向其他地区与行业外推要谨慎，知识行为的社会规范在不同文化情境下可能不同。其二，全部变量自评：虽然有三次时滞设计与 CFA 单因子检验兜底，但知识隐藏这类行为很可能因社会赞许性偏差而被低估；作者建议未来引入同事评分、主管评价、组织知识贡献记录、AI 系统使用日志等多源测量。其三，AI 使用只测了频率，没有区分功能类型——信息检索、内容生成、决策支持、代码生产等不同用法可能差异化地激活挑战评估与威胁评估。其四，KBRI 这个新指标的心理测量学成熟度不足：KS − KH 差值与 KS / KH 比值的非线性特征、对极端值的敏感性、聚合效度都还需要更系统的检验，作者明确承认开发专门的量表仍是开放任务。其五，方向性推断有限：三波时滞提供了时间分离，但非实验数据只能读作「合理的方向性模式」而非确定的因果主张，反向路径（比如更强的知识分享倾向反过来提高采纳 AI 的意愿）无法完全排除，作者建议未来用组织层面 AI 部署前后的准实验设计。另外补充一个方法细节：竞争心理氛围的两个有调节的中介 Index 置信区间分别贴着 −0.0002 与 0.002，属于勉强显著，解释时不宜说得太满。

未来展望

作者建议：在跨文化样本（比如东亚与西方对照）和不同知识密度的行业（制造、教育、医疗）中复验这个双路径模型；引入同伴评分、主管评价、组织记录与 AI 使用日志等多源测量，并区分信息检索、内容生成、决策支持、代码生产等不同功能类型的 AI 使用；为「净知识行为倾向」开发更成熟的专用量表，系统检验其聚合与区分效度；用组织层面 AI 部署前后对比的准实验设计强化方向性推断；在调节机制上继续深挖——引入成长型思维、AI 学习自我效能等个体层调节变量与竞争心理氛围做跨层交互，以及变革型领导、AI 赋能型领导、组织 AI 战略导向、AI 伦理氛围等更高层的情境调节变量。还有一条作者自己点出的关键问题：本研究只发现竞争心理氛围同时催化两条路径，但没有探讨「对赋能路径的催化何时会超过对威胁路径的催化」——这才是管理实践最想知道的边界条件。

金句

只检验总间接效应，会让人误以为 AI 对知识行为毫无影响；真相是两条机制各自显著、方向相反，恰好互相抵消。

— 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！