问题提出

以 ChatGPT、GLM、DeepSeek 为代表的生成式 AI，和以往按预设任务跑的检索式 AI 不是一回事：它能现生成贴合上下文的新内容，能针对员工提问给定制反馈，甚至能帮着做跨职能的技能发展。IBM 的 Watsonx 用它做人才管理与客户服务，西门子的 MindSphere 用它做工业数据分析，IT、制造、教育、金融都在往里投钱。从知识管理角度看，这等于把员工「创造—分享—应用」知识的链条整个改了一遍：学习流程变短、专长不再被少数人攥着，但反过来，当 AI 看起来能给出不输甚至超过人类洞见的答案时，员工也会开始怀疑自己这点贡献还有没有意义。于是同一套技术能力带着一副双刃：一边提效率、增强驾驭复杂信息的信心、让人更愿意分享；一边让人过度依赖输出、担心专长被淘汰，于是把知识捂住。组织正在把 GenAI 快速塞进协作工具，如果没有清楚的条件说明，企业要么白白浪费它的协作潜力，要么把员工的抵触一起放大。

难点剖析

作者点出三个缺口，对应三个研究目标。第一，既有 AI 与知识共享的研究几乎都围着检索式系统打转，聚焦三件事：优化搜索算法提升知识可达性与精度、识别共同专长以催化协作网络、聊天机器人与虚拟助手怎么改变在线知识交换；生成能力带来的心理动态很少被碰。第二，社会认知理论（SCT）过去多用在组织氛围与传统技术采纳上，明确拿它解释 GenAI 这类生成式技术的研究仍属稀缺；人机协作的文献强调团队层面的能力互补与绩效增益，却把员工个体认知当成黑箱，不打开看环境线索到底怎么变成个人判断。第三，现有关于岗位替代焦虑、AI 赋能创造力、数字共同生产的研究，多是笼统评估「AI」这个整体，没有落到具体可辨的 GenAI 线索上。于是三个目标依次是：感知智能（生成专家级输出的认知能力）与感知拟人化（共情式互动能力）如何直接影响知识共享意向；AI 自我效能感与技能威胁感知如何解释这段关系；技术素养（认知资源）与成长型思维（动机框架）分别在什么条件下放大或削弱这些效应。

理论脉络

主框架是 Bandura 的社会认知理论，核心是环境—个人认知—行为三元交互：GenAI 属性属于环境输入，AI 自我效能感与技能威胁感知属于个人 appraisal，知识共享意向属于行为倾向。作者没有把 SCT 和别的理论拼起来，而是往里接了三条成熟支线：一是自我效能感文献，强调信心主要来自亲历的掌握经验（enactive mastery），而不是被动了解；二是技能／专长威胁文献（Mirbabaie 等 2022），把「担心失去专家身份、担心专门技能不再被需要、担心某些专业可被替代」作为一种对技术线索的防御性评估；三是 Dweck 的成长型思维与 Lee & Park 的 GenAI 技术素养，前者是「能力可以靠努力长出来」的动机信念，后者是理解、使用、管理 GenAI 的专门知识，两者恰好补上 SCT 里个人内部资源的认知面与动机面。整合逻辑是：同一个环境线索在 SCT 内部可以被同时读成「赋能者」和「象征性竞争者」，而到底读成哪一种，取决于个体手里有什么资源。这也决定了后面两个调节变量不是随手加的控制项，而是理论上的边界条件。作者还明确说明，把 PI 与 PH 拆成两个自变量，是因为「算得准」与「聊得像人」是两类不同的 affordance，不该混成一个笼统的「AI 好不好用」。

理论模型

一个双前因、双中介、双调节的模型。前因是感知智能（PI）与感知拟人化（PH），结果变量是知识共享意向（不是实际分享行为）。两条并行中介：AI 自我效能感（AISE）与技能威胁感知（STP）。PI 与 PH 各有一条直通 KS 的直接路径，另各分出 AISE、STP 两条间接路径。GenAI 技术素养调节 PI/PH 通往 AISE 与 STP 的四条路径；成长型思维调节 AISE→KS 与 STP→KS 两条路径。理论框架见 Fig.1；Fig.5 是加入调节后的实证路径系数图，上下两个面板分别以 PI、PH 为自变量。控制变量五个：性别、年龄、学历、GenAI 使用频率、行业类型（为避免稀疏单元格归为信息技术、制造业、其他三组）。共 10 条假设，H1 到 H5 各分 a、b 两支。需要注意结构上的一处设定：技术素养与成长型思维作为调节变量，被作者明确排除在探索性因子分析之外，理由是它们的作用是与主构念形成交互，塞进因子分析会稀释对核心测量属性的判断。

研究假设

共十条，写成五组对照。H1a/H1b：感知智能、感知拟人化分别正向影响知识共享意向。H2a/H2b：AI 自我效能感分别中介 PI、PH 与知识共享意向的关系。H3a/H3b：技能威胁感知分别中介 PI、PH 与知识共享意向的关系，且作者按威胁文献预期方向写的是「PI/PH 提高技能威胁，威胁再压低分享意向」。H4a：技术素养调节 PI/PH→AI 自我效能感；H4b：技术素养调节 PI/PH→技能威胁感知。H5a：成长型思维调节 AI 自我效能感→知识共享；H5b：成长型思维调节技能威胁感知→知识共享。最终 6 条成立、4 条被拒：H1a、H1b、H2a、H2b、H4b、H5b 成立；H3a、H3b、H4a、H5a 被拒。四条被拒的假设不是零散的失败，而是拼出了全文的理论贡献——H3 的反转催生「威胁—挑战重构」，H4a 与 H5a 双双落在 AI 自我效能通路上，一起构成「知识—效能缺口」与「效能饱和」。

分析策略

分三层跑，不是一次性把整个模型塞进一个结构方程。第一层用 AMOS 23.0 做测量模型：CFA 检验拟合（GFI=0.93、RMSEA=0.046、χ²/df=2.03、IFI=0.963、CFI=0.963、NFI=0.930），并看载荷、CR、AVE、√AVE 与构念相关的比较来判收敛与区分效度。第二层用 SPSS PROCESS Model 4 做简单中介，5000 次偏差校正 bootstrap。第三层用 PROCESS Model 21 做被调节的中介，同样 5000 次 bootstrap，并做简单斜率与条件效应分解；所有 PROCESS 模型都纳入性别、年龄、学历、使用频率、行业类型五个协变量。共同方法偏差做了程序与统计双保险：匿名与保密承诺、反向计分题、注意力检查题；事后 Harman 单因子、CFA 加共同潜因子、marker variable 三道检验。数据公开在 OSF（https://osf.io/ke6dt），这点值得加分。口径边界要讲清楚：作者自己在局限里写明「未来可用 full SEM 同步估计所有路径」，也就是说本文的测量模型与结构路径是分开估的，PI 与 PH 也是分两次回归跑出来的；Fig.5 报的是 Model 21 的未标准化 b，Table 4 报的是 Model 4 的路径系数，Table 5/6 报的是调节模型的条件效应与交互项 b——三套数不能横向比大小。

数据收集

数据收集分三阶段。第一阶段按成熟量表改编成 GenAI 职场情境问卷；第二阶段请七位目标人群专业人士（AI 开发者、项目经理、AI 方向学术研究者）做专家评审，他们提出两点实质修改：技能威胁量表的指导语要引导受访者放进自己的职业情境里理解，以及一条知识共享反向题（「除非公司要求，我从不把工作专长告诉别人」）容易让人读岔，最终删除；第三阶段通过 Credamo 平台正式发放，首页说明自愿参与、可随时退出且无任何后果。设两道筛选题，只有至少用过 GenAI 的成年人（18 岁及以上）才能进入主问卷，完全新手被排除，理由是他们无法有意义地评价智能、拟人化或技能威胁；但刻意保留偶尔使用者与高频使用者，以便观察熟悉度差异。最终 496 份有效问卷。全部题项七点李克特计分。程序性补救还包括匿名、反向题抗默许偏差、注意力检查题。

研究样本

496 人，全部为中国境内、有 GenAI 使用经验的在职员工。性别：男 210（42.3%）、女 286（57.7%）。年龄：19–25 岁 108（21.8%）、26–30 岁 138（27.8%）、31–40 岁 207（41.7%）、41 岁及以上 43（8.7%），31–40 岁是主体。学历：大专及以下 41（8.3%）、本科 335（67.5%）、硕士及以上 120（24.2%）。使用频率偏高：每天数次 238（48.0%）、每天一次 49（9.9%）、每周数次 165（33.3%）、每月数次 29（5.8%）、偶尔 15（3.0%）——接近六成每天至少用一次。行业：信息技术 143（28.8%）、制造业 106（21.4%）、教育与培训 54（10.9%）、金融服务 40（8.1%）、零售 31（6.3%）、旅游酒店 27（5.4%）、媒体娱乐 21（4.2%）、医疗 18（3.6%）、其他 56（11.3%）。作者称采用随机抽样，并认为 IT 与制造是 AI 采纳最前沿、也最受技能替代与持续再培训压力的行业，因此样本对研究问题有代表性；但反过来，这也意味着样本的数字素养明显高于一般劳动者，是推广结论时必须带上的条件。

测量工具

七个构念，全部改编自成熟量表、七点李克特。感知智能来自 Rafiq 等（2022），原五题中「我觉得 GenAI 知识渊博」因载荷不足被删，保留「能干／聪明／有判断力／负责任」四题；感知拟人化来自 Ma & Huo（2023）四题，如「GenAI 的回答不像机器说的」；AI 自我效能感来自 Lee 等（2023）四题，如「我能自己排查 GenAI 出的问题」；技能／专长威胁来自 Mirbabaie 等（2022）三题，分别问「担心失去专家身份」「担心专业技能不再被需要」「担心某些专业被替代」；知识共享来自 Yao 等（2023），含一题反向表述，专家评审后删去易混淆项。两个调节变量另行取材：GenAI 技术素养用 Lee & Park（2023）六题（如「我能理解 GenAI 是怎么工作的」），成长型思维用 Levy 等（1998）八题，含「人连最基本的特质都能改变」及反向的「人最深层属性其实改不了」。载荷低于 0.50 的题项统一剔除，最终所有保留题项载荷 ≥0.50。描述统计上有个耐人寻味的细节：技能威胁感知均值只有 3.04（SD 1.38），明显低于其余构念的 5.2–5.7，说明这批高频使用者整体并不太觉得自己被威胁——这正是后文「效能饱和」解释的现实基础。

信效度检验

测量模型整体过关，且共同方法偏差查得比一般问卷研究细。Cronbach‘s α 介于 0.70–0.96（感知智能最低 0.70，成长型思维 0.96），CR 全部 >0.70，AVE ≥0.40——感知智能正好卡在 0.40，作者援引 Fornell & Larcker（1981）说明 CR>0.7 时 AVE 0.4 可接受；区分效度用 √AVE 大于构念间相关来判定；VIF 1.12–1.99，无多重共线性问题。CFA 拟合：GFI=0.93/0.934、RMSEA=0.046、χ²/df=2.03、IFI=0.963、CFI=0.963、NFI=0.930。共同方法偏差三道检验都过关：Harman 单因子首成分只解释 20%（远低于 50%），加共同潜因子后 ΔRMSEA=0.004、ΔCFI=0.01，加 marker variable 后模型内相关系数与显著性都没变。 但有三处必须提醒读者，否则容易读错数。其一，Fig.5 的正系数不是「AI 越聪明越让人觉得被威胁」。Fig.5 是 Model 21 的未标准化系数图，上半 PI→技能威胁 b=0.76（p<0.10）、下半 PH→技能威胁 b=0.52（虚线、不显著），这是调节变量取 0 时的条件主效应；而技术素养是 1–7 点量表，0 落在量表之外，属于外推值，没有实质解释力。真正该看的是 Table 5 的条件效应：技术素养高（6.17）时 PI→威胁 −0.57（95%CI [−0.84, −0.31]）、PH→威胁 −0.40（[−0.58, −0.22]），低（4.33）时 −0.18 与 −0.13 都不显著。其二，Table 4 与 Fig.5 口径不同：Table 4 是 Model 4 中介模型的系数（PI/PH→威胁 −0.27 / −0.28），Fig.5 是含交互项的 Model 21，两者不能互证也不能比大小。其三，Table 4 里若干路径的点估计与所列置信区间对不上（例如 H3a 报 −0.27 却给 [−0.70, −0.35]，H2b 报 0.48 却给 [0.28, 0.39]），疑为标准化与未标准化系数混排或表格跨列错位；因此本文带读只采信正文叙述、间接效应置信区间与 Table 5/6 的条件效应，不拿这些区间做推断。另外全文未报告 R²，也没有给出整体结构模型的拟合指标，解释力大小无从判断。

假设检验

直接效应（H1）：感知智能→知识共享 β=0.18（t=3.74，p<0.001）；感知拟人化→知识共享 β=0.24（t=5.32，p<0.001）。「像人」比「聪明」更能直接推动分享。

AI 自我效能通路（H2，成立，Model 4 / 5000 bootstrap）：PI→AISE 0.57、AISE→KS 0.23，间接效应 0.13，95%CI [0.07, 0.20]；PH→AISE 0.48、AISE→KS 0.23，间接效应 0.11，95%CI [0.06, 0.16]。两个区间都不含 0。

技能威胁通路（H3，双双被拒）：原假设是「越聪明／越像人→越觉得被威胁→越不愿分享」。实测 PI→威胁 −0.27、威胁→KS −0.26，间接效应 +0.07，95%CI [0.04, 0.11]；PH→威胁 −0.28、威胁→KS −0.25，间接效应 +0.07，95%CI [0.04, 0.11]。方向整条反了：员工把 AI 的强读作「帮手够强」，不是「我快没用了」，威胁感下降，分享意愿反而上升。作者命名 threat-to-challenge reframing（威胁—挑战重构）。

技术素养调节（H4）：H4a 被拒——PI×技术素养→AISE b=0.02（95%CI [−0.04, 0.08]，p=0.56），PH×技术素养→AISE b=−0.02（[−0.07, 0.03]，p=0.41），懂原理并不会让人更相信自己用得好。H4b 成立——PI×技术素养→威胁 b=−0.22（[−0.38, −0.06]，p=0.01），条件效应从素养 4.33 时的 −0.18（p=0.12）一路走到 5.50 时 −0.43（p<0.001）、6.17 时 −0.57（p<0.001）；PH×技术素养→威胁 b=−0.15（[−0.27, −0.03]，p=0.01），条件效应 −0.13（p=0.15）→ −0.30（p<0.001）→ −0.40（p<0.001）。只有懂行的人，才把 AI 的强读成补位而非抢位。

成长型思维调节（H5）：H5a 被拒——AISE×成长型思维→KS b=0.01（[−0.07, 0.10]，p=0.75），对应的被调节中介效应 95%CI [−0.004, 0.005] 跨 0。H5b 成立——威胁×成长型思维→KS b=0.06（[0.02, 0.10]，t(483)=2.91，p<0.001）；固定型思维（2.13）下威胁→KS b=−0.23（p<0.001），中等（3.38）−0.16（p<0.001），成长型（5.63）只剩 −0.03（p=0.53），负面作用基本被抹平。

被调节的中介整体检验：技能威胁通路的被调节中介效应显著（PI 间接 −0.012，95%CI [−0.032, −0.001]；PH 间接 −0.008，[−0.0226, −0.0004]），AI 自我效能通路则不显著。两条中介，一条能被认知与动机资源调节，另一条完全调不动。

研究结论

四层结论。第一，原来那条「AI 越强、人越藏」的直觉，在这批高频使用者身上没有成立。感知智能与感知拟人化都显著推高知识共享意向（0.18 / 0.24），并且同时通过两条中介起作用：一条是 AI 自我效能感被抬起来（间接 0.13 / 0.11），另一条是技能威胁感被压下去（间接 0.07 / 0.07）。作者把后一条命名为「威胁—挑战重构」：同一个环境线索，在 SCT 框架里既可以被读成赋能者，也可以被读成象征性竞争者，而当员工能把 AI 的输出解释成对自己能力的补位时，走的是前一条。第二，「知识—效能缺口」是全文最硬的理论贡献。技术素养显著削弱「AI 强→我被威胁」这条（−0.22 / −0.15），却对「AI 强→我更自信」毫无作用（0.02 / −0.02，均不显著）；作者借 Bandura 解释：被动的陈述性知识能消除对未知的恐惧，但自我效能感主要来自亲历的掌握经验——亲手用 AI 把活做成过，才算数。所以培训不能只讲原理，得给实操任务。第三，「效能饱和」划出了干预的边界。成长型思维只缓冲技能威胁通路（b=0.06），对 AI 自我效能通路完全无效（b=0.01，p=0.75）。作者的解释是这批人 AI 自我效能基线本就高（均值 5.73）、使用频率也高（48% 每天数次），额外加动机激励边际收益趋近于零；高技能域里，行为更多受结构与资源约束，而不是心理动员。换句话说，培训、心态建设这些个体层干预，救得了「怕被抢饭碗」的人，救不动「已经很会用」的人。第四，实践建议跟着分三类：把 GenAI 讲成增强型伙伴而非替代品，用人在回路的具体工作流让协作可见，别夸大自动化承诺；IT 岗投培训时给提示词库、轻量模板、真实任务练习，制造掌握经验；制造业重点处理岗位安全顾虑，明确 AI 补的是人的专长；同时用持续学习与发展通道养成长型思维，并在绩效沟通里承认 AI 辅助的贡献，让知识交换变成被看见的事。

研究局限

作者列了四条：其一，研究在中国完成，国家对技术进步的强力支持可能让受访者对 GenAI 的回答偏务实、偏乐观；样本又集中在 IT 与制造业、通过单一在线平台招募，数字素养大概率高于平均，需要跨文化、跨行业、跨组织的复核。其二，横断面设计无法确立时间先后，也不能作因果推断，作者建议 T1 线索／T2 评估／T3 意向的多波或经验取样设计；同时坦承未来可用 full SEM 在潜变量框架里同步估计全部路径。其三，虽然做了程序与统计补救，全自评问卷仍是隐患，建议纳入主管对知识共享行为的他评等多源数据。其四，拟人化竟然会降低威胁感这一发现，需要民族志或观察性质的质性研究去打开机制。补充四点带读层面的提醒：结果变量是「知识共享意向」，不是真实分享行为，两者之间还有距离；全部变量同一时点自评，反向解释（本来就更愿意分享的人，把 AI 各环节都评价得更好）无法排除；全文未报告 R² 与整体结构模型拟合指标，也未提供 OSF 数据之外的稳健性检验，因此「解释力」无从评估；Table 4 若干路径的点估计与所列置信区间不自洽（见结果部分），引用具体数值时宜回到正文与间接效应区间核对。还有一处容易被忽略：作者把两个调节变量排除在因子分析之外，虽给出理由，但技术素养与成长型思维的测量质量因此没有进入同一套效度检验。

未来展望

作者建议的方向很具体：换到不同文化、行业与组织情境复验模型，尤其检验「国家层面对技术的乐观叙事」是否本身就是个调节变量；改多波或经验取样设计，把环境线索、个人评估、行为意向按时间拆开，再去谈因果；上 full SEM 同时估计所有路径，看拆分回归是否掩盖了路径间的相互制约；引入主管他评、系统日志等多源数据替代单一自评；用人机协作的民族志或观察研究，弄清员工到底怎么重新解读拟人化线索；把模型扩到多模态 GenAI、行业专属应用，并纳入透明度、隐私等伦理维度。沿本文最反直觉的两个点，还可以再往前走两步：其一，直接操纵「掌握经验」（给一组真实任务实操，另一组只讲原理），实验检验知识—效能缺口是否真是 Bandura 意义上的机制差异，而非量表没测到；其二，在低 AI 自我效能、低使用频率人群里重跑 H5a，验证「效能饱和」是真实边界条件，还是高基线样本带来的天花板效应。另外，数据已公开在 OSF，第三方重做 Table 4 的系数对齐、补充 R² 与整体拟合指标，都是低成本高价值的复核。

金句

懂 AI 能让人不怕，但只有亲手做成过，才会让人觉得自己行。

— 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！