问题提出

以 ChatGPT、DeepSeek 为代表的生成式 AI，把 AI 从「按规则给确定答案」推到了「大规模预训练 + 创造性协作」，核心价值变成通过人机协作释放决策潜力。作者强调这不是渐进升级，而是三重根本转变：一是涌现出自然语言理解、情境推理与内容生成能力，GenAI 更像协作伙伴而非被动工具；二是拟人化对话把「人—工具」关系改写成「人—社会性对象」关系，于是信任、融洽、社会归因这些人际心理过程被激活；三是双刃剑——提效率的同时带来岗位替代、技能过时与数据安全的担忧，员工必须在「技术赋能」与「心理威胁」之间做权衡。落到组织里，一边是企业要靠持续使用摊薄技术投资，另一边是生成内容可靠性存疑、算法黑箱造成的信任赤字、技术依赖引发的能力退化焦虑，长期意愿被一步步磨损。

难点剖析

作者点出三个缺口，对应三个研究问题。第一，既有采纳研究多用 TAM、UTAUT、期望确认模型、创新扩散，聚焦有用性、易用性、绩效期望这些变量，把采纳当成一个主要受效用驱动的决策；但同一批技术能力（例如预测精度）在提效率的同时也会催生替代焦虑，这种「同源悖论」单视角模型解释不了。第二，多数研究只有单一理论视角，没有系统刻画技术属性与社会风险因素如何共同作用，也没有划清认知信任与情感信任是否分别中介技术驱动与社会抑制。第三，已有证据多来自日常生活或教育场景，缺职场情境下的边界条件——员工个人能力、任务与技术匹配度会不会改变理性通路与情感通路的相对权重，始终不清楚。三个 RQ 分别追问：两类前因如何各自影响两类信任、两类信任如何作用于使用意向、感知行为控制与任务技术匹配分别调节信任形成与信任到意向的关系。

理论脉络

整合的是社会技术系统理论（STS，Trist & Bamforth）与信任理论（McAllister, 1995）。STS 主张组织效能最大化必须让技术子系统与社会子系统联合优化，否则技术变革会引发社会脱嵌；作者把 GenAI 的技术子系统落在「预测精度、系统可用性、算法透明度」，社会子系统落在「依赖担忧、隐私顾虑、替代焦虑」，两者分别代表技术能力驱动与社会风险抑制。信任理论则把信任从单维的「可靠性判断」推进到认知信任（对能力、专业性、可靠性的理性判断）与情感信任（情感联结、归属感、安全感），并接上双过程理论（Kahneman 的理性—分析系统 vs 经验—情绪系统）。两个理论不是顺序叠加，而是通过「子系统 ↔ 信任维度」的结构对应来整合：技术子系统对应认知信任的能力型前因，社会子系统对应情感信任的关系型前因——理由在于 GenAI 模糊了工具与协作者的边界，员工会同时把它当技术系统和准社会伙伴来评估。作者还专门用 IMPACT 指南（Interestingness / Matching / Parsimony / Applicability / Conceptual rigor / Testability）为这个理论组合做了正当性论证。

理论模型

一个双通路、带两个调节变量的模型。技术系统三个前因——预测精度（PA）、系统可用性（SA）、算法透明度（ALT）——指向认知信任（CT）；社会系统三个前因——依赖担忧（DW）、隐私顾虑（PC）、替代焦虑（RA）——指向情感信任（AT）；CT 与 AT 分别指向使用意向（UI）。任务技术匹配（TTF）调节 CT→UI 与 AT→UI 两条；感知行为控制（PBC）调节 ALT→CT，以及 DW/PC/RA→AT 三条。控制变量五个：性别、年龄、收入、学历、使用频率。共 14 条假设。结果变量是使用意向而非实际使用行为——作者援引 Pandit 等（2025）的说法，认为对长期技术价值而言，持续投入比初始采纳更关键。

研究假设

共十四条。H1–H3，预测精度、系统可用性、算法透明度分别正向影响认知信任；H4–H6，依赖担忧、隐私顾虑、替代焦虑分别负向影响情感信任；H7、H8，认知信任与情感信任分别正向影响使用意向；H9a，任务技术匹配正向调节「认知信任→使用意向」；H9b，任务技术匹配负向调节「情感信任→使用意向」；H10a，感知行为控制削弱「算法透明度→认知信任」的正向效应；H10b–H10d，感知行为控制分别削弱「依赖担忧 / 隐私顾虑 / 替代焦虑 → 情感信任」的负向效应。最终 12 条成立、2 条被拒（H10c、H10d）——这两条不显著的假设，反倒是全文最有理论价值的发现。

分析策略

PLS-SEM，理由是研究定位为预测导向而非理论验证（SmartPLS 4.0），且能同时估计测量模型与结构模型、在有限样本下统计功效更稳；共同方法偏差检验用 SPSS 27。量表改编自成熟量表、经三位领域研究者评审（题项相关性、清晰度、领域覆盖）与 80 名白领预测试，作者把效度当成分阶段评估：内容/表面效度在正式调查前解决，收敛效度看载荷、AVE、CR，区分效度看 HTMT，法则效度看理论预期的结构关系，预测效度用 PLSpredict（10 折交叉验证的 Q²_predict 与相对朴素 LM 基准的 RMSE）。结构模型用 5000 次 bootstrap 检验路径显著性，交互项在 SEM 里建模并做简单斜率分析。样本量做了双重论证：十倍法则要求 ≥90（使用意向接受 9 条箭头：2 个直接预测变量 + 2 个交互项 + 5 个控制变量），最小 R² 法在 9 个预测变量、α=0.05、最严格 min R²=0.10 下要求 181，实际 360 远超两条线。

数据收集

问卷通过问卷星面向中国内地白领发放。第一题即做筛选，只有具备 GenAI 实际使用经验者才能继续；后续所有变量都让受访者针对自己最熟悉的那一个具体 GenAI 工具作答，以降低技术异质性带来的测量误差。数据质量控制做了四层：预测试、发放阶段定向筛选、回收后剔除无效问卷、事后共同方法偏差检验——作答不足 3 分钟或呈现高度重复作答模式的都判无效。初筛通过 470 份，剔除 110 份无效（其中 95 份仅因用时不足 3 分钟），最终 360 份有效，有效率 76.6%。程序性补救包括匿名作答、明确保证学术保密、把人口统计题与量表题分开。11 个构念共 40 题，全部五点李克特（1 非常不同意，5 非常同意）。

研究样本

最终 360 人，全部为中国内地有 GenAI 实操经验的白领。性别均衡：男 175（48.61%）、女 185（51.39%）。年龄以 26–35 岁为主（156 人，43.33%），36–45 岁 91 人（25.28%），18–25 岁 60 人（16.67%），46 岁以上合计 14.72%。学历偏高：本科 144 人（40.00%）、硕士 111 人（30.83%）、博士 45 人（12.50%）——硕博合计 43.33%。月收入集中在 6001–20000 元（53.61%）。使用频率分布较散：每周 4–10 次 26.94%、11–20 次 19.17%、21–30 次 15.28%、30 次以上 10.28%，很少用仅 6.39%。控制变量里性别、年龄、收入对使用意向都不显著，学历与使用频率显著正向。

测量工具

11 个构念共 40 题，全部改编自成熟量表并按中国内地职场 GenAI 情境修订：预测精度 5 题（Chen 等 2023；Mayer & Davis 1999）、系统可用性 3 题（Liu 等 2023；Meah & Qin 2026）、算法透明度 3 题（Yu & Li 2022）、隐私顾虑 3 题（Nan 等 2025；Rajaobelina 等 2021）、替代焦虑 4 题（Park 等 2024）、依赖担忧 5 题（Pan 等 2024）、认知信任 3 题（Chen 等 2023；Stewart & Gosain 2006）、情感信任 3 题（Chen 等 2023；Komiak & Benbasat 2006）、感知行为控制 3 题（Wamba-Taguimdje 等 2024；Kim 2010）、任务技术匹配 5 题（Wamba-Taguimdje 等 2024；Lim 等 2024）、使用意向 3 题（Pan 等 2024；Venkatesh 等 2003）。三个技术构念各有明确落点：预测精度是输出与预期吻合的程度，系统可用性是即时反馈与高效服务，算法透明度是员工对决策逻辑可解释性与数据处理规则可追溯性的主观感知；三个风险构念里，替代焦虑按 Park 等（2024）定义为担心被取代、技能过时或职业发展受限。

信效度检验

测量模型整体扎实。Cronbach‘s α 介于 0.791 到 0.920，CR 介于 0.878 到 0.940，全部超过 0.7；所有标准化载荷 >0.7，各构念 AVE >0.5；所有潜变量 VIF <3.3（最贴线的是依赖担忧 DW4=3.173、替代焦虑 RA1=3.112、隐私顾虑 PC2=3.012），无严重多重共线性。区分效度用 HTMT，全部低于 0.85 保守门槛，最高 0.834。共同方法偏差：Harman 单因子首成分解释 38.501%（<50%），最高构念间相关 0.756（<0.90）。解释力：R² 认知信任 0.672、情感信任 0.533、使用意向 0.710。预测效度：Q²_predict 情感信任 0.510、认知信任 0.659、使用意向 0.641，全部远大于 0，且三个内生构念的 PLS-SEM 预测误差（RMSE）均低于朴素 LM 基准。方法上仍有三处留白：未报告任何特定间接效应的 bootstrap 置信区间，未纳入技术/社会前因直通使用意向的路径（因此「中介」是结构设定而非统计检验结论），也未报告 f² 效应量与 PLS-SEM 整体拟合指标（如 SRMR）。另外从 t 值与 p 值的对应关系看（H5 t=1.745 却报 p=0.040），作者采用的应是单侧检验但文中未明确说明；若按更保守的双侧口径，隐私顾虑这条路径会落到不显著一侧，属边缘结果。

假设检验

技术系统（→认知信任）：H1 预测精度 β=0.248（t=4.472，p=0.000）、H2 系统可用性 β=0.254（t=4.745，p=0.000）、H3 算法透明度 β=0.244（t=5.455，p=0.000）——三条系数几乎等权，作者据此强调三项技术投入不可互换。

社会系统（→情感信任）：H4 依赖担忧 β=−0.149（t=2.105，p=0.018）、H5 隐私顾虑 β=−0.099（t=1.745，p=0.040，最弱且属边缘）、H6 替代焦虑 β=−0.198（t=3.034，p=0.001，最强）。

两类信任（→使用意向）：H7 认知信任 β=0.314（t=5.515，p=0.000）、H8 情感信任 β=0.305（t=5.679，p=0.000）——再次几乎等权，理性与情感各占一半。

任务技术匹配调节：H9a TTF×CT→UI β=+0.155（t=3.590，p=0.000）成立；H9b TTF×AT→UI β=−0.192（t=4.298，p=0.000）成立且绝对值更大。简单斜率显示：匹配度高时认知信任的斜率明显更陡，情感信任的正斜率变小。

感知行为控制调节：H10a PBC×ALT→CT β=−0.065（t=2.572，p=0.005）成立——低控制感的人更依赖透明度建立理性信任，高控制感的人即便透明度不高也能维持较高认知信任；H10b PBC×DW→AT β=+0.118（t=1.966，p=0.025）成立，高控制感把依赖担忧的负斜率压平。

两条被拒：H10c PBC×PC→AT β=−0.042（t=0.810，p=0.209）不显著；H10d PBC×RA→AT β=+0.031（t=0.468，p=0.320）不显著。也就是感知行为控制只缓冲「怕依赖」，对「怕泄密」「怕被替代」毫无作用。

控制变量：性别、年龄、收入不显著；学历与使用频率显著正向影响使用意向。

研究结论

四层结论。第一，员工对 GenAI 的信任不是一维，而是两条性质不同的通路：技术通路是绩效驱动、能力本位的认知信任（三个技术前因系数 0.244–0.254 几乎等权），社会通路是威胁驱动、情绪本位的情感信任（三个风险前因 −0.099 到 −0.198，替代焦虑最狠）。两类信任通往使用意向的系数也几乎相同（0.314 / 0.305），说明理性算账与情感安心各撑半边天，不存在哪条压倒哪条。第二，任务技术匹配是一个「通路开关」：匹配度越高，认知信任的作用被放大（+0.155），情感信任的边际作用反而被削弱（−0.192）。任务和工具对得上时，员工看得见正确、有用、及时的输出，直接凭性能证据就够了，不需要额外的情绪安抚；只有在匹配度低时，才更靠情感信任去补技术够不着的那段差距。第三，感知行为控制是「选择性缓冲器」，这是全文最硬的理论贡献。它只缓冲依赖担忧，缓冲不了隐私顾虑与替代焦虑。作者借 Lim & Weissmann（2023）的行为控制理论给出解释：依赖担忧属于隐性控制域——担心的是自己驾驭技术的能力，通过学习、练习、技能提升就能练回来，个人能动性够得着；隐私顾虑与替代焦虑属于显性控制域——前者取决于组织数据治理、监管执行与系统设计，后者取决于组织在人力重构、自动化部署、岗位再设计上的战略决策，个人再能控也插不上手。所以那两条不显著的假设不是失败，而是划出了个人层面干预的边界：面对隐私和饭碗，个体培训无效，必须靠组织级制度保障。第四，实践上三条线分开走：三项技术投入不可互换（领域数据微调 / 基础设施保 24·7 低延迟 / 可解释 AI 特性如置信度、来源标注、决策理由摘要）；三类风险分别对症（讲清「增强而非替代」并给职业通道 / 数据匿名化与使用边界、敏感信息 opt-in / 批判性思维与提示词元技能，做增强智能而非自动化依赖）；部署按情境权变（高匹配度讲性能指标、低匹配度补情感支持；低控制感员工给算法解释与引导式用法；隐私与岗位安全只能上组织级兜底）。

研究局限

作者列了三条：样本主要来自中国内地白领，跨行业与职位虽有覆盖但外部效度仍有限，需要跨地区、跨行业、跨文化比较；横断面设计无法捕捉采纳行为的动态演化与因果机制，建议纵向追踪或实验；模型虽较完整，却没纳入管理制度、领导风格、团队氛围等组织层变量，建议做多层模型。补充几点方法层面的提醒：其一，作者把模型称为「双通路中介模型」，但全文没有报告任何特定间接效应（specific indirect effect）的置信区间，也没在结构模型里放前因直通使用意向的路径——严格说，这里证明的是「两段路径各自显著」，而非统计意义上的中介成立，无法判断是部分还是完全中介。其二，未报告 f² 效应量，也没给 PLS-SEM 的整体拟合指标（如 SRMR），R² 与 Q²_predict 之外缺少对模型整体适配度的判据。其三，H5 隐私顾虑（t=1.745、p=0.040）从 t 与 p 的对应看应为单侧检验，文中未声明；若按双侧口径这条会不显著，是全文最脆弱的一环。其四，结果变量是使用意向而非实际使用行为，自评意向与真实采纳之间还有距离；全部变量同一时点自评，虽有匿名、题项分离、Harman 检验等程序与统计补救，反向解释（本就更愿意用的人把系统各环节都评价得更好）仍无法排除。

未来展望

作者建议：在中国内地之外做跨区域、跨行业、跨文化比较，检验模型的普适性与情境差异；改用纵向追踪或实验设计，深挖技术演进与使用意向之间的长期互动与因果方向；纳入管理制度、领导风格、团队氛围等组织层变量构建多层框架。此外作者明确点出一个理论延伸方向：后续建模应区分隐性行为控制（控制力在个体内部）与显性行为控制（控制力在个体之外的制度与结构），因为本研究已经证明感知行为控制只对前者有效。从方法角度还可以补两件本文留白的事：正式检验两条通路的特定间接效应（含置信区间）并加入前因到使用意向的直接路径，以判定中介类型；报告 f² 与整体拟合指标，让「强解释力」这一说法有更多可核查的判据。

金句

能靠自己练回来的焦虑，控制感才缓冲得了；隐私和饭碗，只能靠组织给制度兜底。

— 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！