【摘 要】人工智能在工作场所中的广泛应用极大地改变了工作任务和所需知识，主动适应而非被动应对这种变化，成为员工在数字组织中拥抱AI的关键。在社会学习理论基础上构建一个有调节的中介模型，探讨员工AI重塑的有效性及其驱动因素。对523份样本的实证分析结果表明：领导AI符号化正向影响员工AI重塑，员工AI重塑在领导AI符号化与AI支持行为、领导AI符号化与向AI学习的关系中发挥中介作用，员工归因成就动机正向调节领导AI符号化对员工AI重塑的影响。研究结果对有效处理员工与AI之间的关系提供了管理启示。
【关 键 词】领导AI符号化；员工AI重塑；AI支持行为；向AI学习；员工归因成就动机
【作者简介】周燕华（1978— ），女，新疆财经大学工商管理学院副院长、教授，博士，研究方向为数字人力资源管理；李子龙（1999— ），男，海南大学国际商学院博士研究生，研究方向为数字人力资源管理。
【基金项目】国家社会科学基金项目“‘一带一路’背景下新疆区域品牌形象定位与全媒体传播研究”（项目编号：23BGL144）；新疆维吾尔自治区社会科学基金项目“新疆民营企业营商环境优化研究”（项目编号：2023BGL075）
【中图分类号】C933 【文献标识码】A 【文章编号】1003-2606（2025）06-0070-09
一、引言及文献综述
人工智能（AI）通常被视为一种算法系统，由大数据和机器学习等技术驱动，能够生成适应性响应以实现预定目标。鉴于AI拥有的巨大潜力，企业采用AI不再是选择性问题，而是决定其能否保持竞争力的首要战略事项之一。［1］麦肯锡公司发布的《2024年技术趋势展望》报告显示，约65%的受访者表示他们的组织在至少一项业务职能中经常使用新一代AI技术。在此背景下，传统的劳动力任务受到来自AI的冲击，并将在可预见的未来对员工的工作任务、工作关系与工作认知提出新的要求。［2］既往研究指出，成功契合这种新要求的关键在于员工对AI的接受度［3］，如果员工不愿意根据AI调整自身的思维模式和工作特征，甚至不愿意使用新技术，不仅不利于个人职业发展，也影响组织布局AI的操作化效果。因此，如何提高员工对AI的接受度，已然成为当下理论界和实践界共同关注的紧迫议题。
与传统技术不同，AI系统非常复杂，没有具体的流程和功能定义，并且员工与AI之间的交互具有高度不确定性，因而多数研究在对AI技术与员工相关采纳行为或态度之间关系进行探索时，往往是基于AI既有的结构特性开展。例如，Yu等从透明度方面进行了探讨，认为AI透明度通过增加员工的挑战评估和减少员工的威胁评估提升了员工对AI的信任，提高了AI采纳意愿［4］；Tojib等从拟人化角度出发，发现服务机器人会通过感知到工作安全威胁进而触发抵制行为，抑制AI采纳行为［5］；其他的影响因素还包括可预测性、可解释性、感知有用性和感知易用性等。已有的研究虽然为揭示哪些因素会影响员工AI接受度提供了重要见解，但不足的是，这些研究的论证出发点大多是基于员工如何被动应对工作场所中AI的出现，而非主动适应。换言之，目前关于员工如何积极调整自身响应“新同事”的到来的研究十分有限，而这一行为模式的转变（由被动到主动）很可能是帮助员工更好接纳AI的有效策略。因此，我们有必要从主动性视角拓展对这一问题的探究。
工作重塑是一种特定形式的工作主动行为，能够促进员工内在需要的满足、提高自身适应能力、获得工作意义感。［6］目前已有学者在工作重塑研究的基础上发展出了一种与AI相关的特定领域的工作重塑，即员工AI重塑——员工为应对AI主动采取的塑造、调整和重新定义工作的行为。［7］例如，客服助理会运用AI处理一些常规性问题，使自己集中更多时间和精力来解决复杂性问题。因此，从AI重塑角度出发，能够为剖析员工主动适应工作场所AI带来的变化提供更为深刻的理解。在对有关文献归纳的基础上，本文探讨了员工AI重塑的结果，提出员工AI重塑通过两种主要行为（外在支持行为和内在学习行为）提高其对AI的接受度：AI支持行为和向AI学习。概要来说：AI支持行为可以理解为员工积极响应和推动企业实施AI的行动，如积极使用和推荐AI技术、协助同事适应AI带来的工作变化等。AI支持行为体现出员工对AI的行为性认可，这是一种外显行为，更多涉及员工的组织贡献和角色外行为。向AI学习是指员工在与AI互动中为获取新的知识、技能和能力而展现的自主行为，如学习AI解决问题的思维和策略、向AI学习研究方法等。向AI学习聚焦于员工层面在与AI交互过程中的知识积累和技能提升，更多是一种内在的学习与提升过程。可见，AI支持行为和向AI学习在很大程度上反映了员工基于AI的外显与内化并存的行为反应与表现，能够作为员工接受AI的重要表征变量。
在进一步对员工AI重塑影响因素的分析上，社会学习理论提供了一个稳健的解读视角。根据社会学习理论，个体会通过观察他人的行为及后果来学习可接受和规范的行为，并在未来进行类似的行为［8］，且那些拥有更高地位的榜样角色更容易被学习和模仿［9］。领导AI符号化指领导者通过参加与AI相关的行动，或展现对AI的亲和力，传达其对AI的接受与支持态度。［10］基于社会学习理论，本文认为领导AI符号化是员工AI重塑的重要影响因素。概括来说，领导AI符号化向员工提供了一个正向反馈，激发了员工的学习和模仿动机，促使员工主动在工作中做出改变（员工AI重塑），并进一步影响其工作行为（AI支持行为和向AI学习）。此外，社会学习理论还指出，个体是否选择向榜样角色学习相关行为取决于他们对该行为动机的看法。换言之，员工对领导行为的归因决定了其学习动力的强弱。员工归因成就动机是指员工倾向于解释领导AI符号化的原因是出于满足领导个人成就的需要。［11］基于社会学习理论，本文认为员工归因成就动机能够在领导AI符号化与员工AI重塑的关系之间起正向调节作用。概括来说，如果员工将领导AI符号化的动机解读为领导乐于挑战、追求卓越的内在兴趣，那么他们可能会受到这种热情的感染，强化对榜样的认可，进而增强领导AI符号化对员工AI重塑的积极影响。
综上，基于社会学习理论，本文将领导AI符号化作为员工AI重塑的前置变量，将AI支持行为、向AI学习作为员工AI重塑的结果变量，将员工归因成就动机作为调节变量，构建“领导AI符号化—员工AI重塑—员工工作行为”的整合研究框架，以期从员工AI重塑视角揭示领导AI符号化如何通过影响员工AI重塑进而提高员工AI接受度。
二、理论分析与研究假设
（一）领导AI符号化与员工AI重塑
随着AI技术的快速发展，AI正在融入组织的各个领域，越来越多的领导倾向于在工作中展现AI符号化行为。领导AI符号化不仅是推动新技术应用的象征，同时表明了其对AI的立场。现有关于领导AI符号化的研究与以往的符号化研究保持了一致，如领导道德认同符号化。领导道德认同符号化探讨了领导如何通过某些特定行为和活动来向外界展示自身道德认同的程度。
员工AI重塑反映了员工为适应AI重新进行工作设计，改变自身工作任务、关系和认知的一种自下而上的自发行为，例如改变对AI工作角色的看法、将AI视为同事而不再是对手等。AI重塑行为能够使员工更好地满足个人需求，获得工作意义感。已有研究表明，个人特征与工作特征是影响员工工作重塑的两类重要因素，但是总体来看，关于工作重塑的前因及发生机制的研究仍相对不足，尤其缺乏从领导视角探讨工作重塑成因的成果。随着AI技术不断渗透，领导行为往往对员工适应新技术具有重要意义。此外，员工工作重塑的目的可能并不总是与组织需求一致，因此领导有必要以身作则引导员工AI重塑。
根据社会学习理论，领导AI符号化会在工作任务、工作关系及工作认知三个方面对员工AI重塑产生影响。首先，员工会有意识地观察和感知领导行为，当领导实施一系列与AI相关的积极行为时，为保持与领导行动的一致性，他们会把与AI有关的要素作为调整自己工作任务的参考，主动放大自己的工作边界并调整工作方式，促进任务重塑。其次，领导AI符号化行为与整个组织的导向和需求密切相关，这种AI符号化行为承认了AI存在的合理性及其赋能组织的潜在价值。遵循这种价值指引有助于员工在组织中获得较高认可度和归属感，进而改善与领导的交换关系，推动关系重塑。再次，领导AI符号化行为减轻了员工对AI的担忧，提高了个体的心理韧性以及处理与AI关系时的自我效能感。同时，对领导AI符号化行为的学习和模仿也加深了员工对AI的了解与掌握程度，增强了员工改善现有工作思维的动机，促进了认知重塑。综合上述分析，提出假设H1：领导AI符号化与员工AI重塑正相关。
（二）员工AI重塑与工作行为
AI支持行为和向AI学习是员工在工作中与AI相关的两种关键行为。由于AI技术在组织中的应用被广泛认为是组织变革的一种具体表现，所以当下的研究在讨论员工对AI的支持行为时往往是从变革的角度出发。员工变革支持行为是指员工为了积极参与、促进和推动组织发起的变革而采取的行动，现有研究在此基础上进一步发展出AI支持行为的概念。员工学习是指员工在持续学习活动中所表现出的自愿行为，旨在掌握新的知识、技能和能力。［12］数字时代下，组织对AI技术的应用深刻影响了员工参与及看待工作与生活的方式，进而促使员工产生新的学习框架——向AI学习。其中，向AI学习的主体是员工，即学习行为的发起者与观察者；学习对象是AI，即演示者角色；学习过程是在员工与AI的交互中进行；向AI学习的目标是提升员工自身的智能能力。与一般的工作行为变量相比，AI支持行为和向AI学习可以直接反映员工对AI的工作相关表现，有助于更好地理解员工面对AI及AI相关变化的主动行为。
就AI支持行为而言。首先，通过工作重塑，员工不断调整他们的工作技能、时间分配以及工作边界以更好地适应AI。这些实践能增强员工与AI协作的能力与信心、缓解其AI焦虑心理，提高员工支持AI的动机。其次，通过AI重塑，员工逐渐了解并掌握如何利用AI开展工作，获得更有意义的工作体验和积极情绪，在带来更高生产力（任务绩效）的同时也能够激发自身创新行为（创新绩效），增加对AI支持的责任感。再次，主动进行工作重塑的员工往往更倾向于使他们的工作更具挑战性和趣味性。虽然AI在某种意义上可以被当作工作场所新的压力源，但它能激发员工的功能性行为，从而促使员工产生更多AI支持行为。综合上述分析，提出假设H2a：员工AI重塑与AI支持行为正相关。
就向AI学习而言。首先，主动进行工作重塑的员工往往具备更可迁移的知识技能和更强的学习能力，这令他们在向AI学习过程中遇到的阻力较小。其次，员工AI重塑的本质是主动适应和改进现有工作设计，这需要他们对AI有更加深入的了解，进而提高向AI学习的动力。再次，在AI重塑过程中，员工不仅需要学会如何使用AI，还需要学会如何与AI协作。交互对象从人到AI的改变，促使员工从传统的学习方法转向更多技术驱动的学习方式，如了解AI的自然语言逻辑、尝试不同输入对AI算法输出的影响等，增加员工向AI学习的必要性。最后，随着AI技术在组织中的日益普及，在可预见的未来，组织对员工AI技能的要求也在增加。通过AI重塑，员工意识到学习AI才是适应未来工作环境的关键。因此，出于职业发展的需要，员工会持续学习AI相关技能，以确保自己能够在技术驱动的工作环境中取得成功。综合上述分析，提出假设H2b：员工AI重塑与向AI学习正相关。
结合上述假设，本文认为领导AI符号化通过员工AI重塑对员工AI支持行为和向AI学习具有正向的间接影响。根据社会学习理论，领导的AI符号化行为为员工主动适应AI工作环境提供了观察和学习的榜样，促进了员工AI重塑行为。而员工AI重塑的有效性（能否促使员工提高对AI的接受度）在其AI支持行为和向AI学习两方面得以体现。即员工可能会因为对AI信任度的提高等而产生AI支持行为，并基于职业发展考虑等因素主动向AI学习。由此，提出假设H3a：员工AI重塑在领导AI符号化与AI支持行为的关系中起中介作用。H3b：员工AI重塑在领导AI符号化与向AI学习的关系中起中介作用。
（三）员工归因成就动机的调节作用
根据社会学习理论，人们模仿榜样角色的特定行为主要取决于三个因素：保持（记住所观察到的行为）、再现（具备再现该行为的能力）和动机（有充分的理论去启动该行为）。［13］动机部分强调了个体选择实施从榜样那里学习到的行为的可能性，取决于他们对这些行为目的或目标的感知。此外，社会学习理论还强调了观察结果的效价，即个体通常倾向于模仿那些具有积极结果的行为，而避免可能带来负面结果的行为。［14］成就动机是指个体努力追求成功和卓越，以期达到更高目标和要求的内在动力与心理倾向。对工业4.0时代的领导者而言，精通先进技术是最具挑战性的任务之一。［15］这些挑战可能激发领导者的成就动机，进而使员工将领导者的AI符号化行为归因于其成就动机（即员工归因成就动机）。由此，本文认为员工归因成就动机能够正向调节领导AI符号化行为在促进员工AI重塑以及他们后续工作行为（AI支持行为和向AI学习）方面的影响强度。首先，从基于中国传统文化发展而来的家长式领导的德行领导维度来看，当员工将领导的AI符号化行为归因于高水平的成就动机时，领导的AI符号化行为会被员工视为是一种可贵品德的体现、是领导以身作则追求自我更新的示范，这时员工会认为领导是可信可敬的，会学习和模仿其行为和思想。其次，从领导行为—组织目标一致性角度来看，当员工将领导的AI符号化行为归因于高水平的成就动机时，员工会将领导AI符号化行为视为其专注于提高自身的AI素养，在数智环境中更好地发挥引航作用，从而帮助组织建立AI竞争优势的策略。因此，员工会更加积极地调整自己的工作设计来配合组织目标。再次，从风险评估角度来看，当员工将领导的AI符号化行为归因于高水平的成就动机时，员工可能会认为领导追求AI目标是基于已经完成了对AI收益与风险的权衡、肯定了对组织实施AI的有效性和潜在效益，这种情况下，领导AI符号化行为会强化员工进行AI重塑的确定性。相反，当员工将领导的AI符号化行为归因于低水平的成就动机时，员工会认为领导的AI符号化行为并不是出于深思熟虑，而是一种盲目的模仿与跟随。综合上述分析，提出假设H4：员工归因成就动机正向调节领导AI符号化与员工AI重塑的关系。即员工归因成就动机水平越高，这一正向关系越强。
综上，本文的研究模型如图1所示。
三、研究方法
（一）数据收集
本文的调研对象来自中国北京、上海、广东、江苏4地使用AI技术的服务业企业在职员工，涉及金融、旅游、文娱、信息服务4个不同的服务行业。原因如下：与传统技术创新不同，AI具有类人化的学习和思维能力，这使得AI对就业影响的一个突出表现是其在服务业的广泛应用。［16］例如，在金融领域，有AI资产管理系统、智能投顾等应用；在旅游领域，有AI行程助手、旅游体验增强器等应用；在文娱领域，有AI创作（BGM、场景、剧本）、AI沉浸式伙伴等应用；在信息服务领域，有智能客服、自然语言处理等应用。AI技术在职场中的应用虽仍处于上升阶段，但不同行业AI技术的应用程度不尽相同［17］，单独考察服务业能够保证行业背景的可比性，更好地排除行业背景差异对研究结论的影响。北京、上海、广东、江苏4地是我国人工智能发展指数排名靠前的地区，这些省份样本的纳入提高了样本的代表性，能够为其他地区提供借鉴。
研究通过Credamo平台招募与甄选符合调研需求的被试，共有600名被试参与问卷调研。在剔除未通过注意力检测题、作答存在明显规律以及作答时间少于1分钟的无效问卷后，最终获得有效问卷523份，有效回收率为87.17%。其中，男性占43.8%，女性占56.2%；年龄方面，18～25岁占18.9%，26～35岁占46.3%，36～45岁占26.4%，45岁以上占8.4%；学历方面，高中及以下学历占6.5%，大专学历占33.7%，本科学历占53.7%，研究生学历占6.1%；工作年限方面，3年以下占29.4%，3～5年占44%，6～10年占20.5%，10年以上占6.1%；行业分布方面，金融业占27.1%，旅游业占16.2%，文化娱乐业占33.8%，信息服务业占22.9%。
（二）变量测量
本文所采用的测量工具均为成熟量表，具备较高的信效度。鉴于研究是基于中国文化情境下开展的，为确保题项表述的准确性和清晰度，采用标准翻译—回译程序对英文量表进行处理。所有量表均采用Likert5点法评分（1=非常不同意，5=非常同意）。
领导AI符号化。采用He等编制的6题项量表［10］，代表性题项如“我的领导主动与我讨论与AI相关的话题”。
员工AI重塑。采用Li等开发的6题项量表［7］，代表性题项如“在与AI合作时，我会主动引入新的方法来改善我的工作”。
员工归因成就动机。改编自Jackson编制的4题项量表［18］，代表性题项如“我的领导从事AI符号化行为是因为他/她渴望完成有难度的任务”。
AI支持行为。改编自Giangreco和Pecce编制的7题项量表［19］，代表性题项如“在公开讨论中，我坚定地支持组织应用AI”。
向AI学习。采用Li等编制的3题项量表［20］，代表性题项如“在使用AI技术时，我学习AI生成方案的逻辑思维”。
控制变量。与以往大多数研究保持一致，本文将员工的性别、年龄、教育程度和工作年限作为控制变量，并对不同选项赋予不同数值。另外，由于员工对AI的熟悉程度和经验程度也会影响员工对AI技术的看法，因而本文将AI熟悉程度、AI经验程度同样视为控制变量。
四、数据分析与结果
PLS适用于处理非正态分布和多重共线性问题，用于研究多个变量之间的复杂关系时参数估算结果具有较高的稳健性，这使得它可以更好地适应不同类型的研究。因此，本文主要采用PLS进行模型检验。
（一）共同方法偏差检验
由员工自评的方式且来自同一时点的数据可能会使研究结果受到共同方法偏差的影响，因此本文在研究设计阶段通过相应的手段进行控制。第一，从自愿原则出发，研究的问卷设计采取不记名方式填写；第二，对问卷调研的目的与相关概念进行详细解释，以消除员工作答时的疑惑；第三，为避免作答者乱答的情况，我们在问卷中插入了注意力检测题。除了上述控制手段外，我们还采用Harman单因素检验法和ULMC法进行共同方法偏差检验。首先，Harman单因素检验表明，将领导AI符号化、员工AI重塑、员工归因成就动机、AI支持行为和向AI学习这5个变量的所有题项进行未旋转的主成分分析后，得到的第一个因子解释了37.317%方差，低于50%的基准线。其次，如表1所示，验证性因子分析结果表明，基准模型（五因子模型）的拟合效果优于其他竞争模型（χ2/df=1.193，RMSEA=0.019，TLI=0.992，CFI=0.993）。在五因子模型的基础上加入ULMC因子后得到的六因子模型各项指标并未得到显著优化（χ2/df=1.154，RMSEA=0.017，TLI=0.994，CFI=0.995）。综合两种分析结果说明，共同方法变异并未对研究模型造成严重影响。再次，我们还检验了可能存在的多重共线性问题，结果显示，各变量VIF值分布在1.794~2.422，远低于临界值10，表明本研究不存在多重共线性问题。
（二）信度与效度分析
为了保证研究模型得出的研究结论具有可靠性，需要对模型的信度和效度进行分析。一般来说，信度可以通过Cronbach’s alpha值进行评估，该标准一般在0.7以上。效度分为收敛效度和区分效度：收敛效度可以通过CR值和AVE值进行评估，二者的标准为CR>0.7、AVE>0.5；区分效度则可以通过因子载荷和AVE的平方根与相关系数之间的比较进行评估，因子载荷的标准应大于0.7。由表2可知，本文的Cronbach’s alpha值范围为0.828~0.916，CR的结果在0.831~0.918，AVE的结果在0.665~0.743，AVE的平方根大于变量间的相关系数，各项标准均满足推荐阈值要求，符合标准。同时，我们还进行了因子载荷分析，结果显示所有因子的载荷均超过了0.7。上述结果表明，研究数据具备良好的信效度。
（三）结构模型
图2给出了主模型的PLS输出结果。该结果表明：第一，领导AI符号化对员工AI重塑有显著正向影响（β=0.314，p<0.001），假设H1得到支持。第二，员工AI重塑对AI支持行为有显著正向影响（β=0.437，p<0.001），对向AI学习有显著正向影响（β=0.413，p<0.001），假设H2a和假设H2b得到支持。
（四）中介效应检验
我们通过Hayes开发的PROCESS宏对员工AI重塑在领导AI符号化和AI支持行为与向AI学习之间的中介作用进行检验。当输出结果中间接效应的置信区间不包括零时，表明存在中介效应。另外，当间接效应的置信区间不包含零且直接效应的置信区间也不包含零时，表明存在部分中介效应；当间接效应的置信区间不包含零但直接效应的置信区间包含零时，表明存在完全中介效应。由表3可知，员工AI重塑在领导AI符号化和AI支持行为与向AI学习之间发挥部分中介作用，假设H3a和假设H3b得到支持。
（五）调节效应检验
为了讨论员工归因成就动机在领导AI符号化与员工AI重塑之间的调节作用，我们通过多元回归分析进行检验，结果见表4。表4中，模型1考察了领导AI符号化对员工AI重塑的影响。模型2考察了领导AI符号化和员工归因成就动机对员工AI重塑的共同影响。模型3考察了领导AI符号化、员工归因成就动机及二者的交互项对员工AI重塑的综合影响。结果表明，员工归因成就动机在领导AI符号化与员工AI重塑之间起正向调节作用（β=0.214，p<0.001），假设H4得到支持，这意味着员工归因成就动机可以增强领导AI符号化与员工AI重塑之间的关系，即当员工归因成就动机水平越高时，领导AI符号化对员工AI重塑的正向影响越明显。
五、结论与讨论
数智化时代，AI为组织的生存与发展注入了强大动力。然而，面对AI这一“新同事”的到来，组织现有员工的适应过程并不顺畅。本文围绕员工如何进行AI重塑以主动适应工作环境、工作要求变化的问题，基于社会学习理论探讨了领导AI符号化对员工AI重塑的影响，检验了员工AI重塑的有效性（即能够通过AI支持行为和向AI学习提高员工对AI的接受度），并揭示了这一影响的作用机理和边界条件。以工作中接触AI的服务业员工为调查对象，采用问卷调查法获取数据对研究模型进行检验。研究结果表明，领导AI符号化是员工AI重塑的重要先决条件，同时AI重塑又激发了员工AI支持行为和向AI学习。此外，员工归因成就动机还增强了领导AI符号化对员工AI重塑的正向影响。
（一）理论意义
首先，以往关于组织中AI的使用的相关研究主要将员工视为面对AI的被动接受者，考察了员工的情绪、态度、工作相关结果如何受到AI引发的变化的影响。例如，近期的研究发现，AI在工作场所的使用减少了员工的组织承诺和职业满意度，增加了工作倦怠感和离职意向。［21］然而，在一个AI技术与人类协作越来越密集的时代，员工主动调整工作方式并适应工作显得尤为重要。事实上，AI的引入已然在许多行业创造了一个新的组织环境，这需要从全新的工作重塑视角进行解读。本文基于AI重塑视角，构建了“领导AI符号化—员工AI重塑—员工工作行为”的分析框架，为弥补上述研究不足提供了一个全新的视角，回应了Bailey等学者关于员工如何主动适应工作场所AI带来的新变化的探究。［22］研究结果证实了AI重塑是员工应对AI带来的新变化的有效方法，能够增强员工的AI支持行为，并鼓励员工向AI学习，有助于加深对员工主动掌握组织中AI应用带来的新变化的理解。
其次，通过纳入领导AI符号化概念，本文加深了现有研究中关于领导AI符号化的理解。以往的研究揭示了员工接触AI可能带来的负面影响，如工作不安全感等。这些研究暗示了领导AI符号化可能威胁员工自尊，加剧他们对被AI取代的担忧。然而，本文研究发现，基于社会学习理论，领导AI符号化行为会受到员工的模仿，进而促进了员工AI重塑。这一结果回应了He等关于领导AI符号化如何影响员工工作行为与结果的讨论［11］，拓展了领导AI符号化行为的实证研究，并从积极影响角度挑战了现有研究关于领导AI符号化行为会对员工行为产生负面影响的观点。
再次，本文讨论了员工对领导AI符号化的成就归因动机。现有研究主要聚焦领导归因对员工工作行为的影响，然而，关于员工对领导行为归因的研究相对较少。本文通过探讨员工归因成就动机的调节作用，提供了对领导AI符号化影响的更为全面的理解。具体而言，当员工将领导的AI符号化行为归因为成就动机时，这种正向的归因会强化领导AI符号化对员工AI重塑的影响，尤其是在员工归因的成就动机越强时，领导AI符号化行为对员工AI重塑的影响越强。这一发现强调了在探究领导AI符号化行为后果时考虑员工归因的重要性。
（二）管理启示
首先，本文研究结果表明，员工AI重塑可以改善与AI相关的特定工作行为，包括AI支持行为和向AI学习，这不仅能够提高员工对AI的接受度，还有助于提高员工与AI的协作效率。因此，领导需要认识到AI重塑是员工主动适应AI所带来新变化和挑战的有效方法。领导应当确保员工理解AI技术的应用，并在AI实施过程中保持透明，以建立员工对AI的信任，同时，对员工在AI重塑方面的努力给予正面的反馈和认可，包括表扬、奖励和提供晋升机会。领导可以与员工一起制定与AI相关的工作重塑目标，并确保这些目标与组织的整体战略一致。
其次，本文的研究结果表明，领导AI符号化正向影响员工AI重塑。因此，领导应着力提升AI符号化水平，以促进员工在AI时代的工作重塑。例如，组织应当开展适当的领导力培训，提高领导的数字素养，深化领导对AI在工作场所价值的认识。领导自身也可以通过主动参加业界开展的先进技术交流会、主动使用新一代AI软件与程序、构建员工与AI和谐的管理系统以表达对AI的认可与支持。同时，领导也可以建立与员工的AI沟通反馈窗口，消除员工的顾虑，减少员工可能存在的AI焦虑。
再次，本文发现当员工归因成就动机较强时，领导AI符号化行为对员工AI重塑的影响更强。因此，领导在工作中实施AI符号化行为时应当注意到员工进行归因的潜在影响。就本文而言，领导应尽可能让自己的AI符号化行为释放出积极正向的成就动机。具体来说，领导可以增强与员工之间的沟通，主动解释自身进行AI符号化行为的动机，这一方面可以巩固自己的榜样角色，另一方面也有助于避免员工的消极推测。更重要的是，领导不应当将AI符号化行为流于表面，而是可以通过切实的激励制度体现自己的成就动机。例如，对能够帮助领导达到AI成就目标进行建言的员工给予表扬，对能够帮助领导解决AI实施难题的员工给予物质奖励等。
（三）局限与展望
第一，在问卷调查研究中，采用了单一时点和自我报告的方式收集数据，尽管采用了设置注意力筛选题以及保证匿名性等程序进行控制，并通过了共同方法偏差检验，但在未来条件允许的情况下仍需要采用多时点、多来源相结合的方法进一步验证本文的研究结论。
第二，本文使用服务业员工样本数据来检验所提出的概念模型，未来的研究有必要选择多行业样本进一步验证本文的研究结论。
第三，由于不同的领导层级可能展示出不同水平的AI符号化，未来的研究可以深入探究领导层级的不同对员工AI重塑的影响。
第四，本文基于一般意义下的员工AI重塑概念进行理论分析与模型构建，未来的研究可以进一步区分不同的工作重塑类型，细化对员工AI重塑的探究。
第五，本文只研究了一种归因动机（员工归因成就动机）以分析领导AI符号化对员工AI重塑的影响，未来的研究有必要探索其他类型的归因，如员工归因印象管理动机在调节领导AI符号化行为时所发挥的边界作用。
参考文献：
［1］MATSUNAGA M.Uncertainty Management， Transformational Leadership， and Job Performance in an AI-Powered Organizational Context［J］.Communication Monographs，2022，89（1）：118-139.
［2］郝力晓，吕荣杰.人工智能与高质量就业： 基于耦合视角的分析［J］.经济与管理研究， 2023， 44（6）： 3-18.
［3］RAISCH S， KRAKOWSKI S. Artificial Intelligence and Management： The Automation-Augmentation Paradox［J］.Academy of Management Review， 2021， 46（1）： 192-210.
［4］YU L， LI Y， FAN F. Employees’ Appraisals and Trust of Artificial Intelligences’ Transparency and Opacity［J/OL］. Behavioral Sciences， 2023， 13（4）： 344. （2023-04-20） ［2025-01-01］. https：//www.mdpi.com/2076-328X/13/4/344. DOI： 10.3390/bs13040344.
［5］TOJIB D， SUJAN R， MA J， et al. How Does Service Robot Anthropomorphism Affect Human Co-workers？［J］. Journal of Service Management， 2023， 34（4）： 750-769.
［6］郭一蓉，陈黎梅，占小军.自我牺牲型领导对员工工作重塑的影响机制研究［J］.管理学报，2021，18（10）：1503-1511.
［7］ LI W， QIN X， YAM K C， et al. Embracing Artificial Intelligence （AI） with Job Crafting： Exploring Trickle-Down Effect and Employees’ Outcomes［J/OL］. Tourism Management， 2024， 104： 104935. （2024-04-06） ［2025-01-01］.https：//www.sciencedirect.com/scien-
ce/article/abs/pii/S0261517724000542.DOI：10.1016/j.tourman.2024.104935.
［8］肖金岑，程豹，罗文豪.不道德行为在组织管理中的“涓滴”效应［J］.管理评论，2023，35（10）：205-217.
［9］周明建，侍水生.领导—成员交换差异与团队关系冲突：道德型领导力的调节作用［J］.南开管理评论，2013，16（2）：26-35.
［10］HE G， LIU P， ZHENG X， et al. Being Proactive in the Age of AI： Exploring the Effectiveness of Leaders’ AI Symbolization in Stimulating Employee Job Crafting［J］.Management Decision， 2023， 61（10）： 2896-2919.
［11］CAI D， CAI Y， SUN Y， et al. Leader-Follower Congruence in Need for Achievement and Work Outcomes： The Mediating Role of Leader-Member Exchange［J］. Applied Psychology， 2021， 70（4）： 1492-1511.
［12］BEZUIJEN X M， VAN DAM K， VAN DEN BERG P T， et al. How Leaders Stimulate Employee Learning： A Leader-Member Exchange Approach［J］. Journal of Occupational and Organizational Psychology， 2010， 83（3）： 673-693.
［13］BANDURA A， WALTERS R H. Social Learning Theory［M］. Englewood Cliffs， NJ： Prentice hall， 1977：141-154.
［14］BANDURA A. Social Foundations of Thought and Action［M］.Englewood Cliffs， NJ： Prentice hall， 1986：23-28.
［15］SMIDS J， NYHOLM S， BERKERS H. Robots in the Workplace： A Threat to—or Opportunity for—Meaningful Work？［J］.Philosophy&Technology， 2020， 33（3）： 503-522.
［16］韩明燕，张毛龙，胡恩华，等.因参与而支持：员工参与AI实施过程对其AI支持行为的影响［J］.经济管理，2023，45（5）：151-169.
［17］苏立君.知识型劳动力、人工智能应用与资本主义“去工业化”过程研究［J］.经济学家，2024（8）：15-24.
［18］ JACKSON D N. Personality Research Form Manual［M］. Port Huron， MI： Research Psychologists Press， 1984： 1-70
［19］GIANGRECO A， PECCEI R. The Nature and Antecedents of Middle Manager Resistance to Change： Evidence from an Italian Context［J］.The International Journal of Human Resource Management， 2005， 16（10）： 1812-1829.
［20］ LI Y， SONG Y， SUN Y， et al. When Do Employees Learn from Artificial Intelligence？ The Moderating Effects of Perceived Enjoyment and Task-Related Complexity［J/OL］. Technology in Society，2024，77：102518.（2024-03-16） ［2025-
01-01］. https： //www. sciencedirect.com/science/artic-
le/abs/pii/S0160791X24000666.DOI：10.1016/j.techs-
oc.2024.102518.
［21］蒋建武，龙晗寰，胡洁宇.工作场所人工智能应用对员工影响的元分析［J］.心理科学进展，2024，32（10）：1621-1639.
［22］BAILEY D， FARAJ S， HINDS P， et al. Special Issue of Organization Science： Emerging Technologies and Organizing［J］. Organization Science， 2019， 30（3）： 642-646.
（图表详见杂志）
编辑 白埕埸
