引言

随着企业数字化转型的深入推进与人工智能技术的突破式发展。AI技术影响着企业人力资源管理活动，从招聘选拔环节的智能筛选简历和机器人面试，到培训开发环节的个性化推荐和培训方案设计，人工智能给员工带来便利的同时也提出了更高的要求和挑战，传统的人力资源管理理论已经不足以支撑人机协作场景下的决策需求。在此情境下，人力资源管理者不仅具备基本的管理技能，还要掌握技术知识。然而，相关研究显示，仅有21%的人力资源管理者认为自身具备驾驭AI的能力，多数人对AI的认知仍然停留在工具使用层面，缺乏对技术原理与管理场景的深度理解。如何扭转技术资源闲置与专业人才缺乏的尴尬局面，成为企亟需解决的企业命题。

一、理论分析与研究假设

（一）理论与研究模型

AI意识最初被定义为员工对STARA 技术替代职业前景的威胁感知，主要表现为工作不安全感和离职倾向。在最新研究中，从技术认知和用户感知两个角度丰富了AI意识的内涵。技术认知维度将AI意识定义为个体对AI技术特性的理性认知，包含了个体对机器学习、自然语言处理等关键技术的基础理解能力；用户感知维度则关注个体对人工智能的静态知识储备和动态适应能力。已有研究从个人职业发展、压力认知、资源保存等外在角度验证了人工智能对工作重塑的影响，但未全面探索内因对工作重塑的作用机制。

工作重塑是指员工通过主动行为满足自身需求、提高与工作环境匹配度、实现自我价值的过程，根据不同人格特质，可以分为促进型工作重塑与防御型工作重塑。已有研究从个体感知、自我效能等主观因素以及领导风格等外部因素探究了工作重塑的前因；并验证了工作重塑对工作投入产出、创新行为、工作意义的双面影响。虽然关于工作重塑的研究已经成熟，但是“个体-技术”双因素对工作重塑的影响机制仍需进一步挖掘。

压力认知评价理论指出，个体在识别压力的过程中，会依次经历认知评价和反应应对两个阶段。如果个体负面评价压力源会采取情绪聚焦策略，做出消极反应；反之，正面评价能够唤醒员工的积极行为。资源是个体感知到的、有助于实现目标的各种要素，个体对自身资源的认知差异会使其对技术进入做出不同的反应，进而采取不同的应对方式。AI技术作为外部引入资源，会对员工的资源观产生影响，并进一步体现在工作行为上。社会认知理论强调，个体通过自我效能感来判断自身是否具备完成特定工作的能力，而核心自我评价作为个体对自我本体以及能力价值的根源性评价，在AI意识与员工重塑行为之间的作用机制有待进一步探索。

鉴于此，本文基于压力认知评价理论、资源保存理论和社会认知理论，探讨AI意识通过人机关系对工作重塑的差异化影响，并进一步探究个体特征和技术特征在其中发挥的作用（概念模型见图1）。

（二）AI意识与工作重塑

AI意识是员工对人工智能影响其职业发展的主观评价，包括挑战意识和威胁意识，前者强调了AI技术在提升工作效率，创造新的工作机会等方面的潜力；后者则是指员工对AI技术可能对其工作岗位带来负面影响的担忧和焦虑。研究表明，工作重塑是个体主动调整资源并改变行为的过程，根据不同的人格特质，分为促进型和防御型，促进型工作重塑表现为员工主动承担挑战性任务来强化职业发展优势；防御型工作重塑则是通过调整工作边界或行为模式规避潜在风险，前者以趋近成功为导向，后者以规避损失为目的。

根据压力认知评价理论，当员工对AI 做出正面评价时，更容易激发正向行为。AI技术的进入可以提高工作效率并创造新的机会，在工作中发挥协助和增强作用，此时，员工会做出正向反馈来应对AI带来的挑战，更有动力投入到工作中以获得更好的职业发展。此外，员工也会学习技术知识，提高与AI的互动质量，最大程度发挥人机协作的优势。相反，当员工感知到人工智能对岗位价值、职业前景具有潜在替代风险时，会将其界定为威胁性压力源，采取保守或回避的应对方式，通过减少任务数量、缩小工作范围等来规避AI技术带来的负面影响，刺激防御型工作重塑行为的产生。

因此，本文提出以下假设：

H1：AI意识对促进型工作重塑产生正向影响。

H2：AI意识对防御型工作重塑产生正向影响。

（三）人机关系的中介作用

人机关系是人类在劳动过程中与智能机器产生的关系总和，通过改变员工的知识、情感和关系资源，引发情绪和行为变化。资源保存理论认为，个体具有维持资源存量、避免资源损失的本能，在面对环境威胁或机遇时，通过调整行为实现资源的获取、保存或损耗最小化。企业引入人工智能技术势必会对员工资源产生影响，而员工对AI的初始评价又会重构人机关系，使其在不同情境下做出不同的行为反应。

在技术赋能场景中，员工会主动构建正向积极的人机关系，将人机混合工作模式转化为提升认知资源的机会，并且增加人机互动的频率，通过不断学习提高自身能力，获得更多的资源。根据“资源增益螺旋效”应，员工通过人机协作获得的初始资源会形成良性循环，不仅增加其他资源的获取能力，还会促使其主动拓展工作机会、减少阻碍性任务，形成“资源积累—行为重塑”的正向反馈回路。反之，若员工负面评价人工智能，则更容易感知到其对工作岗位、技能价值的替代压力，形成替代威胁型人机关系。这种消极的关系认知会触发资源损失规避机制，采取收缩策略以维持对当下工作的控制感，导致资源体量萎缩。长此以往，不仅会抑制个体的工作重塑意愿，还可能引发长期职业效能的退化，最终陷入“越防御、越损耗”的恶性循环。

基于上述论述，本文提出如下假设：

H3：人机关系在AI意识与促进型工作重塑之间发挥正向中介作用。

H4：人机关系在AI意识与防御型工作重塑之间发挥正向中介作用。

（四）核心自我评价的调节作用

社会认知理论解释了个体的自我评价会通过认知、情感等方式影响对环境刺激的反应。核心自我评价作为个体对自身素质、工作价值和个人能力的基本评，反映了自身适应外部环境和调整身心状态的能力, 是有效应对压力的重要心理资源。因此，当AI技术进入工作场景时，除了员工的技术认知会影响工作行为外，其对自身的根源性评价也发挥着作用。

高核心自我评价的员工，在任何情境下都能采取积极的评价方式。一方面，这类员工具备强大的自我驱动力，在不借助外力的情况下能够自主完成工作，外部资源对其工作增益效果较为有限；另一方面，员工对资源储备的乐观评价使其能够依靠自身资源推进工作重塑，形成以自我赋能为核心的重塑模式，降低了使用技术工具拓展任务边界的可能性。相反，核心自我评价较低的员工在自我认知、情绪管理等方面存在不足，难以通过个人力量实现工作目标，因此，需要主动发掘外部资源提高工作效率。此外，其对自身资源的缺乏性认知也会增加对AI 技术的依赖性，使得AI意识与促进型工作重塑的关系更为紧密。

当员工对AI做出威胁评价时，基于积极的自我效能感与能力认同高水平核心自我评价的员工能够缓解AI带来的压力感与紧张感,抑制防御型工作重塑的产生。这类员工在面对AI技术时，能够主动进行资源整合以扩大竞争优势，而非采取回避策略保护既有资源。相反，低评价员工对工作环境的威胁感知更加敏感，这种消极的认知偏差会激活焦虑、自我怀疑等负面情绪，抑制个体主动探索人工智能技术与工作结合的创新场景，并通过防御行为降低不确定性带来的心理压力。此外，由于这类员工对自身认知缺乏自信，导致对自身的资源衡量也会有所偏颇。在面对技术变革时，出于防止资源损失的心理而减少资源投入，形成“威胁感知-资源收缩-行为防御”的闭环。

据此，本文提出如下假设：

H5：核心自我评价负向调节AI意识对促进型工作重塑的正向影响。即员工的核心自我评价越高(低)，AI意识对促进性工作重塑的积极作用越弱(强)。

H6：核心自我评价负向调节AI意识对防御型工作重塑的正向影响。即员工的核心自我评价越高(低)，AI意识对防御型工作重塑的积极作用越弱(强)。

（五）AI可解释性的调节作用

AI可解释性用来描述机器模型做出的决策能够被人类理解的程度，作为一种技术属性，通过降低技术不确定性作用于员工对资源的感知，进而影响其工作行为的选择。

当AI 决策逻辑可以被清晰解读时，基于对底层逻辑的深入把握和输出结果的信任，员工会增加对AI 的依赖性，减少对工作内容的主动思考。此时，员工更倾向于沿用熟悉的工作模式，而非投入额外精力进行工作重塑。个体的资源保存策略也从“主动获取”转向“维持现状”，根据资源投资原则，当员工选择维持现有资源时，其主动进行资源投资以扩大任务边界或提升工作效率的意愿会降低，弱化促进型工作重塑行为。反之，当AI可解释性不足时，员工对AI 决策结果的应用仅停留在表面，增加了工作不确定性，迫使员工通过主动学习弥补知识缺口。依据“资源增益螺旋”，员工初次投入资源并获得收益后，会形成正向反馈循环，进而持续投入时间优化人机协作模式，刺激促进型重塑行为。

在技术威胁视角下，高可解释性会放大员工的替代焦虑，当AI技术的决策结果优于人类且能被理解时,容易触发 “初始资源损失信号”，员工会面临资源缩减的风险。此外，任务规则的标准化和程序化会弱化员工的独特价值。这种能力可替代性认知会进一步加剧资源流失焦虑，出于对资源体量的维持，员工会减少对防御型工作行为的选择。反之，低可解释性导致员工难以评估技术威胁程度，陷入“模糊性防御状态”，为规避不可控风险，员工倾向于收缩人机交互范围，依赖工作经验或传统工作方式完成任务，减少对 AI使用频率，进一步强化防御机制。

据此，本文提出如下假设：

H7：AI可解释性负向调节AI意识对促进型工作重塑的正向影响。即AI可解释性越高(低)，员工的AI意识对促进性工作重塑的积极作用越弱(强)。

H8：AI可解释性负向调节AI意识对防御型工作重塑的正向影响。即AI可解释性越高(低)，员工的AI意识对防御型工作重塑的积极作用越弱(强)。

二、研究设计

（一）数据收集

本文以企业中的人力资源工作者包括非人事部门的管理者为研究对象，采用线上发放问卷的方式收集数据，覆盖了互联网、金融、医疗、教育等多个行业。问卷内容包括人口统计变量、AI意识、人机关系、核心自我评价、AI可解释性、促进型工作重塑和防御型工作重塑多个测量题项，累计回收364份问卷，经过筛选和整理后，剩余325份问卷，有效率为89.28%。样本特征如下（N=325）：性别维度，男性占39.4%，女性占60.6%；学历方面以本科和研究生为主，占68.7%；被试对象主要从事专员、主管等中基层工作，占比87.1%；10年以下工作年限占比70.2%，千人以上公司规模占比不足20%；工作行业以互联网、金融为主，占比55.7%。

（二）变量测量

本文严格按照翻译-回译流程设计和调整题项，并采用 Likert5点计分法对变量进行测量，“1”代表完全不符合，“5”代表完全符合。

（1）AI意识。参考Brougham等研究成果对其进行测量，包括“我认为我的工作可能被人工智能取代”等4个题项。

（2）人机关系。借鉴Sims等开发的人机关系量表，包括“我无法将AI设备视为我的工作伙伴”等4个题项。

（3）核心自我评价。选用杜建政等人基于中国情景修订的量表，包括“我相信自己在生活中能够获得成功”等10个题项。

（4）AI可解释性。采用胡保亮等开发的量表对AI可解释性进行测量，包括“AI系统为我提供了一整套解释信息”等12个题项。

（5）工作重塑。参考Bindl等编著的问卷包含12题项的防御型工作重塑子量表和16个题项的促进型工作重塑子量表。

（6）控制变量：参考相关文献可知，女性在技术应用中的参与度明显低于男性；高学历员工具备更强的数字素养与技术适应能力；初级岗位员工会面临更高的自动化替代风险；大型企业具备更强的AI部署能力，中小企业的敏捷性可能加速技术迭代；在不同行业中，AI技术的应用范围也会有所不同，制造业多集中于生产流程优化，而服务业侧重于客户交互场景。因此，选取性别、学历、职级、企业规模和行业属性作为控制变量。

三、数据分析与结果

（一）信效度检验

所有核心变量的Cronbach's ɑ系数均在0.8以上，说明量表具有较高信度；KMO值介于0.799~0.972之间，满足因子分析的前提条件。各变量题项的因子载荷系数在0.7以上或接近0.7，说明选取的子维度能够很好的解释、代表所描述的变量。同时，各变量的CR值均大于0.8，AVE值均大于0.5，说明变量之间具有较好的聚合信度；同时，运用AMOS26.0软件进行验证性因子分析，六因子模型拟合指数均符合标准（χ²/df=21.01, RMSEA=0.006, CFI=0.999, TLI=0.999, SRMR=0.025）。

（二）相关性分析结果

各变量均值、标准差以及相关系数如表1所示。AI意识分别与促进型工作重塑和防御型工作重塑正相关，与人机关系正相关；人机关系与促进型工作重塑和防御型工作重塑也呈现正相关关系。本文假设H1、H2得到初步验证。

	1	2		3		4		5		6
1.AI意识	0.738
2.人机关系	0.610**	0.715
3.核心自我评价	0.623**	0.588**		0.726
4.AI可解释性	0.614**	0.591**		0.626**		0.714
5.促进型工作重塑	0.609**	0.618**		0.553**		0.553**		0.723
6.防御型工作重塑	0.610**	0.573**		0.583**		0.583**		0.604**		0.727
均值	3.469		3.448		3.333		3.440		3.449		3.449
标准差	1.069		1.044		0.799		0.963		0.959		0.986

注：*表示p<0.05,**表示p<0.01,***表示p<0.001；粗体对角线数据为各变量AVE值的算数平方根。

（三）共同方法偏差

借鉴加入共同方法因子的验证性因子分析法, 检验存在共同方法偏差,结果如表2所示。在六因子模型M1的基础上加入共同方法因子后，M2的拟合指数没有明显改善，CFI和TLI提高幅度均小于0.1，RMSEA和SRMR的变化幅度均小于0.05,说明不存在严重共同方法偏差。

	χ2	df	χ2/df	RMSEA	SRMR	CFI	TLI
M1	1595.992	1580	1.01	0.006	0.025	0.999	0.999
M2	1466.978	1524	0.963	0.000	0.0239	1.000	1.005
差值	129.014	56	0.047	0.006	0.0011	0.001	0.006

（四）假设检验

1.直接效应

运用SPSS 27.0进行回归分析检验直接效应，结果如表3所示：模型2中，AI意识与促进型工作重塑的回归系数为0.893，且在1%的水平上显著，拟合指数F前后变化明显，说明员工的AI意识正向影响促进型工作重塑行为，假设H1得到验证。AI意识与防御型工作重塑的回归系数为0.891，在1%的水平上显著，拟合指标F提升显著。这表明，当其他控制变量不变时，员工AI意识与防御型工作重塑之间是正向关系，假设H2成立。

变量		促进型工作重塑		防御型工作重塑
		M1	M2	M3	M4
性别		0.038	-0.012	0.054	0.004
学历		-0.073	-0.046	-0.078	-0.051
岗位级别		0.086	0.013	0.076	0.003
工作年限		0.054	-0.025	0.03	-0.048
企业规模		0.002	0.017	-0.022	-0.007
行业属性		-0.017	-0.007	-0.011	-0.001
AI意识			0.893***		0.891***
R2		0.02	0.801	0.018	0.796
F		0.971	158.949***	0.836	153.879***

注：*表示p<0.05,**表示p<0.01,***表示p<0.001。

2.中介效应检验

在中介效应检验中，M5验证了AI意识对人机关系的正向影响，M6、M7的数据结果进一步表明人机关系对两类工作重塑显著正相关。运用Bootstrap程序进行5000次重复抽样，验证中介效应。结果如表4所示，人机关系在AI意识对促进型工作重塑正向影响中发挥正向中介作用，95%置信区间不包含零值，假设H3得到验证。同理，人机关系在AI意识与防御型工作重塑的中介系数为0.386，在1%水平上显著，95%置信区间为[0.253, 0.369]，假设H4成立。

变量	人机关系		促进型工作重塑			防御型工作重塑
	M5		M6	M8		M7	M9
性别	0.034		-.032	-0.037		0.001	-0.005
最高学历	-0.117		0.025	-0.016		0.017	-0.026
岗位级别	-0.023		0.055	0.026		.0.043	0.013
工作年限	-0.020		0.004	-0.023		-0.026	-0.055
企业规模	0.012		0.003	0.011		-0.020	-0.012
行业属性	0.008		-0.014	-0.009		-0.010	-0.005
AI意识	0.804			0.483**			0.511**
人机关系			0.805	0.395**		0.819	0.386**
R2	0.690		0.768	0.858		0.752	0.847
F	88.092***		1026.006***	211.776***		939.307***	197.183***

注：*表示p<0.05,**表示p<0.01,***表示p<0.001。

作用路径		效应值	S.E.	LLCI	ULCI
AI意识-人机关系-促进型工作重塑	总效应	0.801	0.023	0.756	0.845
	直接效应	0.483	0.034	0.415	0.549
	总间接效应	0.318	0.030	0.259	0.379
AI意识-人机关系-防御型工作重塑	总效应	0.821	0.024	0.774	0.867
	直接效应	0.511	0.036	0.439	0.582
	总间接效应	0.310	0.033	0.248	0.375

3.调节效应

运用层析回归法检验核心自我评价和AI可解释性的调节作用，结果如表6所示。AI意识与核心自我评价标准化后的交互项为负，说明核心自我评价负向调节AI意识与两类工作重塑的正向关系，对促进型工作重塑的调节系数为-0.293，对防御型工作重塑的调节系数为-0.224，假设H5、H6成立。为直观呈现核心自我评价的调节作用，以核心自我评价均值±1标准差划分高、低分组，绘制调节效应图（见图2）。结果显示，相较于低核心自我评价组，高分组的 AI 意识对工作重塑的影响斜率较为平缓，表明高核心自我评价削弱了AI意识与两类工作重塑之间的正向关系，进一步验证了H5、H6。

同理，对AI可解释性的调节作用进行检验，结果发现，AI可解释性AI意识与促进型工作重塑的调节系数为-0.220，对防御型工作重塑的调节系数为- 0.197，说明AI可解释性越高，AI意识与两类工作重塑的正向关系越弱，调节效应图（见图3）显示，高可解释性情境下，AI 意识对两类工作重塑的影响斜率较为平缓，假设 H7、H8均成立。

变量	促进型工作重塑			防御型工作重塑
	M10	M12		M11	M13
性别	-0.013	-0.021		0.025	0.012
最高学历	-0.007	-0.021		-0.017	-0.030
岗位级别	-0.005	0.004		-0.017	-0.006
工作年限	-0.010	-0.014		-0.037	-0.041
企业规模	0.030	0.037*		0.007	0.015
行业属性	0.002	-0.001		0.008	0.003
AI意识	0.271**	0.222**		0.272**	0.216**
核心自我评价	0.381**			0.450**
AI可解释性		0.505**			0.560**
AI意识*核心自我评价	-0.293**			-0.246**
AI意识*AI可解释性		-0.220**			-0.197**
R2	0.909	0.909		0.901	0.906
F	315.12**	313.614**		286.605**	313.614**

注：*表示p<0.05,**表示p<0.01,***表示p<0.001。

四、结论与展望

（一）研究结论

人力资源管理者的AI意识对促进型工作重塑和防御型工作重塑皆有正向影响。当员工以积极视角看待AI时，会主动学习新知识，增加对技术的应用与控制进而推动促进型工作重塑。相反，若员工消极评价AI技术，产生资源损耗和消极的心理感受,进而减少任务数量、缩小任务范围来对抗AI使用过程中产生的资源损失。

人机关系在人力资源管理者AI意识与两类工作重塑之间均发挥正向中介作用。从技术赋能视角来看，员工会主动依托技术提升自身能力，构建正向积极的人机关系，并将人机混合工作模式转化为提升认知资源的机会。但是，在技术损益视角下，员工更容易捕捉到人工智能替代威胁，形成负向人机关系，触发资源损失规避机制，通过收缩工作范围维持对现有工作的控制感。

核心自我评价负向调节人力资源管理者AI意识对促进型工作重塑和防御型工作重塑的正向关系。核心自我评价高的员工，具备充足的内在动机和资源储备，能够依靠自身完成工作，外部环境的增益效果较为有限。面对技术冲击，也能自调节缓解AI带来的压力,抑制防御型工作重塑的触发机制，并将AI视为拓展优势的新资源，较少启动防御型资源管理策略。核心自我评价较低的员工，因自我认知不足需要依赖外部支持完成工作，因此，AI技术的进入能够增加主动行为，在感知AI威胁时更易采取防御策略以降低不确定性。

AI可解释性负向调节人力资源管理者AI意识与促进型工作重塑和防御型工作重塑的正向关系。当AI 决策逻辑可以被清晰解读时，员工能够理解算法运行机制，倾向于沿用熟悉的工作模式并开启资源保存模式，减少主动学习与任务拓展行为，弱化促进型工作重塑。同时，技术的标准化可能弱化员工独特价值，加剧资源流失焦虑，促使其减少防御型工作行为。当AI可解释性不足时，员工难以理解技术逻辑，面临工作不确定性，可能通过主动学习提升对AI的掌控力，强化促进型工作重塑；在技术威胁背景下，员工会因为技术不可控性会采取防御模式，减少AI使用以规避风险，防止资源损耗增加。

（二）理论贡献

丰富了人工智能与人力资源管理的相关研究。以往研究在探索人工智能对人力资源管理活动的影响时，大多基于技术应用对职能活动的影响，探讨人工智能技术对招聘、培训等工作环节的影响机理，忽略了对员工心理和行为的作用。因此，本文从员工视角出发，探讨人工智能技术对不同类型重塑行为的具体表现，不仅丰富了人工智能与工作重塑的相关研究，而且能够更好地理解员工应对技术冲击时对不同类型的重塑行为的选择差异。

拓展了人工智能与工作重塑的研究边界。通过梳理现有文献可知，在关于工作重塑的研究中，对于前因变量的选取多以个人特质、领导特质或组织环境为主；作用结果研究则偏重于工作满意度、工作投入、工作绩效等方面。鲜有学者从技术角度和自我评价角度解析人工智能对员工产生的影响。因此，本文从人、机双边视角提出两个关键影响因素；在个人维度，聚焦员工个体特质对AI 认知及工作重塑的作用机制；在技术层面，深入探讨 AI 技术的可解释性这一要素如何介入员工的工作重塑进程，打破了传统的单一视角局限，使研究更加全面、深入。

（三）不足与展望

本文存在以下不足：首先，本文以人力资源管理中为研究对象，探究个人的AI意识对工作重塑的影响机制，但是，不同行业、不同岗位的群体对AI技术的评价认知是有区别的。未来研究可以针对不同群体探究AI意识对员工行为的影响。其次，本文从压力认知、自我评价和资源评估角度阐述了AI意识对工作重塑的作用机制。但是，员工的模仿行为或从众心理也会被动影响工作行为，未来可以在此基础上展开讨论。最后，本研究从个体特征和技术特征两个角度阐述了核心自我评价和AI可解释性对工作重塑的调节机制，但忽略了组织环境对员工行为的影响。未来研究可以进行跨层次分析，从个体、技术、组织等多维度探究AI意识与工作重塑之间的关系。

参考文献：

1. [1] 尹开国.人工智能素养：提出背景、概念界定与构成要素[J].图书与情报,2024(03):60-68.
2. [2] 王涛,占小军,余薇.AI感知对员工心理和行为的影响及理论解释[J].心理科学进展,2024,32(07): 1195-1208.
3. [3] Wrzesniewski A, Dutton J E. Crafting a job: Revisioning employees as active crafters of their work[J].The academy of management review,2001,26(02):179-201.
4. [4] Lichtenthaler P W, Fischbach A. A meta-analysis on promotion- and prevention-focused job crafting[J].European journal of work and organizational psychology,2019,28(01):30-50.
5. [5] 吴欢伟,孙美全.不确定性感知对员工资源重塑的影响研究——基于认知评价视角[J].管理评论,2025,37(01):127-140.
6. [6] Tims M, Bakker B A, Derks D. Daily job crafting and the self-efficacy – performance relationship[J].Journal of managerial psychology,2014,29(05):490-507.